В последние годы, особенно после появления больших языковых моделей (БЯМ) вроде ChatGPT, интерес к генеративному искусственному интеллекту (Generative AI, GenAI, ГИИ) резко возрос во всех отраслях экономики. Однако если кейсы применения ГИИ в маркетинге, образовании или разработке ПО на слуху, истории успеха из промышленности и энергетического сектора не столь масштабны и повсеместны. Сейчас внедрение ГИИ там — на стадии осторожных экспериментов.

Руководитель Лаборатории искусственного интеллекта Школы управления СКОЛКОВО Александр ДИДЕНКО рассказал журналисту «ЭПР» об основных сценариях и паттернах применения ГИИ в энергетике и промышленном производстве.

Промышленные ИИ-ассистенты

«Распространенная классификация решений на базе текстовых ГИИ делит их на чатботов, ассистентов (копилотов) и агентов. Промышленные ИИ-ассистенты и, в намного меньшей степени, ИИ-агенты — самый частый сценарий ГИИ в промышленности. Они позволяют техникам, инженерам по эксплуатации или ремонтникам получать доступ к знаниям о производственной линии, производимом объекте или фабрике целиком, используя самый естественный интерфейс в мире — человеческий язык.

Простой кейс в этом классе — Enterprise AI ядерной станции Diablo Canyon Neutron, который обеспечивает мгновенный поиск по тысячам лицензий, схем и протоколов без выхода в интернет. AI-боты Shell, подкрепленные графом знаний, помогают технологам и геофизикам быстро находить выдержки из архивных отчетов и проверять гипотезы, что повышает точность R&D-процессов и ускоряет разработку новых материалов. Apache совместно с Intellicess разработали помощника для инженеров по бурению, отвечающего на вопросы по истории более чем 200 скважин с помощью GPT-3.5/4 и векторного поиска.

Более сложные решения аргументируют статичные тексты потоковой информацией с датчиков. На выставке Hannover Messe 2024 компания AWS представила виртуального ассистента для ремонтников, в котором система на базе языковой модели Amazon Bedrock извлекает из автоматически распознанных технических мануалов и потока IIoT-данных релевантные фрагменты. Она включает их в промпт языковой модели, взаимодействующей с ремонтником, благодаря чему существенно сокращается время поиска причин неполадок.

Похожую архитектуру используют в прототипе Bosch: здесь LLM Claude обращается к знаниевому графу и данным с датчиков, выстраивая рекомендацию по оптимальным параметрам работы оборудования.

Еще одна ось усложнения решений — добавление ИИ-ассистентам умения работать вне текстовых модальностей (например, в визуальной). Так, «Большой Ватт» China Southern Power Grid объединяет языковую и визуальную обработку в широком диапазоне рабочих задач — от анализа регламентов до распознавания дефектов изоляторов на фото c дронов.

В целом, область технического обслуживания и ремонта (ТОиР) наиболее богата примерами ИИ-ассистентов. NorthWind Technical предложила систему AlarmIQ, объединяющую аварийные сигналы PLC/SCADA и историю заявок для анализа причин отказов. IBM также создала ассистента для ремонтников, добавив в его память историю ремонтов и документацию.

Дальше всех пошла итальянская Acciaierie Bertoli Safau: дообучила нейронку, изменив непосредственно ее внутреннее содержание, на данных CMMS и руководствах создав Generative AI Copilot, позволяющий механикам получать консультации на нескольких языках.

Часто ИИ-агента соединяют с ERP-системой предприятия и дают ему инструментарий для взаимодействия с ней. Так, Petrobras запустила Petronemo — ИИ-ассистента для морских платформ и нефтепереработающих заводов (НПЗ), который синхронизируется с ERP-системой, получает данные с датчиков и формирует заказы на запчасти, сокращая время диагностики и бюрократические задержки.

В России «Норникель» внедряет внутреннего LLM-бота для технологов, обеспечивающего доступ к тысячам патентов, технических инструкций и лабораторных данных. Сибур разрабатывает локального AI-ассистента на базе GigaChat для диагностики оборудования с учетом ограничений на передачу данных за границу. Эти проекты направлены на снижение простоев и ошибок персонала, где даже процентное повышение коэффициента готовности оборудования обеспечивает значительный экономический эффект.

Интеграция с цифровыми двойниками

В сочетании с возможностями генеративного ИИ цифровой двойник становится не просто симулятором, но и активным советчиком. Большая языковая модель может ускорять создание и настройку элементов цифровой копии, а цифровой двойник, в свою очередь, проверять и уточнять рекомендации ИИ через прогон сценариев в реальном времени.

Это взаимное усиление позволяет предприятиям быстрее переходить от анализа к действию, снижая риски неправильной интерпретации выводов модели и сокращая время на донастройку симулятора.

