Искусственный интеллект часто рассматривается как универсальное решение, но в реальности на его эффективность влияет ряд ограничивающих факторов: уровень цифровизации, качество данных и готовность инфраструктуры.
Мы поговорили с экспертом – техническим директором отдела цифрового интеллекта СИГМЫ Олегом Буниным о том, почему рынок переоценивает генеративные модели, где ИИ уже реально экономит бюджеты и каковы пять главных барьеров на пути к «умной» энергетике.
Что вы понимаете под термином «промышленный искусственный интеллект»? Как такой ИИ используется в энергетической отрасли?
Для меня промышленный ИИ — это ИИ, обладающий пространственным мышлением. Без этого «навыка» его применение в конструкторских разработках или в задачах, связанных с взаимодействием роботов с реальными объектами, не обеспечит требуемый уровень надёжности и автономности. Попытки демонстрации таких результатов считаю больше хайпом, чем реальными решениями, соответствующими ожиданиям заказчиков.
Искусственный интеллект в энергетике сегодня используется достаточно широко, однако ключевым условием внедрения остается измеряемый экономический эффект. Главная цель применения ИИ — снижение себестоимости бизнес-процессов. Поэтому в отрасли используют, в первую очередь, те ИИ-решения, которые уже доказали свою результативность.
Какие ИИ-инструменты наиболее востребованы сегодня в энергетике и для каких задач они используются?
В энергосбытовом сегменте на первый план выходят технологии взаимодействия с клиентами и анализа данных. Retrieval-Augmented Generation (RAG, или генерация на основе извлечения данных) лежит в основе интеллектуальных систем консультирования клиентов, способных точно и быстро извлекать ответы из массивов нормативной документации. RAG решает проблему маленького контекста у больших языковых моделей: позволяет извлекать релевантную информацию из обширной базы знаний и сжимать её до объёма, который модель может обработать. Эта технология уже массово используется, она есть у многих разработчиков.
Компьютерное зрение обеспечивает безопасность на объектах, анализируя в реальном времени видеопотоки с камер наблюдения для идентификации случаев нарушения техники безопасности, несанкционированного проникновения или опасного поведения персонала. Для обеспечения достоверности данных применяется компьютерное зрение, которое автоматизирует распознавание данных приборов учёта. Эта технология — более нишевая история, слабо тиражируемая, так как под каждый кейс нужен свой размеченный набор данных. Это сдерживает прогресс, но с появлением мультимодальных моделей ситуация может измениться.
А при помощи машинного обучения непрерывно анализируются потоки поступающих показаний, выявляя аномалии и признаки возможного вмешательства в работу приборов учёта.
В сетевом сегменте уже есть удачные примеры применения ИИ для контроля огромной и зачастую труднодоступной инфраструктуры. Например, компьютерное зрение используется для авиаразведки: инспекция ЛЭП с помощью дронов позволяет обнаруживать дефекты опор, изоляторов или опасное сближение растительности с проводами. Этот же инструмент используется для верификации данных полевого персонала, распознавания показаний приборов учёта на переданных изображениях. Машинное обучение применяется для выявления сложных, неочевидных аномалий в режимах работы сетей, прогнозирования нагрузок на отдельных участках. Также технологии RAG используются для автоматизации консультаций по сложным процедурам технологического присоединения, на основе актуальной базы технических условий и регламентов.
В сфере генерации особый акцент делается на безопасности и надежности работы энергетического оборудования. Здесь машинное обучение применяется для предиктивной аналитики, создания моделей для прогнозирования отказов турбин, трансформаторов или других критических узлов на основе данных телеметрии. Получаемые данные дают реальную картину состояния оборудования, на основе которого можно, например, изменить модель его обслуживания: от планового к фактически обоснованному. Эти же алгоритмы занимаются выявлением аномалий в рабочих процессах.
