ИБ продуктов для защиты технологического сегмента в современных производствах используется все больше, но как начать их эффективно использовать, даже опытным в ИБ специалистам не всегда очевидно

На докладе вы узнаете:

1. Почему специалистам ИБ важно смотреть на технологическую инфраструкту с позиции "а что если в нее уже проник злоумышленник", а не только использовать автоматическое реагирование на известные угрозы

2. С каких самых распространенных угроз для технологического сегмента необходимо начинать ИБ-мониторинг

3. Как разработчикам прикладного ПО для технологического сегмента подготовить свое ПО, чтобы оно успешно интегрировалось с наложенными средствами ИБ

Доклад посвящен созданию лаборатории встраиваемых средств криптографической защиты информации автоматизированных и автоматических систем управления объектов электроэнергетики (Лаборатория ВСКЗИ АСУ ОЭ) является результатом многолетнего партнерства НИУ МЭИ и отечественного разработчика средств криптографической защиты информации (СКЗИ) АО «ИнфоТеКС».
Лаборатория входит в состав Центра экспертизы в практической кибербезопасности Центра НТИ МЭИ и объединяет в себе накопленный опыт ИнфоТеКС и НИУ МЭИ в области криптографической защиты информации и создания доверенных программно-аппаратных комплексов для обеспечения кибербезопасности объектов электроэнергетики.

- Сокращены непродуктивные затраты и потери времени на этапах предоставления и согласования документов.
- Контроль полноты данных
- Своевременное информирование участников об изменении статусов документов и этапов процесса
- Автоматизация документооборота при заключении контрактов

Контроль за безопасной эксплуатацией оборудования методом шумовой диагностики появился одновременно с созданием первых подвижных механизмов. Это был самый доступный и распространённый способ диагностики, который позволял своевременно принять меры для предотвращения развития аварийных ситуаций и во многих случаях не требовал особой подготовки специалистов. С появлением более сложного оборудования задача шумовой диагностики стала заключаться не только в определении изменения характерного спектра шума механизма, но и в пеленгации расположения шумового источника.
Опытный человек эффективно справляется с этой задачей, но таких людей очень мало и по прежнему остаются нерешенными задачи по обработке информации в диапазонах неслышимых человеку ультразвуковых частот.
Мы расскажем про свой путь преодоления этих проблем техническими и организационными методами.

Автоматическое регулирование, Управление эффективностью, Ограничение системы, Узкие места, Цифровая платформа, цифровизация ГОК , регуляторы, эффективность ПИД, аудит.

Рассказ о практических шагах внутри ДомРФ Технологии на пути к эволюционному управлению корпоративной архитектурой. Как мы разработали свои Функции пригодности (fintess functions), собираем для этих функций входные данные из реальной инфраструктуры и в непрерывном режиме тестируем архитектуру 50+ систем. Расскажем о пяти своих уникальных разработках. Поделимся открытиями и произошедшими изменениями, как технологическими, так и организационными.

1. Инвентаризация инфраструктуры предприятия является важным этапом обеспечения безопасности сети и управления изменениями.
2. Отсутствие актуальных данных об устройствах в сети затрудняет работу центра мониторинга и защиты информационной инфраструктуры.
3. Существующие решения на рынке имеют ограниченный функционал и высокую стоимость, что делает их недоступными для многих предприятий.
4. Разработка самописного сканера сети позволяет эффективно проводить инвентаризацию, выявлять уязвимости и управлять активами предприятия.
5. Внедрение самописного сканера сети поможет предприятию обеспечить безопасность, оптимизировать управление активами и повысить эффективность работы IT-инфраструктуры.

* "Платформа разработки: Мост к Инновациям"
- Открыли двери к новым технологиям и идеям с помощью платформы разработки.

* "Эффективность и Гибкость: Основа Платформы Разработки"
- Обеспечили эффективное взаимодействие команд разработчиков и гибкость в реагировании на изменения, что позволило достигнуть высоких результатов.

* "Ускорение Процесса Разработки: Платформа — Ключ к Быстрой Имплементации"
- Сократили время разработки и ускорили процесс внедрения новых продуктов на рынок благодаря интуитивной платформе разработки.

* "Автоматизация и Оптимизация: Развивайтесь Быстрее"
- Инструменты автоматизации процессов разработки, которые помогли оптимизировать рабочий процесс и повысить производительность.

Как обновить систему, если сотни пользователей работают 24/7 и не согласны отвлечься ни на минуту?

Расскажем про разработку решения, при помощи которого мы оперативно вносим изменения и дополнения, исправляем ошибки и замечания без принудительного отключения сеансов пользователей. О создании гибких настроек с возможностью пользователю самостоятельно задавать поведение программы.

