ИИ в производстве: прогнозы, качество и простои

Искусственный интеллект на производстве — это не чат-бот и не модная надстройка к учётной системе. Это три измеримые задачи: точнее прогнозировать спрос, отлавливать брак быстрее человека и сокращать простои оборудования. Задачи скучные, но именно они дают возврат инвестиций. Ниже — как это работает на практике, какие цифры считать до старта, сколько это стоит и какие ошибки чаще всего убивают проекты.

Где ИИ реально работает в производстве

На производстве слово «ИИ» стоит сузить до трёх конкретных технологий, которые уже дают результат на действующих предприятиях: машинное обучение на временных рядах (прогноз спроса и загрузки), компьютерное зрение (контроль качества, подсчёт, безопасность) и предиктивная аналитика по телеметрии (диагностика состояния оборудования). Всё остальное — генеративные тексты, виртуальные ассистенты — в цеху почти не окупается.

Общее у этих трёх направлений одно: там есть понятный, измеряемый показатель. Ошибку прогноза считают в процентах, брак — в штуках на тысячу, простои — в часах и рублях. Если до старта нельзя назвать, какой именно показатель должен измениться и на сколько, — это не проект ИИ, а эксперимент с неопределённым результатом. Наша практика внедрения ИИ для бизнеса показывает: проекты с зафиксированной метрикой доходят до тиража в разы чаще, чем «давайте попробуем нейросети».

Ниже — разбор трёх сценариев с цифрами, а затем — что нужно для запуска, какие ошибки типичны и какие вопросы задать подрядчику, чтобы не заплатить за красивое демо вместо рабочей системы.

Прогноз спроса и планирование производства

Прогноз спроса напрямую управляет тремя вещами: сколько сырья закупить, сколько выпустить и сколько хранить на складе. Ошибка в прогнозе стоит денег в обе стороны. Завысили — получаете замороженные средства в неликвидах и затраты на хранение. Занизили — упущенную выручку, срочные переналадки и штрафы за срыв сроков.

Классические методы — среднее за прошлый период или экспоненциальное сглаживание — не учитывают сезонность, промоакции, действия конкурентов и изменение цены. Модель машинного обучения строит зависимость спроса от десятков признаков: день недели, месяц, история продаж по каждой позиции, праздники, остатки у дистрибьюторов, курсовая динамика для импортных комплектующих. На практике переход с простого метода на ML-прогноз снижает ошибку прогноза на 20–50%, что на складе готовой продукции оборачивается сокращением запасов на 15–30% без роста дефицита.

Показательный сценарий: производитель крепёжных изделий с 8–10 тыс. SKU держал трёхмесячный запас «на всякий случай». После внедрения посерийного прогноза запас по ходовым позициям снизили до 5–6 недель, а по медленно оборачиваемым — до 8 недель, высвободив оборотные средства без единого случая остановки отгрузки из-за нехватки.

Что для этого нужно: минимум 2–3 года истории продаж или выпуска в разрезе позиций, вычищенная справочная база SKU и календарь промоакций. Чем «грязнее» история — пропуски, задвоения, объединённые позиции, — тем больше работы уйдёт на подготовку данных, а не на саму модель.

Метод прогноза	Типичная ошибка, MAPE	Данные для старта	Когда применять
Наивный (прошлый период)	30–60%	История за год	Только как базовый ориентир
Экспоненциальное сглаживание	20–40%	История за 1–2 года	Стабильный спрос без выраженных пиков
Регрессионные и ML-модели	10–25%	2–3 года + внешние факторы	Сезонность, промо, широкая номенклатура
Ансамбли + постобработка экспертом	8–20%	2–3 года, регулярная актуализация	Высокая цена ошибки прогноза

Важно: модель прогноза не заменяет плановика, а даёт ему отправную точку. Лучшие результаты показывают связки «модель + экспертная корректировка», где человек видит доверительный интервал прогноза и вмешивается только в аномальных случаях.

Контроль качества: машинное зрение на конвейере

Ручной контроль качества упирается в человеческий фактор: усталость к концу смены, субъективность оценки, пропуск мелких дефектов на высокой скорости. Компьютерное зрение работает 24/7, с одинаковой строгостью и скоростью до сотен изделий в минуту.

Типичные задачи, которые решает промышленная видеоаналитика: поверхностные дефекты (царапины, вмятины, сколы, непрокрас), контроль геометрии и комплектности, наличие/отсутствие деталей при сборке, корректность маркировки и этикетки. На отработанном наборе дефектов современные системы достигают точности 95–99%, а главное — не «устают»: качество распознавания одинаково в 9:00 и в 3:00 ночи.

Сценарий из практики: участок покраски металлоконструкций, где брак проявлялся только через день после сушки и оборачивался переделкой 5–7% изделий. Камера с моделью детекции дефектов покрытия на выходе линии позволила отбраковывать проблемные участки сразу, до сушки. Доля переделок упала в 2–3 раза, а заодно появилась статистика по типам дефектов — выяснилось, что 60% брака даёт одна конкретная настройка распылителя.

Главное условие здесь — датасет. Модель обучается на размеченных снимках «годен/брак», и качество этих снимков важнее выбора алгоритма. На старте обычно нужно от нескольких сотен до нескольких тысяч изображений на каждый тип дефекта, и чем реже встречается дефект, тем больше снимков придётся собрать.

Простои оборудования и предиктивное обслуживание

Простои делятся на плановые и аварийные. Плановое ТО — управляемая история, а вот внезапный выход из строя станка останавливает линию целиком и стоит десятки и сотни тысяч рублей за час. Предиктивное обслуживание ловит признаки износа до того, как узел откажет: вибрация, температура, сила тока, давление, акустический шум.

Датчики и контроллеры станков уже сейчас пишут эти параметры в системы телеметрии; вопрос лишь в том, чтобы их читать и анализировать. Модель строит «нормальный портрет» работы узла и сигнализирует, когда параметры отклоняются от него. По данным консалтинговых исследований, переход от планово-предупредительного к предиктивному обслуживанию сокращает незапланированные простои на 30–50% и затраты на обслуживание на 10–40% — за счёт отказа от замены «по регламенту» в пользу замены «по состоянию».

Показательный кейс — парк станков с ЧПУ. Мониторинг вибрации шпинделя и температуры подшипников позволил предупреждать отказ шпиндельного узла за 2–3 недели до поломки. Раньше замена стоила втрое дороже: к цене самого узла добавлялись аварийный вызов, простой линии и срочная логистика. Теперь замену планируют в окно планового ТО.

Отдельная быстрая победа — анализ причин простоев без дорогих датчиков. Даже журналы операторов и данные MES о сменах статусов оборудования позволяют построить диаграмму потерь: сколько времени линия стоит из-за переналадки, ожидания материала, поломки, отсутствия оператора. Обычно 20–30% простоев уходит на переналадки — и это оптимизируется организационно, без единого нового датчика.

Сценарии внедрения: от пилота к тиражу

Правильная последовательность — не «внедрить ИИ на заводе», а выбрать одну линию или один процесс, где потери измеримы, и довести там пилот до окупаемости. Масштабный проект «сразу везде» почти всегда разваливается: не хватает данных, команды и терпения.

Типовая дорожная карта выглядит так: аудит процессов и данных → выбор пилотного сценария с базовой метрикой → сбор и подготовка данных → пилотная модель → валидация на реальном потоке → расчёт эффекта → тираж на остальные линии. Каждый этап имеет свой критерий выхода: если пилот не показал заявленного эффекта на контрольной выборке, проект останавливают или пересматривают — и это нормально, а не провал.

Базовую метрику фиксируют до старта. Нельзя доказать, что «простои снизились на 30%», если до проекта их никто не считал. Поэтому первым шагом внедрения часто становится не модель, а простой учёт: счётчики простоев, фотографии дефектов с привязкой к партии, история прогнозов против факта.

Этап	Длительность	Ориентир стоимости	Результат этапа
Аудит и постановка метрики	2–4 недели	от 100–300 тыс. ₽	Выбранный сценарий, базовая метрика
Пилот на одной линии	2–4 месяца	от 300 тыс. до 1,5 млн ₽	Модель с подтверждённым эффектом
Интеграция и тираж	3–9 месяцев	от 1 до 10 млн ₽	Работающая система на нескольких линиях
Поддержка и переобучение	постоянно	от 30–80 тыс. ₽/мес	Актуальная модель, контроль качества прогноза

Цифры ориентировочные: итог зависит от количества линий, качества данных и глубины интеграции с учётными системами. Точный расчёт делается после аудита — и здесь полезно смотреть не только на цену, но и на прозрачность прайса: что входит в этап, кто отвечает за датасет, что происходит после пилота.