Кроме того, машинное обучение позволяет довольно точно предсказывать, сколько электроэнергии потребуется в разное время — например, в зависимости от погоды, дня недели или поведения потребителей. Благодаря таким прогнозам электростанции могут корректировать планы по выработке электроэнергии. Это напрямую влияет и на надёжность энергоснабжения: чем точнее прогноз, тем стабильнее работает система. Это важно для всей промышленной и социальной инфраструктуры, а в итоге для качества жизни людей. В этом же и экологический эффект: чем точнее прогноз, тем меньше избыточной генерации, а значит — рациональнее используются ресурсы и снижаются выбросы. То есть ИИ здесь одновременно помогает и оптимизировать работу энергетики, и уменьшать нагрузку на окружающую среду.
Когда ИИ работает лучше всего?
ИИ, как правило, не дает значимых результатов, если в компании низкий уровень цифровизации. Однако это не означает, что от ИИ в таком случае стоит отказываться. Напротив, сам процесс внедрения помогает выявить конкретные пробелы в данных или внедренных инструментах цифровизации. Например, данные, полученные с вибро-датчиков и датчиков температуры энергетического оборудования, позволяют на ранней стадии обнаружить его дефект или риск поломки. Модель показывает аномалию задолго до того, как человек замечает проблему, что позволяет предотвратить серьезную аварию. Поэтому внедрять ИИ определённо стоит.
Назовите главные ограничения на пути к экономическому эффекту при внедрении ИИ
Первая и главная проблема — недостаток качественных данных. Вторая — неподготовленность текущей инфраструктуры, в том числе, нехватка вычислительных ресурсов для обучения сложных ИИ-моделей. Приведу пример, чтобы оценить масштаб проблемы: обучение GPT-4 «съело» 62,3 тыс. мегаватт-часов. Для сравнения, столько электроэнергии потребляют 20 тыс. домохозяйств или 12,5 млрд зарядок смартфонов за целый год. Согласно исследованию ИТ-холдинга Т1, больше половины отечественных компаний (51%) остро нуждаются в вычислительных ресурсах, еще 40% — обеспечены ими частично. С развитием новых архитектур есть тренд на снижение требований к мощностям. Однако без значительных технологических прорывов, которые существенно сократят потребление электроэнергии, прогресс будет идти медленно.
Правда ли, что внедрение ИИ в промышленности всегда требует глубокой кастомизации под конкретное предприятие, или на рынке уже есть готовые тиражируемые решения, которые бизнес может адаптировать под свои задачи?
Малый бизнес зачастую предпочитает адаптироваться под готовые тиражные решения. Средний бизнес ищет компромисс. Крупные же холдинги могут настаивать на кастомизации под свои, порой очень специфические требования (вплоть до «кнопки нужного цвета»), используя свой большой бюджет.
С другой стороны, многие решения на рынке основаны на open source. Появление успешной open source технологии стимулирует рост предложений от разработчиков. Например, многие решения с технологией RAG — это, по сути, open source фреймворки с «наклеенным» собственным интерфейсом. Это нормально: заказчик получает нужный функционал по адекватной цене и с нужным «цветом кнопок».
У open source есть свои плюсы и минусы. Главный риск — информационная безопасность. Чтобы его нивелировать, в СИГМЕ применяется технология безопасной разработки – это позволяет создавать надёжные продукты, т.к. контроль их соответствия требованиям ИБ ведется на всех этапах создания программного продукта. Это наше конкурентное преимущество. Мы создали сервис проверки open source-driven систем — он обеспечивает автоматизацию и технологическую непрерывность контроля. Параллельно проводим специализированные исследования безопасности LLM. Это направление открыли недавно, но уже готовы закрывать базовые угрозы, характерные для современных ИИ-систем.
Можете ли вы назвать два-три наиболее успешных кейса применения ИИ в российской энергетике?
Да, есть несколько интересных кейсов. На мой взгляд, самые показательные — в ПАО «Россети» и в АО «Интер РАО — Электрогенерация».
Один из них — цифровые двойники участков сети. Это уже не просто 3D-модели, а полноценные цифровые копии, которые получают телеметрию в реальном времени. С их помощью можно просчитывать риски и оптимально перераспределять нагрузку.
