Антон Юдин, Скала^р (Группа Rubytech): Применение ПАК — оптимальный подход для перехода к Индустрии 4.0

Четвертая промышленная революция, или Индустрия 4.0, разворачивается прямо у нас на глазах. Чтобы получить преимущества от ее достижений, предприятиям необходимо уже сейчас активно исследовать возможности передовых технологий, в том числе ИИ, и искать возможности их применения с учетом безопасности и эффективности этих решений, готовности ИТ-инфраструктуры. Подробнее об этом TAdviser беседует с руководителем продуктового направления «Инфраструктура ИИ Скала^р» Группы Rubytech Антоном Юдиным.

Какую роль в четвертой промышленной революции играют технологии искусственного интеллекта? 

Ее суть — в слиянии цифровой и физической сущностей в общую структуру через автоматизацию, обмен информацией между физическим и цифровым миром. Искусственный интеллект уже решает многие алгоритмизированные задачи, где можно выявить четкие зависимости. Однако его возможности пока напрямую зависят от знаний конкретных людей — экспертов, технологов и управленцев, что ограничивает скорость внедрения. 

Если сейчас ИИ работает в виртуальной среде или на строго регламентированных производствах, то следующий этап развития — объединение языковых моделей с робототехникой. Это создаст принципиально новые гибридные системы, способные самостоятельно воспринимать команды и действовать в физическом мире. Это и есть путь к преобразованию целых пластов профессий и дальнейшей индустриализации. Но и тогда он не сможет заменить всех людей, которые создают добавленную стоимость, а только тех, чьи задачи можно алгоритмизировать. 

В каких именно промышленных процессах ИИ уже сегодня показывает наибольшую эффективность?  

Основная область применения ИИ в промышленности — это автоматизация типовых, рутинных и трудозатратных процессов, требующих высокой точности или обработки больших объемов данных. Одно из важных направлений — непрерывный мониторинг и предиктивное обслуживание промышленного оборудования. Система на базе ИИ анализирует показатели, выявляет тенденции и аномалии на ранних стадиях, что позволяет ей прогнозировать поломки и предотвращать финансовые потери, связанные с вынужденными простоями производственной линии. Яркий пример — нефтедобыча, где прогноз поломки бура на глубине помогает избежать затрат на бурение новой скважины.

Другая сфера применения ИИ — контроль качества выпускаемой продукции и обнаружение проблем на производственных объектах. Технологии компьютерного зрения, интегрированные в производственные линии, способны обнаруживать микроскопические дефекты продукции, невидимые человеческому глазу. А дроны с видеоаналитикой и инфракрасными датчиками заменяют целые бригады с вертолетами для инспекции протяженных трубопроводов или периметров заводов, оперативно выявляя утечки или повреждения.

ИИ активно применяется для повышения безопасности персонала. Здесь на помощь приходят такие решения, как «умные каски», которые отслеживают условия труда и время пребывания работника во вредной среде. В аварийных ситуациях ИИ-системы могут сопровождать ремонтные бригады, предоставляя им нужную информацию и аналитику для принятия решений, а также накапливая опыт для предотвращения подобных инцидентов в будущем. Таким образом, ИИ не просто автоматизирует отдельные задачи, но и создает интеллектуальный контекст для работы человека, смещая его роль от исполнителя рутинных операций к управлению и анализу.

В каких процессах применение ИИ ограничено или невозможно? 

ИИ не способен самостоятельно принимать ответственные высокорисковые решения в промышленности, такие как действия при серьезном сбое оборудования или изменение важных параметров системы. Он может выступать инструментом анализа, выдавая рекомендации на основе данных, но окончательная оценка и решение должны оставаться за человеком. Это связано с фундаментальным ограничением моделей: ИИ пока не понимает, как устроен мир, а оперирует только заложенными в него данными и паттернами. Эта особенность ИИ не останавливает его развитие, а задает вектор для следующего этапа — Индустрии 5.0. Целью станет не замена людей, а — симбиоз с ними, как и было задумано изначально: человек будет генерировать идеи, выполнять креативные задачи, а ИИ как надежный помощник подсказывать, страховать от ошибок и брать на себя рутинную работу. 

Осваивать разработку крупнейших моделей ИИ, как Chat GPT, LLaMA или DeepSeek могут только ИТ-гиганты. Остальным ИТ-компаниям, их заказчикам остается только пользоваться чужими разработками?

Нет необходимости создавать фундаментальные модели с нуля, лучше направить ресурсы на использование и практическое внедрение существующих доступных инструментов. В первую очередь, задача любой компании — это формирование собственной качественной цифровой основы: системный сбор и накапливание данных в надежных хранилищах, консолидация и повышение качества информации из различных источников. Параллельно необходимо мониторить рынок готовых решений — как коммерческих, так и открытых — и адаптировать их под свои специфические задачи с помощью тонкой настройки (дообучения).

