Цифровое производство

Цифровое производство: — Выпуск 62: AI, завод и бизнес-эффекты В шестьдесят втором выпуске подкаста «Цифровое производство» команда машиностроительного завода ПСМ (производителя дизельных и газопоршневых электростанций) и IT-компании ПСМ UNLIM подробно разбирает реальный практический опыт внедрения технологий искусственного интеллекта на промышленном предприятии. Выпуск посвящен тому, как пройти путь от первых тестов ChatGPT до создания собственного защищенного контура, преодолеть «нейроскепсис» сотрудников и получить измеримую финансовую и организационную отдачу. Концепция AI Ready и «Домик для ИИ» Почему стандартный ЦОД не подходит под задачи ИИ: разбор инженерных вызовов — AI-нагрузка требует плотности 32–45 кВт на стойку, что в 2–3 раза выше показателей обычных модульных ЦОДов. Почему жидкостное охлаждение чипов (Direct-to-Chip) начинает напрямую диктовать компоновку модуля.Трёхэтажная архитектура контура: как устроен закрытый локальный модуль:AI Base: физическая инженерная база (энергетика, жидкостное охлаждение, ИБП, SCADA);AI Cluster: вычислительный слой (GPU/CPU-серверы, СХД, сеть);AI Factory: прикладной и модельный слой (RAG, OCR, интеграция с ERP, SCADA и MES).Информационная безопасность: «AI без контура — это демо» Защитный барьер ИБ: как выстроить конструктивный диалог со службой безопасности и отказаться от внешних облачных сервисов для защиты коммерческой тайны и чертежей.Цифровой сотрудник с доступом: почему к корпоративному ИИ нужно относиться как к сотруднику с четким периметром прав, логированием, шифрованием векторных баз и ролевой моделью.Практические бизнес-эффекты и цеховые кейсы Attention-боты в коммуникациях: автоматический мониторинг входящей переписки и подсвечивание юридических, коммерческих и репутационных рисков для руководства.Первичная квалификация обращений: как ИИ берет на себя фильтрацию 70% рутинных входящих лидов и спама.ИИ на заводских испытаниях: выход нейросетей из офисов прямо в цех — загрузка логов контроллеров, данных Grafana и методик испытаний для контроля качества сборки оборудования.Как RAG-пилот стал «неподкупным аудитором» От 3 недель к 3 месяцам: реальная история о том, почему запуск интерактивной базы знаний по газопоршневой станции 1 МВт затянулся из-за наличия 44 различных инженерных модификаций.Вскрытие застарелого бардака: как попытка обучить модель обнажила конфликты в характеристиках комплектующих и заставила полностью переписать руководство по эксплуатации двухлетней давности.Команда, экономика и преодоление скепсиса Своя разработка вместо подрядчиков: история найма 6 студентов с факультета ИВТ и привлечения опытного IT-архитектора для устранения падений сервисов и сборки единой платформы.Экономика R&D: прозрачный разбор бюджета — 22 млн рублей текущих расходов на AI-направление (из них 17 млн — ФОТ команды) и закупка собственного GPU-сервера за 5,5 млн рублей.Борьба с нейроскепсисом: как сделать сильного специалиста еще сильнее на примере трансформации отношения сотрудников к ИИ-инструментам. Источники:https://habr.com/ru/companies/psm_unlim/articles/1046576/https://habr.com/ru/companies/psm_unlim/articles/1055408/https://habr.com/ru/companies/psm_unlim/articles/1065460/https://habr.com/ru/companies/psm_unlim/articles/1074426/https://habr.com/ru/companies/psm_unlim/articles/1083012/

Почему промышленные гиганты с вековой историей, огромными активами и безупречной репутацией внезапно проигрывают новичкам?. В этом выпуске мы разбираем закон необходимого разнообразия Уильяма Росса Эшби и выясняем, почему в современном мире выживает не самый сильный, а самый «сложный». В эпизоде: Кибернетика на пальцах: что такое закон Эшби и почему только разнообразие может поглотить разнообразие. Мы объясним, как способность системы выживать напрямую зависит от количества вариантов её ответа на возмущения внешней среды.Ловушка прошлого успеха: почему лидеры индустрии часто оценивают новые технологии как «некачественные игрушки». Мы обсудим, как «паровозное мышление» и защита старой инженерной школы мешают увидеть новую систему создания ценности.Три истории краха и триумфа: экскаваторы: как маленькие и «слабые» гидравлические машины вытеснили канатные гиганты, предложив рынку не мощность, а маневренность и доступность.