Искусственный интеллект в промышленности: как РУСАЛ внедряет ИИ для реального производства

Внедрение искусственного интеллекта (ИИ) в промышленность — это не просто тренд, а реальный инструмент для повышения эффективности, безопасности и прибыльности предприятий. О том, как технологии ИИ работают на производстве, рассказал Иван Казарин, руководитель направления Data Science Operations Департамента технологий ИИ компании РУСАЛ. В этом материале мы разберем ключевые тезисы из его интервью, чтобы показать, как крупнейшие промышленные компании России используют ИИ на практике.

Стандартизация и инфраструктура: основа успешного внедрения ИИ

Один из главных вопросов при внедрении ИИ — унификация процессов. В РУСАЛе подход к разработке ИИ-решений строится на стандартизации, что позволяет избежать хаоса и снизить затраты.

Ключевые элементы инфраструктуры:

• AI-ready площадки — это производственные зоны, подготовленные для внедрения ИИ. Они оснащены необходимыми датчиками, каналами передачи данных и вычислительными мощностями.
• Корпоративная шина данных (КШД) — система, которая объединяет данные с разных площадок, ускоряя их обработку и анализ.
• DSML-платформа — собственная разработка РУСАЛа на базе фреймворка SinaraML. Она позволяет управлять версиями моделей, данными и экспериментами, что критически важно для масштабирования решений.

Такой подход позволяет компании быстро внедрять новые ИИ-продукты, не изобретая велосипед для каждого проекта.

Практический кейс: мониторинг гранулометрического состава спека

Один из успешных примеров применения ИИ в РУСАЛе — система мониторинга гранулометрического состава спека (размера частиц сырья). Это решение получило спецприз на конкурсе «Горная индустрия 4.0» в 2025 году.

Как это работает?

• Компьютерное зрение на базе фреймворка OpenMMLab анализирует изображения спека, определяя размер гранул с точностью до миллиметра.
• Метрики качества включают Precision, Recall и среднюю абсолютную ошибку (MAE), которая не превышает 10% от реальных значений.
• Экономический эффект — около 40 млн рублей в год за счет автоматизации контроля и сокращения простоев.

Важно, что система не заменяет человека, а помогает операторам быстрее принимать решения, снижая риски ошибок.

MLOps: как управлять жизненным циклом моделей

Разработка ИИ-моделей — это только начало. Чтобы они работали стабильно, нужна система их поддержки и обновления. В РУСАЛе для этого используется MLOps (Machine Learning Operations) — набор практик для управления моделями на всех этапах их жизни.

Компоненты MLOps-среды в РУСАЛе:

• Вычислительное облако с 40 GPU NVIDIA A100 для обучения моделей.
• Хранилище данных объемом 0,5 Петабайт.
• Автоматизированные пайплайны для развертывания и мониторинга моделей.

Благодаря этому компании удается масштабировать решения на разные производственные площадки, адаптируя их под местные условия.

Безопасность на производстве: ИИ как инструмент предотвращения инцидентов

Еще одно направление — использование компьютерного зрения для контроля соблюдения техники безопасности. Например, ИИ отслеживает:

• Наличие средств индивидуальной защиты (СИЗ) у сотрудников.
• Перемещение транспорта в зонах с персоналом.

Это позволяет снизить количество аварий и простоев, а также повысить общую культуру безопасности на предприятиях.

Организация работы: как совместить Agile и промышленный менеджмент

Разработка ИИ-продуктов требует гибкости, но промышленные компании традиционно работают по жестким проектным методологиям. В РУСАЛе нашли компромисс — методику AI Track, которая сочетает Agile и PMBoK.

Принципы AI Track:

• Четкое распределение ролей по матрице RACI.
• Гибкие этапы разработки, которые могут пересекаться.
• Фокус на результате, а не на строгом соблюдении процессов.

Это позволяет сохранить скорость разработки, не теряя контроля над проектами.

Вывод: почему опыт РУСАЛа важен для других компаний

Внедрение ИИ в промышленность — это сложный процесс, требующий не только технологий, но и грамотной организации работы. Опыт РУСАЛа показывает, что успех зависит от:

1. Стандартизации — без единых процессов масштабирование невозможно.
2. Командной работы — совместные усилия дата-сайентистов, инженеров и производственников критически важны.
3. Инфраструктуры — мощные вычислительные ресурсы и MLOps-платформы ускоряют разработку.
4. Гибкости — даже в строгих промышленных рамках можно найти место для Agile.

Для руководителей производственных компаний это означает, что внедрение ИИ — не фантастика, а реальный инструмент, который уже работает в России. Остается только перенять лучшие практики и адаптировать их под свои задачи.