Работа с несколькими поставщиками и маршрутами вместо одного требует дополнительных ресурсов уже сегодня и окупается только тогда, когда что-то идет не так.
Большинство российских разборов логистических рисков 2025–2026 годов сходятся в одном:планы поставок срываются потому, что решение о переходе на резервные варианты принимается слишком поздно.
Четыре инструмента этой статьи описывают, как эта готовность выстраивается на уровне всей цепочки поставок.
Это тридцать седьмая статья цикла.
Завершаем группу F «Логистика и цепочки поставок».
В этой статье разбираем:
— Системы управления цепочками поставок (Supply Chain Management Systems) — объединение планирования, закупок, производства, хранения и доставки в единую информационную среду вместо разрозненных систем с ручной передачей данных между ними.
— ИИ для аналитики цепочки поставок (AI in Supply Chain Analytics) — применение моделей машинного обучения для прогноза спроса, оптимизации маршрутов, управления запасами и предсказания сбоев по многомерным данным: погоде, трендам, макроэкономическим показателям.
— Управление рисками в цепочках поставок (Supply Chain Risk Management) — выявление, оценка и снижение факторов, способных нарушить непрерывность бизнеса: как внутренних, включая отказы оборудования, так и внешних, от стихийных бедствий до геополитической напряженности.
— Управление цепочками поставок (Supply Chain Management) — координация всех этапов движения товаров, услуг и информации от поставщиков до конечных потребителей как единого процесса, а не последовательности независимых функций.
По каждому инструменту — происхождение, суть и механика, границы применимости, чек-лист перед внедрением и разбор типичных ошибок.
🔗Читать на сайте АЦТ: https://dia.ru/news/6142
Большинство российских разборов логистических рисков 2025–2026 годов сходятся в одном:планы поставок срываются потому, что решение о переходе на резервные варианты принимается слишком поздно.
Четыре инструмента этой статьи описывают, как эта готовность выстраивается на уровне всей цепочки поставок.
Это тридцать седьмая статья цикла.
Завершаем группу F «Логистика и цепочки поставок».
В этой статье разбираем:
— Системы управления цепочками поставок (Supply Chain Management Systems) — объединение планирования, закупок, производства, хранения и доставки в единую информационную среду вместо разрозненных систем с ручной передачей данных между ними.
— ИИ для аналитики цепочки поставок (AI in Supply Chain Analytics) — применение моделей машинного обучения для прогноза спроса, оптимизации маршрутов, управления запасами и предсказания сбоев по многомерным данным: погоде, трендам, макроэкономическим показателям.
— Управление рисками в цепочках поставок (Supply Chain Risk Management) — выявление, оценка и снижение факторов, способных нарушить непрерывность бизнеса: как внутренних, включая отказы оборудования, так и внешних, от стихийных бедствий до геополитической напряженности.
— Управление цепочками поставок (Supply Chain Management) — координация всех этапов движения товаров, услуг и информации от поставщиков до конечных потребителей как единого процесса, а не последовательности независимых функций.
По каждому инструменту — происхождение, суть и механика, границы применимости, чек-лист перед внедрением и разбор типичных ошибок.
🔗Читать на сайте АЦТ: https://dia.ru/news/6142
16 тысяч промышленных роботов в год — столько российским предприятиям предстоит устанавливать до 2030 года, чтобы выйти на национальную цель по роботизации. В 2025 году установлено 2,1 тысячи.
Парк промышленных роботов за прошлый год вырос на 10,9%, до 21,9 тысячи единиц. Плотность роботизации осталась на уровне 29 роботов на 10 тысяч работников. Указ о национальных целях развития предполагает вхождение России в топ-25 стран по этому показателю к 2030 году, что означает 100 роботов на 10 тысяч работников и дополнительную установку более 80 тысяч единиц за пять лет. Текущий темп отстает от требуемого примерно в семь с половиной раз.
Оценки парка расходятся между источниками. Минпромторг называет 21,9 тысячи единиц, тогда как холдинг «Росэл» в июльском исследовании оценивал парк в 32–34 тысячи, а Центр развития промышленной робототехники Университета Иннополис давал плотность 40 роботов на 10 тысяч работников против ведомственных 29. Разброс объясняется методиками подсчета: одни источники учитывают только многоцелевых манипуляторов по международной классификации, другие включают специализированное оборудование для загрузки и перемещения деталей. Для предприятия это означает, что отраслевые ориентиры требуют проверки на сопоставимость базы.
Директор практики стратегического и операционного консалтинга Kept Николай Чернецов связывает динамику со слабым спросом предприятий на фоне пересмотра инвестиционных планов. Старший менеджер практики бизнес-консультирования «ТеДо» Роман Руфов перечисляет барьеры по итогам исследования компании: стоимость и доступность финансирования, нехватка компетенций и интеграторов, неопределенность возврата инвестиций. Структура проектов остается прежней: большинство внедрений небольшие и требуют индивидуальной интеграции, рынок не перешел к тиражированию типовых решений.
В 2025 году создано семь центров развития промышленной робототехники, в текущем году планируется открыть еще тринадцать, в следующем — десять, а к 2030 году сеть должна насчитывать тридцать центров. Федеральный центр компетенций проводит технологический аудит предприятий на предмет возможностей роботизации: в прошлом году его прошли 120 предприятий в 45 регионах, в текущем запланировано не менее 320 оценок, до 2030 года — около 1,5 тысячи. Совокупный спрос на роботизацию оценивается в 30 млрд рублей по итогам 2025 года с потенциалом роста до 212 млрд к 2030-му. Меры финансовой поддержки действуют параллельно: субсидия покрывает до половины цены отечественного робота, промышленный кешбэк возмещает до 20% затрат на внедрение.
Сокращение разрыва между 2,1 и 16 тысячами установок в год упирается в типизацию решений. Предприятию, рассматривающему автоматизацию, технологический аудит доступен через Федеральный центр компетенций, а расчет окупаемости предсказуемее там, где роботизируется повторяемая операция с готовым отраслевым решением — сварка, паллетирование, загрузка станков с числовым программным управлением. Экономика серии из нескольких однотипных ячеек считается иначе, чем экономика единичного проекта с индивидуальной интеграцией, и именно этот переход отделяет нынешние темпы от целевых.
Парк промышленных роботов за прошлый год вырос на 10,9%, до 21,9 тысячи единиц. Плотность роботизации осталась на уровне 29 роботов на 10 тысяч работников. Указ о национальных целях развития предполагает вхождение России в топ-25 стран по этому показателю к 2030 году, что означает 100 роботов на 10 тысяч работников и дополнительную установку более 80 тысяч единиц за пять лет. Текущий темп отстает от требуемого примерно в семь с половиной раз.