В России металлургическая компания НЛМК запустила пилот по подключению цифрового двойника доменной печи к генеративному ИИ для оптимизации энергопотребления. Идея состоит в том, чтобы нейросеть генерировала сотни комбинаций параметров — температуры, расхода дутья, состава шихты, а цифровая термодинамическая модель печи оценивала их влияние на расход топлива и выход металла. В результате экспериментального перебора автоматически выявляются нестандартные режимы, которые позволяют снизить удельный расход энергии без потери качества. Такие рекомендации инженеры-технологи затем верифицируют и внедряют в производство, ожидая значительного сокращения издержек и выбросов CO₂ при одновременном повышении стабильности процессов.

Похожая архитектура задействована в решении AVA от AspenTech и Emerson, интегрированном с системой APC DMC3. Этот виртуальный советник в режиме реального времени анализирует ограничения технологического процесса и параметры оборудования, а затем предлагает операторам способы снятия узких мест и увеличения выхода продукции. Комбинация цифрового двойника процесса и генеративного ИИ позволяет не просто выявлять отклонения, но и рекомендовать конкретные настройки: изменять подачу реагентов, корректировать температурные режимы и оптимизировать расход сырья. Такой интерактивный подход сокращает время простоя, снижает операционные риски и повышает общую эффективность производства.

Генерация данных

Генеративный ИИ изначально зародился как инструмент для создания синтетических данных, дополняющих реальные наборы примеров там, где их не хватало. Сегодня этот подход помогает цифровым двойникам и системам предиктивного обслуживания «учиться» на редких отзывах и аварийных сценариях, которые сложно собрать в действительности, и тем самым расширять диапазон распознаваемых событий.

В энергетическом секторе Exelon задействовала платформу NVIDIA Omniverse Replicator для генерации фотореалистичных 3D-сцен электрической сетевой инфраструктуры и различных видов дефектов. Синтетические изображения автоматически снабжались метками, что позволило быстро обучить нейросети компьютерного зрения для дронов-инспекторов. Обученная модель в режиме реального времени анализирует видеообзор линий, распознавая трещины изоляторов, провисание проводов и коррозию креплений. Такой подход резко уменьшил время между облетом и выявлением неполадок, повысил надежность сети и снизил зависимость от дорогостоящего ручного анализа видеозаписей.

Для нефтегазовой геологии Российский НИИ «БашНИПИнефть» разработал генеративный конвейер, восстанавливающий трехмерную модель керна пласта по разрозненным двумерным микроскопическим снимкам. Модель обучалась на множестве изображений структуры породы и известных петрофизических характеристиках, после чего генерировала виртуальные участки керна, согласованные по пористости и проницаемости с реальными данными. Аналогичные инициативы ведут стартапы GridPoint Dynamics, создающий синтетические каротажные кривые, и Polar eQuelle во взаимодействии с РГУ нефти и газа имени Губкина, генерирующая изображения шлифов для проекта LithologAI. Эти технологии обещают значительно сократить затраты на кернование и расширить объем информации для планирования добычи».

МНЕНИЯ

Василий ЖУКОВ, к. э. н., эксперт Экономического факультета РУДН:

«Генеративный ИИ может быть полезен предприятиям энергетики не только в части административно-аналитических задач (составление технической документации, анализ типовых договоров, подготовка типовых отчетов, построение тематических дэшбордов), но и в качестве советника для более сложных задач, например, для предиктивной аналитики по работе основного или вспомогательного оборудования электростанции или другого энергообъекта. Так, на основе ИИ-анализа ретроспективных данных по работе конкретного типа газовой турбины производитель, эксплуатант или сервисная компания могут предсказывать отклонения в ее работе и заранее определять объем и наиболее правильное время для проведения планового или внепланового вмешательства.

Если честно, то даже гиганты ИТ-индустрии до конца не могут сказать, в чем максимальная польза генеративного ИИ. Все крупные киты готовят свои языковые модели, но никто не может объяснить, как максимально раскрыть их потенциал, не беру простые чат-боты, переводчики, анализ документов.

Желательно исходить из потребностей самой промышленности и энергетики — а что предприятиям хотелось бы автоматизировать? Какие именно процессы? Не стоит додумывать за них».

Андрей БЕРЕЗИН, к. э. н., руководитель программ MBA РУДН:

«Генеративный искусственный интеллект уже находит применение в энергетике и промышленности, причем как в мире, так и в России появляются успешные примеры его внедрения. В этих отраслях GenAI используется для проектирования и инжиниринга, когда искусственный интеллект помогает создавать оптимальные схемы оборудования и технологических процессов.

Например, в нефтегазовой отрасли России платформа «Алхимик» от «Газпром нефти» подбирает рецептуры моторных масел, а система «Акела» «Татнефти» анализирует данные с датчиков для предиктивного обслуживания оборудования, прогнозируя возможные поломки. GenAI также применяется для оптимизации цепочек поставок, моделирования логистических сценариев и управления запасами».