РУСАЛ - системный подход к ИИ-продуктам в промышленности, практический кейс, Андрей Писарев

Андрей Писарев, руководитель направления машинного обучения, Русал. Конференция TAdviser «Цифровые технологии в промышленности: практика и кейсы» 2026. Направление и постановка проблемы Команда РУСАЛа занимается продуктами с искусственным интеллектом на производственных площадках, специализируясь на табличных данных (компьютерное зрение и генеративный ИИ — зона других отделов). Ключевая структурная проблема — фундаментальный дисбаланс: проектов и площадок много, специалистов, способных разрабатывать такие продукты, всегда будет мало — это называется аксиомой, связанной со спецификой промышленного производства. Организация отдельной команды под каждую площадку признана неэффективной, что подтолкнуло к системному видению разработки из шести принципов, раскрываемых на примере конкретного проекта. Производственный контекст Пример — Пикалёвский глинозёмный завод (ПГЛЗ, Ленинградская область). Рассматриваемый этап — преобразование нефелиновой шихты в спек во вращающихся печах спекания длиной 150–170 метров, управляемых подачей топливно-воздушной смеси. Из-за постоянного изменения химического состава сырья управляющие параметры приходится корректировать вручную, чтобы избежать слабого или чрезмерно крепкого спека и связанных потерь. Задача бизнеса — в перспективе автоматизация, на первом этапе — система-советчик, заранее рекомендующая изменение параметров. Definition of Ready и проверка гипотезы Первый принцип — фиксация видения продукта в артефакте Definition of Ready: встреча с минимальным составом заинтересованных лиц, фиксация бизнес-требований в виде, в котором результат видит производство; формальные документы вроде техзадания оформляются параллельно и не блокируют начало работы. Гипотеза проверки концепции — можно ли по данным АСУ ТП и видеоаналитики заранее предсказывать изменение оборотов питателя — была подтверждена за месяц одним сотрудником на полугодичной выгрузке исторических данных, после чего проект перешёл в стадию MVP. Типовая архитектура и Human-in-the-Loop Архитектура MVP состоит из источника данных, хранилища, продукта и системы мониторинга с чётким разделением ролей команд; принцип Edge Cloud размещает ядро продукта на площадке, а долгосрочное хранение — в московском дата-центре для удалённого мониторинга и переобучения. Модель поставляется как микросервисный образ через Nexus по заранее согласованному контракту. Принципиально важно: система не вносит изменений в промышленные системы-источники — передача данных строго однонаправленная. Оператор видит рекомендацию на пульте управления и может согласиться или нет; несогласие фиксируется для разбора. Такие случаи, наряду с аномалиями в данных, часто вскрывают слабую документированность реальных технологических процессов. Тиражирование и результаты Решение реализовано для одной из шести печей завода: первая версия заняла около месяца, тиражирование на следующую печь — около недели. Планируется перенос на другой глинозёмный завод в Красноярском крае. От старта проверки концепции до первого закрытого решения прошло около трёх месяцев силами одного дата-сайентиста при поддержке кросс-функциональной команды. Итоговая метрика оказалась не столь высокой из-за нелогичных действий операторов и ограниченности обучающей выборки (данные видеоаналитики доступны лишь с начала года). Отдельная техническая сложность, отнявшая около месяца, была вызвана некорректной агрегацией CV-данных — переход на необработанные данные решил проблему. Разработанный советчик уже работает в промышленной эксплуатации и собирает обратную связь, а число ведущихся проектов уже исчисляется несколькими десятками при минимальном составе команды. Профессиональные выводы Структурная нехватка ИИ-специалистов решается не наращиванием штата, а стандартизацией процесса разработки: типовая архитектура и единый контракт между источником, инфраструктурой и продуктом позволяют многократно тиражировать решение — сокращение сроков внедрения с месяца до недели подтверждает это количественно. Принципиальный отказ от прямого воздействия ИИ на промышленные системы и сохранение за оператором финального решения формируют модель поэтапного доверия к автоматизации. Обратная связь операторов и аномалии данных попутно выполняют функцию верификации реального порядка работы оборудования. Соотношение вложенных ресурсов и результата указывает на выбранную методологию как на организационную, а не только технологическую инновацию.