Оценки парка расходятся между источниками. Минпромторг называет 21,9 тысячи единиц, тогда как холдинг «Росэл» в июльском исследовании оценивал парк в 32–34 тысячи, а Центр развития промышленной робототехники Университета Иннополис давал плотность 40 роботов на 10 тысяч работников против ведомственных 29. Разброс объясняется методиками подсчета: одни источники учитывают только многоцелевых манипуляторов по международной классификации, другие включают специализированное оборудование для загрузки и перемещения деталей. Для предприятия это означает, что отраслевые ориентиры требуют проверки на сопоставимость базы.
Директор практики стратегического и операционного консалтинга Kept Николай Чернецов связывает динамику со слабым спросом предприятий на фоне пересмотра инвестиционных планов. Старший менеджер практики бизнес-консультирования «ТеДо» Роман Руфов перечисляет барьеры по итогам исследования компании: стоимость и доступность финансирования, нехватка компетенций и интеграторов, неопределенность возврата инвестиций. Структура проектов остается прежней: большинство внедрений небольшие и требуют индивидуальной интеграции, рынок не перешел к тиражированию типовых решений.
В 2025 году создано семь центров развития промышленной робототехники, в текущем году планируется открыть еще тринадцать, в следующем — десять, а к 2030 году сеть должна насчитывать тридцать центров. Федеральный центр компетенций проводит технологический аудит предприятий на предмет возможностей роботизации: в прошлом году его прошли 120 предприятий в 45 регионах, в текущем запланировано не менее 320 оценок, до 2030 года — около 1,5 тысячи. Совокупный спрос на роботизацию оценивается в 30 млрд рублей по итогам 2025 года с потенциалом роста до 212 млрд к 2030-му. Меры финансовой поддержки действуют параллельно: субсидия покрывает до половины цены отечественного робота, промышленный кешбэк возмещает до 20% затрат на внедрение.
Сокращение разрыва между 2,1 и 16 тысячами установок в год упирается в типизацию решений. Предприятию, рассматривающему автоматизацию, технологический аудит доступен через Федеральный центр компетенций, а расчет окупаемости предсказуемее там, где роботизируется повторяемая операция с готовым отраслевым решением — сварка, паллетирование, загрузка станков с числовым программным управлением. Экономика серии из нескольких однотипных ячеек считается иначе, чем экономика единичного проекта с индивидуальной интеграцией, и именно этот переход отделяет нынешние темпы от целевых.
Общая эффективность оборудования: что такое OEE, из чего складывается показатель и как его считают
Общая эффективность оборудования выражает состояние станка или линии одним числом от нуля до ста процентов. Метрика показывает, какую долю теоретически возможного выпуска предприятие получает фактически, и раскладывает разницу на три измеримые причины.
Происхождение метода
Показатель разработал японский инженер Сэйити Накадзима в 1960-х годах как часть системы TPM. Систематическое изложение он дал в книге «Введение в TPM» 1988 года, где показатель связан с шестью типами потерь: поломками, наладкой, простоями и микроостановками, снижением скорости, браком в процессе и потерями при пуске.
Три сомножителя
OEE вычисляется как произведение доступности, производительности и качества.
Доступность: отношение времени фактической работы к плановому времени производства. Потери здесь дают поломки и переналадки.
Производительность: отношение фактической скорости выпуска к паспортной. Потери дают микроостановки и работа на пониженной скорости.
Качество: доля годных изделий в общем выпуске. Потери дают брак в процессе и потери при пуске после наладки.
Пример расчета
Смена длится 480 минут, из них 40 запланированы как перерыв, плановое время работы 440 минут. Простой занял 60 минут, фактическое время работы составило 380 минут, доступность равна 86,4%. Паспортный цикл детали одна минута, за время работы выпущено 342 изделия при теоретически возможных 380: производительность 90%. Из 342 изделий годных 325, качество 95%. Итоговый OEE равен произведению трех величин и составляет 73,9%.
Расчет иллюстрирует отличие от учета простоев: три близких к единице множителя в произведении дают итог заметно ниже каждого из них по отдельности.
Разбор на примере
Поставщик автомобильных уплотнений внедрил измерение OEE на 40 производственных площадках в 12 странах: штамповка, литье, экструзия, механообработка. До этого показатель определяли вручную по бумажным журналам, его значение составляло около 42%; короткие остановки и потери скорости в ручной учет не включались.
На каждой линии установили датчики, снимающие состояние оборудования напрямую, без интеграции с системой управления. Единая методика сделала показатели сопоставимыми между площадками, что позволило переносить решения с одной линии на другую. По площадкам определяли крупнейшие категории потерь, чаще всего наладку, простои и микроостановки, и под них запускали проекты сокращения переналадки.
По данным поставщика системы измерения, за 12 месяцев средний показатель по группе вырос с 42 до 75%, на 33 процентных пункта; независимого подтверждения не найдено.
Границы применимости
Показатель годится для оборудования с определенным паспортным циклом. Для процессов с изменяющимся продуктом, где номинальная скорость меняется от партии к партии, требуется отдельная база сравнения для каждого варианта, иначе показатель становится несопоставимым сам с собой.
Вторая граница касается данных: доступность завышается на 8–15 пунктов, если учитываются только простои, замеченные оператором, а короткие остановки продолжительностью менее минуты остаются неучтенными.
Место в методике АЦТ
Общая эффективность оборудования значится под кодом A3-04 в группе A «Операционная эффективность»: 6 часов теории, 12 часов практики, категория сложности «простой».
В методике этот показатель применяется как измеритель для смежных инструментов. Сокращение переналадки (A3-05) повышает доступность, а сортировка потерь по величине основана на тех же принципах, что анализ Парето (A1-02).
Вывод
Три сомножителя формулы решают одну задачу: не позволить сильной стороне процесса скрывать слабую. Линия с доступностью 95% может терять не меньше на скорости или браке, и итоговое число это отразит, тогда как отчет о простоях покажет искаженно благополучный результат.
Из этого принципа вытекает порядок работы с метрикой: сначала определяется, какой из трех множителей ниже остальных, и улучшение направляется на него, а не распределяется равномерно по всем трем.
Общая эффективность оборудования выражает состояние станка или линии одним числом от нуля до ста процентов. Метрика показывает, какую долю теоретически возможного выпуска предприятие получает фактически, и раскладывает разницу на три измеримые причины.
Происхождение метода
Показатель разработал японский инженер Сэйити Накадзима в 1960-х годах как часть системы TPM. Систематическое изложение он дал в книге «Введение в TPM» 1988 года, где показатель связан с шестью типами потерь: поломками, наладкой, простоями и микроостановками, снижением скорости, браком в процессе и потерями при пуске.
Три сомножителя
OEE вычисляется как произведение доступности, производительности и качества.
Доступность: отношение времени фактической работы к плановому времени производства. Потери здесь дают поломки и переналадки.
Производительность: отношение фактической скорости выпуска к паспортной. Потери дают микроостановки и работа на пониженной скорости.
