Два года назад мы вкатили тяжелую нейросеть для контроля брака на конвейер металлопроката. Модель работала идеально ровно до момента, пока на ночной смене не сгорел основной светильник и мастер не включил резервный галогеновый прожектор под другим углом. Нейронка решила, что новый блик — это сквозная трещина на всей партии, и экстренно остановила линию. Завод потерял цену хорошей квартиры в Москве за 40 минут простоя, а мы получили иск на стол.
Вот так выглядит реальность. ИИ-стратегия без хайпа: какие задачи отдавать нейросети, а где она гарантированно сольёт — этот вопрос решается не на красивых бордах в консалтинге, а экстренным рубильником на промплощадке в три часа ночи.
Заказчик тогда очень хотел внедрить ИИ. Совет директоров требовал цифровой трансформации. Вместо того чтобы пересмотреть базовый процесс контроля, наладить равномерное освещение и поставить промышленные камеры с поляризационными фильтрами, они решили купить дорогую игрушку. Мы её продали. Это была наша ошибка, за которую мы расплатились деньгами и временем. Компании обожают внедрять нейросети поверх гнилых, непрозрачных процессов в надежде, что магия тензорных вычислений всё исправит. Не исправит. Нейросеть не чинит сломанный бизнес-процесс, она лишь с невероятной скоростью автоматизирует генерацию хаоса.
Наш подход в Morana Labs после того случая стал радикальным. Если задачу можно решить через жёсткий набор правил, SQL-запрос, адаптивный порог или ПИД-регулятор — мы наотрез отказываемся тащить туда машинное обучение. Рынок с удовольствием впарит вам гигантские платформы предиктивной аналитики для тех мест, где достаточно посчитать скользящее среднее. Мы считаем иначе: инженерия заканчивается ровно там, где начинается карго-культ ради пресс-релиза.
Где классическая автоматика гарантированно выигрывает? Везде, где физика или бизнес-логика описана детерминированно. Если давление в котле превышает 120 атмосфер при температуре выше 400 градусов — нужно открыть стравливающий клапан. Для этого не нужен reinforcement learning. Для этого нужен надежный датчик, ПЛК и кусок медного провода. Нейросеть там гарантированно сольёт, потому что она по своей природе оперирует вероятностями. Вам нужна вероятность 99.9%, что котел не взорвется? Нет, вам нужна стопроцентная аппаратная гарантия. Правила работают быстрее, дебажатся проще и не деградируют от того, что на вход подали данные из другого распределения.
Где ИИ реально дает эффект? Исключительно там, где уровень шума и вариативности входных данных физически невозможно описать через if/else. Распознавание микродефектов на ржавой, грязной трубе при меняющемся дневном свете. Анализ акустических аномалий в турбине, где паттерн вибрации плавно меняется по мере естественного износа подшипников. Оптимизация маршрутов роботов в динамическом цехе. Там, где классическая математика капитулирует перед комбинаторным взрывом — там на сцену выходит машинное обучение.
Чтобы отделить реальную ценность от галлюцинаций менеджмента, вам нужна жёсткая матрица приоритизации «ценность против сложности». Начинать внедрение ИИ надо не с красивой витрины для инвесторов, а с самого узкого, кровавого и болезненного места в пайплайне. Ценность — это всегда деньги: снижение брака, ускорение линии, сокращение ФОТ. Сложность — это готовность инфраструктуры, наличие размеченных данных и лимиты edge-железа.
def triage_ml_project(value_usd: int, latency_ms: int, data_variance: float) -> str:
if value_usd < 50000:
return "Игнорировать. Затраты на R&D и поддержку не окупятся."
if latency_ms < 10 and data_variance > 0.8:
return "Хардкор на edge (C++/CUDA). Сложно, но это cash cow."
if latency_ms > 1000 and data_variance < 0.2:
return "Обычная аналитика. Нейросеть здесь не нужна."
return "Требуется глубокий аудит процесса"Менеджмент регулярно путает пилот ради пиара с пилотом ради денег. Как их отличить? Очень просто. PR-пилот всегда заканчивается красивым дашбордом, где графики показывают, что модель выявила 10 тысяч потенциальных инсайтов в поведении оборудования. Пилот ради денег заканчивается тем, что вы убираете пять операторов с линии ручного контроля, а пропускная способность цеха вырастает на 15% при сохранении SLA по качеству. Первый генерирует статьи в корпоративном блоге, второй — чистую прибыль.
Вот маркеры задач, куда точно не стоит лезть с современным машинным обучением:
- У вас нет исторических размеченных логов за полгода, но есть твёрдая вера в магию zero-shot возможностей языковых моделей.
- Вы пытаетесь оптимизировать процесс, регламент которого переписывается людьми на ходу каждую неделю.
- Цена одного ложного срабатывания (False Positive) превышает годовую зарплату инженера, который принимает эти решения вручную.
- Вся задача сводится к тривиальному поиску аномалий по трем-четырем независимым переменным со стабильной и предсказуемой сезонностью.
Компании, которые понимают эту границу, выигрывают рынок за счет кратного снижения издержек. Все остальные продолжают арендовать облачные GPU, чтобы гонять тяжелые тензоры там, где идеально справился бы один хорошо написанный bash-скрипт.