Документы, инфраструктура, доверие: как промышленной компании подготовиться к внедрению ИИ

Руководитель направления по работе с партнерами Т1 ИИ (ИТ-холдинг Т1) Александр Коробов. ИСТОЧНИК ФОТО: предоставлено гостем.

Почему промышленности сложнее внедрять ИИ, чем другим отраслям

— В офисных и сервисных процессах искусственный интеллект уже стал привычным инструментом. Почему в промышленности все идет медленнее?

— В бэк-офисе задачи, как правило, одинаковые у всех компаний: бухгалтерия, юридический департамент, кадры. Процессы понятные, форматы данных стандартные. На производстве картина совершенно другая. Здесь ИИ имеет дело с огромным массивом сложной информации — чертежами, техническими условиями, ГОСТами, конструкторскими спецификациями. Классические технологии оптического распознавания (OCR) с такими материалами не справляются: для чертежей, рукописных пометок или художественных шрифтов нужны другие подходы.

Вторая проблема — разрозненность данных. Часть хранится в одних системах, часть — в других, а огромная доля архивов до сих пор остается в бумажном или сканированном виде. В отечественной промышленности порядка 80-90% информации не оцифровано. Это наследие советской инженерной школы, когда никакой «цифры» не было. Многие предприятия, например в аэрокосмической отрасли, до сих пор опираются на наработки 60-80-х годов.

И третий момент — цена ошибки. В офисном контексте неточность можно быстро исправить. На производстве последствия совсем другие: неправильно подобранный компонент, который формально подходит, но подвержен коррозии, способен привести к аварии на площадке, где эксплуатируется изделие. Поэтому и конкуренции среди вендоров в промышленном сегменте гораздо меньше — здесь невозможно создать качественное решение без глубокой отраслевой экспертизы.

Начинать подготовку к внедрению ИИ лучше с обработки документации

— С чего лучше начинать подготовку к запуску ИИ на промышленном предприятии?

— С документации. Технической, конструкторской, эксплуатационной, операционной — именно в ней сосредоточена основная производственная экспертиза. По сути, документация и есть база знаний предприятия. Если у системы нет текстовых артефактов, на которые она может опираться и по которым способна проводить семантический анализ, то никакие сложные сценарии запустить не получится.

Проблема в том, что все эти материалы разбросаны по разным форматам: часть лежит в бумажных архивах, часть — в сканах, часть — в разрозненных таблицах и папках. Пока документация не распознана и не структурирована, ИИ не сможет корректно искать информацию, сопоставлять сведения из разных источников и давать проверяемые ответы.

— Какие задачи уже можно автоматизировать на этом этапе?

— Спектр довольно широкий. Это и работа с нормативно-справочной информацией, и нормализация данных, когда на разных площадках одни и те же компоненты изделия называются по-разному, а от разных поставщиков поступают идентичные позиции с разными наименованиями. Подобные расхождения тоже можно устранять с помощью интеллектуальной обработки. Причем речь идет не только об извлечении текста: важно, что происходит с данными дальше — как их интерпретировать, какую информацию искать, насколько корректно она сопоставляется с другими массивами.

Эту работу можно автоматизировать с помощью технологий интеллектуальной обработки документов. Такие решения помогают распознавать и классифицировать материалы, сравнивать версии, проверять комплектность и находить нужные сведения, сокращая ручную работу с архивами.

Для сотрудников это еще и самый понятный сценарий. Система не заменяет инженера, а снимает с него рутину — поиск, проверку, анализ документов. Такой подход повышает доверие к технологии: люди видят конкретную пользу и понимают, где проходят границы ответственности машины.

На практике этот путь уже дает измеримые результаты. В одном из машиностроительных холдингов ИИ ускорил оцифровку архива в три раза, точность распознавания превысила 90%, а объем рутинных операций сократился на 50-90%.

ИИ-проект начинается не с модели, а с инфраструктуры

— Какие инфраструктурные вопросы нужно решить до запуска ИИ-проектов?

— Перед внедрением важно подготовить технологический контур: определить, где будут храниться данные, кто получит к ним доступ, какие системы нужно подключить и как контролировать качество ответов модели. Для промышленных задач, особенно при работе с чертежами и рукописными материалами, требуются серьезные вычислительные мощности — графические ускорители (GPU), которые позволяют запускать большие визуальные языковые модели на базе генеративного ИИ.

