Так, внедрение ИИ-агентов в промышленную отрасль уже перешло в стадию "встраивания в контуры управления", потому что предприятиям нужно быстрее превращать разрозненные данные в управленческие решения. Быстрее всего развиваются направления, где эффект масштабируется сразу на весь бизнес: работа с корпоративной документацией и знаниями, интеллектуальная аналитика.

Директор НОЦ "Газпромнефть-Политех" (СПбПУ) Дмитрий Богданов рассказал, что в этом процессе "выигрывают" компании, у которых уже выстроены сбор данных, в задачах их восстановления или исправления и шумоподавления, интеграции и цифровые модели - без этого агенту просто не на что опираться.

Раньше в основном автоматизировали только отдельные операции или участки. Теперь же ИИ-агент стал промежуточным звеном между классической автоматикой и человеком, которое непрерывно пересчитывает сценарии и предлагает действия в понятном для специалиста виде. Это сдвигает фокус персонала с ручной обработки телеметрии и отчетности на контроль рисков, проверку допущений и принятие решений в нестандартных ситуациях.

"В наших процессах это особенно заметно в проекте "Автоматизация обработки сейсмических данных с применением искусственных нейронных сетей", который мы реализуем его в рамках программы "Приоритет 2030". Однако важно понимать, что ответственность за управление остается у человека", - говорит Богданов.

Сейчас ИИ-агентов активно внедряют российские металлургические компании. Так, в "Норникеле" проходят пилоты ИИ-систем, и их внедряют там, где есть работа с реальными данными и где уже возможна частичная автоматизация.

"Основной фокус на российском рынке сейчас сосредоточен вокруг бэк-офиса и инженерных помощников. Но мы видим следующий шаг в производстве: переход от простого поиска по документам к агентам, которые понимают контекст технологического процесса и помогают управлять режимами и действиями в системах. Первый большой шаг в эту сторону - наша большая языковая модель MetalGPT, которая как раз позволяет лучше понимать контекст таких задачах", - отмечает руководитель направления по развитию ИИ в "Норникеле" Данил Ивашечкин.
Он объясняет, что агентные подходы помогают именно в офисных и "вспомогательных" задачах вокруг производства: в первичном анализе инцидентов, подготовке отчетов, поиске и сводке по регламентам, типовых расчетах, части диспетчерской аналитики. Это и есть co-pilot-модель. Ключевой вопрос ближайших лет, по мнению Ивашечкина, насколько быстро сотрудники смогут уверенно пользоваться такими помощниками и генеративными ИИ-продуктами в целом.

Качество рекомендаций агента проверяется через комбинацию бенчмарков и "стресс‑тестов" на данных. Разработчики намеренно ухудшают исходный массив в проекте и оценивают, насколько точно ИИ-модель восстанавливает сигнал до эталонного состояния.

"Такой подход позволяет сравнивать версии моделей между собой. В наших экспериментах по шумоподавлению одна из моделей показывала точность порядка 70%, другая - около 90%, что позволяет выбирать решение, которое надежнее в производственных условиях. Обязательный элемент промышленного внедрения - полное логирование действий и защитные механизмы, которые фиксируют отклонения и блокируют подозрительные операции, чтобы агент был контролируемым и воспроизводимым", - говорит Богданов.

Также в металлургических компаниях используются три уровня оценки качества модели. Первый - human in the loop, когда человек всегда видит, что агент собирается сделать, и почему. Второй - оценка бизнес-эффекта, тут разработчики анализируют, что реально изменилось в процессе - скорость реакции, качество источников и ролевые модели. Третий - контур доверия и "ИИ-телеметрия". Перед выполнением действия система проходит набор автопроверок по правилам безопасности, лимитами, проверке источников, соответствию регламентам, сопоставлению с историей. Каждый шаг фиксируется в журнале, а любые критические действия требуют обязательного подтверждения человека.

Весь программно-аппаратный и технологический комплекс на промышленном предприятии должен быть объединен в автоматизированную систему управления технологическим процессом (АСУ ТП). Эксперт по промышленной стратегии Александр Мищенков объясняет, что здесь существует ограничение - это может быть кастомизированная (вендерлок) или "открытая" система.

До 2022 года в России в подавляющем большинстве применялись зарубежные АСУ ТП. "Открытая АСУ ТП" - этот масштабный проект российской промышленности для снятия зависимости от зарубежных вендоров и сокращения операционных расходов. "Проект развивается и имеет все шансы на успех, но потребует значительных временных затрат. Предполагаю, что перспектива массового внедрения ИИ-агентов в промышленности возможна как надстройка на продвинутую АСУ ТП, причем каждая индустрия подготовит собственные стандарты их применения, которые будут контролироваться государством", - говорит Мищенков.
По его мнению, перед внедрением ИИ-агентов, АСУ ТП должна полностью соответствовать понятию "цифровой двойник". Например, если ИИ-агенту поручить диспетчеризацию горной техники, то карьер, на котором работает техника, должен уже быть в виде BIM-модели, изменяющейся в режиме реального времени, причём BIM-dimensions не 3D, а желательно 10D.

ИИ-агенты в промышленности станут вызовом для корпоративной бюрократии и потребуют длительный период кастомизации, тестирования на производстве и адаптации к политике риск-менеджмента, говорит Мищенков. Также внедрение ИИ-агентов на критически важных позициях будет сопровождаться длительным периодом контроля и перепроверки живым человеком (RLHF-обучение).

"Ответственность за риск, постановка целей, принятия решений в нестандартных аварийных режимах, вопросы этики и расстановка приоритетов. При этом многие офисные задачи могут со временем трансформироваться: они не исчезнут, но станут более высокоуровневыми, структурированными и производительными", - заключает Ивашечкин.

Источник: (Ссылка)