АНО «Цифровая экономика» подготовила аналитический обзор мировых практик применения генеративного искусственного интеллекта для решения прикладных инженерных задач. Документ основан на анализе работ по тематике ИИ крупных зарубежных компаний, таких как, например, McKinsey, IDC и Gartner, а также на данных международных организаций и открытых источников информации.

Авторы обзора уделили внимание основным направлениям и форматам использования ГенИИ в промышленности и инжиниринге, сопоставили эти практики с текущим уровнем в России и оценили потенциал развития. В документе представлена подборка из более чем 20 кейсов успешного применения ИИ в промышленности в России и в мире, а также технологическая и функциональная карты ГенИИ.

Ключевые выводы:

• как отмечают авторы обзора, среди мировых лидеров по количеству публикаций и их влиянию выделяются США, Китай, Индия, Великобритания и Австралия. Эти страны формируют научную повестку, демонстрируя высокий уровень исследовательской активности и цитируемости. Россия также участвует в международной научной дискуссии по теме ГенИИ, проявляя растущую активность в публикационной сфере и вовлеченность в процесс;
• по подсчетам аналитиков, искусственный интеллект занял второе место в числе самых цитируемых научных тем в России за 2023 год, уступив место лишь информатике;
• как считают авторы обзора, сегодня в фокусе развития в мире находятся прежде всего такие направления, как автоматическая генерация 3D-моделей и документации по текстовому описанию, проектирование конструкций с учетом минимизации массы и стоимости, применение искусственного интеллекта в инженерных симуляторах и тестировании, а также создание цифровых двойников оборудования, линий, цепочек поставок;
• в документе подчеркивается, что российские разработки в области ГенИИ преимущественно нацелены на практическое применение в промышленности и инженерных областях, в то время как в мировой практике значительная часть инноваций сосредоточена на мультимодальных генеративных моделях и фундаментальных исследованиях. Это отличает отечественный патентный ландшафт от общемировых тенденций;
• в то же время авторы предполагают, что в ближайшие годы генеративные состязательные нейросети (GAN) будут востребованы в таких областях, как роботизированное производство, генерация синтетических данных для обучения ИИ в условиях дефицита реальных данных, цифровые двойники сложных технических систем;
• при этом ключевым вызовом в России в сфере ГенИИ остается обеспечение надежности и интерпретируемости генеративных моделей, особенно в свете ужесточающихся регуляторных требований к ИИ в промышленности. Дальнейшее развитие данного направления, предполагают составители обзора, потребует усиления междисциплинарных исследований на стыке машинного обучения, инженерии и компьютерных наук;
• авторы обзора, проанализировав успешные примеры внедрения ГенИИ различными компаниями в России и за рубежом, отмечают, что в инженерных и производственных задачах такие технологии дают выраженные результаты — сокращают сроки разработки, повышают эффективность использования ресурсов и улучшают технологические решения. Часто упоминаются такие эффекты, как ускорение проектирования, уменьшение числа итераций, рост производительности, а также снижение массы изделий, затрат и доли брака;
• согласно данным, которые приводит АНО «Цифровая экономика», применение ГенИИ может снизить себестоимость продукции до 30% благодаря генерации оптимальных проектных и производственных решений; сократить сроки проектирования до 87% за счет автоматической генерации конструктивных вариантов; уменьшить задержки поставок на 12% благодаря построению альтернативных логистических маршрутов; сократить время подготовки производства на 20–60% благодаря моделированию сценариев и генерации маршрутов; сократить время вывода продукта на рынок на 40–60% за счет ускорения проектных и подготовительных этапов;
• авторы приходят к выводу, что ГенИИ в промышленности демонстрирует высокую прикладную эффективность. Наибольшая польза наблюдается в ускорении инженерного проектирования, оптимизации конструктивных решений, генерации синтетических данных и в задачах предиктивного обслуживания;
• аналитики подчеркивают, что внедрение генеративных моделей в производственные процессы способствует сокращению НИОКР-цикла, снижению материалоемкости изделий и оптимизации эксплуатационных затрат. Однако устойчивые результаты достигаются только при глубокой интеграции таких моделей в существующие цифровые процессы предприятий;
• в то же время, по мнению авторов, масштабное внедрение ГенИИ в инженерные задачи сдерживается рядом факторов: ограниченной доступностью вычислительных мощностей (в частности, GPU-ускорителей), фрагментированностью и закрытостью производственных данных, отсутствием утвержденных процедур оценки надежности и сертификации ИИ-моделей, а также нехваткой специалистов, обладающих знаниями одновременно в инженерии, машинном обучении и информационной безопасности;
• авторы материала отмечают, что для перехода от пилотных проектов к массовому промышленному применению генеративного ИИ в России необходимо развивать отечественную вычислительную инфраструктуру — в том числе региональные GPU-центры обработки данных и гибридные решения; формировать нормативную базу, включая стандарты сертификации и процедуры валидации ИИ-систем в промышленности; обеспечивать интеграцию генеративных решений в цифровые контуры предприятий; создавать отраслевые наборы данных и безопасные хранилища, а также унифицировать форматы производственных данных; готовить и поддерживать специалистов на пересечении ИИ, инженерных знаний и производственной автоматизации.

Расскажите знакомым: