Главная проблема - качество данных. Нам выкатили ТЗ на предиктивный ремонт насосов. По факту датчики три года писали мусор из за кривой калибровки. Пришлось сначала год менять датчики и копить нормальные логи, прежде чем вообще подпускать ИИ к задаче.

Красивая картинка скрывает фундаментальную проблему теории машинного обучения - проблему сдвига распределения (dataset shift).

Модель, обученная на чистых лабораторных данных, мгновенно деградирует в реальных условиях завода. Достаточно слегка изменить освещение в цехе или запустить партию сырья от другого поставщика, как точность распознавания брака падает с 98 процентов до уровня случайного угадывания. Промышленный ИИ требует непрерывного дообучения и штата дата саентистов для поддержки, что делает владение такой системой безумно дорогим.

Внедрение ИИ на производстве сегодня - это грандиозный распил бюджетов! Руководство сверху начитается умных статей про Индустрию 4.0 и требует инноваций. Нам на деревообрабатывающий завод закупили дорогущую систему сортировки досок на базе нейросетей.

В итоге эта система бракует нормальный лес из за сучков, которые по ГОСТу проходят, зато пропускает трещины, которые она не научилась распознавать. Пришлось поставить в конце линии того же дядю Васю с советским штангенциркулем, который за ней все перепроверяет. Зато перед министерством отчитались об успешной роботизации!

Проблема в том, что все пытаются натянуть нейросети туда, где достаточно простых эвристик. Зачем вам тяжелая сверточная сеть для детекции деталей, если можно поставить обычный лазерный датчик расстояния или индуктивный концевик? Промышленные контроллеры ПЛК работают с надежностью пять девяток десятилетиями, а сервер с ИИ может зависнуть из за переполнения логов или падения докер контейнера. Автоматизировать надо на самом низком уровне железа, а не плодить сущности.

Помимо пыли и саботажа есть огромная проблема кибербезопасности. Подключая промышленное оборудование к серверам с ИИ (которые часто крутятся в облаках), вы создаете огромную дыру для хакерских атак. Если злоумышленники получат доступ к управлению контроллерами через уязвимость в скрипте ИИ, они могут физически уничтожить дорогостоящие станки или устроить техногенную катастрофу.

Все описанные проблемы надуманы и вызваны работой со слабыми подрядчиками. Наша платформа AI - Factory решает любые проблемы с интеграцией старого оборудования за счет уникальных адаптивных алгоритмов. Нам не важна пыль и вибрация, система сама фильтрует шумы. Напишите нам для бесплатного аудита вашего предприятия.

Был у нас проект по внедрению ИИ для оптимизации расхода кокса в печи. Разработчики привезли красивую математическую модель. Запустили тест.

Система выдает рекомендацию: снизить подачу воздуха на 30 процентов. Технолог бледнеет и кричит: выключай нахрен! Выясняется, что модель нашла локальный минимум на исторических данных, когда печь стояла на ремонте. Если бы мы применили эту рекомендацию на работающей печи, произошел бы взрыв из за скопления газов.

Модели ИИ не знают физики процессов, они видят только корреляции в цифрах. Без жестких физических ограничений, зашитых в алгоритм безопасности, подпускать ИИ к управлению реальным производством смертельно опасно.

Коллеги, давайте выражаться точнее. Вы путаете понятия искусственный интеллект и машинное обучение. Никакого интеллекта на производстве нет, есть лишь алгоритмы регрессии и классификации. И называть обычное компьютерное зрение на базе сверточных сетей словом ИИ - это вестись на маркетинговый сленг продавцов софта.