Главный барьер для промышленного ИИ — беспорядок в данных
интервью Алексея Акулова порталу TAdviser
Российская промышленность находится в парадоксальной ситуации: привычные методы производственной оптимизации не дают эффекта, новые цифровые технологии доступны, пилоты запущены, но до реальной эксплуатации доходят единичные предприятия. Почему так происходит?
Генеральный директор «Индастри софт солюшнс» Алексей Акулов рассказал в интервью TAdviser о машинном обучении, больших языковых моделях, предиктивной аналитике и других технологиях, трансформирующих сегодня промышленность.
«Промышленный ИИ сегодня — это не волшебная таблетка, а инженерная дисциплина, где успех зависит от синергии данных, инфраструктуры, процессов и людей. ML, LLM и ИИ-агенты в обозримом будущем останутся советчиками, а не самостоятельными управленцами, пока не будут решены вопросы юридической ответственности и безопасности», — отметил Алексей Акулов.
«Промышленный ИИ сегодня — это не волшебная таблетка, а инженерная дисциплина, где успех зависит от синергии данных, инфраструктуры, процессов и людей. ML, LLM и ИИ-агенты в обозримом будущем останутся советчиками, а не самостоятельными управленцами, пока не будут решены вопросы юридической ответственности и безопасности», — отметил Алексей Акулов.
Эксперт также поделился рекомендациями — с чего следует начинать и каких ошибок избегать промышленным компаниям, желающим повысить эффективность производственных процессов:
«Цифровые двойники и предиктивная аналитика работают только там, где наведен порядок в данных, поэтому первая рекомендация — не начинайте с ИИ, а начните с аудита качества данных и внедрите систему управления ими. Второе: выбирайте для пилотов оборудование, которое ломается хотя бы раз в 3-6 месяцев, иначе вы просто не успеете проверить гипотезу. Третье: меняйте KPI технологов и операторов — пока их премия зависит от нажатия кнопки «план-факт», а не от точности прогноза модели, внедрение обречено. Четвертое: инвестируйте в MLOps, потому что 90% времени в проекте занимает не создание модели, а ее поддержка в меняющихся условиях цеха. И последнее — в российских реалиях побеждает не тот, у кого нейросеть «глубже», а тот, кто смог договориться с главным механиком, технологом и ремонтником о едином формате данных».
Подробнее
05.05.2026
«Цифровые двойники и предиктивная аналитика работают только там, где наведен порядок в данных, поэтому первая рекомендация — не начинайте с ИИ, а начните с аудита качества данных и внедрите систему управления ими. Второе: выбирайте для пилотов оборудование, которое ломается хотя бы раз в 3-6 месяцев, иначе вы просто не успеете проверить гипотезу. Третье: меняйте KPI технологов и операторов — пока их премия зависит от нажатия кнопки «план-факт», а не от точности прогноза модели, внедрение обречено. Четвертое: инвестируйте в MLOps, потому что 90% времени в проекте занимает не создание модели, а ее поддержка в меняющихся условиях цеха. И последнее — в российских реалиях побеждает не тот, у кого нейросеть «глубже», а тот, кто смог договориться с главным механиком, технологом и ремонтником о едином формате данных».
Подробнее
05.05.2026