04.05.2026 12:07
Почему промышленный ИИ в РФ буксует: мнение Алексея Акулова
#мнение
🔹 Привычные методы производственной оптимизации не дают эффекта, новые технологии доступны, пилоты запущены, но до реальной эксплуатации доходят единицы - как рассказал гендиректор «Индастри Софт Солюшнс» Алексей Акулов в интервью TAdviser, именно в такой ситуации находится российская промышленность.
Традиционные методы оптимизации производства уже повсеместно исчерпали себя: дальше повышать эффективность за счет «регулировки винтиками» просто невозможно. В условиях падения маржинальности ML из дорогой цифровой игрушки превращается в инструмент выживания, особенно когда нет возможности обновлять парк оборудования и приходится выжимать максимум из того, что есть.
При этом российский рынок промышленного ИИ находится в активной фазе роста, но уровень зрелости очень неравномерный. Главный тормоз - данные, из-за которых 80% времени инженеры тратят не на модели, а на уборку «болота» из несинхронизированных тегов, пробелов и временных рядов, снятых с разными частотами опроса.
Многие промышленные контроллеры не поддерживают современные протоколы обмена данными и работают на устаревших сетях. А если модель все же предсказала отказ, но ремонтники не записали, что именно заменили, алгоритм не может оперативно «научиться» на своём опыте.
Не помогает ситуации и человеческий фактор. Как рассказал Акулов, технологи с 30-летним стажем нередко заявляют, что нейросеть им не указ. Без вовлечения ключевых экспертов любой ИИ-проект обречён. К этому добавляются и юридический вакуум.
Главный барьер не технологический, а юридический и человеческий. Пока нет ответа: кто будет нести ответственность за ущерб от действий ИИ? По Трудовому кодексу отвечает конкретный оператор.
Но самое большое препятствие - неготовность компаний меняться. Без поддержки первого лица и назначения ответственного за ИИ-проект успеха не будет. А лучший способ преодолеть барьеры - начинать с пилотных проектов и референс-визитов на уже работающие производства.
Что делать?
🔹 Цифровые двойники и предиктивная аналитика работают только там, где наведен порядок в данных. Первая рекомендация - не начинайте с ИИ, а начните с аудита качества данных и внедрите систему управления ими.
Пока премия технологов и операторов зависит от нажатия кнопки «план-факт», а не от точности прогноза модели, внедрение обречено. А значит, следует изменить их KPI.
🔹 По словам Акулова, в российских реалиях побеждает не тот, у кого нейросеть «глубже», а тот, кто смог договориться с главным механиком, технологом и ремонтником о едином формате данных.
Подписывайтесь на МашТех
🔹 Привычные методы производственной оптимизации не дают эффекта, новые технологии доступны, пилоты запущены, но до реальной эксплуатации доходят единицы - как рассказал гендиректор «Индастри Софт Солюшнс» Алексей Акулов в интервью TAdviser, именно в такой ситуации находится российская промышленность.
Традиционные методы оптимизации производства уже повсеместно исчерпали себя: дальше повышать эффективность за счет «регулировки винтиками» просто невозможно. В условиях падения маржинальности ML из дорогой цифровой игрушки превращается в инструмент выживания, особенно когда нет возможности обновлять парк оборудования и приходится выжимать максимум из того, что есть.
При этом российский рынок промышленного ИИ находится в активной фазе роста, но уровень зрелости очень неравномерный. Главный тормоз - данные, из-за которых 80% времени инженеры тратят не на модели, а на уборку «болота» из несинхронизированных тегов, пробелов и временных рядов, снятых с разными частотами опроса.
Многие промышленные контроллеры не поддерживают современные протоколы обмена данными и работают на устаревших сетях. А если модель все же предсказала отказ, но ремонтники не записали, что именно заменили, алгоритм не может оперативно «научиться» на своём опыте.
Не помогает ситуации и человеческий фактор. Как рассказал Акулов, технологи с 30-летним стажем нередко заявляют, что нейросеть им не указ. Без вовлечения ключевых экспертов любой ИИ-проект обречён. К этому добавляются и юридический вакуум.
Главный барьер не технологический, а юридический и человеческий. Пока нет ответа: кто будет нести ответственность за ущерб от действий ИИ? По Трудовому кодексу отвечает конкретный оператор.
Но самое большое препятствие - неготовность компаний меняться. Без поддержки первого лица и назначения ответственного за ИИ-проект успеха не будет. А лучший способ преодолеть барьеры - начинать с пилотных проектов и референс-визитов на уже работающие производства.
Что делать?
🔹 Цифровые двойники и предиктивная аналитика работают только там, где наведен порядок в данных. Первая рекомендация - не начинайте с ИИ, а начните с аудита качества данных и внедрите систему управления ими.
Пока премия технологов и операторов зависит от нажатия кнопки «план-факт», а не от точности прогноза модели, внедрение обречено. А значит, следует изменить их KPI.
🔹 По словам Акулова, в российских реалиях побеждает не тот, у кого нейросеть «глубже», а тот, кто смог договориться с главным механиком, технологом и ремонтником о едином формате данных.
Подписывайтесь на МашТех