ИИ для промышленности: как нейросети помогают сделать предприятия безопаснее и эффективнее

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.