Данные и инфраструктура — фундамент проекта

В производственных ИИ-проектах 60–80% трудозатрат — это не модели, а данные: собрать, вычистить, связать между собой. Модель — последний и сравнительно быстрый шаг. Если на заводе нет цифрового учёта простоев, нет истории качества по партиям, а данные о выпуске живут в разрозненных таблицах, — начинать нужно именно с инфраструктуры.

Базовый набор источников для любого из трёх сценариев: учётная система (ERP) с выпуском и запасами, производственная система (MES) со статусами заказов и оборудования, телеметрия станков и датчиков, архив изображений с камер контроля. Часто чего-то из этого нет — и тогда проект начинается с наведения порядка в учёте, а не с нейросети.

Здесь же встаёт вопрос, чьими силами это поддерживать. Внутренней ИТ-службы на этапе внедрения обычно не хватает ни по компетенциям, ни по времени: нужны специалисты по данным, по интеграции и по развёртыванию моделей. Практичный вариант — ИТ-аутсорсинг на время проекта и дальнейшее сопровождение, чтобы не раздувать штат под задачу, которая после тиража требует меньше рук.

Отдельно — вопрос размещения. Для компьютерного зрения с большим потоком видео обычно выгоднее обрабатывать кадры на локальном сервере или пограничном устройстве, а не гонять поток в облако: это быстрее и дешевле на дистанции. Для прогнозных моделей допустимо и облако, если оно согласовано с политикой безопасности предприятия.

Типичные ошибки внедрения

Большинство провалов производственных ИИ-проектов — не технические, а управленческие. Вот повторяющийся набор ошибок, который мы видим на чужих проектах чаще всего.

• Старт без базовой метрики. Не зафиксировали «до» — не сможете доказать «после». Любой эффект останется предметом спора, а не фактом.
• Ожидание 100% точности. Даже хорошая модель контроля качества ошибается на единичных процентах. Если требовать идеала, проект забуксует в бесконечной «доработке».
• Модель без процесса. ИИ предсказывает отказ, но никто не назначен реагировать на предупреждение — и система превращается в декоративный дашборд.
• Игнорирование людей. Операторы и мастера саботируют систему, которую им «спустили сверху» без объяснения, зачем она и что меняется в их работе. Внедрение без обучения и вовлечения смены обречено.
• Покупка коробки вместо задачи. Сначала покупают «платформу ИИ», потом ищут, куда бы её применить. Работает только обратный порядок: задача → метрика → инструмент.
• Слишком короткий пилот. Неделя на нерепрезентативной выборке показывает «красивый результат», который разваливается на реальном потоке. Пилот должен пройти через полный производственный цикл.

Что спросить у подрядчика до старта

Чтобы отличить инженерного подрядчика от продавца презентаций, задайте до подписания договора эти вопросы. Уверенный исполнитель отвечает на них конкретикой, а не обещаниями «всё сделаем».

• Какую метрику и какой целевой уровень мы зафиксируем в договоре? Что считается успехом пилота?
• Сколько исторических данных нужно для старта и в каком виде? Что будем делать с недостающими данными?
• Кто размечает данные и кто отвечает за качество датасета — вы или мы?
• Какая точность достижима на нашей задаче и как мы её проверим на контрольной выборке?
• Как выглядит интеграция с нашими ERP/MES и оборудованием? Есть ли у вас опыт именно с нашими системами?
• Что происходит после пилота: кто поддерживает и переобучает модель, сколько это стоит, как фиксируется деградация качества?
• Как устроена передача знаний нашей команде, чтобы мы не попали в зависимость от единственного исполнителя?

Полезно также проверить исполнителя по реальным проектам: отзывы клиентов и готовность показать работающую систему на действующем производстве скажут больше любой презентации. А если по итогам разговора остаются вопросы по цене или объёму работ — задайте их напрямую через контакты, не ограничиваясь общим коммерческим предложением.

Частые вопросы

Полезно на сайте: внедрение ИИ в бизнес, ИТ-аутсорсинг, цены, отзывы клиентов.