Качество: доля годных изделий в общем выпуске. Потери дают брак в процессе и потери при пуске после наладки.
Пример расчета
Смена длится 480 минут, из них 40 запланированы как перерыв, плановое время работы 440 минут. Простой занял 60 минут, фактическое время работы составило 380 минут, доступность равна 86,4%. Паспортный цикл детали одна минута, за время работы выпущено 342 изделия при теоретически возможных 380: производительность 90%. Из 342 изделий годных 325, качество 95%. Итоговый OEE равен произведению трех величин и составляет 73,9%.
Расчет иллюстрирует отличие от учета простоев: три близких к единице множителя в произведении дают итог заметно ниже каждого из них по отдельности.
Разбор на примере
Поставщик автомобильных уплотнений внедрил измерение OEE на 40 производственных площадках в 12 странах: штамповка, литье, экструзия, механообработка. До этого показатель определяли вручную по бумажным журналам, его значение составляло около 42%; короткие остановки и потери скорости в ручной учет не включались.
На каждой линии установили датчики, снимающие состояние оборудования напрямую, без интеграции с системой управления. Единая методика сделала показатели сопоставимыми между площадками, что позволило переносить решения с одной линии на другую. По площадкам определяли крупнейшие категории потерь, чаще всего наладку, простои и микроостановки, и под них запускали проекты сокращения переналадки.
По данным поставщика системы измерения, за 12 месяцев средний показатель по группе вырос с 42 до 75%, на 33 процентных пункта; независимого подтверждения не найдено.
Границы применимости
Показатель годится для оборудования с определенным паспортным циклом. Для процессов с изменяющимся продуктом, где номинальная скорость меняется от партии к партии, требуется отдельная база сравнения для каждого варианта, иначе показатель становится несопоставимым сам с собой.
Вторая граница касается данных: доступность завышается на 8–15 пунктов, если учитываются только простои, замеченные оператором, а короткие остановки продолжительностью менее минуты остаются неучтенными.
Место в методике АЦТ
Общая эффективность оборудования значится под кодом A3-04 в группе A «Операционная эффективность»: 6 часов теории, 12 часов практики, категория сложности «простой».
В методике этот показатель применяется как измеритель для смежных инструментов. Сокращение переналадки (A3-05) повышает доступность, а сортировка потерь по величине основана на тех же принципах, что анализ Парето (A1-02).
Вывод
Три сомножителя формулы решают одну задачу: не позволить сильной стороне процесса скрывать слабую. Линия с доступностью 95% может терять не меньше на скорости или браке, и итоговое число это отразит, тогда как отчет о простоях покажет искаженно благополучный результат.
Из этого принципа вытекает порядок работы с метрикой: сначала определяется, какой из трех множителей ниже остальных, и улучшение направляется на него, а не распределяется равномерно по всем трем.
Предприятие может владеть системой проектирования, системой планирования и системой сбора данных с оборудования одновременно — и при этом не получать от них скоординированного результата, если между системами нет общего контура данных. Каждая часть работает исправно сама по себе, а совокупный эффект остается на уровне отдельных улучшений, а не сквозного результата. Группа инструментов, которую эта статья открывает, посвящена именно связке между производственными системами — от программирования станка до анализа накопленных данных.
Это тридцать восьмая статья цикла. Открываем группу G «Цифровые технологии трансформации» — подгруппу G1 «Производственные системы» и первый инструмент подгруппы G2.
В этой статье разбираем:
— Автоматизированные системы управления производством (CAM) — перевод геометрии детали, заданной в системе проектирования, в управляющую программу для станка: выбор операций, последовательности обработки, скорости подачи и типа инструмента.
— Управление жизненным циклом продукции (PLM) — единая база, в которой конструкторские, технологические и эксплуатационные данные об изделии не расходятся между подразделениями и версиями от появления идеи до утилизации.
— Системы для управления производственными процессами (APS/MES) — планирование производства с учетом реальных ограничений мощностей и контроль исполнения на уровне цеха в реальном времени.
— Аналитика больших данных (Big Data Analytics) — выявление закономерностей в массивах данных, которые характеризуются объемом, скоростью поступления и разнородностью источников: от показаний датчиков оборудования до погодных условий.
По каждому инструменту — происхождение, суть и механика, границы применимости, чек-лист перед внедрением и разбор типичных ошибок.
🔗Читать на сайте АЦТ: https://dia.ru/news/6150
Это тридцать восьмая статья цикла. Открываем группу G «Цифровые технологии трансформации» — подгруппу G1 «Производственные системы» и первый инструмент подгруппы G2.
В этой статье разбираем:
— Автоматизированные системы управления производством (CAM) — перевод геометрии детали, заданной в системе проектирования, в управляющую программу для станка: выбор операций, последовательности обработки, скорости подачи и типа инструмента.
— Управление жизненным циклом продукции (PLM) — единая база, в которой конструкторские, технологические и эксплуатационные данные об изделии не расходятся между подразделениями и версиями от появления идеи до утилизации.
— Системы для управления производственными процессами (APS/MES) — планирование производства с учетом реальных ограничений мощностей и контроль исполнения на уровне цеха в реальном времени.
— Аналитика больших данных (Big Data Analytics) — выявление закономерностей в массивах данных, которые характеризуются объемом, скоростью поступления и разнородностью источников: от показаний датчиков оборудования до погодных условий.
По каждому инструменту — происхождение, суть и механика, границы применимости, чек-лист перед внедрением и разбор типичных ошибок.
🔗Читать на сайте АЦТ: https://dia.ru/news/6150
«ФосАгро» и цифровая химия: от рудника до реактора на одних данных
Кировский рудник в Мурманской области — крупнейший в Европе: по плану компании, добыча апатит-нефелиновой руды на нем должна была превысить в 2025 году 25 млн тонн — почти вдвое больше, чем десятилетием ранее. Далее руда проходит долгий путь, прежде чем стать удобрением: обогащение на шаровых мельницах, затем химический передел. На каждом переходе цепочка теряет часть данных: у забоя нет сведений о состоянии фабрики, у фабрики — о загрузке химического цеха. «ФосАгро» выстраивает цифровой контур, который связывает эти переделы в единую систему управления — от карьера до реактора.
В основе контура — предиктивная аналитика. Компания развернула 407 моделей собственной разработки, которые анализируют работу шаровых мельниц на апатит-нефелиновых фабриках Кировского филиала «Апатит» и предсказывают неполадки оборудования до их возникновения. Мельница — узел, простой которого останавливает всю фабрику, поэтому переход от реактивного ремонта к предиктивному напрямую защищает объем производства при растущей добыче.