Локомотивы: почему производители паровозов проиграли дизель-электрическим системам, которые продавали не «тягу», а «готовность парка» и экономику эксплуатации.Судостроение: как британские верфи, оплот ремесла и традиции, уступили азиатским индустриальным платформам, сделавшим ставку на поток и предсказуемость.Авторство против инерции: кто такой «автор новой системы»?. Это человек, который чувствует изменения мира и строит структуру для решения новых задач заказчика, даже если у него нет репутации и масштаба старых игроков.Практический вывод для лидеров: как перестать защищать старую «оболочку» успеха и начать развивать существенные переменные — клиентскую ценность и жизнеспособность бизнеса в условиях новой сложности мира.Ключевая мысль эпизода: величие прошлого не освобождает систему от необходимости соответствовать будущей сложности. Если разнообразие среды растёт, а разнообразие ваших ответов остаётся прежним — вы теряете управление будущим.  При подготовке выпуска использовались материалы трудов У. Росса Эшби «Введение в кибернетику» и статья Павла Биленко для портала Forbes о трансформации промышленных систем. 

В этом эпизоде мы погружаемся в историю компании Rocket Lab — от первых инженерных экспериментов основателя Питера Бека в гараже до статуса одного из мировых лидеров аэрокосмической отрасли, осуществляющего регулярные космические запуски. Вы узнаете, как амбициозный проект бросил вызов гигантам индустрии, не имея миллиардных бюджетов, и превратил создание ракет и спутников в настоящее конвейерное производство. Мы обсуждаем: Революцию материалов: с какими вызовами столкнулись инженеры при создании первой в мире орбитальной ракеты, корпус и топливные баки которой полностью состоят из легкого углеродного волокна.Масштабную 3D-печать: как аддитивные технологии позволяют компании печатать по одному ракетному двигателю каждые 24 часа и быстро заменять подводящих подрядчиков, самостоятельно печатая сложнейшие титановые баки высокого давления.Вертикальную интеграцию: как отказ от сторонних поставщиков и самостоятельное производство всех компонентов (от солнечных панелей до авионики и двигателей) дает Rocket Lab беспрецедентное конкурентное преимущество и позволяет строить ракеты и спутники под одной крышей.Культуру «умной скорости» (Smart Speed): как бескомпромиссная эффективность, отсутствие сложных бюрократических цепочек и объединение проектировщиков с производственниками помогают преодолевать технические провалы за считанные часы.Слушайте эпизод, чтобы понять, как инновационный подход Rocket Lab к конструированию и производству навсегда изменил правила игры на рынке малых полезных нагрузок, сделав отправку грузов на орбиту такой же регулярной и надежной услугой, как обычная доставка. Пять принципов, благодаря котором компания Rocket Lab превратила производство ракет и спутников в конвейерное производство: 1. Полная вертикальная интеграцияВ отличие от многих конкурентов, Rocket Lab производит подавляющее большинство компонентов внутри компании: от двигателей и маховиков (reaction wheels) до авионики, радиоприемников, аккумуляторов и солнечных панелей. Такой подход устраняет зависимость от медленных сторонних поставщиков и позволяет специалистам оптимизировать не отдельные компоненты, а всю систему целиком, что многократно ускоряет выход на рынок. Как отмечают в компании, сырье завозится в одну дверь завода, а из другой двери спустя 20 дней выходит готовая ракета или спутник. 2. Проектирование с прицелом на массовое производство (Design for Manufacturability)Ракеты Rocket Lab с самого первого дня разрабатываются не просто для того, чтобы успешно летать, а так, чтобы их было легко серийно производить. Инженеры намеренно стремятся к парадоксально сложной задаче — созданию максимально простых конструкций, поскольку именно простота обеспечивает повторяемость процессов сборки. Например, использование композитных материалов из углеродного волокна не только радикально снижает массу ракеты, но и дает беспрецедентные преимущества в скорости сборки: углеродный бак не требует сложной раскатки, сварки и снятия напряжений, как алюминиевый, а собирается путем приклеивания переборок к композитной трубе. А в новой ракете Neutron все гидравлические и электрические системы собираются отдельно, после чего устанавливаются в ракету готовыми блоками. 