У российской промышленности растёт востребованность ИИ-инженеров

Фото: пресс-служба «Газпром нефти».

Ассоциация «Индустриальные инновации», объединяющая «Газпром нефть», Газпромбанк, «Северсталь» и «Газинформсервис», провела анализ того, каким образом нейросети и ИИ-агенты трансформируют рынок труда в промышленном секторе. Согласно полученным данным, 38% предприятий сообщают о намерении активно нанимать ИИ-инженеров, а к 2030 году большинство компаний рассчитывают довести долю сотрудников, владеющих навыками работы с искусственным интеллектом, до 80%.

Исследование «Промышленный искусственный интеллект» выявило потребность заводов в аналитиках данных и специалистах по машинному обучению, которые при этом разбираются в металлургии, машиностроении или нефтедобыче. Бизнес нуждается в таких кадрах в объёме, который вузы пока не успевают обеспечивать. Как следствие, часть компаний вынуждена замедлять переход от локальных ИИ-проектов к созданию полностью автономных производств.

Закрыть кадровый дефицит призван национальный проект «Экономика данных и цифровая трансформация государства». К началу следующего десятилетия он поможет университетам подготовить свыше 10 тысяч ИИ-специалистов топ-уровня. «Газпром нефть», к примеру, совместно с Университетом ИТМО развивает программу высшего образования в сфере ИИ. Параллельно Корпоративный университет компании выстроил непрерывную систему обучения в партнёрстве с десятками школ, колледжей и вузов. Такая модель позволяет растить молодых специалистов на всех этапах по единым стандартам во всех регионах присутствия, обеспечивая равные возможности для карьерного роста.

Фото: пресс-служба «Газпром нефти».

Иван Эрих, начальник управления инновационной экосистемы и коммерциализации «Газпром нефти», поясняет, что для масштабного применения ИИ в нефтегазовой отрасли необходимы не только технологии, но и люди, способные с ними работать. Компания развивает оба направления одновременно. Готовит ИИ-специалистов вместе с университетами, обучает собственных сотрудников и создаёт отраслевую ИИ-модель O1L. Универсальные нейросети, по его словам, не всегда учитывают специфику индустриальных задач, тогда как O1L обучена на отраслевых знаниях. Инструменты на её основе уже помогают инженерам искать нужную информацию и выполнять расчёты, делая ИИ доступным помощником в повседневной работе. Это формирует базу для широкого внедрения ИИ в «Газпром нефти», а в перспективе модель может стать национальной для всей нефтегазовой отрасли.

По прогнозу ассоциации, российский рынок промышленного ИИ увеличится с 40 млрд рублей в 2025 году до 134 млрд рублей к 2030 году. Сегмент платформ машинного обучения за тот же период вырастет с 4,8 до 18,8 млрд рублей, а систем предиктивной аналитики — с 8 до 21,4 млрд рублей.

Павел Салугин, исполнительный вице-президент Газпромбанка, обращает внимание, что промышленный ИИ постепенно движется от отдельных пилотных проектов к более широкому внедрению в производственные процессы. При этом сама ИИ-модель — лишь один из элементов таких систем. Для масштабирования необходимы подготовленная ИТ-инфраструктура, качественные данные, соответствующие компетенции и механизмы кибербезопасности. Исследование, по его словам, позволяет увидеть потенциал технологий, существующие ограничения и практические результаты их применения на промышленных предприятиях.

Александр Бубнов, руководитель центра экспертизы по инновациям и трендам Академии по развитию Бизнес Системы «Севергрупп», подчёркивает, что для промышленного бизнеса особенно важен переход от отдельных экспериментов к масштабируемым решениям, встроенным в реальные производственные и управленческие процессы. Модель может отлично показать себя на тестовых данных, но на производстве ей приходится работать с разным оборудованием, неполной телеметрией и высокими требованиями к надёжности и безопасности. Поэтому масштабирование начинается с качества данных и понятной ответственности за результат, а не только с выбора технологии. В совместном отчёте рынок промышленного ИИ в России и мире рассматривается через задачи предприятий: где технологии уже находят применение, что требуется для их внедрения и какие ограничения важно учесть до запуска проекта. Авторы исследования стремились отделить перспективные сценарии от тех, для которых пока не хватает данных, инфраструктуры или подтверждённого эффекта.