Похожая логика применена и на горном переделе. Дистанционное бурение на подземных рудниках подняло производительность труда на руднике на 20% при кратном росте безопасности: оператор управляет процессом дистанционно, по показаниям датчиков, находясь вне забоя в момент бурения. В июне 2026 года компания сделала следующий шаг в сторону автономности: «Апатит» и МегаФон подписали соглашение о развертывании частной сети 5G в Кировском филиале — эта инфраструктура связи должна обеспечить ввод в эксплуатацию беспилотных карьерных самосвалов на открытых участках добычи. Требование к скорости и стабильности канала здесь не техническая деталь, а условие безопасности: задержка сигнала для беспилотной техники, движущейся среди людей и оборудования, недопустима.
На фабриках в промышленной эксплуатации работает бортовая система технического зрения на основе искусственного интеллекта — она контролирует состояние оборудования и технологических процессов без постоянного присутствия человека у контролируемого узла. Система анализирует видеопоток в реальном времени и передает отклонения диспетчеру раньше, чем они проявятся в показателях выпуска. Разница между осмотром раз в смену и непрерывным контролем особенно ощутима на объектах с непрерывным технологическим циклом, где остановка процесса стоит дорого. Принцип тот же, что у предиктивных моделей на мельницах: периодический осмотр заменяется непрерывным наблюдением. Параллельно компания развивает горную диспетчеризацию: данные о состоянии техники, положении самосвалов и параметрах добычи сводятся в единую систему, которая связывает карьер с планированием производства на фабрике. Разрозненные прежде источники — геологическая модель месторождения, показания датчиков на технике, план выемки руды — становятся частью одного контура, а не отдельными отчетами, которые прежде сходились только на совещаниях руководства.
Показателен порядок реализации шагов: «ФосАгро» начинала с предиктивной аналитики на фабрике и дистанционного бурения на руднике, и лишь затем перешла к внедрению автономной техники. Каждый следующий этап опирался на данные и инфраструктуру связи, отработанные на предыдущем. Для предприятия, рассматривающего автономную технику как точку входа в цифровизацию, этот путь задает встречный вопрос. Располагает ли оно инфраструктурой связи, накопленными данными и процессами, отработанными на менее рискованных задачах — тем фундаментом, без которого беспилотная техника остается демонстрационным образцом, а не серийным решением.
Кировский рудник в Мурманской области — крупнейший в Европе: по плану компании, добыча апатит-нефелиновой руды на нем должна была превысить в 2025 году 25 млн тонн — почти вдвое больше, чем десятилетием ранее. Далее руда проходит долгий путь, прежде чем стать удобрением: обогащение на шаровых мельницах, затем химический передел. На каждом переходе цепочка теряет часть данных: у забоя нет сведений о состоянии фабрики, у фабрики — о загрузке химического цеха. «ФосАгро» выстраивает цифровой контур, который связывает эти переделы в единую систему управления — от карьера до реактора.
В основе контура — предиктивная аналитика. Компания развернула 407 моделей собственной разработки, которые анализируют работу шаровых мельниц на апатит-нефелиновых фабриках Кировского филиала «Апатит» и предсказывают неполадки оборудования до их возникновения. Мельница — узел, простой которого останавливает всю фабрику, поэтому переход от реактивного ремонта к предиктивному напрямую защищает объем производства при растущей добыче.
Похожая логика применена и на горном переделе. Дистанционное бурение на подземных рудниках подняло производительность труда на руднике на 20% при кратном росте безопасности: оператор управляет процессом дистанционно, по показаниям датчиков, находясь вне забоя в момент бурения. В июне 2026 года компания сделала следующий шаг в сторону автономности: «Апатит» и МегаФон подписали соглашение о развертывании частной сети 5G в Кировском филиале — эта инфраструктура связи должна обеспечить ввод в эксплуатацию беспилотных карьерных самосвалов на открытых участках добычи. Требование к скорости и стабильности канала здесь не техническая деталь, а условие безопасности: задержка сигнала для беспилотной техники, движущейся среди людей и оборудования, недопустима.
На фабриках в промышленной эксплуатации работает бортовая система технического зрения на основе искусственного интеллекта — она контролирует состояние оборудования и технологических процессов без постоянного присутствия человека у контролируемого узла. Система анализирует видеопоток в реальном времени и передает отклонения диспетчеру раньше, чем они проявятся в показателях выпуска. Разница между осмотром раз в смену и непрерывным контролем особенно ощутима на объектах с непрерывным технологическим циклом, где остановка процесса стоит дорого. Принцип тот же, что у предиктивных моделей на мельницах: периодический осмотр заменяется непрерывным наблюдением. Параллельно компания развивает горную диспетчеризацию: данные о состоянии техники, положении самосвалов и параметрах добычи сводятся в единую систему, которая связывает карьер с планированием производства на фабрике. Разрозненные прежде источники — геологическая модель месторождения, показания датчиков на технике, план выемки руды — становятся частью одного контура, а не отдельными отчетами, которые прежде сходились только на совещаниях руководства.
Показателен порядок реализации шагов: «ФосАгро» начинала с предиктивной аналитики на фабрике и дистанционного бурения на руднике, и лишь затем перешла к внедрению автономной техники. Каждый следующий этап опирался на данные и инфраструктуру связи, отработанные на предыдущем. Для предприятия, рассматривающего автономную технику как точку входа в цифровизацию, этот путь задает встречный вопрос. Располагает ли оно инфраструктурой связи, накопленными данными и процессами, отработанными на менее рискованных задачах — тем фундаментом, без которого беспилотная техника остается демонстрационным образцом, а не серийным решением.
Точность модели как отдельная метрика: практика «Северстали»
Руководитель службы мониторинга состояния оборудования «Северстали» Ярослав Осминкин, описал парадокс, который наблюдает много лет: большинство проектов предиктивного обслуживания фиксируют технологический успех и операционный провал одновременно. Модель дает верные прогнозы, система работает исправно, а люди продолжают ремонтировать оборудование только после поломки, игнорируя предупреждения.
Причина не в недоверии к самой технологии. По данным службы, лишь 35% критического оборудования на предприятии имеет достаточную историю отказов для построения точных моделей, а до 40% временных рядов с датчиков содержат пропуски или артефакты. Модель, обученная на таких данных, склонна к переобучению и зависима от стабильности внешних факторов: горизонт надежного прогноза сжимается до пяти-семи дней, и за его пределами точность падает без единого сообщения об ошибке.
Падение незаметно по конструкции самой системы. Модель продолжает выдавать ответ в прежнем формате: число, вероятность, рекомендацию. Формат не меняется, меняется точность внутри него, и без отдельного измерения это расхождение остается невидимым до первого крупного просчета.
У «Северстали» точность вынесена в отдельную операционную метрику. Показатель «точность прогнозов по конкретному оборудованию» встроен в систему наравне с производственными KPI. Каждое неподтвержденное предупреждение здесь фиксируется как обучающий пример: данные о фактическом результате ремонта возвращаются в модель и участвуют в очередном цикле переобучения.
