Как боль производства привела меня в искусственный интеллект

Сегодня в блоге история нашего выпускника и бизнес-друга Дениса. Он пришёл на курс по ИИ как производственник, а вышел с готовым проектом, который помогает автоматизировать работу в цехе.

Всем привет! Меня зовут Денис Логинов, я руковожу направлением по роботизации и искусственному интеллекту в компании «Сан Инжиниринг».

Но ещё несколько лет назад я не писал код и не занимался обучением моделей. Моё рабочее место находилось в цеху, среди станков и графиков выработки. Я занимался классическим производством и хорошо понимал, как устроены процессы на заводе — со всеми их узкими местами, простоями и отчётами «на бумаге».

Со временем я начал искать способы улучшить рутину вокруг себя. Пробовал писать простые скрипты, которые автоматизировали учёт, делал небольшие внутренние сервисы, а потом всерьёз увлёкся разработкой. Так я перешёл из инженеров в full-stack-программиста.

Тема искусственного интеллекта всегда была где-то рядом: проходил курсы по data science, читал статьи, пробовал решать небольшие задачи. Но всё время не хватало практики. Много теории, формул, а как применить это в жизни, оставалось неясно.

Когда я узнал о курсе по искусственному интеллекту от Programming Store и учебного центра по подготовке ИТ-специалистов, сразу подумал: «Вот, наконец-то что-то прикладное». За восемь недель участники собирали команду, пробовали себя в ролях аналитика, разработчика и специалиста по данным, создавали собственное решение для бизнеса. После нескольких онлайн-курсов, где всё ограничивалось слайдами и лекциями, я понял: вот это действительно то самое. И не ошибся.

В этой статье расскажу, как обучение помогло мне перейти от классического производства к роботизации и внедрению ИИ в реальные процессы.

Курс проходил очно, в Ижевске. Я был готов ходить как студент на пары, сидеть за партой и слушать лекции, но всё оказалось гораздо интереснее. Атмосфера напоминала скорее гаражную лабораторию, где все экспериментируют, пробуют, спорят и делают что-то руками. И да, пространство так и называлось «Гараж».

Это был не курс в привычном смысле, а серия инженерных сессий, где ты постоянно решаешь реальные задачи или максимально приближённые к реальности, ошибаешься и снова пробуешь.

Много внимания уделяли практике: как строится пайплайн обучения модели, где брать данные, как размечать изображения, какие классы выделять и как организовать данные, чтобы модель не «путалась». Мы обсуждали, как правильно ставить камеры, какие углы дают лучший результат, что делать, если освещение меняется. Всё было максимально приближено к реальности.

Теории было ровно столько, сколько нужно, чтобы понимать, куда двигаться дальше. Мы разбирали реальные кейсы из промышленности, и сразу становилось понятно, как алгоритмы работают в цеху: где камера действительно «видит» человека, а где — мешает отражение или яркий свет.

Когда настало время выбрать тему для проекта, я сразу вспомнил о проблеме, которая не давала покоя на производстве. Одна из таких — простой оборудования. Станок может стоять без дела, но в отчётах всё выглядит корректно. Если оператор отошёл на 10–15 минут, система этого не фиксирует: показатели выработки остаются прежними, а эффективность незаметно падает.

Эта проблема годами раздражала меня на прежних местах работы. Я даже пытался внедрять самописные решения — с датчиками, табелями, ручным вводом, но это всё требовало участия человека и часто ломалось. Поэтому, когда на курсе предложили придумать свой проект, идея родилась моментально: сделать систему, которая сама видит, работает ли станок, и фиксирует простой без участия человека.

Так из наблюдения, сделанного в цеху, родилась концепция полноценной системы мониторинга.

На курсе было около тридцати участников: аналитики, разработчики, инженеры. Преподаватели предложили объединиться по интересам и ролям — от data science до backend-разработки.

Я рассказал о проблеме простоев и своей идее. К ней быстро присоединились единомышленники — те, кому хотелось сделать не учебную, а реально работающую систему. Так сформировалась команда: data scientists, Python-разработчики и аналитики.

