Оксана Хромова
директор программ MTS AI
директор программ MTS AI
Несмотря на традиционный консерватизм добывающей промышленности, эта сфера считается одним из ключевых направлений для внедрения искусственного интеллекта. По оценкам маркетингового агентства "Яков и Партнёры", к 2028 году ожидаемый финансовый эффект от внедрения ИИ для экономики России составит 4,2-6,9 трлн рублей в год, из них 0,6-0,9 трлн рублей приходится на горно-металлургическую отрасль.
Специфика внедрения ИИ в промышленности
В отличие от банков, ритейлеров, ИТ-стартапов и других компаний, которые охотно экспериментируют с нейросетями для повышения бизнес-метрик, промышленные корпорации значительно медленнее интегрируют новые решения в свою работу. По оценкам "Яков и партнеры", среди таких компаний практически нет пионеров нейросетей, которые уже включили ИИ в свою стратегию и определили ключевые сценарии ее использования. При этом около 29% опрошенных компаний хотя бы точечно экспериментируют с нейросетями, остальные – скорее последователи, которые пока не тестировали ИИ и ждут появления доказанных эффективных бизнес-сценариев.
Это связано с тем, что промышленным компаниям необходимо выделять значительное время и ресурсы на внедрение технологий в производственный цикл. Поэтому они, как правило, точечно формулируют конкретные задачи, для которых планируют использовать нейросеть, определяют сегменты бизнеса и производства, где внедрение ИИ было бы наиболее эффективно, и проводят небольшие пилотные проекты, закрывая конкретные задачи предприятия.
Тем не менее McKinsey & Company считает, что ИИ в производственных отраслях создаст 15-25% новых рабочих мест к 2030 году. Искусственный интеллект в промышленности используется для полной автоматизации и роботизации производственного цикла, для моделирования различных промышленных условий и для прогнозирования возможных инцидентов, например, для оценки критичности повышения давления или температуры в агрегатах.
Нейросети позволяют сделать работу производственных предприятий значительно безопаснее во многих аспектах. ML-решения помогают обеспечивать физическую и промышленную охрану предприятия, контролируя действия сотрудников и следование внутренним правилам с помощью умного видеонаблюдения. Искусственный интеллект также способен на основе действий работников предлагать персонализированные рекомендации по повышению безопасности труда. Кроме того, ИИ-решения могут анализировать значительный объем данных о состоянии оборудования, отслеживая поломки оборудования и прогнозируя возможные проблемы, например, на основании среднего времени эксплуатации того или иного агрегата.
Также нейросети внедряются для повышения эффективности производства: анализ больших данных позволит уменьшить простои оборудования, увеличить производительность предприятия и подобрать оптимальную технологию производства. С помощью предиктивной аналитики можно оптимизировать потребление расходных материалов и ресурсов. Кроме того, алгоритмы компьютерного зрения позволяют контролировать производимую продукцию и соблюдение промышленных технологий.
Как оценить эффективность ИИ в промышленности
На данный момент нет общепринятой и утвержденной методики для оценки экономических эффектов от внедрения ИИ в промышленности. Однако существуют различные подходы и рекомендации от разных организаций и экспертов. Компании часто оценивают эффект по конкретным кейсам использования ИИ — повышению производительности, оптимизации процессов, экономии ресурсов и т.д. Ряд консалтинговых компаний, таких как McKinsey, PwC, BCG предлагают свои методологии расчета выгод и оценки возврата инвестиций в ИИ.
Каждая компания должна для себя сформировать собственную оценку. В целом, эксперты MTS AI — компании, которая помимо разработки ИИ-решений, занимается инновационным консалтингом — считают, что оценка экономической эффективности внедрения искусственного интеллекта включает в себя следующие этапы:
● Определение целей и областей применения ИИ. Это может быть автоматизация обработки текстов, создание чат-ботов, анализ тональности текстов и т.д.;
● Анализ текущих затрат в выбранных областях. Сюда входят затраты на персонал, используемые программные средства, аутсорсинг задач и прочие расходы, связанные с выполнением этих задач без использования ИИ;
● Оценка затрат на внедрение ИИ. Включает стоимость лицензий или разработки собственной ML-модели, интеграцию с существующими системами, обучение персонала и т.д.
● Оценка ожидаемых эффектов от внедрения. Это может быть сокращение трудозатрат, повышение производительности, качества и скорости обработки текстов, снижение затрат на аутсорсинг и др.
● Расчет экономических показателей эффективности, таких как чистая приведенная стоимость (NPV), внутренняя норма доходности (IRR), период окупаемости инвестиций и др.
Таким образом, методика MTS AI базируется на детальном анализе текущих и прогнозируемых затрат и выгод с применением стандартных методов оценки инвестиционных проектов. Ключевую роль играют точность исходных данных и обоснованность допущений об эффектах от внедрения искусственного интеллекта.
