Мы создали этот канал, чтобы делиться экспертизой и объединять коллег, которым интересно обмениваться опытом.

Но если иногда хочется не только обучать робособак под сложные промышленные задачи, а, скажем, запрячь их в упряжку и прокатиться по Останкино под вирусный трек, то кто мы такие чтобы себе это запрещать? Экспертиза экспертизой, а приколами тоже приятно делиться. Потому что в этом мы тоже эксперты

Про дроны для инспекции мы пишем часто — просто потому, что сами плотно этим занимаемся. Польза и необходимость передачи инспекции промышленных объектов в руки роботов очевидны. В первую очередь это, конечно, безопасность работников, которым больше не нужно залезать внутрь бункеров, трубопроводов, шахт и так далее. Во вторую — экономия времени и средств на техническое обеспечение этих мероприятий.

Но вот коллеги из британской Energy Robotics видят проблему с другого, нового для нас угла.

По всему миру растёт средний возраст работников (в России — тоже). Рабочая сила стареет во всех отраслях, и если для офиса это не критично, то в промышленности возникают сложности. Задачи инспекции связаны с физической активностью (залезть на леса, провести замеры) и плохо подходят людям старшего возраста. Поэтому они часто предпочитают уходить раньше обычного срока. Но именно эти сотрудники обладают уникальной экспертизой, опытом и насмотренностью, которые в условиях старения рабочей силы оказывается некому передать. Так возникает “Boomer Brain Drain” — поколенческая утечка мозгов.

На эту неочевидную проблему обратил внимание Марк Дасслер, СЕО Energy Robotics, и превратил её в маркетинговый ход. Раз старшее поколение не хочет больше лезть в нефтяные бункеры, на ветряные вышки и инженерные леса, пусть это делают дроны и робособаки — благо такие уже есть во многих странах (в России — тоже). Таким образом, мы даём возможность старшим работникам не увольняться раньше времени, а компаниям — сохранить их опыт. Дрон собирает всю информацию, а заслуженный специалист, сидя в безопасном и комфортном офисе, анализирует данные и принимает решения.

Спасибо Марку Дасслеру за наблюдение

Любая уважающая себя компания-гигант стремится к автоматизации своих производственных процессов. И любая уважающая себя компания-гигант имеет R&D-отдел, который исследует новые способы производства и научно обосновывает, что продукция этой компании — лучшая в мире. Но вот стремятся автоматизировать сам процесс R&D далеко не все компании, даже среди гигантов.

Nestlé стала, возможно, одной из первых таких компаний. Благо, условия подходящие: есть очень удобная для автоматизации задача — перебор «рецептов» для идеального заваривания капучино 3-в-1 — и есть дружественный академический ресурс — Швейцарская высшая политехническая школа.

В итоге получился необычный проект, который уже дал интересный результат: робот перебирает разные способы приготовления, компьютерное зрение оценивает получившуюся пенку и на основе этой оценки формирует следующие настройки эксперимента. Настраиваемые параметры приготовления капучино достаточно просты: высота, с которой наливается вода, а также время и скорость размешивания.

Что мы можем вынести из этого кейса? Во-первых, что для идеального кофе 3-в-1 нужно наливать воду с высоты 11 см и не слишком быстро размешивать в течение 50 секунд. Во-вторых, что автоматизация не ограничивается только производством — по крайней мере, если речь идёт об уважающих себя компаниях-гигантах.

На прошлой неделе мы побывали на фабрике одного из наших заказчиков — современное, отлаженное производство с лучшим в своей области оборудованием, множеством цифровых систем, автоматическим контролем качества и так далее.
Но вот ультрабыстрая линия останавливается. К этой мощной машине, оснащённой камерами с компьютерным зрением, точнейшим лазером и другим умным оборудованием, подходит мастер с киянкой и слегка простукивает входную воронку — ультрабыстрая линия засорилась, и без помощи человека не обойтись.

Эта «последняя миля» автоматизации — путь от цифровых систем до реальной машины и реального инженера — остаётся непройденной для большинства проектов.

