За последние годы я видел довольно много попыток внедрить ИИ на производствах. И почти всегда одна и та же картина: компания решает, что пора внедрять «искусственный интеллект», покупает решение или нанимает подрядчика, а через полгода проект либо буксует, либо даёт совсем не тот результат, на который рассчитывали.
При этом проблема почти никогда не в самих технологиях. Проблема в том, что к внедрению подходят неправильно. Точнее — вообще не подходят. Просто начинают.
Почему подготовка важнее самой технологии
Многие думают, что главное — это хорошая нейросеть и мощное железо. На практике всё иначе. Даже самая современная система не заработает нормально, если на производстве нет понимания, что именно нужно решать, нет данных и нет людей, готовых с этим работать.
Подготовка — это не формальность. Это основа, без которой проект почти гарантированно уйдёт в долгий ящик или закончится разочарованием.
С чего стоит начинать
Сначала нужно чётко понять задачу.
Не «внедрить ИИ», а решить конкретную проблему. Например: снизить количество пропущенного брака, сократить время на визуальный контроль или уменьшить количество нарушений по безопасности. Чем конкретнее сформулирована задача, тем выше шансы на успех.
Очень часто я вижу, как ставят задачу «хотим ИИ». А когда начинаешь уточнять, выясняется, что даже внутри компании нет единого понимания, что именно нужно улучшать и по каким показателям это будет измеряться.
Второй важный момент — данные.
Без данных ИИ работать не будет. И дело не только в их количестве, но и в качестве. Многие производства до сих пор не имеют нормальной системы фиксации дефектов, параметров оборудования или результатов контроля. В итоге алгоритму просто не на чем учиться.
Перед внедрением стоит провести аудит: какие данные уже собираются, в каком виде они хранятся и можно ли их использовать. Часто на этом этапе выясняется, что сначала нужно выстроить элементарный учёт.
Третье — инфраструктура.
Нужно понимать, где будет работать система: на линии, в цеху, в облаке или на сервере внутри предприятия. От этого зависит выбор оборудования и программного обеспечения. Иногда люди покупают дорогое решение, а потом выясняется, что на производстве нет нормальной сети или подходящего места для установки камер.
Люди важнее технологий
Это, пожалуй, самое недооценённое условие.
Даже если система будет работать идеально с технической точки зрения, её всё равно нужно будет поддерживать. Нужно будет реагировать на изменения процесса, дообучать модель, разбираться с ошибками. Если на производстве нет человека, который готов этим заниматься, проект очень быстро начинает деградировать.
Кроме того, важно отношение людей к изменениям. Если сотрудники видят в новой системе угрозу, они будут либо саботировать её, либо просто игнорировать результаты. Я видел случаи, когда система показывала хороший результат, но люди продолжали работать по-старому, потому что «так привычнее».
Поэтому перед внедрением важно провести работу с персоналом. Объяснить, зачем это нужно, что изменится в их работе и какую пользу это принесёт.
Типичные ошибки при подготовке
Самая частая ошибка — это попытка внедрять ИИ «потому что все внедряют». Без понимания своей задачи и без оценки готовности производства такие проекты почти всегда заканчиваются одинаково: тратой времени и денег без заметного эффекта.
Вторая ошибка — недооценка этапа сбора и подготовки данных. Многие считают, что это техническая мелочь, которую можно решить уже в процессе внедрения. На практике это часто становится основным тормозом.
Третья ошибка — отсутствие человека, ответственного за проект на стороне производства. Без него подрядчик работает в вакууме, а после запуска системы никто не следит за её работой.
Выводы
Подготовка к внедрению ИИ — это не про технологии в первую очередь. Это про понимание своей задачи, готовность процессов и наличие людей, которые будут с этим работать.
Если на производстве нет чёткого понимания, что именно нужно улучшить, нет данных и нет ответственного человека — лучше пока не начинать. Технологии сами по себе проблему не решат.
А вот если задача понятна, данные можно собрать, а люди готовы участвовать в изменениях — тогда внедрение имеет хорошие шансы на успех. Даже если на старте система будет работать неидеально. Главное — иметь возможность её дорабатывать и адаптировать под реальные условия.
Об авторе
Статья подготовлена на основе практического опыта компании ИТиС ЛАБ, которая занимается внедрением систем компьютерного зрения и видеоаналитики на промышленных предприятиях.
lab-itis.ru
t.me/itis_lab