Как применяют ИИ в промышленности
"Северсталь"
Компания "Северсталь" разрабатывает проекты с использованием искусственного интеллекта начиная с 2017 года. Среди первых проектов были рекомендательные сервисы – в частности, для оптимизации простоев оборудования. Со временем корпорация начала внедрение видеоаналитики для контроля состояния оборудования, визуальной оценки качества производимого металла; аналитических систем для прогнозирования качества продукции и нейросетей для более эффективного управления агрегатами – например, для оптимизации работы компрессоров.
Сейчас компания развивает четыре ключевых направления работы с ИИ: создание цифровых двойников для моделирования физических процессов с помощью машинного обучения, разработка ИИ-ассистентов для сотрудников, а также создание собственных цифровых платформ и комплексных ML-систем.
ИИ-модель управления агрегатом непрерывного горячего цинкования позволяет автоматически управлять нанесением покрытия, контролировать мощность печи и скорость линий с учетом технологических ограничений. Это решение позволило снизить расходы цинка на 1,5% и повысить производительность агрегата на 3,4%. Еще одна ИИ-система для контроля производства окатышей (сырье для металлургического производства в виде измельчённого рудного концентрата круглой формы) дает возможность автоматически управлять агрегатом и устанавливать оптимальные режимы работы очереди окомкования окатышей, что позволяет повысить производительность линии на 11%.
Помимо этого, "Северсталь" активно использует платформу видеоаналитики "Стальной взгляд" для исключения аварийных ситуаций и для исключения смешивания материала на ленте конвейера. Система также контролирует безопасное нахождение сотрудников на рабочих местах, фиксирует состояния оборудования и нарушение технологии.
НЛМК
НЛМК — пионер внедрения машинного обучения (ML) в своей сфере. В рамках программы "Умное производство" компания широко использует ML-технологии для контроля качества продукции в реальном времени, прогнозирования процессов и анализа больших объемов данных. Это позволяет оптимизировать производство, минимизировать ошибки и повышать общую эффективность.
В 2024 году НЛМК запустила лабораторию генеративного ИИ для тестирования гипотез и внедрения новых технологий в непроизводственных направлениях бизнеса. Сотрудники лаборатории исследуют возможности применения генеративного ИИ в различных департаментах, чтобы найти конкретные области улучшений и предложить решения на базе генеративных нейросетей. Цель – внедрять инициативы с применением больших языковых моделей, которые принесут ощутимые эффекты для бизнеса.
В компании уже реализовали несколько успешных проектов. Например, был создан Copilot-сервис, который помогает программистам в написании кода. Благодаря ему, скорость разработки выросла на 34%. Еще одно комплексное решение на базе большой языковой модели помогает техподдержке маршрутизировать входящие письма (их количество составляет более 27 тысяч в месяц) по категориям, чтобы ускорить коммуникацию и снизить нагрузку на специалистов. В будущем планируется доработать эту модель, чтобы она могла уточнять информацию у пользователей и самостоятельно отвечать на типичные запросы. Также в разработке ИИ-ассистент для создания новых обучающих курсов Корпоративного Университета, внедрение LLM моделей, которые помогают подбирать персонал, и еще более 10 приоритетных бизнес-инициатив.
Чтобы обеспечить безопасное использование генеративных моделей для работы с персональными данными, коммерческой тайной и другой закрытой информацией, НЛМК запускает собственную платформу генеративного ИИ для развития внутренних продуктов и проектов. Платформа позволит использовать в контуре компании LLM-модели (Mixtral, LLAMA-3), например, для работы с внутренней документацией и поиска по файлам, а также интегрировать нейросети во внутренние сервисы.
Норникель
В ближайшие три года "Норникель" планирует активно развивать генеративный и предиктивный ИИ во всей производственной цепи. В частности, компания собирается использовать генеративный ИИ для:
- менеджмента – в целях автоматизации поиска информации по производственным, финансовым, технологическим отчетам, формирования писем и других документов и т.д.;
- технологов – для высвобождения их времени от делопроизводства и другой рутины, а также для быстрой консультации по профильным вопросам. Например, компания разрабатывает ассистента, который сможет предоставить ответ на основании 2 тыс. патентов, журналов, техинструкций, лабораторных анализов и других документов.
- поддерживающих функций бизнеса – для уменьшения рутины и повышения скорости работы налоговой, юридической, финансовой и бухгалтерской служб;
- ремонтных функций – для повышения эффективности обслуживания техники и минимизации человеческого фактора.
Также компания рассматривает использование предиктивного ИИ для оптимизации стоимости и длительности строительства объектов, управления ценообразованием и цепочкой продаж и других целей ИИ-аналитики.