А на этой неделе мы увидели интервью с создателем чешского стартапа Edmund, который как раз занимается этой самой последней милей. Проработав несколько месяцев на современном производстве, основатель компании Якуб Шлаур понял: системы предиктивного обслуживания на практике имеют очень ограниченное применение. Самой ценной «системой» остаётся мастер с отверткой (или киянкой) — тот, кто действительно идёт и налаживает машину. И неважно, сколько AI-отчётов и графиков построено и сколько данных собрано. Многие проекты по автоматизации лишь усложняют существующий порядок: добавляют больше датчиков, больше данных, больше систем.

Решение, которое предлагают в Edmund — универсальная LLM, которая берет уже имеющиеся данные со всех существующих в компании систем (а обычно таких систем много, каждая отвечает за свою часть) и через 24 часа готова выдавать пользователю информацию. Главное преимущество, о котором говорят создатели — пользователь получит только ту информацию, которая действительно нужна именно ему, без лишнего мусора. То есть мастер на производстве увидит только машину, к которой прямо сейчас лучше подойти с киянкой, чтобы позднее не пришлось тормозить производство.

Если уж быть честными, описание решения от Edmund принципиально не отличается от множества похожих — это тоже ещё одна система, добавленная к уже существующим. Но компания имеет успех у инвесторов в Центральной Европе, и мы желаем ей удачи. Для нас интереснее озвучивание текущих проблем отрасли — отрыв теоретического “предиктивного обслуживания” от реальности и бесконечное наращивание систем аналитики, которые лишь усложняют жизнь.

На российском рынке тоже уже нужны скорее интеграторы, чем новые системы. Нужно упрощать, а не усложнять, чтобы наконец пройти эту последнюю милю автоматизации.

Не каждый дрон — квадрокоптер. А в некоторых промышленных задачах квадрокоптеры и вовсе проигрывают другим конструкциям. Поэтому наш дрон-инспектор “Синильга” устроена по другому принципу. Какой дрон выбрать для разных задач, какие преимущества и проблемы у разных конструкций, и может, ручная инспекция все же эффективнее?

Если у вас есть ответы или другие вопросы на этот счёт -— присоединяйтесь к онлайн-дебатам завтра, 17 октября в 15:00. Регистрация тут

Hyundai открыла новую фабрику в Джорджии, HMGMA. Чем примечательна эта новость? Тем, что если всё сложится как задумано, то эту фабрику еще не скоро понадобится модернизировать. В HMGMA изначально заложены буквально все последние технологии, а также оставлено место для будущих инноваций.

Пока конкуренты и коллеги модернизируют существующие производства, реализуют сложные проекты по внедрению AI, роботов и так далее, на фабрике в Джорджии всё устроено так с самого открытия. Дроны автоматически инвентаризируют склады, умные камеры корректируют окраску деталей, беспилотные такси доставляют оборудование, а робособака ходит по производству и проверяет правильность сборки.

Кейс HMGMA — наверное, один из первых в текущую эру модернизации, но точно не первый в истории. Чуть больше века назад промышленность, так же как и сейчас, переживала бурный переход в новую эру. Производства гудели от инноваций, компании проводили масштабные проекты, модернизировали все возможные и невозможные процессы — шла электрификация. На этой волне, в октябре 1910 года, Ford открыл новую фабрику в Мичигане, Highland Park. Чем была примечательна эта новость? Тем, что по задумке владельцев эту фабрику долго не нужно было модернизировать. Это был совершенно новый тип производства — Форд был убежден, что электричество и освещение должны быть буквально в каждом углу завода.

В Highland Park был установлен гигантский генератор, который по проводам доставлял электричество по всему заводу — к двигателям оборудования и к бесчисленным лампочкам. Эта “электрификация от рождения“, разумеется, привела к невероятным преимуществам: производство стало точнее, быстрее и эффективнее. Но еще это дало эффект, на который создатели не рассчитывали. Производство получилось просторным, гибким, открытым — оно дало место для новых идей. В итоге всего через три года, в октябре 1913, в Highland Park придумали первый в мире сборочный конвейер, который сократил время производства со 150 до 25 минут.