Уже сегодня мы видим много примеров успешного применения генеративного ИИ или классического ML в компаниях, которое позволяет даже линейным менеджерам с минимальной технической подготовкой создавать и внедрять ИИ-агентов в бизнес-процессы. Поэтому основная задача компаний — развивать культуру использования этих готовых инструментов, максимально быстро интегрируя их для решения конкретных задач и получения реальной выгоды, не дожидаясь прорывов в развитии отечественного ИИ.

В чем отличие больших нейросетей (LLM, например) от тех интеллектуальных инструментов, функциональных модулей, которыми пользуются на предприятиях? 

Главное отличие заключается в сфере применения, точности и безопасности. Большие публичные модели, подобные GPT, ценны своей универсальностью и широкими возможностями, но для специфических задач они часто недостаточно точны и, что критично, небезопасны с точки зрения конфиденциальности данных. Поэтому для промышленности и бизнеса становится принципиально важным выбирать решения on-premise, которые развертываются в собственной инфраструктуре и создаются или адаптируются под конкретные процессы компании. Это позволяет создать закрытый, безопасный и управляемый контур, где интеллектуальные системы работают точно, предсказуемо, с минимальным количеством ошибок и с сохранением полного контроля над данными.

Какие инструменты, технологии помогают заказчикам пользоваться достижениями ИИ — либо как смежные, либо как дополнительные? 

Прежде всего, это технология IoT (Интернет вещей). Установленные на оборудовании датчики выполняют роль чувствительной «нервной системы» и передают непрерывный поток информации о критических параметрах, таких как вибрация, температура, нагрузка. Без этих данных современные ИИ-модели для анализа и прогнозирования были бы невозможны, им попросту было бы нечего обрабатывать. 

Синергия IoT и ИИ хорошо видна в предикативном обслуживании сложных агрегатов, например, газовой турбины. Данные с датчиков в режиме реального времени поступают в ИИ-модель, которая, анализируя исторические паттерны, может выявить аномалии и спрогнозировать сроки вероятного выхода из строя. Это позволяет запланировать ремонт и избежать внезапной катастрофической поломки, которая может обернуться серьезным ущербом и дорогостоящим простоем. Если на предприятии внедрена роботизация, искусственный интеллект делает ее еще эффективнее, формируя и оптимизируя процессы, которые выполняют роботы. 

Как справляться с галлюцинациями нейросетей?

Природа галлюцинаций нейросети схожа с человеческой. Зачастую модели не знают точный результат, они могут его только предсказать, основываясь на векторных баз данных. Так или иначе, в какой-то момент она может выбрать статистически правдоподобный ответ, который по факту является ложным. 

Способов минимизировать галлюцинации ИИ довольно много. Например, самостоятельная верификация ответов модели, когда она рассуждает, выдает ответ и потом сама себя проверяет. Другой способ — более тщательно контролировать данные, на основе которых обучается и дообучается модель. 

Также существуют и специализированные технологии — например, RAG (Retrieval-Augmented Generation), которая обогащает ответы генеративной модели, позволяя ей задействовать данные и документы, накопленные в корпоративных хранилищах. Этот подход тоже позволяет уменьшить количество галлюцинаций, поскольку система сверяет данные модели с теми проверенными данными, которые находятся в базах знаний организации.

С какими аппаратными ограничениями сталкиваются пользователи систем ИИ? Говорят, что работа таких систем, помимо вычислительных мощностей, требует чрезмерного энергопотребления. 

Основные аппаратные ограничения — это высокое энергопотребление и сопутствующее тепловыделение. Однако если первое не становится стоп-фактором для компаний, то вопрос, как остужать оборудование, вызывает много сложностей, особенно при масштабировании.

Дело в том, что для высокопроизводительных вычислений (High Performance Computing) разрозненные ресурсы необходимо объединять в высокоскоростную сеть. При этом сделать это необходимо одновременно на разных уровнях: инфраструктурном, вычислительном, сетевом и других, которыми не всегда занимаются одни и те же подразделения в компании. Неправильные решения на этих этапах ведут к резкому росту затрат и потери производительности. 

Чтобы избежать ошибок и лишних расходов, компаниям целесообразно обращаться за помощью к специализированным интеграторам с необходимой экспертизой. Например, таким как Группа Rubytech, которая обладает опытом построения отказоустойчивых и энергоэффективных систем для задач ИИ, обеспечивая технологическую и экономическую эффективность внедрения.

