Производство и логистика генерируют петабайты телеметрии: вибрация подшипников, температура узлов, GPS-треки фур, остатки на складах. Большая часть этих данных оседает в архивах без пользы. Предиктивная аналитика превращает поток сенсорных данных в решения: когда остановить станок на обслуживание, какой маршрут перестроить, сколько комплектующих заказать. На фоне курса на импортозамещение вопрос звучит конкретно – как собрать такую систему на отечественном стеке, без зависимости от ушедших вендоров.

Что считаем и на чём

Предиктивное обслуживание (predictive maintenance) – самый зрелый сценарий. Модель учится на исторических отказах и текущей телеметрии, предсказывает деградацию узла за дни до поломки. Это снижает аварийные простои на 30–50% по сравнению с регламентным обслуживанием по календарю. Второй сценарий – прогноз спроса и оптимизация запасов: градиентный бустинг на CatBoost (разработка Яндекса) стабильно обыгрывает классические ARIMA на нерегулярном спросе. Третий – маршрутизация и планирование загрузки транспорта.

Стек собирается из зрелых отечественных и открытых компонентов. Сбор телеметрии – на Apache Kafka, хранение временных рядов – в PostgreSQL с расширением TimescaleDB или в ClickHouse. Обучение моделей – Python, scikit-learn, CatBoost. Оркестрация – Apache Airflow. Инференс разворачивается в контуре заказчика, в том числе на железе из реестра Минцифры. Для госсектора это не опция, а требование: данные не покидают защищённый периметр.

Где ломаются проекты

Главная проблема – не модель, а данные. На реальных заводах телеметрия живёт в АСУ ТП, SCADA и ERP, которые писались 10–15 лет назад и не проектировались под выгрузку в реальном времени. Прежде чем учить модель, нужно достать данные из этих систем. Здесь мы опираемся на подходы из материала про интеграцию legacy-систем: адаптеры поверх старых протоколов, буферизация, постепенная миграция без остановки производства.

Второй частый промах – переоценка генеративных моделей. LLM полезны для интерфейса (диалог с инженером, разбор инцидентов по документации), но прогноз отказа подшипника делает не языковая модель, а бустинг на числовых рядах. Когда LLM действительно нужна для работы с регламентами и техдокументацией, выбор архитектуры мы разбирали в статье про файнтюнинг против RAG – для большинства производственных задач RAG дешевле и прозрачнее.

Безопасность и внедрение

Промышленный контур и ИБ-требования диктуют изоляцию. Модель не должна иметь выхода в интернет, обновления приходят через контролируемый канал, доступ к данным сегментирован. Это часть более широкой задачи – непрерывного контроля информационной безопасности, который для критической инфраструктуры стал обязательным.

Внедрение идёт итерациями. Сначала один цех или один тип оборудования, пилот на исторических данных, проверка экономики на реальных отказах. Затем тиражирование на другие участки. Гнаться за единой «фабричной» моделью бессмысленно – точнее работают узкие модели под конкретный класс агрегатов.

Вывод

Предиктивная аналитика в производстве и логистике – не про модный ИИ, а про деньги: меньше простоев, меньше замороженных запасов, выше оборачиваемость транспорта. Отечественный стек закрывает задачу без вендорлока и проходит требования к локализации данных. Сложность не в алгоритмах, а в данных и интеграции с цеховыми системами. Если вы планируете такой проект, начните с аудита источников данных, а уже затем переходите к разработке ИИ-приложений под промышленный контур.