«Цифровизации АПК мешают стоимость проектов и нехватка квалифицированных ИТ-специалистов»

Продолжаем серию интервью с ИТ-лидерами отраслей. В рамках международной агропромышленной выставки «Агрорусь» Владимир Девятьяров, директор по программным разработкам БКХ «Коломенский», поделился с «КОРУС Консалтинг» мнением о применении искусственного интеллекта в АПК, специфике хлебного производства и вкладе ИТ-команды в реализацию бизнес-стратегии.

В прошлом интервью Иван Козлов, ИТ-директор ГК «Латео», поделился своей позицией об уровне цифровизации россйиского АПК и влиянии внешних факторов.

Стоит разделять автоматизацию и цифровизацию. С базовой автоматизацией ситуация нормальная. Готовность к цифровизации возникает, когда есть качественная автоматизация бизнеса: процессы генерируют данные, а компания может на них опираться. Если речь идёт о цифровизации, то я, скорее, скептик и не готов говорить, что её уровень в стране и отрасли высокий. Российские компании идут в этом направлении, во многом благодаря регуляторным и фискальным требованиям. Государство требует отчётности и прослеживаемости, заставляет компании «обелять» процессы. А движение именно в сторону цифровизации сейчас поддерживается «хайпом» вокруг искусственного интеллекта.

Приведу недавний пример. Нам пришлось потратить немало ресурсов для внедрения маркировки кондитерских изделий и обеспечения прослеживаемости товаров, для которых она обязательна: привести в норму процессы учёта маркируемой продукции, сырья и материалов, средств индивидуальной защиты, а также отражения выбытия этих позиций в производстве и на складе. Это напрямую ведёт к повышению качества автоматизации производственного контура.

Специфика нашего бизнеса связана с большими объёмами производства и очень коротким сроком годности продукции. Если срок годности молока может измеряться несколькими сутками, то у хлеба речь идёт фактически о часах. Булка хлеба должна оказаться на полке в течение шести-восьми часов с момента выпекания. Среднее время от выхода изделия с производственной линии до его помещения в кузов автомобиля составляет около 30 минут. Это очень быстрый процесс, в котором практически нет запаса времени на ошибку.

Холдинг работает с более 80 тыс. заказов в сутки и доставляет продукцию в 32 тыс. торговых точек. Значительная часть продукции производится для собственных торговых марок компаний. Весь этот объём заказов поступает волнами, поэтому его невозможно принять и обработать одномоментно. У нас есть прогнозное планирование, в котором учитываются погода, социальные факторы и другие условия, влияющие на спрос. Но план приходится постоянно перестраивать: на одной из площадок может произойти технологический сбой, по отдельному SKU — неожиданно измениться спрос. Рыночные ИТ-системы пока не позволяют выполнять такое планирование в полной мере. Поэтому у нас есть собственный комплекс R&D и партнёры, которые помогают готовить модели и дискретно выстраивать прогнозы производства. Это фундамент для дальнейшего построения MES и APS. В направлении готовой еды мы также внедряем ERP-систему с элементами управления цеховым планированием. При этом цифровизация у нас часто начинается не с классического планирования производства, а с конца процесса — контроля качества, подсчёта готовой продукции и фиксации того, что фактически вышло с производственных линий.

Есть важная особенность: классическая схема «спланировали — произвели — продали — отгрузили» у нас не работает в чистом виде. Условно говоря, мы сначала продаём продукцию, потом отгружаем, а потом производим. Физически производство идёт в реальном времени, мы понимаем, что и в каком порядке выпускается, отражаем это в оперативном контуре, но с точки зрения бухгалтерской учётной системы последовательность выглядит иначе. Это связано с ультрафреш-логистикой. Так как срок жизни продукции короткий, производственный, коммерческий и логистический процессы должны быть тесно связаны. Системы учёта в реальном времени, SCADA и аппаратный уровень автоматизации в этом помогают, но их недостаточно — нужен полноценный цифровой контур, созданный с поправкой на специфику нашей компании. 

У холдинга есть большая программа стратегических проектов. Среди приоритетов — оперативное получение данных, повышение эффективности и производительности труда. Задача ИТ — помогать бизнесу отвечать на вызовы рынка, получать данные и повышать операционную эффективность. Для этого мы развиваемся и наращиваем внутренние ИТ-ресурсы и компетенции: команда, которую я возглавляю, выросла с 25 до 100 человек менее чем за два года. При этом холдинг работает и с внешними ИТ-партнёрами. Внутри компании есть знание конкретного бизнеса и его процессов, у партнёров — рыночная экспертиза и компетенции в отдельных направлениях. За счёт этой синергии можно двигаться быстрее. 

По моим наблюдениям, в отрасли чаще звучат размышления о том, как можно было бы применить искусственный интеллект, чем реальные внедрения. Там, где эксперименты есть, они часто носят локальный характер.