Как защититься от уязвимостей ИБ, связанных с использованием систем ИИ?

Эта область продолжает развиваться как с точки зрения разработки моделей искусственного интеллекта, так и с точки зрения их эксплуатации. Основная защита строится на полном контроле данных и размещении системы в защищенном закрытом контуре. Важно обеспечивать безопасность информации не только на уровне инфраструктуры и сети, но и на всех этапах работы: при подготовке данных, их преобразовании и передаче между системами, где высок риск утечки. 

Обеспечение надежности и безопасности использования ИИ — как раз одна из основных задач, которые мы решали, разрабатывая программно-аппаратный комплекс (ПАК) для работы с моделями искусственного интеллекта — Машину Скала^р МИИ. Ее защита построена на модели, учитывающей полный спектр современных угроз, таких как генерация вредоносного контента, загрузка вредоносного ПО, атаки типа «отказ в обслуживании» (DoS) на модель, удаление или модификация данных, внедрение скрытой логики, утечка чувствительной информации и системных промптов, потеря точности модели, межагентные промпт-инъекции, конфликты агентов и отравление RAG. Это позволяет обезопасить весь Work flow (рабочий процесс) с данными и с ИИ.

Как ПАКи помогают справиться с обозначенными ранее вызовами при внедрении систем на основе ИИ? 

Многие компании хаотично пытаются внедрить ИИ только чтобы не отстать от конкурентов. В итоге бессистемно используют публичные сервисы и не достигают окупаемости. ПАК решает эту проблему, выступая как готовый, предварительно сконфигурированный инструмент. Он позволяет сразу перейти к комплексному планированию жизненного цикла внедрения, тестовой эксплуатации и последующему промышленному запуску на том же оборудовании. Такой подход на годы ускоряет выход решения на рынок (time-to-market), снижает риски и обеспечивает соответствие регуляторным требованиям, придавая процессу внедрения осмысленность и структуру.

Важное преимущество — возможность эффективного управления данными: их мониторинга, контроля, а также быстрого перезапуска процессов. Что достигается за счет установки в защищенном закрытом контуре и заложенной в архитектуру ПАКа безопасности, которая обеспечивает полную прозрачность и контроль над данными обучения и результатами работы модели. 

Какова должна быть стратегия внедрения ИИ на предприятии? 

Я бы порекомендовал сначала оценить основные бизнес-процессы предприятия, выделить из них рутинные, которые в первую очередь могут быть поэтапно автоматизированы. Это может быть, например, все, что связано с обработкой документации, с контролем и видеонаблюдением, а также с анализом данных систем управления технологическими процессами. После того, как будет проведен такой аудит и определен круг задач, компания сможет рассчитать мощность ИТ-инфраструктуры, которая для этого потребуется, и потенциальную экономическую эффективность проекта. 

Какие варианты может предложить Скала^р заказчикам, которые приняли решение реализовать такой проект? В чем их преимущества? 

Мы предлагаем готовое, полностью сбалансированное аппаратно-программное решение. Это избавляет заказчика от самостоятельного подбора оборудования, операционных систем, систем виртуализации и других компонентов. Полный контроль над всем стеком позволяет управлять всей технологической цепочкой, выявлять и устранять узкие места, что значительно упрощает и ускоряет для предприятия развертывание и применение моделей ИИ. 

Наши продукты подходят для всех задач, связанных с ИИ: от создания собственных моделей до обучения и оптимизации сторонних. Целостность комплекса обеспечивает беспрепятственный переход от разработки к промышленной эксплуатации. Кроме того, мы обеспечиваем поддержку заказчика в режиме «одного окна», полностью беря на себя ответственность за корректную работу ПАК. Таким образом, заказчику не приходится обращаться к разным вендорам для решения задач, связанных с разными компонентами решения. 

Контроль безопасности начинается уже на этапе проектирования системы — ПАК разрабатываются по принципу Secure by Design. Они могут использовать как наложенные, так и встроенные средства защиты информации, которые будут ограничивать ИИ от стороннего влияния. Владение всем стеком позволяет выстроить единую, сквозную систему информационной безопасности, исключающую конфликты между разнородными компонентами.

Наконец, Машина искусственного интеллекта Скала^р МИИ легко интегрируется с другими ПАК в составе модульной платформы Скала^р. С их помощью наши заказчики создают комплексную систему сбора, хранения данных и интеллектуального управления ими, разумно подходя к бюджетированию этого процесса. Важно, что ПАК не требует сравнительно больших капитальных затрат на первоначальный проект и позволяет компании постепенно, по мере получения новых преимуществ от использования искусственного интеллекта, наращивать эту систему, приводить ее к целевому состоянию.