В любом цехе уже есть почти всё, что нужно для оптимизации: годы телеметрии, лабораторные журналы, регламенты, акты по отказам. Не хватает другого: способа превратить эти разрозненные записи в решение, которому смена готова доверять в три часа ночи.
Мы занимаемся этим как раз на стыке: данные предприятия, ИИ и ответственность человека за результат. Ниже наш метод целиком: что считаем кодом, что поручаем модели, где обязательно участие технолога и как выглядит путь от первой гипотезы до измеримого эффекта. Он не привязан к отрасли, поэтому дальше в блоге разберём его отдельно для газа, нефти и металла.
Где на самом деле теряется эффект
Промышленные ИИ-проекты редко разбиваются об алгоритмы. Модели прогноза и поиска аномалий давно стали инженерным стандартом. Эффект теряется в четырёх других местах.
- Смысл данных. Тег PT-2041 в базе — это давление, но где, в каких единицах и что считать нормой? Без этого ответа любая модель учится на шуме.
- Арифметика. Языковая модель, которая «в уме» складывает ряды и сравнивает периоды, выдаёт уверенные и неверные цифры. Для производства это недопустимо.
- Доверие. Рекомендация без доказательств остаётся рекомендацией. Технолог не будет менять режим установки, потому что так сказал алгоритм.
- Внедрение. Решение, не встроенное в рабочий ритм смены, превращается в ещё одну вкладку, которую никто не открывает.
Поэтому метод построен от данных к решению, и в каждой точке мы задаём себе один вопрос: что здесь может сломаться и кто это заметит.
Что такое «данные предприятия» на самом деле
Обычно под этим понимают телеметрию. На деле это пять разных миров с разными владельцами и разными болезнями.
| Источник | Что даёт | Типичная беда |
|---|---|---|
| Исторические базы АСУ ТП и SCADA | Непрерывные ряды: давления, температуры, токи, обороты | Дрейф датчиков, пропуски, разные периоды опроса, теги без описания |
| Лабораторная система (ЛИМС) | Состав и свойства: химия, обводнённость, качество | Запаздывание на часы и сутки, ручной ввод, нерепрезентативные пробы |
| Производственный учёт (MES) | Партии, плавки, смены, простои | Разные ключи в разных системах |
| Система ТОиР | Ремонты, наработки, причины отказов | Формальные причины в актах, неточное время событий |
| Журналы смен, акты, регламенты | Контекст: что делали люди и почему | Неструктурированный текст, разные формулировки |
Главная ценность лежит на стыках. Один ряд температуры почти ничего не говорит. Температура вместе с режимом, партией и записью об отказе уже рассказывает историю. Связать всё это в единую картину и есть первая половина работы.
Принцип первый: сначала смысл, потом числа
Самое частое возражение звучит так: «Загрузите данные в модель, она разберётся». Не разберётся. Наивный подход «таблица в промпт» работает до тех пор, пока данных мало и вопросы простые.
Мы делаем иначе, и эту механику вы можете увидеть в работающей платформе на demo.alfarabi.ai. Там отчётность разобрана не на плоскую таблицу, а на дерево из около тысячи двухсот показателей, сгруппированных в девять ветвей. У каждого показателя есть карточка: что он измеряет, в каких единицах, где стоит в иерархии, как считается и к какому типу относится значение.
Для производства дерево строится так же: предприятие, цех, агрегат, датчик. Карточка показателя отвечает на вопросы, которые технолог задаёт не задумываясь: что это, откуда и как посчитано.
Отдельно стоит тип значения. Это скучная деталь, на которой ломается большинство решений. Значение может быть мгновенным, накопленным или потоком за период. В финансах, если сложить квартальную прибыль с накопленной, получится «рост на 300%». В промышленности ловушка та же: мгновенная мощность и накопленная выработка, расход за час и показание счётчика. Платформа различает их и приводит к одному смыслу до любого расчёта.
Практический критерий готовности: если технолог по карточке показателя не может ответить «что это и откуда», показатель ещё не готов для ИИ.
Принцип второй: числа считает код, модель их объясняет
Языковые модели плохо считают, зато хорошо интерпретируют уже посчитанное. Поэтому в платформе все вычисления вынесены в отдельный слой без единого обращения к модели: динамика к прошлому периоду и к прошлому году, скользящие окна, темпы роста, суммарные изменения и эмпирическое распределение значений. Модель получает не сырой ряд, а готовый и проверенный набор величин с контекстом.
Особенно полезно эмпирическое распределение. Оно превращает цифру в цифру в контексте: не «показатель вырос на 8%», а «такой рост лежит в верхних пяти процентах за всю историю». В цеху тот же приём отвечает на главный вопрос диспетчера: нормально ли это значение для такого режима и такой нагрузки.