При этом "Норникель" уже внедряет прототипы на базе ИИ: компания разработала помощника для налогового департамента на основе генеративной нейросети. Он позволяет за несколько минут найти необходимую документацию и составить позицию при проработке того или иного кейса, таким образом можно снизить трудоемкость сотрудников и избавить их от рутинных операций.
Специфика внедрения ИИ в промышленности
В отличие от банков, ритейлеров, ИТ-стартапов и других компаний, которые охотно экспериментируют с нейросетями для повышения бизнес-метрик, промышленные корпорации значительно медленнее интегрируют новые решения в свою работу. По оценкам "Яков и партнеры", среди таких компаний практически нет пионеров нейросетей, которые уже включили ИИ в свою стратегию и определили ключевые сценарии ее использования. При этом около 29% опрошенных компаний хотя бы точечно экспериментируют с нейросетями, остальные – скорее последователи, которые пока не тестировали ИИ и ждут появления доказанных эффективных бизнес-сценариев.
Это связано с тем, что промышленным компаниям необходимо выделять значительное время и ресурсы на внедрение технологий в производственный цикл. Поэтому они, как правило, точечно формулируют конкретные задачи, для которых планируют использовать нейросеть, определяют сегменты бизнеса и производства, где внедрение ИИ было бы наиболее эффективно, и проводят небольшие пилотные проекты, закрывая конкретные задачи предприятия.
Тем не менее McKinsey & Company считает, что ИИ в производственных отраслях создаст 15-25% новых рабочих мест к 2030 году. Искусственный интеллект в промышленности используется для полной автоматизации и роботизации производственного цикла, для моделирования различных промышленных условий и для прогнозирования возможных инцидентов, например, для оценки критичности повышения давления или температуры в агрегатах.
Нейросети позволяют сделать работу производственных предприятий значительно безопаснее во многих аспектах. ML-решения помогают обеспечивать физическую и промышленную охрану предприятия, контролируя действия сотрудников и следование внутренним правилам с помощью умного видеонаблюдения. Искусственный интеллект также способен на основе действий работников предлагать персонализированные рекомендации по повышению безопасности труда. Кроме того, ИИ-решения могут анализировать значительный объем данных о состоянии оборудования, отслеживая поломки оборудования и прогнозируя возможные проблемы, например, на основании среднего времени эксплуатации того или иного агрегата.
Также нейросети внедряются для повышения эффективности производства: анализ больших данных позволит уменьшить простои оборудования, увеличить производительность предприятия и подобрать оптимальную технологию производства. С помощью предиктивной аналитики можно оптимизировать потребление расходных материалов и ресурсов. Кроме того, алгоритмы компьютерного зрения позволяют контролировать производимую продукцию и соблюдение промышленных технологий.
Как оценить эффективность ИИ в промышленности
На данный момент нет общепринятой и утвержденной методики для оценки экономических эффектов от внедрения ИИ в промышленности. Однако существуют различные подходы и рекомендации от разных организаций и экспертов. Компании часто оценивают эффект по конкретным кейсам использования ИИ — повышению производительности, оптимизации процессов, экономии ресурсов и т.д. Ряд консалтинговых компаний, таких как McKinsey, PwC, BCG предлагают свои методологии расчета выгод и оценки возврата инвестиций в ИИ.
Каждая компания должна для себя сформировать собственную оценку. В целом, эксперты MTS AI — компании, которая помимо разработки ИИ-решений, занимается инновационным консалтингом — считают, что оценка экономической эффективности внедрения искусственного интеллекта включает в себя следующие этапы:
● Определение целей и областей применения ИИ. Это может быть автоматизация обработки текстов, создание чат-ботов, анализ тональности текстов и т.д.;
● Анализ текущих затрат в выбранных областях. Сюда входят затраты на персонал, используемые программные средства, аутсорсинг задач и прочие расходы, связанные с выполнением этих задач без использования ИИ;
● Оценка затрат на внедрение ИИ. Включает стоимость лицензий или разработки собственной ML-модели, интеграцию с существующими системами, обучение персонала и т.д.
● Оценка ожидаемых эффектов от внедрения. Это может быть сокращение трудозатрат, повышение производительности, качества и скорости обработки текстов, снижение затрат на аутсорсинг и др.
● Расчет экономических показателей эффективности, таких как чистая приведенная стоимость (NPV), внутренняя норма доходности (IRR), период окупаемости инвестиций и др.
Таким образом, методика MTS AI базируется на детальном анализе текущих и прогнозируемых затрат и выгод с применением стандартных методов оценки инвестиционных проектов. Ключевую роль играют точность исходных данных и обоснованность допущений об эффектах от внедрения искусственного интеллекта.
