На полях конференции Сколтеха «Фронтиры прогресса», сразу после завершения сессии «Генеративный искусственный интеллект и автономные системы» Наука Mail пообщалась с экспертом «Норильского никеля», чтобы узнать, как работает с инновациями одна из крупнейших российских компаний.
4 департамента инноваций «Норникеля»
В компании «Норникель» мы занимаемся внедрением инновациями. Наши инновации состоят из четырех ключевых департаментов.
Первый департамент занимается разработкой батарейных технологий на базе наших металлов.
Второй — коммерциализацией палладия, и, соответственно, изучением его свойств и поиском новых способов применения. Это тоже наш металл.
Третий — это искусственный интеллект, его практическое применение в производстве и вспомогательных процессах.
И, наконец, четвертый — это технологические инновации. Сюда входят новые продукты — жаропрочность сплава, порошки для аддитивной технологии, реагентика, новое оборудование и технологические процессы. К этому же департаменту относится «Институт Гипроникель», который мы курируем с точки зрения научного блока. Это еще 150 ученых, которые являются продолжением департамента технологических инноваций.
Какие задачи мы решаем? Повышаем эффективность компании. Мы не теоретики — мы практики. Наша работа — внедрять новые технологии с обоснованным, просчитанным риском, чтобы добиваться реального экономического эффекта. Конкретный результат? В 2024 году наши решения принесли компании дополнительные 1,5% EBITDA. В предыдущем году показатели были на аналогичном уровне. Это не абстракция — это работающие, осязаемые результаты.
ИИ с человеческим чутьем
Итак, у нас есть целое направление по внедрению искусственного интеллекта. Приведу конкретный пример: 80% наших решений основаны на предиктивной аналитике и машинном обучении. Эти системы позволяют нам управлять оборудованием в автоматическом режиме — где-то в формате «подсказчика», где-то полностью автономно.
В основе этих алгоритмов лежат исторические данные за три года. Возьмем, к примеру, флотацию — процесс обогащения руды. Мы анализируем десятки параметров: объем и качество поступающей руды, количество воды, воздуха, реагентов, выходные показатели. На этой базе построили предиктивную модель, которая автоматизировала процесс и дала прирост извлечения металлов на 0,7−1%. Казалось бы, немного, но в масштабах производства — огромный эффект.
Но мы пошли дальше, добавив компьютерное зрение. Почему? Наши алгоритмы уже превзошли среднего оператора, но уступали лучшим. Мы буквально несколько смен провели с ними, изучая их методы. Оказалось, опытные операторы оценивают процесс визуально — по переливу и цвету пены. Поверите ли, но по оттенкам пены (а их миллионы!) мастер может определить содержание металлов с точностью до сотых долей.
Мы оцифровали этот опыт, создав алгоритм анализа цвета и уровня пены. Это добавило вторую модальность данных и дало дополнительный прирост в 0,3−0,5%. Теперь система работает на уровне лучших специалистов. Следующий шаг — добавление анализа звука (вибрации оборудования, переговоров технологов), что сделает систему по-настоящему мультимодальной.
По сути, мы не заменяем технологию — мы ее совершенствуем. Базовые алгоритмы уже дотягиваются до уровня среднестатистического оператора. Но чтобы достичь уровня мастера, который учитывает все нюансы, нужен комплексный подход. Именно в этом наше конкурентное преимущество.
Сопротивление изменениям — главная проблема при внедрении ИИ
Все проблемы при внедрении ИИ вполне предсказуемы. Я раньше работал в международном консалтинге, внедрял изменения в самых разных отраслях — от медицины до пищепрома и животноводства. И везде ключевая проблема одна: сопротивление изменениям.
Люди привыкают к рутинным процессам — это естественно. Любые новшества по умолчанию встречают отторжение. Но с ИИ, особенно генеративным, ситуация особенная. Он одновременно затрагивает две группы сотрудников:
Операторов — потому что автоматизация заменяет их ручной труд.
Управленцев — потому что ИИ стабилизирует процессы, а значит, лишает их 70% работы. По моим оценкам, именно столько времени менеджмент тратит на «тушение пожаров», вызванных нестабильностью процессов.
Так что задача моего департамента — даже не столько внедрение технологий (это 30−40% усилий), сколько адаптация процессов компании. Нужно правильно встроить ИИ в их работу.
Как? Например, управленцу мы показываем: «Теперь тебе не нужно вслепую верить отчетам или операторам. Вот дашборд, который в реальном времени не просто анализирует прошлое, а предупреждает: через час у тебя случится Х — как это предотвратить?». Это новый уровень принятия решений.
