Внедрение ИИ в производство и логистику: практические кейсы

На производстве ИИ начинается не с нейросети, а с датчика, который врёт. Внедрение ии в отрасли упирается в три вещи: качество данных с оборудования, готовность мастеров менять привычный порядок и честный расчёт эффекта. Ниже — четыре сценария, которые дают измеримый результат на заводах, складах и в транспортных компаниях, с ценами, сроками и разбором того, что обычно идёт не так.

Мы видели проекты, где предиктивная аналитика окупалась за 7 месяцев, и проекты, где система компьютерного зрения простояла год и была отключена: мастера не доверяли браковке. Разница не в технологиях, а в подготовке процесса. Внедрение систем ии на заводе — это на 70% работа с учётом, регламентами и обучением людей, и только на 30% выбор модели.

Ключевые выводы

• Работающие сценарии ИИ в производстве и логистике: прогноз отказов оборудования, контроль качества зрением, оптимизация маршрутов и планирование загрузки.
• Проект прогнозирования отказов стоит 900 тыс. – 3,5 млн ₽ и окупается за 7–14 месяцев при стоимости простоя от 150 тыс. ₽ в час.
• Компьютерное зрение для контроля качества — 1,2–4 млн ₽, точность 92–98% на стабильном освещении и падение до 70–80% при смене партии или света.
• Данные с оборудования нужны за 6–12 месяцев до старта: без исторической выборки модель нечему учить.
• Интеграция с 1С:ERP и 1С:УТ занимает 30–45% времени проекта: без неё прогнозы остаются в отчёте и не влияют на решения.
• Главная причина провала — отсутствие владельца процесса на стороне завода, а не слабая модель.

Четыре сценария, которые дают результат

Прямой ответ: быстрее всего окупаются прогноз отказов и оптимизация маршрутов, потому что там эффект считается в деньгах напрямую. Зрение и планирование сложнее: они требуют изменения регламентов.

Считайте не «эффект от ИИ», а конкретную потерю. Если простой линии стоит 150 тыс. ₽ в час и случается 6 раз в квартал по 4 часа, это 3,6 млн ₽ в год. Снижение на треть — 1,2 млн ₽, и проект за 2,5 млн ₽ окупается за два года. Не каждый собственник готов ждать столько, поэтому начинают с одного участка.

Прогноз отказов: как это работает на практике

Прямой ответ: модель учится на исторических данных датчиков и находит признаки приближающейся поломки за 3–14 дней до остановки. Ключевое слово — исторических: без архива проект не стартует.

1. Инвентаризация оборудования. Выбираются 5–15 единиц, чей простой дороже всего.
2. Сбор данных. Вибрация, температура, ток, давление, наработка. Частота от 1 Гц до 10 кГц в зависимости от узла.
3. Разметка отказов. Из журналов ремонтов вытаскиваются даты и причины. Тут выясняется, что 20–30% записей — «прочее».
4. Построение модели. Обычно градиентный бустинг или LSTM; глубокая нейросеть нужна реже, чем кажется.
5. Пилот на одном участке. 6–10 недель наблюдений, сравнение прогноза с фактом.
6. Интеграция с ТОиР. Заявка на ремонт создаётся автоматически, мастер получает её в мобильном приложении.

Порог срабатывания подбирается вручную: слишком чувствительная модель генерирует ложные тревоги, и мастера перестают на них реагировать. Норма — не больше 1 ложного срабатывания на 5 верных.

Компьютерное зрение и контроль качества

Прямой ответ: зрение находит дефекты, которые человек пропускает к концу смены, но требует стабильных условий съёмки. Точность 92–98% достигается на фиксированном свете и повторяемом положении детали.

Что проверяют камеры: геометрию, наличие комплектующих, сколы, задиры, цвет, маркировку, правильность сборки. Типовая конфигурация — 2–4 камеры на пост, промышленный компьютер, модель сегментации.

Экономика простая: контроль качества вручную на потоке 10 000 деталей в смену требует 2–3 контролёров. Автоматизация снимает двух человек (зарплатный фонд 180–260 тыс. ₽ в месяц с налогами) и снижает возвраты от заказчиков на 30–60%. Проект за 2 млн ₽ окупается за 12–18 месяцев.

Важно: автоматизация контроля не отменяет выборочную проверку человеком. Обычно оставляют 5–10% выборки для аудита, иначе модель деградирует незаметно.

Логистика: маршруты, склады, загрузка

Прямой ответ: в логистике ИИ быстрее всего снижает пробег и простои на погрузке, а не «предсказывает будущее». Эффект виден уже через 6–10 недель.

• Маршрутизация. Учёт окон доставки, ограничений по времени водителя, пробок и габаритов. Экономия — 8–15% пробега.
• Загрузка транспорта. Раскрой и укладка паллет: +5–10% использования объёма.
• Прогноз времени прибытия. Точность ±30 минут вместо ±3 часов. Клиентский сервис растёт, число звонков в диспетчерскую падает на 20–35%.
• Складские остатки. Прогноз спроса по SKU с учётом сезонности: минус 15–30% неликвида и меньше срочных закупок.
• Документооборот. Распознавание накладных и ТТН: 1–3 минуты на документ против 8–15 минут вручную.