Если этот контур не продуман заранее, каждый новый сценарий превращается в отдельный проект: под него заново подбирают мощности, настраивают доступы, согласуют требования информационной безопасности. В итоге получается то, что сейчас называют «лоскутной ИИ-зацией». Разные подразделения используют собственные локальные модели, никак не связанные между собой, а итоговая отдача оказывается минимальной: деньги потрачены, отдельный участок автоматизирован, но на скорости всей производственной цепочки это не сказалось.

— Как этого избежать?

— Инфраструктура должна быть гибкой — не заточенной под один пилотный проект, а готовой к постепенному расширению. Компания может начать с обработки документации и поиска по архивам, затем подключить промышленную диагностику или другие сценарии. При этом для каждого следующего шага не придется заново собирать вычислительные мощности и проходить весь цикл согласований по безопасности.

Гибкость достигается за счет нескольких факторов. Во-первых, микросервисная архитектура и контейнеризация: вместо настройки программ прямо на оборудовании все упаковывается в контейнеры и поставляется как комплексное решение. Во-вторых, платформенный подход — это не просто набор серверов, а внутренняя экосистема с библиотеками стандартных алгоритмов, инструментами мониторинга и готовыми компонентами. И в-третьих, грамотное распределение вычислительных ресурсов, которые стоят дорого: правильное управление мощностями позволяет встраивать новый функционал в уже работающие процессы.

Единая платформа проходит проверку информационной безопасности один раз, и каждый новый сценарий запускается внутри уже по обкатанным регламентам. Это избавляет от долгих циклов повторных согласований, когда согласование доступов и ролей затягивается на месяцы.

Для промышленных компаний удобным и безопасным вариантом становится программно-аппаратный комплекс (ПАК). Он объединяет вычислительные мощности, хранилище, средства защиты и систему для работы с моделями в одном решении. Такой комплекс разворачивается в закрытом корпоративном контуре, данные не уходят во внешние сервисы. Помимо инструментов интеллектуальной обработки документов, на платформе доступен конструктор, с помощью которого сотрудники без навыков программирования могут за один день собрать простого ИИ-ассистента, протестировать его и при наличии нужного набора данных даже дообучить. Скорость вывода решений на рынок (time-to-market) получается очень высокой.

Почему важно строить культуру работы с ИИ

— Инженеры и технологи привыкли опираться на собственный опыт и проверенные регламенты. Как выстроить их доверие к ИИ?

— Это один из самых тонких моментов. Даже хорошо настроенная система не даст эффекта, если люди не понимают, зачем она нужна, как с ней взаимодействовать и где проходят границы ее ответственности. Каждый специалист на производстве лично отвечает за результат, поэтому никто не будет принимать рекомендации машины «на веру».

Часть скептицизма связана с опытом использования открытых моделей общего назначения. Человек загружает вопрос в публичный сервис, получает ответ с ошибками и галлюцинациями — и делает вывод, что ИИ работает плохо. Но специализированное решение устроено иначе: модель обучена под конкретные задачи, не ходит в интернет за ответами, а опирается на внутреннюю базу знаний предприятия. Вероятность ошибки при таком подходе снижается кратно. Опасения сотрудников часто связаны с тем, что они просто не сталкивались с профессиональными решениями и не знают об этих отличиях.

— Какие практики помогают справиться с этим недоверием?

— Самое главное — дать людям попробовать. Провести быстрый пробный запуск, предоставить доступ, дать возможность самим собрать ассистента и увидеть, как он работает. Когда человек делает что-то руками и видит результат, отношение меняется быстро.

Кроме того, хорошая практика — начинать с простых и понятных сценариев, где пользу легко проверить. Сотрудникам важно показывать, на каких данных ИИ строит выводы: из какого регламента, чертежа или инструкции он взял информацию. Прозрачность в этом вопросе принципиальна.

Также стоит заранее объяснить командам, что на первых этапах модель может ошибаться и нуждается в проверке, валидации и обратной связи от экспертов. Это нормальная часть процесса, а не повод отказываться от технологии.

Постепенно люди начинают воспринимать ИИ как рабочий инструмент, который помогает быстрее ориентироваться в данных и высвобождает время для задач, где действительно нужен профессиональный опыт.

Итоги

В промышленности доверие к ИИ формируется через понятный и проверяемый результат. Поэтому внедрение стоит начинать с базовых вещей: привести в порядок документацию, подготовить инфраструктуру и показать сотрудникам, что технология не заменяет их экспертизу, а помогает быстрее работать с информацией. Когда компания проходит этот этап, у нее появляется основа для более масштабного применения ИИ в производственных процессах.