«Универсальные LLM не учитывают специфику индустриальных задач»

Российский рынок промышленного ИИ может увеличиться с 40 млрд рублей в 2025 году до 134 млрд рублей к 2030-му (при среднегодовом темпе роста в 27,4%), говорится в исследовании, подготовленном при участии «Газпромбанка», «Газпром нефти», ПАО «Северсталь» и ООО «Газинформсервис». 

По оценке аналитиков, среднегодовой темп роста по миру составит 23,4%. При этом сам рынок к концу десятилетия увеличится с 53,8 млрд долларов до 153,9 млрд долларов (сегодня представители промсектора преимущественно разворачивают нейросети внутри собственных закрытых ИТ-контуров, что повышает требования к вычислительным мощностям и собственной технологической инфраструктуре).

Также исследование содержит описание стратегических контуров упомянутого направления в России до 2030 года. Например, высокой готовности к внедрению ботов в 95% приоритетных сфер экономики, где отдельные пилотные проекты должны уступить место типовым отраслевым платформам с готовыми домен-специфичными моделями. Ещё один вектор связан с длящимся импортозамещением, а третий важный момент касается кибербезопасности: с ростом автономности повышаются требования к контролю данных и доступа, мониторингу LLM, управлению изменениями и сохранению человеческого контроля.

Павел Салугин, исполнительный вице-президент «Газпромбанка», прокомментировал работу аналитиков так: «Промышленный ИИ постепенно переходит от отдельных пилотных проектов к более широкому внедрению в производственные процессы. При этом сама ИИ-модель — только один из элементов таких систем. Для масштабирования нужны: подготовленная ИТ-инфраструктура, качественные данные, необходимые компетенции, механизмы кибербезопасности. Исследование позволяет увидеть потенциал этих технологий, существующие ограничения и практические результаты их применения на промышленных предприятиях».

Иван Эрих, начальник управления инновационной экосистемы и коммерциализации в компании «Газпром нефть», дополнил коллегу: «Для масштабного применения ИИ в нефтегазовой отрасли нужны не только технологии, но и специалисты, умеющие с ними работать. Поэтому мы развиваем оба направления параллельно: вместе с университетами готовим ИИ-специалистов и обучаем сотрудников, а также создаём специализированную ИИ-модель O1L для нефтяной отрасли. Она нужна, потому что универсальные нейросети не всегда учитывают специфику индустриальных задач, а наша модель обучена на отраслевых знаниях и инструменты на её основе уже помогают инженерам находить нужную информацию и выполнять расчёты. Мы делаем ИИ доступным помощником в повседневной работе инженеров. Это создает основу для широкого применения ИИ в "Газпром нефти". А в перспективе наша ИИ-модель может стать национальной моделью для всей нефтегазовой отрасли».

Александр Бубнов, руководитель центра экспертизы по инновациям и трендам Академии по развитию Бизнес Системы «Севергрупп», со своей стороны отметил: «Для промышленного бизнеса особенно важен переход от отдельных экспериментов к масштабируемым решениям, встроенным в реальные производственные и управленческие процессы. Модель может хорошо показать себя на тестовых данных, но на производстве ей приходится работать с разным оборудованием, неполной телеметрией и высокими требованиями к надёжности и безопасности. Поэтому масштабирование начинается с качества данных и понятной ответственности за результат, а не только с выбора технологии. В совместном отчёте мы рассматриваем рынок промышленного ИИ в России и мире через задачи предприятий: где технологии уже находят применение, что требуется для их внедрения и какие ограничения важно учесть до запуска проекта. Нам было важно отделить перспективные сценарии от тех, для которых пока не хватает данных, инфраструктуры или подтверждённого эффекта».

Наконец, Лидия Виткова, начальник Аналитического центра кибербезопасности ООО «Газинформсервис», констатировала, что по мере того как боты всё глубже встраиваются в производственные процессы, защищать только инфраструктуру становится недостаточно: «Объектами защиты становятся сами модели, данные, на которых они обучаются и работают, механизмы их обновления, а также логика принятия решений. Для промышленного ИИ особенно важно сохранять контроль над тем, какие данные получает модель, какие действия ей разрешены и как меняется её поведение со временем. Поэтому безопасность должна закладываться на уровне архитектуры и сопровождать весь жизненный цикл ИИ-системы — от разработки и обучения до эксплуатации и обновления. Чем выше автономность системы, тем жёстче должны быть требования к контролю доступа, мониторингу моделей, управлению изменениями и возможности вмешательства человека».