Статья
| Наименование | Повышение эффективности и экономической ценности технологических решений на производстве средствами искусственного интеллекта | ||||
| Авторы |
|
||||
| Раздел | Математические, статистические и инструментальные методы в экономике | ||||
| Год | 2025 | Выпуск | 23 | Страницы | 48 - 60 |
| УДК | 004.8 | EDN | TOXLIP | ||
| Аннотация | В статье исследуется проблема фрагментированного внедрения технологий искусственного интеллекта (ИИ) в промышленное производство. Проведен анализ направлений и инструментов ИИ, выявлены ключевые противоречия между их технической эффективностью и сложностью интеграции. Разработана системная модель выбора решений ИИ, увязанная с бизнес-метриками предприятия. Представлены результаты эксперимента, подтверждающие эффективность предложенной методики на примере внедрения системы прогнозного обслуживания. | ||||
| Реферат | Цель. Разработка рекомендации по повышению эффективности технологических решений на производстве за счет целевого выбора и внедрения инструментов искусственного интеллекта.
Методика. Для решения поставленных задач были применены следующие методики: системный анализ и синтез — для классификации направлений и инструментов, выявления взаимосвязей между ними; сравнительный анализ — для сопоставления функциональности, стоимости и требований к интеграции различных ИИ-платформ; моделирование — для разработки модели внедрения ИИ и формализации процесса принятия решений; технико-экономический анализ — для оценки эффективности внедрения рассчитывались ключевые показатели: снижение простоев, увеличение OEE, срок окупаемости проекта. Научная новизна. Разработана оригинальная системная классификация направлений и инструментов ИИ, увязанная с бизнес-метриками. Создана методика выбора ИИ-решений на основе диагностики производственных проблем. Экспериментально доказана эффективность гибридной архитектуры edge-cloud вычислений. Практическая значимость. Разработанные рекомендации и аналитические таблицы позволяют производственным компаниям снизить риски и затраты на этапе выбора и внедрения ИИ. Предложенная матрица выбора инструментов является руководством к действию для ИТ- и производственных менеджеров. Реализованный пилотный проект служит успешным кейсом, который может быть тиражирован на другие аналогичные производства. |
||||
| Ключевые слова | искусственный интеллект, промышленное производство, эффективность, прогнозное обслуживание, интеграция, машинное обучение, цифровая трансформация, оптимизация, технологические решения. | ||||
| Финансирование | |||||
| Список источников |
1. Шваб К. Четвертая промышленная революция: пер. с англ. M.: Эксмо, 2018. 285 с.
2. Ху Тинтин. Обзор национальных стратегий перехода к Индустрии 5.0 // Экономика и управление инновациями. 2022. № 3 (22). С. 28–38. DOI: 10.26730/2587-5574-2022-3-28-38
3. Implementation of AI Technologies in Manufacturing — Success Factors and Challenges / J. Kutz, J. Neuhüttler, J. Spilski, T. Lachmann // The Human Side of Service Engineering: proceedings of the AHFE (2022) International Conference. 2022. Vol. 62. P. 256–261. DOI: 10.54941/ahfe1002565
4. Цифровая трансформация промышленности: проблемы и перспективы / И. А. Пургаева, Т. А. Некрасова, Т. С. Наролина, Т. И. Смотрова // Современная экономика: проблемы и решения. 2023. № 1(157). С. 34-49. DOI: 10.17308/meps/2078-9017/2023/1/34-49
5. Artificial intelligence: The next digital frontier?: discussion paper / J. Bughin, E. Hazan, S. Ramaswamy [et al.]. McKinsey Global Institute, 2017. 78 p.
6. Scaling AI in Manufacturing Operations: A Practitioners’ Perspective. Capgemini Research Institute, 2020. 36 p.
7. Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy / Y. K. Dwivedi, L. Hughes, E. Ismagilova [et al.] // International Journal of Information Management. 2021. Vol. 57. Art. 102350. DOI: 10.1016/j.ijinfomgt.2019.08.002
