Эксперты Staq определили ключевые барьеры внедрения ИИ в промышленную автоматизацию в России

На текущий момент около 50% российских промышленных предприятий уже эксплуатируют отечественные системы автоматизации. Общий охват российского ПО превышает десять миллионов рабочих мест в ключевых секторах, включая авиастроение, судостроение и железнодорожное машиностроение. Промышленные платформы постепенно интегрируют инструменты искусственного интеллекта, однако темпы внедрения сдерживаются рядом технических и организационных факторов, выявленных специалистами компании Staq.

Инфраструктурные вызовы и капитализация

Первым препятствием является инфраструктурная база. Создание собственного центра обработки данных (ЦОД), мощности которого были бы достаточны для работы с большими языковыми моделями (LLM) в масштабах крупного предприятия — задача с высоким порогом вхождения. Дефицит комплектующих и перегретый спрос на вычислительные ресурсы значительно растягивают сроки реализации. Несмотря на это, промышленность находит инженерные способы обхода данных ограничений, адаптируя архитектуры под текущие реалии рынка.

Нормализация данных как фундамент

Вторым барьером выступает качество и подготовка данных. Дискуссии о промышленном ИИ теряют смысл, если данные не прошли стадию нормализации и структурирования. Использование стандартов уровня OPC UA перестает быть вопросом выбора и становится обязательным протоколом для любой цифровизации. На практике подготовка системы занимает первые месяцы реализации проекта: основное время уходит не на обучение нейросетей, а на консолидацию телеметрии с оборудования в единой точке и приведение массивов данных к унифицированному виду.

Проблема датасетов и масштаб бизнеса

Третий барьер связан с получением качественных наборов данных для обучения. Крупные корпорации, обладающие большими объемами собственных данных, накопили достаточную базу для обучения моделей внутри периметра безопасности. Для компаний среднего сектора ситуация сложнее из-за специфики технологических процессов и жестких требований к коммерческой тайне: такие предприятия вынуждены объединяться в отраслевые консорциумы или обращаться к партнерским моделям, так как получить готовый промышленный датасет извне практически невозможно.

Безопасность и архитектура управления

Вопрос безопасности, часто считающийся основным препятствием, на практике разрешается архитектурными решениями. Простейший и наиболее эффективный принцип — развертывание ИИ строго в закрытом корпоративном контуре с исключением прямого автоматизированного воздействия на технологический процесс. Работа системы выстраивается по рекомендательному принципу: ИИ фиксирует аномалии и предлагает варианты действий оператору, который остается финальным звеном в принятии решений. Такая модель позволяет минимизировать риски и проходить нормативное согласование.

Роль MES в интеграции ИИ

Критическим узлом для промышленного ИИ является MES-система (Manufacturing Execution System). Именно здесь происходит пересечение операционной логики, человеческого фактора и потоков данных от оборудования. ИИ начинает приносить измеримый результат в промышленной эксплуатации только тогда, когда существует среда, связывающая телеметрию, инциденты, процессы ТОиР (технического обслуживания и ремонта) и производственные задания.Платформа Staq спроектирована с учетом этих требований. Модуль Staq.Bridge отвечает за подключение датчиков, превращая «сырые» данные в триггеры для бизнес-процессов. ИИ в платформе интегрирован не как надстройка, а как инструмент конфигурации среды — ИИ-ассистент позволяет задавать параметры логики на естественном языке. Как отмечает директор по IoT платформы Staq Василий Ежов, сегодня предприятия выбирают не между геополитическими векторами ПО, а между платформами, способными масштабироваться вместе с производством, где ИИ становится прикладной инженерной задачей.