Интервью: Михаил Аронсон о том, чего не хватает промышленному ИИ

Источник: МашТех

«Учить модель только на штатной работе — как учить врача на здоровых»: ГК «Цифра» о том, чего не хватает промышленному ИИ.

Без доступа разработчиков к промышленным данным для обучения мы не сможем получить сильные отечественные  ИИ-модели. Такое #мнение выразил генеральный директор ГК «Цифра» Михаил Аронсон, отвечая на вопросы МашТеха о новом законе «О поддержке развития технологий ИИ».

⏺️ Как, по вашему мнению, изменятся требования заказчиков к промышленным AI-платформам после появления статусов «суверенной» и «национальной» модели? Станет ли происхождение модели столь же важным фактором выбора, как надёжность или функциональность?

Я не думаю, что происхождение модели станет главным критерием выбора. Для промышленности оно, скорее, превратится в обязательное условие допуска, особенно если речь идёт об объектах критической инфраструктуры. Но дальше всё будет зависеть от того, насколько решение надёжно, управляемо и эффективно в реальной эксплуатации.

У заказчика появятся два чек-листа: к базовой модели - происхождение, локализация, безопасность; к промышленному решению - точность, отказоустойчивость и стоимость владения. Ведь у насоса нет политических предпочтений - зато простой у него вполне денежный.

Важно отметить и то, что суверенность должна создавать не только новые требования, но и новые возможности для развития технологий.

В частности, если мы хотим получить сильные отечественные модели, разработчикам нужно дать доступ к реальным промышленным данным для обучения - в обезличенном или синтетическом виде. Только так отечественные модели смогут развиваться быстрее и становиться действительно конкурентоспособными в промышленном применении.

⏺️ Во многих проектах используются одновременно собственные алгоритмы, специализированные модели и большие языковые модели. Как изменится архитектура таких решений, если часть предприятий сможет использовать только отечественные foundation-модели? Где сегодня находится главный технологический риск?

Ограничение на использование отечественных foundation-моделей не должно заставлять перестраивать весь завод. Если замена одной LLM тянет за собой переписывание интеграций с АСУ ТП, MES и архивом, значит, проблема была не в законе, а в архитектуре.

Зрелая схема - слоистая. На нижнем уровне работают датчики, контроллеры, edge-сервисы. Выше - платформа промышленных данных: временные ряды, события, объектная модель, документы и права доступа. Затем - специализированные ML-модели.

Сегодня это одна отечественная модель, завтра другая - производственный контур при этом не переделывается. Так, на ФосАгро ГигаЧат был интегрирован в уже работающую ZIIoT-платформу - не вместо промышленного контура, а поверх.

Доступ к государственным данным может стать полезным дополнением, но основой промышленного ИИ все равно останутся данные самих предприятий. Об этом говорил генеральный директор ГК «Цифра» Михаил Аронсон, отвечая на вопросы МашТеха о будущем и настоящем промышленного ИИ.

⏺️ Какие отраслевые датасеты сегодня являются наиболее дефицитными для развития промышленного ИИ, и изменит ли ситуацию возможный регулируемый доступ к государственным данным?

На мой взгляд, наиболее дефицитны два типа данных.

Первый - редкие плохие события: реальные отказы, близкие к аварийным режимы, скрытый брак. Учить модель только на штатной работе - всё равно что учить врача только на здоровых людях.

Второй - контекст принятых решений. Наиболее дефицитны те данные, которые предприятия пока не собирают или не привыкли структурированно хранить: почему было принято то или иное решение, какие факторы на него повлияли и к чему оно привело.

Именно такие данные помогают модели не просто распознавать события, а понимать причины и учиться на накопленном опыте. На современном производстве сравнительно нетрудно получить факт производства и технологические метрики.

Можно проанализировать аномалии и построить предиктивную аналитику. Но чтобы усилить этот прогноз или снизить повторяемость ошибок, модели нужен исторический контекст: как раньше «наступали на грабли» и какие выводы сделали.

Доступ к государственным данным может стать полезным дополнением - для стандартов, классификаторов, технических регламентов, статистики инцидентов, погоды.   

Но государственная система не знает, как ведёт себя конкретный насос при конкретном сырье на конкретной смене. Так что основой промышленного ИИ все равно останутся данные самих предприятий.

⏺️ Через пять лет рынок промышленного ИИ, вероятно, будет конкурировать уже не только технологиями, но и степенью соответствия требованиям государства. Какие компетенции станут главным конкурентным преимуществом?

Через пять лет соответствие государственным требованиям будет обязательным условием работы на промышленном рынке. Но конкурентным преимуществом оно уже не окажется - это будет своего рода гигиенический фактор.

Цифровая платформа - база, но, если выбирать один пункт из списка, я бы выбрал воспроизводимость всего жизненного цикла, в широком смысле. Это «зонтик», под которым находится платформа с отраслевыми данными, интеграция, модели, информационная безопасность и ответственность.   

Базовую модель можно заменить, а цифровая нервная система предприятия должна остаться.