Эта практика прямо отвечает на вопрос, который обычно остается открытым при внедрении модели: что именно считать сигналом деградации. Многие проекты измеряют доступность сервиса или число обработанных запросов. У «Северстали» показателем служит доля расхождений прогноза с фактом за период, измеренная на конкретной единице оборудования, а не усредненная по всему парку.
Вторая часть решения — назначенная ответственность. У предиктивной модели без владельца переобучение откладывается до заметного отказа, поскольку никто формально не следит за постепенным дрейфом точности. В «Северстали» под эту задачу выделены отдельные роли. Куратор качества данных отвечает за исходный поток с датчиков. Менеджер базы знаний ТОиР следит, чтобы результаты ремонтов возвращались в модель.
Спрос на такие роли подтверждается рынком труда. Специализация MLOps-инженера — отдельная профессия с задачей удерживать качество модели после ввода в эксплуатацию, а не только обучить ее и передать в работу. Медианная зарплата по рынку в 2026 году составляет около 227 тысяч рублей. У специалистов с опытом работы под нагрузкой диапазон поднимается до 600 тысяч, и на уровне middle и senior спрос устойчиво опережает предложение.
В методике АЦТ модели на базе машинного обучения описаны инструментом G2-04 (искусственный интеллект, 62 часа, очень сложный), а систематическая работа с исходными данными — управлением данными (H1-01, 36 часов, сложный). Связка соответствует практике «Северстали»: модель без выстроенного контура качества данных предсказуемо теряет точность быстрее, чем успевает принести пользу.
При закупке решения с элементами машинного обучения условия переобучения стоит закладывать в договор так же, как условия технической поддержки: кто измеряет точность после запуска, с какой периодичностью происходит переобучение и за чей счет. Без этих условий модель эксплуатируется до первого заметного расхождения, а не до планового технического обслуживания.
Руководитель службы мониторинга состояния оборудования «Северстали» Ярослав Осминкин, описал парадокс, который наблюдает много лет: большинство проектов предиктивного обслуживания фиксируют технологический успех и операционный провал одновременно. Модель дает верные прогнозы, система работает исправно, а люди продолжают ремонтировать оборудование только после поломки, игнорируя предупреждения.
Причина не в недоверии к самой технологии. По данным службы, лишь 35% критического оборудования на предприятии имеет достаточную историю отказов для построения точных моделей, а до 40% временных рядов с датчиков содержат пропуски или артефакты. Модель, обученная на таких данных, склонна к переобучению и зависима от стабильности внешних факторов: горизонт надежного прогноза сжимается до пяти-семи дней, и за его пределами точность падает без единого сообщения об ошибке.
Падение незаметно по конструкции самой системы. Модель продолжает выдавать ответ в прежнем формате: число, вероятность, рекомендацию. Формат не меняется, меняется точность внутри него, и без отдельного измерения это расхождение остается невидимым до первого крупного просчета.
У «Северстали» точность вынесена в отдельную операционную метрику. Показатель «точность прогнозов по конкретному оборудованию» встроен в систему наравне с производственными KPI. Каждое неподтвержденное предупреждение здесь фиксируется как обучающий пример: данные о фактическом результате ремонта возвращаются в модель и участвуют в очередном цикле переобучения.
Эта практика прямо отвечает на вопрос, который обычно остается открытым при внедрении модели: что именно считать сигналом деградации. Многие проекты измеряют доступность сервиса или число обработанных запросов. У «Северстали» показателем служит доля расхождений прогноза с фактом за период, измеренная на конкретной единице оборудования, а не усредненная по всему парку.
Вторая часть решения — назначенная ответственность. У предиктивной модели без владельца переобучение откладывается до заметного отказа, поскольку никто формально не следит за постепенным дрейфом точности. В «Северстали» под эту задачу выделены отдельные роли. Куратор качества данных отвечает за исходный поток с датчиков. Менеджер базы знаний ТОиР следит, чтобы результаты ремонтов возвращались в модель.
Спрос на такие роли подтверждается рынком труда. Специализация MLOps-инженера — отдельная профессия с задачей удерживать качество модели после ввода в эксплуатацию, а не только обучить ее и передать в работу. Медианная зарплата по рынку в 2026 году составляет около 227 тысяч рублей. У специалистов с опытом работы под нагрузкой диапазон поднимается до 600 тысяч, и на уровне middle и senior спрос устойчиво опережает предложение.
В методике АЦТ модели на базе машинного обучения описаны инструментом G2-04 (искусственный интеллект, 62 часа, очень сложный), а систематическая работа с исходными данными — управлением данными (H1-01, 36 часов, сложный). Связка соответствует практике «Северстали»: модель без выстроенного контура качества данных предсказуемо теряет точность быстрее, чем успевает принести пользу.
При закупке решения с элементами машинного обучения условия переобучения стоит закладывать в договор так же, как условия технической поддержки: кто измеряет точность после запуска, с какой периодичностью происходит переобучение и за чей счет. Без этих условий модель эксплуатируется до первого заметного расхождения, а не до планового технического обслуживания.
Denver International Airport: 193 млн долларов на систему сортировки багажа и 16 месяцев задержки открытия
В конце 1980-х годов Денвер решил построить новый аэропорт взамен Stapleton, исчерпавшего пропускную способность. United Airlines, ключевой перевозчик нового узла, поставила условием своего переезда автоматизированную систему обработки багажа для всех трех терминалов. Контракт на ее разработку и монтаж стоимостью 193 млн долларов получила компания BAE Automated Systems.
Открытие планировали на 31 октября 1993 года. Дату переносили четыре раза, аэропорт открылся 28 февраля 1995 года — с отставанием около 16 месяцев. Причиной Главное контрольное управление США в отчете 1994 года назвало неготовность автоматизированной системы багажа.
Что хотели сделать
Автоматизированная сеть должна была связать три терминала: около 17 миль путей и порядка четырех тысяч радиоуправляемых тележек — крупнейшая система такого рода на тот момент. Заказ выдали компании, ранее не строившей ничего подобного по масштабу: из трех предложений с более осторожными сроками только BAE согласилась выполнить работы в зафиксированный срок. Решение выглядело тогда обоснованным: аэропорт финансировался за счет облигаций, дата открытия была публично объявлена и увязана с погашением долга.
Где произошел сбой
С начала испытаний система регулярно теряла, повреждала и направляла багаж не по адресу, тележки сталкивались друг с другом на высокой скорости. Дату открытия сдвигали с 31 октября 1993 года на 19 декабря, затем на 9 марта и на 15 мая 1994 года. Каждый перенос объясняли частными доработками, не пересматривая общую оценку готовности.
Точка невозврата пришлась на 28 апреля 1994 года: администрация аэропорта устроила демонстрацию системы для прессы, не предупредив BAE. На глазах у журналистов из раздавленных чемоданов высыпалась одежда, местные издания назвали случившееся «большим взрывом». Мэр Денвера отменил майскую дату открытия и объявил задержку на неопределенный срок: скрывать масштаб проблемы дальше стало невозможно.