Каждый отвечал за свой участок: кто-то размечал изображения, кто-то выстраивал пайплайн обработки данных, кто-то проектировал интерфейс. Моя роль была скорее управленческой — я стал тимлидом и связующим звеном между технологиями и производством.

Мы обучили модель на основе YOLO, чтобы она умела распознавать объекты: операторов, станки, инструмент.

Далее включалась логика: если координаты оператора пересекались с зоной станка, система считала, что оборудование находится в работе; если человек уходил — фиксировался простой.

Каждое событие записывалось в базу данных. Поверх этого мы сделали интерфейс, где можно было в реальном времени смотреть:

Так из одной камеры и набора моделей мы получили инструмент, который превращает видеопоток в понятные производственные метрики. Без датчиков, без ручного ввода — только видео, алгоритмы и логика анализа.

Даже предварительные расчёты показали, насколько ощутим может быть эффект. По нашим прикидкам, внедрение системы в цех могло повысить выработку на 25–30 % за полгода и сэкономить до 2 млн ₽ в месяц с одного станка.

Помимо учёта простоев, у системы появилось дополнительное применение — контроль техники безопасности. Нейросеть могла отслеживать, кто работает у опасного оборудования, определять присутствие сотрудников в зонах повышенного риска и сигнализировать, если кто-то находится там слишком долго.

Мы изначально закладывали масштабируемую архитектуру: при необходимости решение можно было бы подключить к ERP- или MES-системам, формировать автоматические отчёты, учитывать использование средств индивидуальной защиты и даже анализировать производительность операторов.

Как и любой реальный проект, наша система не заработала идеально с первой попытки. Сначала казалось, что всё просто: поставил камеру, собрал данные, обучил модель — и можно считать, что система готова. На деле оказалось, что между «запустилось» и «работает стабильно» лежит огромная дистанция.

Первая проблема — объём и качество данных. Мы начали со ста изображений и радовались, когда модель хотя бы частично различала человека и станок. Но быстро стало понятно, что этого недостаточно: чтобы нейросеть уверенно определяла объекты, нужны тысячи снимков, снятых в разных условиях и с разметкой без ошибок.

Были и забавные моменты. Например, ботинок распознавался как деталь станка, а чёрные наушники на кудрявом сотруднике нейросеть принимала за каску. Иногда казалось, что система специально шутит над нами.

Отдельная тема — камеры. В сварочных и механических цехах обычная техника не выдерживает: искры, пыль, высокая температура выводят оборудование из строя за пару недель. Пришлось искать устойчивые варианты, продумывать защиту для объективов и экспериментировать с ракурсами.

Ошибки, как ни странно, помогли быстрее разобраться. Каждый фейл давал понимание, как реально работает ИИ в цеху: что можно автоматизировать, а где лучше оставить контроль человеку.

После окончания курса тема ИИ для меня уже не выглядела экспериментом. Мы собрали работающий прототип, прошли через все этапы: от сбора данных до визуализации результатов и поняли, как перенести эти подходы в реальное производство.

Сегодня я продолжаю развивать направление роботизации и искусственного интеллекта в компании «Сан Инжиниринг». Опыт, полученный на курсе, лег в основу нескольких внутренних проектов. Например, мы начали использовать камеры с нейросетями на коллаборативных роботах.

Раньше робот выполнял программу строго по заданию оператора. Теперь, благодаря компьютерному зрению, он «видит», что происходит вокруг: если человек подошёл слишком близко — замедляется, если зона свободна — ускоряет работу.

Учебный проект оказался не просто точкой входа, а стартом новой специализации. Теперь я участвую в разработке систем, которые помогают промышленным предприятиям переходить на новый уровень автоматизации — от анализа простоев и выработки до внедрения интеллектуальных решений на линиях.

За это время я убедился: ИИ — не технология для избранных. Это инструмент, который работает тогда, когда решает конкретную задачу. Чтобы внедрить его в производство, не нужно строить лабораторию или нанимать десятки специалистов. Иногда достаточно одной камеры, ноутбука и чётко сформулированной цели.

Теперь я смотрю на производство иначе. Раньше видел станки, процессы, графики. Теперь — данные, закономерности и точки роста. Именно это понимание даёт энергию двигаться дальше: внедрять роботов, развивать ИИ и искать новые сценарии автоматизации.