8. Provost F., Fawcett T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O’Reilly Media, 2013. 414 p.
9. Lee J., Bagheri B., Kao H.-A. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems // Manufacturing Letters. 2015. Vol. 3. P. 18–23. DOI: 10.1016/j.mfglet.2014.12.001
10. Matzka S. Explainable Artificial Intelligence for Predictive Maintenance Applications // Third International Conference on Artificial Intelligence for Industries (AI4I). 2020. P. 69–74. DOI: 10.1109/AI4I49448.2020.00023
11. Сай В. К., Щербаков М. В. Классификационный подход на основе комбинации глубоких нейронных сетей для прогнозирования отказов сложных многообъектных систем // Моделирование, оптимизация и информационные технологии. 2020. Т. 8. № 2 (29). DOI: 10.26102/2310-6018/2020.29.2.037
12. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. 2017. Vol. 60. No. 6. P. 84–90. DOI: 10.1145/3065386
13. Филиппов П. С., Греченева А. В., Никаноров М. С. Информационная система для обнаружения и классификации дефектов металлопрокатной продукции на базе искусственного интеллекта // Известия ТулГУ. Технические науки. 2024. № 3. URL: https://cyberleninka.ru/article/n/informatsionnaya-sistema-dlya-obnaruzheniya-i-klassifikatsii-defektov-metalloprokatnoy-produktsii-na-baze-iskusstvennogo-intellekta (дата обращения: 23.07.2025).
14. Polo-Triana S., Gutierrez J. C., Leon-Becerra J. S. Integration of machine learning in the supply chain for decision making: a systematic literature review // Journal of Industrial Engineering and Management. 2024. Vol. 17. No. 2. P. 344–364. DOI: 10.3926/jiem.6403
15. Survey on human-robot collaboration in industrial settings: Safety, intuitive interfaces and applications / V. Villani, F. Pini, F. Leali, C. Secchi // Mechatronics. 2018. Vol. 55. P. 248–266. DOI: 10.1016/j.mechatronics.2018.02.009
16. Kreuzberger D., Kühl N., Hirschl S. Machine Learning Operations (MLOps): Overview, Definition, and Architecture // arXiv. 2022. 13 p. DOI: 10.48550/arXiv.2205.02302
17. Lee J., Singh J., Azamfar M. Industrial AI: A Systematic Framework for AI in Industrial Applications // Zhongguo Jixie Gongcheng. China Mechanical Engineering. 2020. Vol. 31. No. 1. P. 37–48. DOI: 10.3969/j.issn.1004-132X.2020.01.005
18. Управление цифровой трансформацией бизнеса: концепции, кейсы, методы и инструменты: монография / С. А. Титов, Н. В. Линдер, А. В. Трачук [и др.]; под ред. С. А. Титова. М.: ИНФРА-М, 2025. 223 с. DOI: 10.12737/2048103
19. State of AI in the Enterprise: 2023 Report [Electronic resource] // Data Science Salon: [website]. [2025]. URL: https://www.datascience.salon/state-of-ai-in-the-enterprise-2023-report/#download (date of treatment: 20.10.2023).
20. Lee J., Bagheri B., Kao H.-A. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems // Manufacturing Letters. 2015. Vol. 3. P. 18–23. DOI: 10.1016/j.mfglet.2014.12.001
21. Andelfinger V. P., Hänisch T. Industrie 4.0: Wie cyber-physische Systeme die Arbeitswelt verändern. Wiesbaden: Springer Fachmedien, 2015. 271 p. DOI: 10.1007/978-3-658-15557-5
22. Stow M. Hybrid Deep Learning Approach for Predictive Maintenance of Industrial Machinery using Convolutional LSTM Networks // International Journal of Computer Sciences and Engineering. 2024. Vol. 12. № 4. P. 1–11. DOI: 10.26438/ijcse/v12i4.111
23. Artificial intelligence in supply chain management: A systematic literature review / R. Toorajipour, V. Sohrabpour, A. Nazarpour [et al.] // Journal of Business Research. 2021. Vol. 122. P. 502–517. DOI: 10.1016/j.jbusres.2020.09.009
24. Understanding and Utilizing Deep Neural Networks Trained with Noisy Labels / P. Chen, B. Liao, G. Chen, S. Zhang // Proceedings of the 36th International Conference on Machine Learning. 2019. URL: https://github.com/chenpf1025/noisy_label_understanding_utilizing (date of treatment: 07.10.2023). DOI: 10.48550/arXiv.1905.05040
|
||||
| Полный текст |
|
||||