Сколько это стоило
По оценке консультантов, разбиравших случай впоследствии, содержание готового, но не открытого аэропорта обходилось городу около 1,1 млн долларов в день процентов по облигациям и содержания терминалов; за 16 месяцев эта сумма достигает свыше 500 млн долларов. Резервную конвейерную систему оценили в 51 млн долларов — отчет Главного контрольного управления США. При открытии автоматика заработала лишь на одном терминале, для одной авиакомпании и только на отправку багажа; остальное обрабатывали вручную. В августе 2005 года United Airlines отказалась от системы: ее обслуживание обходилось дороже обычных тележек и конвейеров.
Что из этого следует
Три вопроса переносятся на любой проект с зафиксированной внешней датой запуска. Устанавливается ли срок исходя из готовности технологии, или дата фиксируется заранее и технологию подгоняют под нее. Существует ли резервный вариант, спроектированный параллельно с начала, или его строят в спешке после публичного провала. Пересматривается ли решение о подрядчике и графике при первых сигналах о системных проблемах, или проект исполняют по инерции прежних обязательств.
Место в методике АЦТ
Прямо к ситуации относится управление рисками проектов (B4-02, группа B, 30 часов, сложный): оценка вероятности того, что технология не пройдет испытания в срок, до подписания контракта, а не после сорванных дат. Второй уровень — управление изменениями (B1-03, 30 часов): пересмотр масштаба и графика при поступлении новых данных о реализуемости.
Оба инструмента дают основание для решения, но не саму готовность его принять. Дата открытия была закреплена облигациями и публичными обязательствами города, и ни оценка риска, ни процедура изменений не отменят такое решение.
В итоге система работала, но не в том масштабе и не в те сроки, что были обещаны. Отставание в 16 месяцев сложилось не из одной ошибки, а из серии переносов даты, при каждом из которых продлить график на несколько недель казалось проще, чем признать разрыв между обещанием и тем, что показывали испытания.
В конце 1980-х годов Денвер решил построить новый аэропорт взамен Stapleton, исчерпавшего пропускную способность. United Airlines, ключевой перевозчик нового узла, поставила условием своего переезда автоматизированную систему обработки багажа для всех трех терминалов. Контракт на ее разработку и монтаж стоимостью 193 млн долларов получила компания BAE Automated Systems.
Открытие планировали на 31 октября 1993 года. Дату переносили четыре раза, аэропорт открылся 28 февраля 1995 года — с отставанием около 16 месяцев. Причиной Главное контрольное управление США в отчете 1994 года назвало неготовность автоматизированной системы багажа.
Что хотели сделать
Автоматизированная сеть должна была связать три терминала: около 17 миль путей и порядка четырех тысяч радиоуправляемых тележек — крупнейшая система такого рода на тот момент. Заказ выдали компании, ранее не строившей ничего подобного по масштабу: из трех предложений с более осторожными сроками только BAE согласилась выполнить работы в зафиксированный срок. Решение выглядело тогда обоснованным: аэропорт финансировался за счет облигаций, дата открытия была публично объявлена и увязана с погашением долга.
Где произошел сбой
С начала испытаний система регулярно теряла, повреждала и направляла багаж не по адресу, тележки сталкивались друг с другом на высокой скорости. Дату открытия сдвигали с 31 октября 1993 года на 19 декабря, затем на 9 марта и на 15 мая 1994 года. Каждый перенос объясняли частными доработками, не пересматривая общую оценку готовности.
Точка невозврата пришлась на 28 апреля 1994 года: администрация аэропорта устроила демонстрацию системы для прессы, не предупредив BAE. На глазах у журналистов из раздавленных чемоданов высыпалась одежда, местные издания назвали случившееся «большим взрывом». Мэр Денвера отменил майскую дату открытия и объявил задержку на неопределенный срок: скрывать масштаб проблемы дальше стало невозможно.
Сколько это стоило
По оценке консультантов, разбиравших случай впоследствии, содержание готового, но не открытого аэропорта обходилось городу около 1,1 млн долларов в день процентов по облигациям и содержания терминалов; за 16 месяцев эта сумма достигает свыше 500 млн долларов. Резервную конвейерную систему оценили в 51 млн долларов — отчет Главного контрольного управления США. При открытии автоматика заработала лишь на одном терминале, для одной авиакомпании и только на отправку багажа; остальное обрабатывали вручную. В августе 2005 года United Airlines отказалась от системы: ее обслуживание обходилось дороже обычных тележек и конвейеров.
Что из этого следует
Три вопроса переносятся на любой проект с зафиксированной внешней датой запуска. Устанавливается ли срок исходя из готовности технологии, или дата фиксируется заранее и технологию подгоняют под нее. Существует ли резервный вариант, спроектированный параллельно с начала, или его строят в спешке после публичного провала. Пересматривается ли решение о подрядчике и графике при первых сигналах о системных проблемах, или проект исполняют по инерции прежних обязательств.
Место в методике АЦТ
Прямо к ситуации относится управление рисками проектов (B4-02, группа B, 30 часов, сложный): оценка вероятности того, что технология не пройдет испытания в срок, до подписания контракта, а не после сорванных дат. Второй уровень — управление изменениями (B1-03, 30 часов): пересмотр масштаба и графика при поступлении новых данных о реализуемости.
Оба инструмента дают основание для решения, но не саму готовность его принять. Дата открытия была закреплена облигациями и публичными обязательствами города, и ни оценка риска, ни процедура изменений не отменят такое решение.
В итоге система работала, но не в том масштабе и не в те сроки, что были обещаны. Отставание в 16 месяцев сложилось не из одной ошибки, а из серии переносов даты, при каждом из которых продлить график на несколько недель казалось проще, чем признать разрыв между обещанием и тем, что показывали испытания.
597 миллиардов коммерческих токенов израсходовали компании через программный интерфейс Yandex AI Studio за первое полугодие. Это в 18 раз больше, чем годом ранее, и втрое больше, чем за все второе полугодие 2025-го. Данные раскрыты в отчетности Yandex B2B Tech.
Токены — расчетная единица работы языковой модели, и компании платят по факту потребления, поэтому объем израсходованных токенов честнее показывает реальную нагрузку на ИИ-модели, чем число подписанных соглашений о намерениях. Ежемесячная рекуррентная выручка платформы в июне была в 1,8 раза выше показателя годичной давности — рост держится не на разовых всплесках, а на растущей базе постоянных пользователей. В Yandex AI Studio создано более 30 тысяч ИИ-агентов, около четверти из них применяется в банковских услугах, технической поддержке и HR, а на агентов в целом приходится около 30% всего потребления платформы.