Как применяют ИИ в промышленности
"Северсталь"
Компания "Северсталь" разрабатывает проекты с использованием искусственного интеллекта начиная с 2017 года. Среди первых проектов были рекомендательные сервисы – в частности, для оптимизации простоев оборудования. Со временем корпорация начала внедрение видеоаналитики для контроля состояния оборудования, визуальной оценки качества производимого металла; аналитических систем для прогнозирования качества продукции и нейросетей для более эффективного управления агрегатами – например, для оптимизации работы компрессоров.
Сейчас компания развивает четыре ключевых направления работы с ИИ: создание цифровых двойников для моделирования физических процессов с помощью машинного обучения, разработка ИИ-ассистентов для сотрудников, а также создание собственных цифровых платформ и комплексных ML-систем.
ИИ-модель управления агрегатом непрерывного горячего цинкования позволяет автоматически управлять нанесением покрытия, контролировать мощность печи и скорость линий с учетом технологических ограничений. Это решение позволило снизить расходы цинка на 1,5% и повысить производительность агрегата на 3,4%. Еще одна ИИ-система для контроля производства окатышей (сырье для металлургического производства в виде измельчённого рудного концентрата круглой формы) дает возможность автоматически управлять агрегатом и устанавливать оптимальные режимы работы очереди окомкования окатышей, что позволяет повысить производительность линии на 11%.
Помимо этого, "Северсталь" активно использует платформу видеоаналитики "Стальной взгляд" для исключения аварийных ситуаций и для исключения смешивания материала на ленте конвейера. Система также контролирует безопасное нахождение сотрудников на рабочих местах, фиксирует состояния оборудования и нарушение технологии.
НЛМК
НЛМК — пионер внедрения машинного обучения (ML) в своей сфере. В рамках программы "Умное производство" компания широко использует ML-технологии для контроля качества продукции в реальном времени, прогнозирования процессов и анализа больших объемов данных. Это позволяет оптимизировать производство, минимизировать ошибки и повышать общую эффективность.
В 2024 году НЛМК запустила лабораторию генеративного ИИ для тестирования гипотез и внедрения новых технологий в непроизводственных направлениях бизнеса. Сотрудники лаборатории исследуют возможности применения генеративного ИИ в различных департаментах, чтобы найти конкретные области улучшений и предложить решения на базе генеративных нейросетей. Цель – внедрять инициативы с применением больших языковых моделей, которые принесут ощутимые эффекты для бизнеса.
В компании уже реализовали несколько успешных проектов. Например, был создан Copilot-сервис, который помогает программистам в написании кода. Благодаря ему, скорость разработки выросла на 34%. Еще одно комплексное решение на базе большой языковой модели помогает техподдержке маршрутизировать входящие письма (их количество составляет более 27 тысяч в месяц) по категориям, чтобы ускорить коммуникацию и снизить нагрузку на специалистов. В будущем планируется доработать эту модель, чтобы она могла уточнять информацию у пользователей и самостоятельно отвечать на типичные запросы. Также в разработке ИИ-ассистент для создания новых обучающих курсов Корпоративного Университета, внедрение LLM моделей, которые помогают подбирать персонал, и еще более 10 приоритетных бизнес-инициатив.
Чтобы обеспечить безопасное использование генеративных моделей для работы с персональными данными, коммерческой тайной и другой закрытой информацией, НЛМК запускает собственную платформу генеративного ИИ для развития внутренних продуктов и проектов. Платформа позволит использовать в контуре компании LLM-модели (Mixtral, LLAMA-3), например, для работы с внутренней документацией и поиска по файлам, а также интегрировать нейросети во внутренние сервисы.
Норникель
В ближайшие три года "Норникель" планирует активно развивать генеративный и предиктивный ИИ во всей производственной цепи. В частности, компания собирается использовать генеративный ИИ для:
- менеджмента – в целях автоматизации поиска информации по производственным, финансовым, технологическим отчетам, формирования писем и других документов и т.д.;
- технологов – для высвобождения их времени от делопроизводства и другой рутины, а также для быстрой консультации по профильным вопросам. Например, компания разрабатывает ассистента, который сможет предоставить ответ на основании 2 тыс. патентов, журналов, техинструкций, лабораторных анализов и других документов.
- поддерживающих функций бизнеса – для уменьшения рутины и повышения скорости работы налоговой, юридической, финансовой и бухгалтерской служб;
- ремонтных функций – для повышения эффективности обслуживания техники и минимизации человеческого фактора.
Также компания рассматривает использование предиктивного ИИ для оптимизации стоимости и длительности строительства объектов, управления ценообразованием и цепочкой продаж и других целей ИИ-аналитики.
При этом "Норникель" уже внедряет прототипы на базе ИИ: компания разработала помощника для налогового департамента на основе генеративной нейросети. Он позволяет за несколько минут найти необходимую документацию и составить позицию при проработке того или иного кейса, таким образом можно снизить трудоемкость сотрудников и избавить их от рутинных операций.