Это не было результатом целенаправленных исследований или какого-то продуманного проекта. Это было спонтанным результатом того, что state-of-the-art производство освободило время и место для создания чего-то принципиально нового. Так что ставим таймер на три года и следим за фабриками вроде HMGMA, “цифровыми от рождения”.

Gurobi Optimization выпустила годовой отчет о положении математической оптимизации в индустрии, а такое мы с недавних пор не пропускаем. Опрос не самый масштабный (473 респондента), но подобных исследований пока в принципе мало, поэтому будем довольствоваться тем, что есть. Главный вывод — оптимизация становится новым фокусом внимания цифровых директоров. 51% представителей компаний ответили, что руководство увеличивает затраты на оптимизацию и в большей степени отдает ей приоритет.

Решения на основе математической оптимизации применяются в 7 из 10 компаний. Лидер среди точек приложения — планирование, причем любое: долгосрочное и краткосрочное, планирование производства, поставок и так далее. На уверенном втором месте — логистика. Также респонденты упоминают ценообразование.

Вы спросите: «А как же AI?» Вопрос однозначно уместен и приходит в голову всем, кто сталкивается с внедрением математической оптимизации в производство. Оптимизация не заменяет AI, а AI не заменяет оптимизацию — они решают разные задачи и делают это по-своему. Оптимизация — более древняя область, но сегодня разговор о любой автоматизации немыслим без AI, поэтому естественным образом возникает сотрудничество этих двух подходов.

По результатам Gurobi, 81% опрошенных компаний реализуют хотя бы один проект, в котором применяются и математическая оптимизация, и машинное обучение. Для сравнения, в 2020 году таких компаний было всего 46%. С генеративным AI ситуация пока более скромная — совмещение с оптимизацией остается скорее на уровне экспериментов (помощь в кодинге не в счет).

Gurobi Optimization, конечно, компания заинтересованная, и, составляя такие отчеты, преследует свои понятные цели. Но и мы с недавних пор не беспристрастны в этой области — видим спрос у наших заказчиков, видим перспективу для математической оптимизации на российском рынке и с удовольствием реализуем такие проекты.

Показали Синильгу, пусть и не в деле

Компания Brightpick представила новый — очередной в своей линейке — мультифункциональный робот для складских задач. Он может автоматически передвигаться, искать товары и собирать заказы на складе, но главное — делает это не медленнее человека.

Autopicker 2.0 позиционируют как человекоподобного робота, но, к счастью, в данном случае человекоподобность не про форму, а про поведение. Техническое оснащение перечислять не будем — всё, примерно, стандартно. Главное, что действительно делает его ближе к человеку, — способность одновременно двигаться и собирать товары. То есть, робот забирает не нужный товар, а всю корзину и сразу же продолжает движение к следующей точке. Сборка происходит по дороге от одной точки до другой. Маршрут тоже по-умному оптимизируется, получается почти непрерывный поток действий: в одном месте забрал, в другом поставил, где-то там же рядом взял следующий — и всё это без пауз на вытаскивание товара из корзины.

Отказ от остановок увеличивает скорость работы, примерно, в 1,5 раза — до 70–80 операций в час.

Есть важное уточнение, которое, возможно, слегка охладит впечатление: всё это работает только внутри складской экосистемы Brightpick — со стандартизированными контейнерами, стеллажами и заданными размерами. Но как демонстрация концепции Picking-in-Motion — вполне любопытно.

А вот про нашу Синильгу в Дронофлоте пишут

В процессе автоматизации часто возникают ситуации, когда неочевидно, должно ли «умное» решение полностью заменить классический подход или лишь дополнить его. Один из таких примеров — доменная печь, в которой из железорудного сырья (шихты) выплавляют чугун. В шихту входят материалы самого разного размера: окатыши, кокс, известняк. При этом гранулометрический состав шихты в значительной степени определяет эффективность работы печи.

Есть стандартный способ определения гранулометрического состава — метод рассева. Из потока отбирают небольшую порцию шихты и просеивают её через набор сит (“грохотов”), получая точный гранулометрический состав. Однако на производстве по конвейеру могут проходить тонны сырья в минуту, тогда как на рассев отбирается не более 200 кг. Очевидно, что такой подход не даёт полной картины и тем более не позволяет отслеживать состав шихты в каждый момент времени.