Операторам объясняем иначе. Допустим, на производстве рабочий постоянно бегает между отметками (этажи), проверяя показатели на высоте 7 метров — свет, давление, температуру. Говорим ему: «Теперь за тебя это делает ИИ. Ты не занимаешься больше рутиной и переходишь к интеллектуальным задачам — например, анализу данных или работе с новым оборудованием».
Итог: проблемы внедрения ИИ универсальны для всех отраслей, но он усложняет ситуацию, потому что меняет работу и менеджеров, и линейных сотрудников. Задача — не просто автоматизировать, а переосмыслить их роль.
Можно ли полностью доверить производство алгоритмам?
Какие-то производственные задачи мы уже доверили ИИ. Ряд ключевых агрегатов и установок сейчас полностью управляются искусственным интеллектом в автоматическом режиме. Оператор в этой системе выполняет функцию контроля — он находится рядом с аварийной кнопкой и наблюдает за показателями на мониторах, в то время как ИИ самостоятельно регулирует технологический процесс.
И что важно — обратная связь от обеих сторон исключительно положительная. Менеджмент отмечает рост производительности (те самые «дополнительные тонны»), а операторы ценят, что им больше не нужно вручную контролировать сотни параметров.
Вопрос полного доверия ИИ лишь в критичности конкретного процесса для предприятия. Но повторюсь: у нас в автоматическом режиме работают уже основные производственные агрегаты.
Как победить дрейф ИИ-моделей в промышленности?
Когда мы только начинали внедрять ИИ, то заранее продумали решение проблемы дрейфа моделей искусственного интеллекта, когда условия производства постоянно меняются.
У нас реализовано два ключевых механизма:
Первый — встроенный алгоритм самообучения. Исходная модель построена на трехлетнем массиве данных, но ежедневно дообучается на новых данных со сдвигом в один день. Фактически модель постоянно совершенствуется, используя последние 25% данных как валидационную выборку.
Второй механизм — создание центра мониторинга (ЦУП), где в реальном времени отслеживаются все модели. Ключевая метрика — это uptime, коэффициент использования оборудования. У наших решений он составляет 90−100%.
Мы выстроили четырехуровневую систему поддержки совместно с IT-департаментом. При необходимости можем оперативно вмешаться на уровне кода.
Важно понимать: дрейф моделей — это не проблема, а реальность. Замена насоса или изменение конфигурации трубопровода неизбежно влияет на процесс. Поэтому только постоянный мониторинг и оперативные корректировки позволяют поддерживать эффективность.
ИИ перестал быть «черным ящиком»
Отдельного внимания заслуживает вопрос об экономической эффективности внедрения ИИ в производственные процессы.
Давайте разберем структуру затрат:
- Капитальные — вычислительные мощности (частично перенесены в облако).
- Операционные — электроэнергия и ФОТ.
За 3 года работы вертикали инноваций мы снизили стоимость разработки новых кейсов на 70% за счет платформенного подхода, научились переиспользовать решения.
Но в масштабах компании эти затраты незначительны — особенно на фоне стоимости конечной продукции. Доходы от продажи металлов позволяют окупать инвестиции в ИИ.
Цифровизация пока не стала ДНК компании, но за 3 года мы внедрили ИИ не только в основные, но и во вспомогательные процессы (HR, металлургия, документооборот), преодолели первоначальное сопротивление. Это перестало быть «черным ящиком», когда к нам приходили и говорили: «Ой, что такое искусственный интеллект, я вам не дам включить машину в автоматическом режиме!» Сейчас уже почти все разговаривают с нами на одном языке.
Мы начали формировать новые роли. Например, data-инженеры — специалисты по подготовке и качеству данных для моделей. Пока это энтузиасты из числа сотрудников, но мы уже работаем с HR над формализацией этой позиции.
Параллельно запущены обучающие программы по ИИ для массового повышения квалификации.
ИИ — база, цифровой двойник — стратегия, кванты — мечта
Наиболее прорывная технология для «Норникеля», учитывая его вертикальную интеграцию (от геологии до металлургии) — цифровой двойник.
Проблема крупных компаний — разрывы на стыках подразделений. Цифровой двойник позволил бы моделировать сценарии, отвечать на вопрос «что, если», мониторить текущее состояние.
Правда, сегодня нет компьютеров, способных обработать весь наш производственный цикл. Поэтому альтернатива — квантовые вычисления.
Но идеальным вариантом является некий баланс, когда ИИ становится базовой технологией в перспективе 20+ лет. По крайней мере до создания сильного искусственного интеллекта. А набор инструментов: цифровой двойник или квантовые вычисления — здесь должен быть баланс сил, чтобы все эти технологии нашли свое применение.