Сбросить до заводских настроек: что нужно ИИ-агентам, чтобы пилот дошёл до тиражирования?

Всем привет! На связи редакция блога ТЕХНОНИКОЛЬ Диджитал. Если кто забыл или не знает, кто мы такие, то, по настоятельной просьбе коллег из корпоративного центра, напоминаем: мы – ИТ-подразделение промышленной компании ТЕХНОНИКОЛЬ, которая выпускает всё: от строительных материалов до готовых решений, чтобы люди по всему миру жили и работали в комфортных условиях, и делаем всё, чтобы бизнес материнской компании был непрерывным, клиентский сервис – качественным, а стройки – бесперебойными. Как-то так.

Мы тут вам инфоповод принесли. Недавно наш гендир Яков Ильиных зарегистрировался на Хабре, чтобы читать комментарии в нашем блоге (пользуясь случаем, передаём привет Якову Дмитриевичу) дал развёрнутые комментарии порталу «Технологии для бизнеса». Мы перечитали ответы, потом вспомнили про его статью, которая недавно вышла в нашем блоге и поняли (это было неизбежно): нам есть о чём поговорить сегодня.

Дисклеймер: поговорим о том, почему большинство красивых ИИ-пилотов умирает, как только их пытаются вывести за пределы «родного» цеха, в чём реальная цена ошибки ИИ на производстве и как мы в ТЕХНОНИКОЛЬ связываем в единый контур разработку и производство. Поехали!

Погружаем в контекст

Чтобы мы с вами были в одном контексте, вот краткая выжимка комментария Якова: В промышленной повестке ТЕХНОНИКОЛЬ — три главных фокуса: применение ИИ для контроля качества, прогнозирование состояния оборудования и цифровые двойники. Последние помогают моделировать производственные процессы и проверять сценарии изменений без риска остановить реальную линию.

Среди главных тормозов цифровизации — стоимость интеграции и разрозненные данные. Предприятию нужно связать оборудование с информационными системами, сохранив устойчивость производства. А развитая платформа больших данных — это дорого и долго. Для ИИ также нужны понятные правила доступа к моделям и данным.

Разная цена ошибки. Требования безопасности должны учитывать конкретный сценарий. У кадрового помощника и системы управления промышленным оборудованием абсолютно разная цена «галлюцинации» модели.

Кадровый голод и размывание ответственности. На рынке не хватает специалистов, которые одинаково хорошо понимают и технологический процесс, и ИТ. Нужно заранее договориться, кто меняет производственный процесс и кто отвечает за результат внедрения и за цифровую трансформацию. Без этого новый инструмент может добавить ещё один слой согласований.

Пилот – только половина пути

В своём комментарии Яков сформулировал один из главных барьеров, с которым сталкивается промышленность: успешный пилот ещё нужно научить работать за пределами родного цеха (производственной площадки или экспериментальной команды — прим. ред.).

В промышленности легко получить красивый результат на одной площадке и потерять его при попытке переноса на другую площадку или при масштабировании. Поэтому поддерживать нужно весь путь: от промышленного пилота до тиражирования. И вот что нужно обеспечить, чтобы это было возможно (делимся тезисами нашего гендира):

• финансирование, которое покрывает не только разработку, но и подготовку данных, интеграцию с существующими системами и… обучение сотрудников (да-да, о нём все забывают, но это часть проекта, а не дополнительная опция, от которой можно безболезненно отказаться, чтобы не платить больше).

• Стабильный и гарантированный доступ к вычислительным ресурсам и качественным моделям — с понятными условиями защиты данных. Это нужно для развития ИИ. Отраслевые испытательные площадки позволили бы проверять решения на реальном оборудовании. Для промышленности это принципиально: поведение модели на синтетических данных и на работающей производственной линии — не одно и то же.

• Единые стандарты обмена данными между программами и оборудованием. Это помогает уменьшить объём доработок при внедрении. Без стандартов каждый новый завод становится отдельным проектом, а не тиражированием. И здесь очень точно работает сравнение, которое Яков приводил в своей статье:

начинать трансформацию с выбора модели так же странно, как начинать строительство завода с выбора шуруповёрта. Сначала надо понять производственный процесс, контроль качества и экономику. Модель выбирается уже внутри этой системы.

Куда идём

Если объединить последние тезисы Якова о будущем производства, вырисовываются три вектора:

• адаптивное производство. Системы смогут быстрее пересчитывать планы при изменении спроса и сбоях поставок. ИИ-агенты будут выполнять связанные задачи в пределах заданных полномочий — то есть не «делать что хотят», а работать внутри границ, которые определяет человек.

• Data-driven для энергоёмких производств. Управление расходом энергии и сырья на основе данных. Эффект нужно считать на единицу годной продукции — не на валовой выпуск и не на сэкономленные киловатты в отрыве от результата. Data-driven — наше всё.

• Рост значения инженерной экспертизы. Здесь Яков формулирует то, что для нас звучит как принцип: чем больше действий мы поручаем ИИ, тем лучше должны понимать границы применения. Автоматизация связана с ростом производительности труда — высвобожденное время должно помогать выпускать больше продукции и быстрее развивать продукты.

Зачем всё это

Главный вывод, который мы сделали, сопоставив свежие ответы Якова и нашу специфику: важное изменение не в том, что ИИ научился писать код. Дефицитными остались ясные требования, доступный контекст, быстрые проверки, архитектурная дисциплина и способность организации принимать решения без месячного квеста по согласованиям. AI-native-контур делает эти элементы машиночитаемыми, проверяемыми и управляемыми. Поэтому зрелость процессов стоит измерять не долей кода, созданного моделью, и не количеством установленных нейросетей, а тем, какую часть пути от бизнес-задачи до надёжного промышленного результата система проходит быстрее, не теряя контроль.

Вот за этим мы и крутим наш 90-дневный пилот AI-native-разработки, о котором Яков писал ранее: чтобы пересобрать весь производственный контур — требования, контекст, проверки, архитектуру и ответственность. Потому что, если пилот не готов к тиражированию, это просто очень дорогой эксперимент.

А как у вас в компаниях обстоят дела с тиражированием? Удаётся выводить пилоты за пределы одной команды или завода, или всё упирается в интеграцию и стандарты? Делитесь в комментариях — Яков Дмитриевич читает (мы проверяли), да и мы с радостью подискутируем!