Современное решение — система компьютерного зрения, камера которой установлена прямо над конвейером и в режиме онлайн позволяет отслеживать гранулометрический состав шихты. Система определяет размер каждого увиденного “камня”, а затем уже рассчитывает все гранулометрические характеристики. Эта система работает на фреймворке VideoAI.NTR и дополнительно обучена на рассевах, чтобы не только определять состав на поверхностном слое, но и оценивать распределение фракций во внутренних слоях материала, недоступных прямому обзору камеры.

Казалось бы, такое решение должно заменить трудоемкое и очень выборочное (пусть и локально очень точное) определение состава. Однако практикам не очевидны границы применимости потоковой гранулометрии. По мнению одних специалистов, от рассевов нужно отказываться полностью (собственно, с таким запросом к нам когда-то и обратились), по мнению других — система компьютерного зрения, даже обученная на реальных рассевах и работающая 24/7, не может заменить точный рассев — любая умная модель упирается в физические ограничения и верить ее результатам нельзя.

Вопрос интересный и пока не решенный, поэтому мы решили провести вебинар, на котором попробуем определить действительные границы применимости видеоконтроля состава шихты. Расскажем о нашем опыте и нашей системе, сравним разные методы гранулометрии и обсудим ограничения на примере реального кейса в крупной металлургической компании.

Зарегистрироваться на вебинар можно здесь. Присоединяйтесь, чтобы услышать не презентацию "идеального решения”, а честный разговор о плюсах, минусах и границах применимости современных методов контроля качества сырья и цифровизации.

Вебинар о видеоаналитике в гранулометрии уже сегодня! Если еще не успели, регистрируйтесь на вебинар здесь. Обсудим плюсы, минусы и границы применимости современных методов контроля качества сырья и цифровизации.

Время подводить итоги года — отраслевые и личные.

2025 год для цифровых решений в индустрии наверняка запомнится широчайшим, а местами и взрывным развитием генеративного ИИ — или как минимум беспрецедентным интересом к нему. К концу года уже можно сказать, что genAI прошёл путь от моды — к цели и далее к привычке.
Не хочется дублировать истины, которые за этот год прозвучали практически во всех тг-каналах. Гораздо интереснее оглянуться на уходящий год со своей, личной точки зрения.

Для «Цифрового директора» это был ещё один насыщенный, полный открытий год. Мы пролистали наш канал на год назад и отобрали несколько постов, к которым предлагаем вернуться и вам.

Например, пост о “страхах цифрового директора”. В начале года главными рисками для лидеров цифровизации мы называли кибербезопасность, отсутствие единой IT-стратегии и проблемы функциональной совместимости со старыми решениями. Год спустя эти риски, пожалуй, так и остались ключевыми.

А вот обещанный Forbes тренд уходящего года — полностью автономные «тёмные фабрики». На наш взгляд, трендом в полном смысле слова они не стали, но по частоте упоминаний в новостях уверенно входят в топ-10 индустриальных тем.

Мы делились не только новостями, но и собственным, нет-нет да и экспертным, мнением. Рассуждали о том, что же в итоге победит: централизация или децентрализация в AI. Победитель пока не определён, продолжаем наблюдать. А ещё рассказывали об использовании ИИ в металлургии — разумеется, на собственном опыте.

Были и новости о необычных, а местами даже странных, но при этом неожиданно успешных решениях. Например, AI-робот для разделки рыбы по старинному японскому методу икэ дзимэ. Или очень узкое и очень успешное решение исключительно для сбора шампиньонов.

Делились и собственными успехами: вот «Синильга» — дрон для промышленной инспекции с защитой лопастей, а вот «ВеКо» — AI-инструмент, помогающий операторам досмотра сохранять внимание и не отвлекаться.

В 2026 продолжим следить за новостями, делиться опытом, обсуждать удачные и не очень решения и смотреть, как технологии действительно работают в индустрии. Счастливого Нового года и до встречи в 2026!

Ваш Цифровой директор