Структура спроса на облачную инфраструктуру шире одной платформы. Выручка Yandex B2B Tech за полугодие выросла на 32%, до 28,9 млрд рублей, что в 1,6 раза быстрее темпов роста российского рынка корпоративных ИТ-решений. Внутри Yandex Cloud 83% потребления по-прежнему обеспечивают банки, ретейл и ИТ-компании, но заметно ускорились и традиционные отрасли: строительство нарастило потребление облачных сервисов в 1,7 раза год к году, здравоохранение — в 1,5 раза, промышленность — в 1,4 раза. Доля крупных клиентов Yandex Cloud, использующих ИИ-сервисы, достигла 37%, прибавив 10 процентных пунктов за год.
Смена модели ценообразования внутри платформы объясняет часть роста. В линейке моделей появилась Alice AI LLM Flash — облегченная версия, использование которой обходится в пять раз дешевле флагманской модели. Дифференциация по стоимости расширяет круг задач, которые предприятию имеет смысл передавать модели: операции, ранее нерентабельные из-за стоимости обработки, переходят в экономически оправданную зону. Похожая логика видна и в кодовой платформе SourceCraft: число принятых пул-реквестов выросло более чем в 20 раз год к году, а разработчики использовали 435,5 млрд токенов при работе с встроенным ассистентом — генеративные модели применяются как в бизнес-процессах, так и в разработке самого программного обеспечения.
Рост потребления в промышленности на 40% год к году указывает на смену категории затрат. Для директора производственного предприятия расчет строится просто: облачная модель оплаты по факту потребления убирает необходимость закупать вычислительные кластеры и держать команду сопровождения, стоимость пилотного внедрения измеряется тысячами рублей, а не капитальными вложениями. Появление более дешевой линейки моделей вроде Alice AI LLM Flash расширяет список операций, которые становится выгодно передать модели уже сейчас — обработку заявок, первичную классификацию обращений, разбор технической документации. Отраслевая динамика — 1,4 раза за год против 1,7 раза в строительстве — показывает, что промышленность пока отстает от лидеров по темпу перехода, и это окно для тех, кто рассчитает экономику внедрения раньше конкурентов по отрасли.
Токены — расчетная единица работы языковой модели, и компании платят по факту потребления, поэтому объем израсходованных токенов честнее показывает реальную нагрузку на ИИ-модели, чем число подписанных соглашений о намерениях. Ежемесячная рекуррентная выручка платформы в июне была в 1,8 раза выше показателя годичной давности — рост держится не на разовых всплесках, а на растущей базе постоянных пользователей. В Yandex AI Studio создано более 30 тысяч ИИ-агентов, около четверти из них применяется в банковских услугах, технической поддержке и HR, а на агентов в целом приходится около 30% всего потребления платформы.
Структура спроса на облачную инфраструктуру шире одной платформы. Выручка Yandex B2B Tech за полугодие выросла на 32%, до 28,9 млрд рублей, что в 1,6 раза быстрее темпов роста российского рынка корпоративных ИТ-решений. Внутри Yandex Cloud 83% потребления по-прежнему обеспечивают банки, ретейл и ИТ-компании, но заметно ускорились и традиционные отрасли: строительство нарастило потребление облачных сервисов в 1,7 раза год к году, здравоохранение — в 1,5 раза, промышленность — в 1,4 раза. Доля крупных клиентов Yandex Cloud, использующих ИИ-сервисы, достигла 37%, прибавив 10 процентных пунктов за год.
Смена модели ценообразования внутри платформы объясняет часть роста. В линейке моделей появилась Alice AI LLM Flash — облегченная версия, использование которой обходится в пять раз дешевле флагманской модели. Дифференциация по стоимости расширяет круг задач, которые предприятию имеет смысл передавать модели: операции, ранее нерентабельные из-за стоимости обработки, переходят в экономически оправданную зону. Похожая логика видна и в кодовой платформе SourceCraft: число принятых пул-реквестов выросло более чем в 20 раз год к году, а разработчики использовали 435,5 млрд токенов при работе с встроенным ассистентом — генеративные модели применяются как в бизнес-процессах, так и в разработке самого программного обеспечения.
Рост потребления в промышленности на 40% год к году указывает на смену категории затрат. Для директора производственного предприятия расчет строится просто: облачная модель оплаты по факту потребления убирает необходимость закупать вычислительные кластеры и держать команду сопровождения, стоимость пилотного внедрения измеряется тысячами рублей, а не капитальными вложениями. Появление более дешевой линейки моделей вроде Alice AI LLM Flash расширяет список операций, которые становится выгодно передать модели уже сейчас — обработку заявок, первичную классификацию обращений, разбор технической документации. Отраслевая динамика — 1,4 раза за год против 1,7 раза в строительстве — показывает, что промышленность пока отстает от лидеров по темпу перехода, и это окно для тех, кто рассчитает экономику внедрения раньше конкурентов по отрасли.
Искусственный интеллект в промышленности принято обсуждать как одну технологию, хотя на практике это четыре разных инструмента с разной механикой, разным происхождением и разными условиями применения. Цифровой двойник моделирует поведение объекта. Генеративный ИИ создает контент. Машинное обучение находит закономерности в данных. Автономные агенты планируют и выполняют последовательность действий без пошагового участия человека. От этой разницы зависит, какой из четырех инструментов решает конкретную задачу предприятия, а какой для нее не подходит.
Это тридцать девятая статья цикла. Продолжаем подгруппу G2 «Ядро искусственного интеллекта».
В этой статье разбираем:
— Цифровой двойник (Digital Twin) — виртуальная копия физического объекта, процесса или системы, синхронизированная с ним в цифровой среде и способная предсказывать его поведение при разных условиях.
— Генеративный ИИ (Generative AI) — создание текста, кода, изображений и речи по запросу вместо работы по заданному алгоритму.
— Искусственный интеллект и машинное обучение (AI/ML) — автоматизация задач, требующих когнитивных способностей, и метод, при котором алгоритм сам находит закономерности в данных без явных инструкций программиста.
— ИИ-агенты (AI Agents) — автономные системы, которые самостоятельно планируют последовательность действий и выполняют многошаговые задачи для достижения заданной цели.
По каждому инструменту — происхождение, суть и механика, границы применимости, чек-лист перед внедрением и разбор типичных ошибок.
🔗Читать на сайте АЦТ: https://dia.ru/news/6157
Это тридцать девятая статья цикла. Продолжаем подгруппу G2 «Ядро искусственного интеллекта».
В этой статье разбираем:
— Цифровой двойник (Digital Twin) — виртуальная копия физического объекта, процесса или системы, синхронизированная с ним в цифровой среде и способная предсказывать его поведение при разных условиях.
— Генеративный ИИ (Generative AI) — создание текста, кода, изображений и речи по запросу вместо работы по заданному алгоритму.
— Искусственный интеллект и машинное обучение (AI/ML) — автоматизация задач, требующих когнитивных способностей, и метод, при котором алгоритм сам находит закономерности в данных без явных инструкций программиста.
