«По сути, мы переворачиваем модель: не человек мониторит систему, а система ведёт процесс и подключает человека, когда это необходимо»

 — Руслан, расскажите немного про свой профессиональный бэкграунд.
— 12 лет я провёл в СИБУРе, начинал с управления ИТ на заводе, вырос до корпоративного центра. И именно там понял главное: ИТ ради ИТ никому не нужно — ценность в операционной эффективности, которую ты создаёшь через данные. С этим пониманием перешёл в ВГК на позицию CDO, где с нуля мы построили интеллектуальную систему управления горным транспортом нового поколения на базе ИИ — 800 с лишним единиц техники, крупнейшее внедрение АСУ ГТК в стране. Академический фундамент — DBA в Вышке, сертификации Cisco в сетях и безопасности, PMI. Но если коротко — я занимаюсь тем, что превращаю промышленные данные в реальный рост производительности.

— Давайте поговорим про ваш опыт внедрения ИИ на производстве. С какими барьерами вы сталкивались и как их оптимально преодолевали?
— Три главных барьера. Первый и самый важный — люди. Диспетчер, горный мастер не будет слушать «чёрный ящик». Поэтому мы шли через доверие: сначала система просто показывает рекомендацию рядом с привычным экраном. Человек сравнивает со своим опытом, видит, что она не ошибается — и постепенно начинает ей доверять. Только тогда передаём решения системе.

Второй — данные. На производстве их, как правило, либо нет — нет желания собирать, дорого собирать — либо они «грязные». Пока не наведёшь порядок в сборе и качестве данных, любая модель бесполезна.

Третий — разрыв между аналитиками и реальным производством. Красивая модель на экране ноутбука — это ещё не продукт. Мы это решали смешанными командами из ИТ и производства и жёсткой привязкой каждого проекта к конкретному бизнес-результату с первого дня. Не «посмотрим, что получится», а «нам нужно минус 50% простоев — вот KPI, вот срок, и главное — ответственные в лице бизнеса». Это не ИТ-проект. Это организационный проект, который требует сильного внимания со стороны топов и операционного менеджмента.

— Вы утверждаете, что без «мандата» от CEO внедрение ИИ не работает. Как выглядит на практике этот «мандат»?
— Мандат — это не приказ «внедряйте ИИ». Это три конкретные вещи. Первое — CEO лично ставит задачу в терминах бизнеса: не «сделайте что-нибудь с ИИ», а «мне нужно плюс 15% к производительности транспорта». Второе — CEO снимает организационные блокеры. Когда главный инженер говорит «у нас и так всё работает», CEO говорит «покажи цифры». Без этого любое внедрение вязнет в сопротивлении среднего менеджмента. Третье — регулярный контроль. CEO смотрит результаты, задаёт вопросы, требует прогресса. Это сигнал всей организации: это не очередная «игрушка ИТ», это стратегический приоритет. Без этих трёх составляющих любой ИИ-проект превращается в песочницу, которую через год тихо закрывают.

— Подход «оцифровываем всё, потом разберёмся» — почему у вас это сработало?
— Мы честно пошли от обратного — подключили все источники данных, не зная заранее, какие эффекты получим. В горнодобыче главный источник данных — это техника. Но техники много, а готовые решения на рынке стоят очень дорого. Поэтому мы создали своё — в десятки раз дешевле аналогов и на открытой архитектуре. Это позволило охватить 800+ единиц техники, а не 50–100, как обычно бывает с покупными системами. И дальше — ключевой момент: открытость архитектуры позволила выйти за рамки подвижной техники — мы подключили стационарное оборудование и АСУ ТП (прим. — автоматизированная система управления технологическим процессом). По сути, построили универсальную IIoT-платформу для всего предприятия. А когда видишь данные со всех активов целиком, начинаешь замечать закономерности, которые на отдельных кусочках просто невидимы.

— Давайте поговорим о вашем проекте с LLM и локальными нейронками. Расскажите, что это такое и как помогает бизнесу.
— У нас два уровня интеллекта в системе. Первый — классические ML-модели, встроенные прямо в IIoT-платформу и АСУ ГТК (прим. — автоматизированная система управления горно-транспортным комплексом) как функции: детекция операций и простоев, выявление аномалий на дорогах — например, падение скорости на участках. Они работают в реальном времени и стабильно. Второй уровень — LLM поверх. Она даёт принципиально новое: возможность быстро строить детекторы любых отклонений без долгой разработки и в реальном времени принимать решения, направленные на снижение простоев и улучшение выполнения операций. Событий на карьере — сотни в час. Ни один диспетчер физически не способен отреагировать на все. LLM агрегирует весь поток, отсекает шум и по рутинным отклонениям действует сам: отправляет команды, корректирует назначения, уведомляет нужных людей. Диспетчеру остаётся только то, что действительно требует человеческого решения — критичные и нестандартные ситуации. По сути, мы переворачиваем модель: не человек мониторит систему, а система ведёт процесс и подключает человека, когда это необходимо.

— Назовите два-три кейса, где система реально дала измеримый эффект.
— Первый кейс — очереди на погрузку. Представьте: самосвалы стоят в очереди к экскаватору — теряется время, сгорает топливо, а план не выполняется. Система видит это в реальном времени, перераспределяет технику и убирает заторы. Результат — минус 12–15% непроизводительных простоев, а это прямой рост производительности.

