Искусственный интеллект
Правда или миф: инвестировать в генеративный ИИ выгодно ИТ-гигантам
Принято считать, что реализация проектов по интеграции генеративного ИИ — прерогатива ИТ-сектора. Действительно, статистика подтверждает лидерство технологических компаний по доле затрат на ИИ (до 17% бюджета), что создаёт впечатление ограниченной востребованности этой технологии в промышленности.
Так ли это на самом деле? Вместе с директором по внедрению генеративного ИИ «Норникеля» Натальей Артамоновой разбираемся, какой эффект большие языковые модели уже сегодня приносят реальному производству.
Подкаст «Цифра в деле: как искусственный интеллект меняет большой бизнес»: во втором сезоне проекта СберПро разбираемся в генеративном ИИ, его перспективах и реальном влиянии на бизнес.
О том, какими процессами может управлять искусственный интеллект в промышленности, рассказывает директор по внедрению генеративного ИИ «Норникеля» Наталья Артамонова.
Классический ИИ: эффективность и безопасность
Вопреки стереотипам, промышленность начала использовать искусственный интеллект задолго до нынешнего бума генеративных моделей. Базовыми направлениями стали машинное обучение и компьютерное зрение.
«На обогатительной фабрике искусственный интеллект автономно управляет производственными переделами, — рассказывает Наталья Артамонова. — Человек переведён в режим наблюдателя, но сохраняет возможность перехвата управления в критических ситуациях».
Внедрение классического ИИ в «Норникеле» преследует две ключевые цели. Первая — повышение точности технологических операций. Вторая, не менее значимая, — обеспечение безопасности персонала. Компания уже перешла к более ранним переделам, внедряя автономное бурение. Основная задача здесь не столько рост производительности, сколько выведение людей из опасных зон.
Генеративный ИИ: от экономии на закупках до перестройки проектирования
Применение генеративного ИИ в промышленности делится на два крупных блока: вспомогательные процессы и управленческие функции с промышленной спецификой, объясняет Наталья Артамонова.
Одним из показательных кейсов «Норникеля» стала работа с большой языковой моделью (large language model, LLM) для управления складской номенклатурой. Система не только очищает справочники от дублей и ошибок, но и находит технологические аналоги. Например, при отсутствии на складе необходимой марки стали нейросеть предлагает альтернативу, подходящую для конкретного объекта. Экономический эффект от применения этого решения оценивается в 3–7% от бюджета закупок, что в денежном выражении превышает 1 млрд рублей в год.
До 7% бюджета закупок можно сэкономить с помощью ИИ
Наиболее революционные изменения происходят в сфере проектирования. Классический цикл проектирования объекта средней сложности (например, склада) занимает около 20 недель даже при использовании технологий информационного моделирования (building information modeling, BIM). Внедрение генеративного ИИ, обученного на строительных нормах (СНиП), ГОСТах и накопленном опыте компании, сокращает этот срок до 2,5 недель. Более того, нейросеть предлагает оптимальные конструктивные решения, что позволило компании получить экономию в 25% на последнем реализованном объекте — складе рядом с рудником.
В 8 раз
сокращается срок проектирования объекта с применением ИИ
Больше примеров внедрения ИИ для трансформации процессов производства — в разделе «Кейсы» на СберПро. Узнайте, как промышленные предприятия используют нейросети для контроля качества, автоматизации документооборота и других задач.
Методология расчёта эффектов и стратегия развития
Оценка экономической эффективности от внедрения ИИ остаётся серьёзным вызовом для промышленных компаний. В «Норникеле» эту задачу решают дифференцированно. Для вспомогательных процессов эффект рассчитывается методом прямого счёта, например, через вовлечение запасов в оборот и улучшение показателей свободного денежного потока. Для проектов, связанных с ускорением процессов, разрабатывается специальная методология совместно с экономистами.
При этом компания придерживается стратегии, согласно которой проекты реализуются исключительно при наличии подтверждённых эффектов. Исключение составляют инфраструктурные инициативы, субсидируемые для достижения амбициозной цели: к 2030 году каждый сотрудник должен получить доступ как минимум к одному ИИ-инструменту.
Подробнее о различных методиках оценки эффективности ИИ-проектов читайте в этом материале.
Специализированные модели и будущее индустрии
Создание в «Норникеле» собственной ИИ-модели для металлургии и добывающей отрасли (MetalGPT) обусловлено растущей специализацией больших языковых моделей. Как показывает практика, универсальные LLM эффективны для управленческих задач, но проигрывают в узкопрофильных областях.
В настоящее время MetalGPT используется как чат-бот для технологов, а в перспективе планируется его дообучение для задач проектирования, прогнозирования ремонтов.
По прогнозам Натальи Артамоновой, в ближайшие 5–10 лет генеративный ИИ будет активно внедряться в управленческие и вспомогательные процессы промышленных предприятий, а также в сферы взаимодействия с клиентами и поставщиками, где коммуникация между ИИ-агентами полностью перейдёт на автоматизированный уровень.
Заключение. Промышленность не только не уступает ИТ-сектору в потенциале применения ИИ, но и формирует запрос на специализированные решения, способные генерировать измеримый эффект. Массовое внедрение нейросетей в производство — вопрос не отдалённого будущего, а текущей стратегии лидеров отрасли.
Первый сезон подкаста «Цифра в деле» был посвящён вопросам цифровой трансформации: вместе с экспертами и управленцами из разных отраслей разбирали, как грамотно выстроить подход к интеграции технологических решений.
Промышленность внедряет ИИ не только для повышения эффективности, но и для безопасности: машинное обучение и компьютерное зрение управляют производствами, выводя людей из опасных зон. Генеративный ИИ оптимизирует закупки (экономия 3–7% бюджета) и проектирование (сокращение циклов в 8 раз, снижение стоимости на 25%).
Что это значит для бизнеса
Алина Носова
Автор