В БКХ «Коломенский» формируется ИИ-функция. Есть команда, которая занимается валидацией проектов, связанных с внедрением ИИ. Мы рассматриваем искусственный интеллект широко — не только как большие языковые модели, но и как машинное и глубинное обучение, computer vision, другие когнитивные технологии. Computer vision уже используется в производстве, операционной деятельности и отчётности. Ещё мы реализовали проект по оптимизации службы в финансовом блоке. Он позволил повысить эффективность работы и снизить штатную численность сотрудников, а срок окупаемости составил около двух недель. ИИ также используется как поддерживающий инструмент в работе Service Desk, программистов и системных аналитиков. 

К внедрению ИИ нужно подходить так же, как к внедрению любых инструментов автоматизации. При этом важно разделять личное и корпоративное использование ИИ. Если сотрудник использует языковую модель индивидуально, он повышает собственную эффективность. Это полезно, но ещё не является бизнес-внедрением. Настоящее внедрение начинается тогда, когда ИИ встроен в процесс, создаёт контекст и данные для бизнеса и становится частью управленческого контура.

Первый и, наверное, самый важный фактор — отсутствие владельца процесса и заинтересованного стейкхолдера. ИИ масштабируется там, где есть человек, который отвечает за то, чтобы решение действительно использовалось. Должны быть владелец, зона ответственности, понятный результат и KPI. Если проект существует сам по себе и никто не отвечает за его дальнейшую жизнь, он не заработает. Есть простой практический признак того, что решение стало нужным. Если функцию отключают, а пользователи начинают писать в поддержку и просить включить её обратно, значит, решение уже стало частью бизнес-процесса. В таком случае его пора масштабировать.

Второй фактор — работа с саботажем и отработка возражений внутри коллектива. Скажем, человек десятки лет выполнял одну и ту же операцию и понимал, как она устроена. И вдруг эту задачу начинает выполнять машина, алгоритм работы которой которой непонятен. Сотрудникам может быть сложно поверить, что ИИ справится с заданием, даже если результат качественный и более оперативный по сравнению с выполнением вручную. Но доверие к ИИ не назначить приказом, поэтому его нужно формировать через обучение и «продажу» сотрудникам необходимости использования технологии. 

Третий фактор — данные. Важно не только их количество, но и качество, валидированность и соответствие требованиям комплаенса. Без подготовленной базы данных ИИ-систему не получится перевести в промышленную эксплуатацию и использовать для принятия управленческих решений.

Подробнее о том, как ИИ-проекты теряют управляемость при увеличении объемов данных, рассказали в прошлом материале.

Во-первых, проект должен решать масштабную задачу и давать измеримый экономический эффект. В качестве ориентира можно говорить о снижении издержек ручного труда примерно на 30–85% — в зависимости от конкретного сценария. Иначе решение может оказаться технологически интересным, но экономически нецелесообразным.

Во-вторых, есть юридическая сторона: кто отвечает за решение, принятое моделью? Если ИИ оценивает качество упаковки батона, распознаёт документ или проверяет маркировку, это один уровень риска. Но если на основании его решения останавливается производственная линия или блокируется партия товара, вопрос ответственности становится принципиальным. Модель может предложить решение, но человек должен его проверить и принять. Зону ответственности необходимо определить ещё на старте проекта.

В третьих, искусственный интеллект — это не разум в человеческом смысле, а статистическая модель, математика и результат работы с данными. Поэтому любой результат нужно валидировать. Я сам, когда получаю информацию от одной модели, перепроверяю её в другой LLM. Модель может воспроизводить статистику того информационного поля, на котором она обучалась. Если в сети станет много недостоверной информации, она тоже может восприниматься как вероятный ответ.

Отдельный вопрос — информационная безопасность. В БКХ «Коломенский» используются только on-premise-решения, мы не работаем напрямую с внешним контуром. При использовании внешних моделей сложнее контролировать, какие данные покидают корпоративную систему. Даже обезличивание не всегда гарантирует полного устранения риска. Обсуждали с коллегами реальный кейс, когда информация анонимизировалась четырьмя разными моделями перед отправкой во внешнюю нейросеть. Оказалось, что даже этого недостаточно: со временем модель накапливает контекст и восстанавливает удаленную информацию по косвенным признакам.

Отсутствие готовых отраслевых решений я бы точно не назвал стоп-фактором. Многие прикладные задачи можно решить тем же созданием агента. Главные барьеры — стоимость проектов и нехватка квалифицированных ИТ-специалистов. Первую проблему легче решить, найти варианты выхода. Например, на стоимость ИИ-проекта сильно влияет стоимость инфраструктуры. Можно, условно, на этапе ИИ-пилота ограничить бюджет, использовать облачные решения и не переходить сразу к дорогому on-premise-контуру. 

Если говорить про персонал, то здесь сложнее. Во-первых, наша отрасль характеризуется низкой маржинальностью, поэтому проекты часто недофинансированы. Во-вторых, не хватает людей, которые глубоко понимают не только возможности ИТ и ИИ, но и особенности конкретного производства. А успешные проекты появляются именно там, где команда умеет соединять отраслевую специфику с современными технологиями.

Подробнее о том, как внедрить ИИ в бизнес-процессы — рассказали в статье.