Барьеры на пути внедрения ИИ в промышленность

В центре обсуждения оказались три фундаментальные проблемы: качество данных, экономическая окупаемость и человеческий фактор. Эксперты из «РТ-ОСБ», «Эконивы», «Технониколь» и «Фьютех» сошлись на том, что успех модели на 80% зависит от чистоты производственных данных, доступных на старте. Если на этапе обучения нейросети вводные показатели искажены, бизнес-эффект от внедрения неизбежно стремится к нулю.

Второй барьер — неверная оценка ожиданий. Компании зачастую не знают, как считать возврат инвестиций, что приводит к закрытию перспективных проектов после первой же неудачи. Не менее значима и психологическая готовность команд: сотрудники, привыкшие к старым регламентам, саботируют использование новых инструментов, если не видят в них явной пользы для своей повседневной работы.

Константин Андреев подчеркнул, что главная сложность кроется не в самих технологиях, а в готовности компаний менять внутренние процессы. По словам эксперта, универсальных решений здесь не существует: крупным корпорациям и небольшим фирмам приходится выбирать разные пути адаптации ИИ, исходя из своих ресурсов и специфики задач. Для интегратора Globus, работающего с машинным обучением с 2017 года, этот опыт подтверждает: технология должна быть вторична по отношению к конкретному бизнес-результату.