Только 14% российских обрабатывающих предприятий и столько же предприятий добывающего сектора используют нейросети, при этом каждая пятая компания планирует внедрять такие технологии. На фоне сравнительно небольшой доли предприятий, уже применяющих искусственный интеллект, отдельные промышленные компании демонстрируют экономический эффект, исчисляемый миллиардами рублей.
Одним из наиболее масштабных примеров стало применение ИИ в «Норникеле». Алгоритмы машинного обучения и компьютерного зрения используются на значительной части ключевого оборудования в обогащении и металлургии. В частности, модель управления мельницей полусамоизмельчения прогнозирует состояние технологического процесса на 15 минут вперёд и позволяет корректировать режим работы оборудования. По оценке компании, экономический эффект только от этого проекта составляет около 4 млрд рублей в год.
Искусственный интеллект применяется и во флотационных процессах. Компьютерное зрение анализирует состояние пены, а алгоритмы помогают выбирать параметры технологического процесса. По данным компании, использование таких решений способно увеличить извлечение металла на 0,5–1,5 процентного пункта.
Всего в «Норникеле» реализуется более 50 проектов в области машинного обучения, компьютерного зрения и генеративного искусственного интеллекта. Их совокупный экономический эффект компания оценивает примерно в 10 млрд рублей ежегодно.
По мнению Василия Ракитина, заместителя председателя Комитета по энергетической стратегии и развитию топливно-энергетического комплекса ТПП РФ, действительного члена Академии горных наук, директора по развитию экспертной платформы «Горнопромышленная стратегия», эти показатели важны прежде всего тем, что позволяют перейти от обсуждения искусственного интеллекта как перспективной технологии к оценке его реального промышленного результата.
«Для горнодобывающей промышленности главный вопрос сегодня уже не в том, можно ли применять искусственный интеллект. Отдельные предприятия доказали, что можно и что экономический эффект может быть очень существенным. Главный вопрос — почему такие решения пока не стали массовой практикой и как тиражировать успешные технологии на другие предприятия», — отмечает Василий Ракитин.
По его мнению, горнопромышленный комплекс является одной из отраслей, где возможности искусственного интеллекта особенно велики. Современные добывающие и перерабатывающие предприятия располагают значительными массивами технологической информации: это данные оборудования, систем автоматизации, контроля качества сырья, производительности агрегатов и состояния технологических процессов. Именно на этой базе могут работать системы прогнозной аналитики, машинного зрения и автоматизированной оптимизации.
«Когда изменение режима работы одного крупного агрегата влияет на производительность всей технологической цепочки, даже небольшой прирост эффективности способен давать очень серьёзный экономический результат. Поэтому для промышленности важны не абстрактные возможности нейросети, а вполне конкретные показатели: увеличение извлечения полезного компонента, повышение производительности оборудования, сокращение внеплановых остановок, снижение потерь и более стабильное ведение технологического процесса», — считает эксперт.
При этом сам по себе алгоритм ещё не гарантирует экономического эффекта. Для промышленного применения необходимо интегрировать цифровое решение в действующую систему управления предприятием, обеспечить его качественными производственными данными и определить, каким образом рекомендации алгоритма будут использоваться оператором либо автоматизированной системой управления.
Именно поэтому, по мнению Василия Ракитина, следующим этапом развития ИИ в промышленности должно стать не бесконечное увеличение количества экспериментальных пилотов, а переход к системному тиражированию доказавших свою эффективность решений.
Отдельной проблемой остаётся разрыв между крупными промышленными группами и предприятиями, которые не располагают сопоставимыми финансовыми, кадровыми и технологическими ресурсами. Создание собственных команд разработчиков, инфраструктуры для работы с промышленными данными и проведение длительных исследований доступно далеко не каждому предприятию.
«Если каждая шахта, фабрика или завод будет самостоятельно проходить весь путь — от постановки задачи и сбора данных до разработки модели и многолетнего пилотирования, масштабирование искусственного интеллекта будет происходить слишком медленно. Отрасли нужны механизмы тиражирования решений, библиотеки подтверждённых промышленных кейсов, понятные методики оценки экономического эффекта и возможность адаптировать уже работающие технологии под конкретное предприятие», — подчёркивает Василий Ракитин.
При этом эксперт обращает внимание на необходимость учитывать специфику промышленного производства. Ошибка нейросети в производственном контуре принципиально отличается от ошибки обычного цифрового сервиса. Поэтому при внедрении систем, влияющих непосредственно на технологический процесс, должны сохраняться требования к промышленной безопасности, информационной безопасности, контролю со стороны специалистов и распределению ответственности за принимаемые решения.
«Искусственный интеллект в промышленности не должен внедряться ради самого факта использования ИИ. Технология имеет смысл там, где существует измеримая производственная задача и можно посчитать результат в тоннах продукции, процентах извлечения, часах работы оборудования или рублях экономического эффекта. Именно такой подход способен превратить отдельные успешные проекты в реальный инструмент повышения эффективности российского горнопромышленного комплекса», — заключил Василий Ракитин.