Искусственный интеллект сегодня внедряют повсеместно. Но чем сложнее задача, тем быстрее становится понятно, что без человека ему не справиться. Как устроена работа ИИ-систем в промышленности и как меняется роль ИИ-инженера по мере развития технологии, в интервью «Компьютерре» рассказал заведующий кафедрой автоматизированных систем управления НИТУ МИСИС, доктор технических наук Игорь Темкин.
— Под внедрением ИИ часто подразумевают использование нейросетей. Где заканчиваются ее возможности и начинается собственно интеллектуальная система?
Нейросеть — это инструмент, а не вся интеллектуальная система. Она может решать отдельную задачу, например, распознавать изображение, прогнозировать показатель, генерировать текст. При этом, как только речь заходит о сложном процессе, одной модели становится недостаточно. Полноценная интеллектуальная система включает сбор и подготовку данных, механизмы их проверки, алгоритмы обработки и принятия решений, средства контроля и мониторинга, а также постоянное сопровождение.
Сегодня компании внедряют чат-ботов, подключают большие языковые модели, автоматизируют документооборот и называют это цифровой трансформацией. Однако большинство подобных проектов сталкивается с одной и той же проблемой — сама по себе нейросеть редко решает комплексную инженерную задачу.
По данным международной консалтинговой компании McKinsey за 2025 год, 88 % организаций используют ИИ хотя бы в одной бизнес-функции. При этом экономический эффект от использования ИИ на чистый операционный доход компании (до вычета процентов и налогов) отметили менее 5% респондентов.
Основные причины — сложность интеграции технологий в существующие процессы, проблемы с качеством данных и необходимость перестройки организационной архитектуры. Это хорошо показывает, что развитие искусственного интеллекта сегодня определяется не столько качеством моделей, сколько грамотностью системных решений.
— Как меняется работа с ИИ, когда система начинает влиять не на цифровой сервис, а на реальный физический процесс?
Прежде всего меняется цена ошибки. Если рекомендательная система интернет-магазина ошиблась и предложила пользователю неподходящий товар, последствия ограничены. Ошибка интеллектуальной системы управления оборудованием может остановить производство или привести к аварии.
В связи с этим промышленный ИИ нельзя рассматривать отдельно от физического объекта, которым он управляет. При разработке необходимо учитывать характеристики оборудования, физику технологических процессов, ограничения существующей инфраструктуры и требования к безопасности. Перед внедрением такие системы проходят длительное моделирование, а во многих случаях тестируются сначала на цифровых двойниках объектов. Подход «запустим и посмотрим, что получится» здесь просто невозможен.
Здесь особенно перспективно сочетание методов машинного обучения с классической теорией управления. Такие гибридные подходы позволяют использовать возможности ИИ, не отказываясь от инженерных методов, которые обеспечивают предсказуемость и устойчивость системы. Они применяются, например, в робототехнике, логистике, предиктивной диагностике оборудования, цифровых двойниках сложных производственных объектов и интеллектуальном планировании технологических процессов.
— Что в настоящий момент является главным ограничением для широкого внедрения ИИ в промышленность?
На мой взгляд, главным препятствием остаются разрозненные системы данных. Во многих организациях процессы недостаточно формализованы, знания существуют только в опыте сотрудников, а информация хранится в разных базах. В результате алгоритму просто не на чем учиться.
При этом не менее серьезной проблемой становится разрыв между ИТ-специалистами и инженерами предметной области. Одни хорошо понимают технологии машинного обучения, другие — реальные производственные процессы, но между ними зачастую отсутствует единый язык. Поэтому для внедрения ИИ недостаточно быть просто хорошим разработчиком. Нужно уметь исследовать процессы, формализовать их, а также понимать, где интеллектуальная система может дать практический эффект. В этом смысле системный анализ становится не менее важным, чем навыки программирования.
— Если ИИ становится доступнее, а часть технических задач берет на себя сама технология, в чем тогда будет заключаться работа инженера по ИИ?
Роль инженера ИИ-систем с течением времени только усложняется. Ему уже недостаточно только знаний языков программирования или отдельных библиотек машинного обучения. Он должен понимать, как устроена интеллектуальная система целиком, чтобы качественно ее спроектировать. А для этого необходимы серьезная математическая подготовка, понимание теории управления и системного анализа, навыки проектирования программных архитектур и, что особенно важно, способность работать с реальными инженерными задачами. Специалист должен понимать не только, какую модель применить, но и зачем она в принципе нужна в процессе, какие у нее ограничения и как обеспечить надежность всей системы.
У нас в МИСИС есть новая образовательная программа «Разработка ИИ-систем (R&D)», реализованная в рамках пилотного проекта по изменению уровней профессионального образования. В ней основной акцент мы сделали не на использовании готовых инструментов, а на создании собственных алгоритмов, архитектур и исследовательских решений. Этот подход дополняет стипендиальная программа Института компьютерных наук «Цифровое будущее», в рамках которой студенты работают над индивидуальными научно-исследовательскими проектами по реальным задачам индустриальных партнеров, получают опыт полного цикла разработки интеллектуальных систем и учатся принимать инженерные решения в условиях неопределенности.
Развитие искусственного интеллекта постепенно смещается от соревнования моделей к соревнованию инженерных школ. И чем сложнее становятся задачи, тем очевиднее становится закономерность — конкурентоспособность определяет не только развитость модели, но и способность человека спроектировать вокруг нее надежную, безопасную и работающую систему. Инженеры будущего будут использовать интеллектуальные системы для создания еще более разумных и полезных систем.
— С появлением генеративного ИИ взаимодействовать с технологией стало значительно проще. Могут ли специалисты по промпт-инжинирингу конкурировать с инженерами ИИ-систем?
Современные языковые модели позволяют человеку без специальной подготовки получить достаточно сложный результат, правильно сформулировав запрос. В последние два года промпт-инжиниринг вызывает колоссальный интерес. Однако я рассматриваю его прежде всего как инструмент взаимодействия с языковой моделью: грамотный запрос помогает получить более точный и полезный ответ, но не заменяет понимания того, что происходит внутри системы и как полученный результат должен использоваться.
Все-таки невозможно решить инженерную задачу только хорошо составленными промптами. Кроме того, сами модели развиваются, и часть задач, связанных с формированием запросов, со временем будет автоматизирована. Фундаментальные инженерные компетенции останутся значительно более востребованными, чем умение работать с интерфейсом конкретной модели.