Второй — качество дорог и топливо, они связаны напрямую. Система автоматически находит участки, где техника раз за разом теряет скорость. Это сигнал дорожной службе: чините именно здесь. Раньше это определяли на глаз, теперь — по данным. А дальше простая физика: техника едет быстрее, меньше разгоняется-тормозит — удельный расход топлива на каждый рейс падает. Хорошая дорога — это не только скорость, это прямая экономия на топливе.

— Какой самый дорогой фейл был при внедрении?
— Самый дорогой фейл — не технологии. Это люди и процессы. На старте мы построили систему, которая работала: данные шли, модели считали, экраны светились. Но диспетчеры её просто игнорировали. Продолжали работать как привыкли. Система жила отдельно, люди — отдельно.

Мы потеряли несколько месяцев, пока не поняли простую вещь: нельзя положить новый инструмент рядом со старым и ждать, что люди сами переключатся. Нужно менять сам рабочий процесс — убирать старый способ, встраивать систему в ежедневную рутину, обучать, показывать результат на понятных примерах.
Технология без изменения процесса — дорогая игрушка. После этого урока каждое внедрение мы начинаем не с модели, а с вопроса: как это изменит работу конкретного человека на смене?

— Где именно ИИ принимает решение, а не просто визуализирует данные?
— Простой пример. Экскаватор встал — поломка, пересменка, любая причина. В классической схеме диспетчер должен это заметить, оценить ситуацию, вручную перенаправить самосвалы на другой экскаватор. На это уходят минуты, иногда десятки минут — а самосвалы в это время едут в пустоту.

У нас система сама детектирует остановку экскаватора, оценивает загрузку соседних забоев и автоматически переназначает самосвалы — без участия человека.
Диспетчер получает уведомление о том, что решение уже принято и выполнено. Он может вмешаться, если не согласен, но по умолчанию — система действует сама.

Это принципиальная разница: не красивый график на экране, а конкретное действие — машина получила новый маршрут, рейс не потерян, план выполняется.

— Где проходит граница «типового решения», которое можно автоматизировать?
— Автоматизировать можно то, что повторяется и имеет чёткие правила. Самосвал стоит в очереди — переназначь. Скорость на участке упала ниже порога — отправь сигнал дорожной службе. Экскаватор встал — перераспредели технику. Это типовые ситуации, их сотни в день, и система справляется с ними лучше человека — быстрее, без эмоций, без усталости.

Граница проходит там, где нужен контекст, который система пока не видит. Геология изменилась, пошёл дождь и карьер поплыл, нештатная ситуация на борту — это решения, где опыт горного мастера незаменим. Мы это формализуем просто: если система уверена в решении выше заданного порога — действует сама. Если нет — эскалирует человеку с рекомендацией.

Наш подход не работает там, где нет потока повторяющихся событий. Разовые, уникальные ситуации — это территория человека. И мы честно это признаём: ИИ не заменяет мышление, он освобождает от рутины.

— Что в вашей архитектуре ломается первым в реальных полевых условиях?
— Связь. Всегда связь. Карьер — это не офис. Это пыль, вибрация, перепады температур, огромные расстояния и рельеф, который меняется каждую неделю. Вышку поставил — через месяц экскаватор срезал гору, и сигнал ушёл. Протянул кабель — его порвали.

Поэтому архитектуру мы строили с первого дня из расчёта, что связь будет падать. Бортовые контроллеры работают автономно — копят данные локально, при восстановлении канала досылают. Система не останавливается, если связь пропала на час или на смену. Это фундаментальный принцип: всё, что на борту, должно жить самостоятельно.

Второе по частоте — люди. Не саботаж, а привычка. Водитель выключил планшет, потому что мешает. Механик не закрыл наряд в системе, потому что «и так знают». Это лечится только одним — когда система становится единственным способом работать, а не альтернативным.

— Руслан, как, на ваш взгляд, будет выглядеть идеальная смена через 5 лет?
— Есть CEO холдинга — и огромная сеть мультиагентов, которые ведут все рутинные операции: распределяют технику, следят за дорогами, управляют очередями, контролируют расход топлива, формируют отчёты. Всё это работает автоматически, 24/7, без усталости и выходных.

А люди сконцентрированы на том, что действительно важно: как сделать ещё лучше, как обеспечить безопасность, как помочь бизнесу стать более эффективным и стабильным. Не тушение пожаров, а развитие.

И кстати — CEO холдинга тоже может быть оцифрован. Цифровой двойник руководителя, который знает стратегию, приоритеты, стиль принятия решений — и может проверять, насколько действия на местах соответствуют курсу компании. Это уже не фантастика, мы над этим работаем.

— О чём еще важно рассказать, но я про это не спросила?
— Про масштабируемость подхода. Всё, что мы построили в горнодобыче — IIoT-платформа, ML-детекторы, LLM-агенты, принцип автономных решений — это не «горная» история. Это универсальная архитектура для любого тяжёлого производства: карьер, стройка, логистика, сельское хозяйство. Везде, где есть подвижная техника, потоки данных и рутинные операционные решения — работает тот же принцип.

И второе — про команду. Технологию может купить кто угодно. Но выстроить культуру, где данные — это не отчёт раз в месяц, а способ жить и работать каждый день — это годы. Самое ценное, что мы создали, — это не платформа, а люди, которые умеют думать категориями данных и операционной эффективности одновременно. Такую команду нельзя купить готовую, её можно только вырастить.