Ещё один кейс — прогнозирование отказов оборудования на тепло- и электростанциях. Сюда входят пилоты и серийные решения по диагностике подшипников, изоляции, электродвигателей. Благодаря этому удаётся перейти от планово-предупредительных ремонтов к обслуживанию по фактическому состоянию — а это колоссальная экономия.
И третий, который нельзя не отметить, — авиаразведка с компьютерным зрением. Дроны автоматически обследуют тысячи километров ЛЭП, выявляя дефекты, до которых человек мог бы просто не добраться.
Все три кейса решают конкретные, измеримые задачи: снижение потерь в сетях, предотвращение аварийных отключений, сокращение стоимости ремонтов. Именно поэтому они стали по-настоящему успешными.
Безусловно, рынок ИИ-решений для ТЭК будет развиваться, в первую очередь, по таким направлениям, как цифровые двойники и платформенная аналитика. Также будет расти количество отечественных ИИ-решений и продуктов для обеспечения технологического суверенитета в целом.
Что является главным ограничением для внедрения и масштабирования ИИ?
Я выделяю пять ключевых факторов:
Первый из них связан с компетенциями персонала. В ряде ведущих финтех-компаний уже ввели обязательное прохождение базовых курсов по ИИ для всех сотрудников, в энергетике пока только идем к этому. Я и сам недавно проводил обучающий вебинар для коллег по использованию ИИ.
Вторым фактором является наличие специализированной команды по ИИ. Такие команды уже есть, однако результаты их работы пока проявляются точечно.
Третья серьёзная преграда — это недостаток качественных данных. Отсутствие качественных данных — большая проблема. Еще не все производственные процессы имеют цифровой след, а систематизация и очистка данных существенно отстают от финтеха и ритейла.
Другой не менее важный фактор — инфраструктурное обеспечение. ЦОДы для ИИ-систем – новое направление развития рынка дата-центров, из-за ИИ спрос на электроэнергию резко вырос, и проблема обострилась. Строить новые дата-центры — долго, дорого, и непонятно, когда они окупятся. Инфраструктурное обеспечение, в том числе серверы с графическими ускорителями, только начало появляться в ЦОДах энергетиков. Кстати, распространение ИИ дало старт интересному тренду: ЦОДы начинают развивать собственную генерацию. Например, у ЦОД «Linx» в Санкт-Петербурге есть собственная газовая подстанция, что позволяет дата-центру не зависеть от нестабильности общих сетей и обеспечивать нужные мощности.
Пятым ограничением выступает обеспечение информационной безопасности. Внедрение ИИ в энергетике требует осторожности. Нельзя передавать такой сложной системе полный контроль, не убедившись в её абсолютной надежности. Выработка баланса между инновациями и безопасностью сейчас активно обсуждается, и надеюсь, что найденное решение позволит ускорить темпы внедрения ИИ-технологий в ТЭК.
Какие новые компетенции и роли появляются в энергокомпаниях благодаря ИИ?
Для подготовки датасетов под обучение моделей компьютерного зрения на предприятиях ТЭК уже появляются собственные разметчики данных. В создании ИИ-ассистентов на основе Gen AI участвуют промпт-инженеры, которые формулируют корректные запросы к модели. Также в отрасли появились такие роли, как ответственные за данные (Data owner), инженеры цифровых двойников, инженеры данных (Data Engineers), ML-инженеры, MLOps и AIOps инженеры для сопровождения и эксплуатации моделей и многие другие.
Как ИИ-решения меняют ТЭК?
Безусловно, промышленный и инженерный ИИ изменят подходы к управлению инфраструктуры ТЭК. Что касается физической составляющей, то мы перейдем от реактивного обслуживания к проактивному управлению. Оборудование будет само сообщать о своем состоянии, дроны — патрулировать сети в автоматическом режиме, а цифровые двойники — просчитывать сценарии развития ситуации на годы вперед. И это не вытеснит профессионала, а наоборот, даст ему новые возможности работать эффективнее. Цель — перераспределить задачи: автоматика возьмет на себя рутину и мониторинг, а у энергетиков появится больше качественных данных для принятия решений. Именно в этой синергии — интеллектуального бэк-офиса и автономной физической инфраструктуры — я вижу главный вектор трансформации отрасли.