3. Стандартизация сборочных процессов и модульностьЗалогом масштабируемого конвейера является строгая согласованность и повторяемость каждой операции. На рабочих местах используются теневые доски для инструментов и стандартизированные инструкции, чтобы процесс сборки всегда оставался одинаковым. В производстве спутников Rocket Lab применяет «панельный подход»: аппарат физически разбивается на небольшие плоские модули (панели), на которые монтируется громоздкая авионика. Эти панели собираются и тестируются отдельно, и если одна из них выходит из строя, ее можно моментально заменить на новую, не задерживая весь производственный процесс. 4. Масштабная автоматизация и 3D-печатьRocket Lab стала мировым лидером в использовании 3D-печати для космоса, создав первый в мире напечатанный двигатель Rutherford. Благодаря 3D-печати компания способна выпускать один новый двигатель каждые 24 часа. 3D-печать также используется для мгновенного решения проблем с поставщиками: когда внешние производители подвели со сроками, компания начала сама печатать сложные тонкостенные титановые баки высокого давления. Производство композитных элементов ракеты полностью автоматизировано: машины для автоматической выкладки волокон (AFP) и огромный промышленный робот «Rosie» превращают сырье в готовые части ракеты всего за 12 часов. 5. «Умная скорость» (Smart Speed) и непрерывное тестированиеКомпания разрушила бюрократичные барьеры, объединив инженеров и производственников в одном пространстве. Если на конвейере выявляется нестандартная или бракованная деталь, система оповещает проектировщика, который спускается в цех, и команда принимает решение по устранению проблемы за считанные минуты, а не недели. Также Rocket Lab внедрила глубокое аппаратное тестирование прямо в сборочную линию (Hardware in the Loop): инженеры подключают компоненты строящейся ракеты к симуляторам и «совершают виртуальный полет» на орбиту еще до того, как физическая сборка будет завершена, что позволяет выявлять любые дефекты или ошибки калибровки максимально рано.

В эпизоде №59 мы погружаемся в то, как промышленные гиганты, такие как Siemens, применяют искусственный интеллект и передовую аналитику для предотвращения глобальных кризисов в логистике. Главные темы выпуска: Невидимая угроза: обсуждаем поразительный факт — почти 80% компаний не знают количества своих поставщиков второго и третьего уровня. Вы узнаете, почему эти "слепые зоны" на глубоких уровнях лежат в основе масштабных производственных сбоев, включая недавний дефицит полупроводников.Магия графов знаний: рассказываем, как объединение разрозненных внутренних корпоративных баз и внешних таможенных данных позволяет построить единую сеть поставок, делая ее прозрачной вплоть до поставщиков третьего уровня (включая более 100 000 компаний).Нейросети предсказывают скрытое (Link Prediction): разбираем, как современные алгоритмы машинного обучения (такие как RotatE и графовые нейросети) математически предсказывают отсутствующую информацию и скрытые партнерства между компаниями, обучаясь на векторных представлениях (эмбеддингах).Поиск "узких горлышек": как алгоритмы центральности (например, in-degree и betweenness) позволяют перейти от ручного анализа к автоматизированному. В эпизоде разбирается реальный кейс, в котором система автоматически выявила 988 критически важных поставщиков, требующих повышенного внимания.Уязвимости бизнес-направлений: как визуализация графа помогает обнаружить критические стратегические риски — например, бизнес-сферы, которые зависят всего от одного уникального поставщика.Этот выпуск будет интересен всем, кто хочет понять, как современные технологии позволяют совершить переход от реактивного тушения пожаров к проактивному управлению рисками и обеспечению бесперебойности глобальных производственных процессов. В контексте промышленных компаний графовая нейросеть (GNN) — это метод машинного обучения (в частности, обучения представлениям графов), который применяется для математического моделирования и глубокого анализа сложных сетей поставок, представленных в виде графов знаний. Главная техническая суть таких нейросетей заключается в создании низкоразмерных математических представлений (эмбеддингов в виде векторов или матриц) для всех участников производственного процесса. Сеть изучает и кодирует семантический смысл как самих сущностей (поставщиков, заводов, стран, производимых компонентов), так и разнообразных типов связей между ними (например, "поставляет для", "включает в себя", "производится в"). Среди конкретных архитектур, применяемых на практике, исследователи выделяют сверточные графовые сети (ConvE), реляционные графовые сверточные сети (RGCN, предназначенные для кодирования сущностей) и сети CompGCN, которые способны обучаться на основе совместных представлений для объектов и их отношений. Для промышленных предприятий (таких как Siemens) использование графовых нейросетей раскрывается в решении следующих задач: Интеллектуальное предсказание отсутствующих связей (Link Prediction): На основе изученных эмбеддингов нейросеть математически вычисляет оценку (score) вероятности того, что два объекта в реальности связаны, даже если в базах данных этой информации нет. Это позволяет прогнозировать скрытые партнерства и выявлять невидимых ранее поставщиков на глубоких уровнях (tier-2 и tier-3), решая проблему исторической неполноты и децентрализованности данных.Работа с гетерогенными (многосоставными) графами: В отличие от простых алгоритмов, графовые нейросети специально созданы для анализа сетей с множеством типов отношений. Это позволяет компании загружать в модель внутренние данные (прямые контракты, детали) и внешнюю информацию (публичные таможенные данные, классификации отраслей) как единую структуру.Оценка скрытых характеристик компаний (классификация узлов): Помимо восстановления связей, графовые нейросети могут использоваться для задач классификации или регрессии узлов. Например, если эксперты оценили уровень риска или устойчивости только для части прямых поставщиков, нейросеть способна автоматически спрогнозировать и присвоить категории риска тем компаниям в сети, по которым подобная статистика отсутствует.Таким образом, графовая нейросеть выступает интеллектуальным "движком", который берет сырые, разрозненные логистические данные и превращает их в прогнозируемую, прозрачную систему, помогая промышленным гигантам заблаговременно находить уязвимости в поставках. В эпизоде нашего сервиса "Поток развития" интересное содержание нашего подкасты мы сопровождаем тестом и предложением к слушателю поделиться идеей или предложением по улучшению на основании эпизода. Напишите нам и мы покажем, как это работает.

Киберпанк в цеху: зачем рабочим налобные камеры? В новом выпуске мы разбираем горячую тему, которая все чаще обсуждается в рабочих коллективах: тотальная оцифровка физического труда. Зачем руководство заставляет операторов линий, швей и станочников надевать экшн-камеры на смену? Это просто инструмент слежки или масштабный шаг в будущее? Мы развенчиваем мифы и смотрим на реальные причины происходящего. В этом выпуске мы обсудим: Защита персонала и объективность: камеры на производстве внедряются не только ради контроля, но и для вашей безопасности. Мы посмотрим на успешный опыт РЖД, где видеорегистраторы свели к нулю споры в стиле «слово против слова», радикально снизили градус агрессии и дали сотрудникам инструмент правовой защиты от необоснованных претензий.Умная оптимизация и охрана труда: как искусственный интеллект использует видео для анализа производительности. Узнайте, как микротрекинг каждого действия помогает выявить лишние движения, улучшить эргономику рабочего места, математически точно оптимизировать процессы и проконтролировать ношение защитных очков в опасных зонах.Скрытые «фермы рук»: мы перенесемся в Индию, где тысячи людей работают с камерами на лбах, целыми днями собирая коробки и складывая полотенца. Вы узнаете, почему такие гиганты робототехники, как создатели Tesla Optimus, зависят от этих видеозаписей рутинного труда.Обучение физического ИИ: видео от первого лица из цехов становится главным источником данных для обучения нового поколения машин методу подражания (Imitation Learning). Нейросети изучают не просто картинку, а сложнейшие мультимодальные данные: 3D-модели человеческих рук, силу вашего захвата, карты глубины и даже то, как вы инстинктивно перехватываете выскальзывающую деталь.Для кого этот выпуск: для мастеров цехов, операторов конвейеров, специалистов по охране труда и всех сотрудников производств, которые работают руками и хотят понимать, как их ежедневный труд прямо сейчас оцифровывается и меняет мировую индустрию.