Условный пример. Температура подшипника в 78 °C сама по себе ничего не значит. Но если при такой нагрузке и такой температуре воздуха девяносто пять процентов прошлых значений лежали ниже 71 °C, это уже сигнал. Оценку делает код, модель лишь формулирует, что она означает и что проверить.
Вторая опора на производстве — балансы. Массу и энергию нельзя обмануть: если приход, расход и накопление не сходятся, ошибка в данных или в модели. Баланс — лучший детектор лжи, и мы ставим его перед любым машинным обучением.
Принцип третий: план гипотез, который утверждает человек
В режиме исследования платформа работает как аналитик, которому дали задание. Сначала модель видит только структуру показателей, без чисел, и предлагает план: какие гипотезы проверить, какие шаги сделать, какие показатели нужны на каждом. Пользователь читает план, правит его и утверждает. Затем каждый шаг превращается в небольшое исследование на своих данных, а в конце собирается резюме и отчёт.
На производстве у этой схемы три преимущества.
- План читается до расчёта. Технолог видит ход мысли и может сказать: «Этот параметр здесь не работает» или «Вы забыли про ремонт на прошлой неделе».
- Это дешевле и точнее. Модель получает только те ряды, которые нужны шагу, а не весь архив на всякий случай. Меньше шума, меньше поводов для ошибки.
- Ответственность остаётся у людей. Решает тот, кто отвечает за установку.
Человек в контуре не ограничение, а часть конструкции.
Принцип четвёртый: проверка до доверия
Перед тем как число попадёт в итоговый отчёт, оно сверяется с расчётным набором: числа, которого нет в данных, в выводе не будет. Отдельный вызов-критик проверяет логику: связны ли выводы и отвечают ли они на исходный вопрос.
В цеху добавляются ещё два фильтра. Первый — физическая достоверность: значение в допустимом диапазоне и не нарушает баланс. Второй — след до источника: каждый вывод показывает ряд, период и расчёт, из которых вырос. Рекомендация без такого следа не покидает аналитика.
Принцип пятый: контур и безопасность
Данные предприятия — это режимы, составы, остатки, то есть то, что принято защищать. Модель безопасности платформы строится на нескольких принципах:
- Минимизация. В языковую модель уходит только то, что реально нужно для ответа, а не весь набор.
- Обезличивание. Названия и идентификаторы заменяются до отправки.
- Никаких содержательных логов. В журналы не попадают тексты запросов и ответов.
- Отказ при сбое защиты. Если проверка не сработала, запрос не уходит.
Для промышленности следующий шаг естественен: размещение внутри контура предприятия, а к внешним моделям уходят только описания структуры и агрегаты либо работают локальные модели. Решение принимается под требования конкретного объекта.
Путь от гипотезы до эффекта
- Карта потерь. Находим, где на самом деле деньги: энергия, простои, брак, потери добычи. Формулируем гипотезу и грубую оценку эффекта на языке финансов.
- Доказательство на ваших рядах. Собираем прототип на исторических данных предприятия. Гипотеза либо подтверждается на цифре, либо отбрасывается. Синтетические демо здесь не принимаются.
- Пилот на участке. Ограниченный контур, живая смена, режим «советчика»: система рекомендует, человек решает. Без базовой линии и сопоставимой группы эффект не отличить от сезонности, поэтому они обязательны.
- Передача. Модели, регламент и люди остаются на предприятии. Способность, а не подписка.
Результат измеряем на языке цеха: киловатт-часы на тонну, наработка на отказ, выход годного, потери добычи, число срабатываний защиты. Не «точность модели», а то, что видно в сменном отчёте.
Чего ИИ не делает
- Не управляет оборудованием в первом контуре. Сначала режим совета. Замкнутое управление возможно только после доказанной надёжности и по правилам функциональной безопасности.
- Не исправляет плохие датчики. Но находит их и показывает цену дрейфа.
- Не заменяет технолога. Снимает рутину и расширяет охват: смотрит туда, куда у смены не доходят руки.
- Не работает без данных. Если истории нет, сначала собираем её и строим карту данных.
Где посмотреть механику
Платформа demo.alfarabi.ai сегодня работает на финансовой отчётности. Там можно загрузить и разобрать показатели в дерево, построить сложный график, задать вопрос на свободном языке (система сама подберёт нужные показатели) и запустить исследование с планом и согласованием. Это именно та механика, которую мы переносим на технологические данные, и это наш главный фокус разработки. Поэтому в демо вы увидите не цеховые тренды, а то, как устроено «мышление» платформы: от структуры данных до проверенного отчёта.
Если у вас есть участок, который болит — компрессор, фонд скважин, печь, качество продукции — напишите нам на kd@tilekindustrial.com или через форму на основном сайте. Первая встреча будет про ваши данные и эффект, а не про слайды.