— ИИ-агенты (AI Agents) — автономные системы, которые самостоятельно планируют последовательность действий и выполняют многошаговые задачи для достижения заданной цели.
По каждому инструменту — происхождение, суть и механика, границы применимости, чек-лист перед внедрением и разбор типичных ошибок.
🔗Читать на сайте АЦТ: https://dia.ru/news/6157
1. Разработчики выпустили крупное обновление LibreOffice — бесплатного аналога Microsoft Office — вышла версия 26.8 пакета офисных приложений. В отличие от многих конкурентов, встраивающих ИИ-инструменты в редакторы, в новом релизе таких функций по-прежнему нет. Редакторы пакета не собирают данные пользователя и работают полностью офлайн.
2. Минцифры готовит постановление о контроле за безопасностью ИИ на маркетплейсах — документ устанавливает требования к разработчикам ИИ, владельцам сервисов и операторам нейросетей, включая крупные торговые площадки. Предварительные затраты бизнеса на соответствие новым требованиям оцениваются почти в 3 млрд рублей. Министерство выделяет отдельную категорию критического риска для систем, способных причинить вред жизни и здоровью граждан.
3. МФТИ создал нейросетевой алгоритм, повышающий эффективность каналов 5G на 30–40% — разработка получила название ALPACA (Asymmetric Loss Prediction Algorithm for Channel Adaptation). Алгоритм предсказывает расход ресурсов канала связи, учитывая различия между завышенными и заниженными прогнозами, что позволяет поддерживать требуемое качество передачи данных, сохраняя надежность соединения. Применение технологии повысит емкость системы и число одновременно подключенных пользователей.
4. 2ГИС и Сбербанк запускают совместную «карту штрафов» для водителей — сервис объединит данные 2ГИС о дорожных камерах с данными Сбербанка об уплаченных штрафах и начнет предупреждать водителей об участках дорог, где они ранее нарушали правила. Функция появится в геосервисе осенью 2026 года; для просмотра персональной карты потребуется авторизоваться через «Сбер ID» и включить навигатор. На карте отобразятся нарушения, зафиксированные разными типами камер: скорость, разметка, перекрестки, остановка.
5. В Свердловской области запустили первые отечественные базовые станции «БУЛАТ» — «Ростелеком» построил около 14 километров волоконно-оптических линий связи для подключения оборудования. Устойчивую мобильную связь и быстрый интернет получили почти 1,5 тысячи жителей шести малых населенных пунктов региона — поселка Ключевской, деревень Марийский Усть-Маш, Нижняя Коркина, Русский Усть-Маш и Ялым, а также села Чувашково. Работы прошли в рамках второго этапа федерального проекта устранения цифрового неравенства.
6. МТС запустила российские базовые станции «Иртея» в Воронежской области — оборудование введено в эксплуатацию в рабочем поселке Панино на востоке региона. С начала года компания установила отечественные базовые станции более чем в 30 малых городах и селах области, включая площадку у памятника природы Урочище Кривоборье. Ранее в 2026 году такое же оборудование ввели в эксплуатацию на 187 километрах трассы М-4 «Дон» в нескольких районах области.
7. Ученые РТУ МИРЭА разработали метод печати керамических деталей для СВЧ-техники на 3D-принтере — новая технология позволяет изготавливать компоненты сверхвысокочастотной электроники методом аддитивного производства вместо традиционных технологических процессов. Керамику применяют в СВЧ-устройствах за устойчивость к высоким температурам, а 3D-печать позволяет создавать детали сложной геометрии, недостижимой при обычной механической обработке.
8. МТС запускает оплату цифровым рублем для жителей Прикамья — компания расширяет прием новой формы национальной валюты в своей рознице в Пермском крае. Оплата проводится через специальное приложение и не требует привязки к обычному банковскому счету.
2. Минцифры готовит постановление о контроле за безопасностью ИИ на маркетплейсах — документ устанавливает требования к разработчикам ИИ, владельцам сервисов и операторам нейросетей, включая крупные торговые площадки. Предварительные затраты бизнеса на соответствие новым требованиям оцениваются почти в 3 млрд рублей. Министерство выделяет отдельную категорию критического риска для систем, способных причинить вред жизни и здоровью граждан.
3. МФТИ создал нейросетевой алгоритм, повышающий эффективность каналов 5G на 30–40% — разработка получила название ALPACA (Asymmetric Loss Prediction Algorithm for Channel Adaptation). Алгоритм предсказывает расход ресурсов канала связи, учитывая различия между завышенными и заниженными прогнозами, что позволяет поддерживать требуемое качество передачи данных, сохраняя надежность соединения. Применение технологии повысит емкость системы и число одновременно подключенных пользователей.
4. 2ГИС и Сбербанк запускают совместную «карту штрафов» для водителей — сервис объединит данные 2ГИС о дорожных камерах с данными Сбербанка об уплаченных штрафах и начнет предупреждать водителей об участках дорог, где они ранее нарушали правила. Функция появится в геосервисе осенью 2026 года; для просмотра персональной карты потребуется авторизоваться через «Сбер ID» и включить навигатор. На карте отобразятся нарушения, зафиксированные разными типами камер: скорость, разметка, перекрестки, остановка.
5. В Свердловской области запустили первые отечественные базовые станции «БУЛАТ» — «Ростелеком» построил около 14 километров волоконно-оптических линий связи для подключения оборудования. Устойчивую мобильную связь и быстрый интернет получили почти 1,5 тысячи жителей шести малых населенных пунктов региона — поселка Ключевской, деревень Марийский Усть-Маш, Нижняя Коркина, Русский Усть-Маш и Ялым, а также села Чувашково. Работы прошли в рамках второго этапа федерального проекта устранения цифрового неравенства.
6. МТС запустила российские базовые станции «Иртея» в Воронежской области — оборудование введено в эксплуатацию в рабочем поселке Панино на востоке региона. С начала года компания установила отечественные базовые станции более чем в 30 малых городах и селах области, включая площадку у памятника природы Урочище Кривоборье. Ранее в 2026 году такое же оборудование ввели в эксплуатацию на 187 километрах трассы М-4 «Дон» в нескольких районах области.
7. Ученые РТУ МИРЭА разработали метод печати керамических деталей для СВЧ-техники на 3D-принтере — новая технология позволяет изготавливать компоненты сверхвысокочастотной электроники методом аддитивного производства вместо традиционных технологических процессов. Керамику применяют в СВЧ-устройствах за устойчивость к высоким температурам, а 3D-печать позволяет создавать детали сложной геометрии, недостижимой при обычной механической обработке.
8. МТС запускает оплату цифровым рублем для жителей Прикамья — компания расширяет прием новой формы национальной валюты в своей рознице в Пермском крае. Оплата проводится через специальное приложение и не требует привязки к обычному банковскому счету.