Отдельный пласт — интеграция с учётной системой. Внедрение 1С в связке с моделью прогноза занимает до 40% проекта: нужно настроить обмен, справочники и права. Типовые схемы разобраны в материалах ИИ в 1С и интеграция 1С.

Данные: почему проекты умирают на входе

Прямой ответ: 7 из 10 сложностей — это данные, а не алгоритмы. Ниже — что проверить до подписания договора.

1. Глубина истории. Минимум 6 месяцев, лучше 12–24. Данные за два месяца не показывают сезонность.
2. Частота съёма. Для вибрации 1 Гц недостаточно: нужны килогерцы, иначе признаки поломки теряются.
3. Единицы и шкалы. Один датчик пишет в барах, другой в кПа — без нормализации модель увидит шум.
4. Пропуски. Простои съёма, ремонты, отключения электричества. Пропуски заполняются, а не выбрасываются.
5. Журналы ремонтов. Записи вида «сломалось, починили» бесполезны: нужны причина, узел, время.
6. Права на данные. Кто владеет выгрузкой с оборудования — завод, интегратор или поставщик станка.

Проверка занимает 2–4 недели и стоит 150–400 тыс. ₽. Отчёт по данным обычно экономит больше: в половине случаев выясняется, что дешевле починить учёт, чем внедрять ИИ. Ситуацию усугубляют риски внедрения ии, связанные с людьми: мастера саботируют систему, если она увеличивает число их отчётов, а не уменьшает. Разбор подобных ошибок — в материале риски внедрения ИИ.

Внедрение на сайте и в отрасли: чем отличаются проекты

Прямой ответ: в промышленности проект длиннее и дороже, потому что включает оборудование и регламенты. Внедрение на сайт делается за 4–8 недель, на производстве — за 12–32 недели.

Не стоит недооценивать внедрение ии на сайт как тестовый шаг: чат-консультант по технической документации стоит 300–600 тыс. ₽, запускается за 5–7 недель и показывает, готова ли компания работать с ИИ вообще. Часто после такого пилота руководство решается на проект в цехе.

Наконец, внедрение сайта как отдельный трек и ИИ-проект лучше не смешивать в одном договоре: разные исполнители, разные приёмки и разные сроки. Пункт «сайт внедрение» в чек-листе закрывается за 4–8 недель силами веб-команды, а производственный проект живёт месяцами и требует технолога на стороне заказчика. Общий план из 90 дней с этапами и метриками разобран в материале внедрение ИИ в бизнес.

Руководители часто ищут «внедрение ии», «внедрение внедрения ии» и получают десятки одинаковых презентаций про нейросети. Разница между подрядчиками видна на второй встрече: один показывает слайды с моделями, другой — план сбора данных и список оборудования, с которого начнёт.

Частые вопросы

Сколько стоит внедрить ИИ на производстве?

Первый пилотный сценарий — от 700 тыс. ₽, полноценный проект с интеграцией в 1С и ТОиР — 2–5 млн ₽. В смете 30–45% занимают работы с данными и интеграциями, 20–30% — модель и её настройка.

Можно ли обойтись без исторических данных?

Нет, для прогноза отказов и спроса история обязательна. Исключение — компьютерное зрение: там модель обучается на размеченных снимках, которые можно собрать за 4–8 недель прямо на линии.

Какой срок окупаемости считать нормальным для таких проектов?

6–14 месяцев для прогноза отказов и маршрутизации, 12–24 месяца для контроля качества и планирования загрузки. Если расчёт даёт больше двух лет, проект стоит дробить на меньшие участки.

Что делать, если мастера не доверяют системе?

Начать с режима подсказки: модель рекомендует, решение принимает мастер. Через 2–3 месяца сравните прогнозы с фактами и покажите статистику — доверие появляется от точности, а не от приказа.

Нужен ли свой отдел data science?

Для пилота — нет, хватает подрядчика и одного инженера на стороне завода. Для промышленной эксплуатации нужен человек, который отвечает за данные и переобучение модели: 1–2 специалиста или договор сопровождения за 80–200 тыс. ₽ в месяц.

Что делать дальше

Выберите один участок с самой дорогой потерей — простой, брак или пробег — и посчитайте потери в рублях за квартал. Затем закажите аудит данных на 2–4 недели: он покажет, есть ли чем обучать модель, и часто экономит бюджет на ненужный проект.

Если хотите пройти путь без лишних итераций, посмотрите, как мы внедряем ИИ-агентов и аналитику, и опишите процесс в двух абзацах: этого достаточно, чтобы назвать сценарий, срок и порядок цифр по бюджету.

Статья основана на практике проектов НейроДела и данных Яндекс Вордстата по кластеру «ИИ-агенты и ИИ-боты». Основной запрос материала — «внедрение ии в отрасли» (766 показов в месяц). Если у вас другая ситуация — напишите, разберём.