Одной из составляющих разработки безопасного программного обеспечения является статический анализ кода. Но что именно это такое? Если используется SpotBugs для Java кода, этого достаточно? Проверка кода перед релизом, этого достаточно? У нас DevOps специалисты отвечают за анализ кода, это ok? Введённый 1 апреля 2024 года ГОСТ отвечает на подобные вопросы и формализует процесс использования статических анализаторов в безопасной разработке ПО. Из доклада вы узнаете, надо ли в связи с новым стандартом вам что-то менять в своих процессах разработки и если да, то что именно.

Слаженная команда работает как единый организм, и именно это позволяет достигать требуемых результатов. Чтобы добиться такого эффекта нужно чтобы соблюдались определенные правила - квалификация участников команды, открытая и простая коммуникация, правильно выстроенные процессы, четкая достижимая цель и пр. Одно из таких правил это понятная ролевая модель, когда каждый занимается своими задачами, и не пытается усидеть на двух стульях.
И далеко не всегда в этой ролевой модели находится место аккаунт-менеджеру и ресурс-менеджеру. Их задачи пытаются переложить на РП, тимлида или руководителя отдела, у которых в команде свои роли и тысяча своих задач. В результате, сопутствующие задачи выполняются по остаточному принципу, они всегда не в приоритете, и заниматься аккаунтингом или управлением ресурсами проекта приходится тогда, когда уже возникает проблема.
В своем докладе я расскажу о функционале и задачах этих специалистов, покажу на конкретных кейсах их необходимость в командах, и эффекте их работы, особенно при распределенных и удаленных командах.

Две реальные истории о том как мы выводили продукт в пром раньше срока, когда ограничением были требования безопасности.
Мы поговорим о том, как вести диалог с безопасностью и обсуждать backlog.
Что в конечном итоге позволяет выйти в пром значительно раньше срока.

1. Снижение календарных сроков разработки проектов за счет параллельной разработки ПО по средствам нескольких подрядчиков.
2. Сравнение и выбор состава команды(Полноценные команды подрядчиков, сборные команды из сотрудников подрядчика и заказчика, полноценная команда заказчика)
3. Технологические основы распределенной разработки
· Единое Host SPA приложение
· Контекст запроса в Host SPA
· Механизм навигации между экранами (microfrontend) через Host SPA
· Единая библиотека исходного кода визуальных элементов, стилей, тем пользователя, палитр цветов
· Библиотека виджетов (widgets) на основе Module Federation для интеграции в экраны (microfrontend)
· Настраиваемая информационная модель системы
· Междоменное взаимодействие микросервисов (настройка CORS)
· Настройка settings.json (microfrontend), appsettins.json (backend), config (nginx)
4. Извлеченный опыт распределённой разработки

Как ИИ внедряется в разработку и какие есть подводные камни. Как на ИИ реагируют разработчики. Описание пилота по внедрению ИИ в разработку в группе НЛМК
a. Люди и задачами: как выбирали команды разработки для пилота
b. Амбассадоры ИИ по каждому стеку
c. Сложности и приживаемость
d. Информационная безопасность и ИИ
e. Итоги пилота и метрики
f. Выводы и планы

Раньше диспетчеру в любой момент дня и ночи мог позвонить какой-нибудь руководитель и поинтересоваться, что происходит на участке. Других способов получить нужную информацию просто не было.

Сейчас все данные есть на мнемосхеме и дёргать диспетчера не нужно. Если что-то пошло не так, на мониторах сразу видно, на каком этапе случился сбой, и можно сразу начинать исправлять ситуацию, вместо того, чтобы мучительно распутывать клубок действий и пытаться выяснить, что происходит, теряя драгоценное время.

Мнемосхема каждого агрегата должна быть собрана с учётом всех его особенностей, но при этом не перегружена лишними деталями. Каждый процесс на экране должен быть таким же, как в жизни, и при этом легко читаться. С одной стороны, важно соблюдать масштабы, а с другой — сделать так, чтобы всю нужную информацию можно было прочитать с расстояния в пять метров от монитора, чтобы пользователь в цеху в любой момент мог видеть, где находится объект, который ему важен, оценить процесс, заметить ошибку, предотвратить опасность.

Рассказываю, как мы справились с этой задачей.

В жизненном цикла любой компании/департамента/отдела наступает момент экспоненциального роста команды, усложнение ее структуры и взаимосвязей, и то что раньше управлялось интуитивно, на пальцах и исторических знаниях, взаимоотношениях участников этой команды, вдруг перестает работать. Перестает работать порой в мелочах, на уровне коммуникаций, своевременного обмена информацией, ломаются отлаженные и, казалось бы, давно устоявшиеся процессы. И ведет это рано или поздно к необходимости формализации процессов. Этим можно заниматься руководителю и сотрудникам отделов, а можно, и даже нужно, передать это отдельной службе - Процессному офису.
Именно об организации процессного офиса, его задачах и управлении, эффекте, который он оказывает на компанию мой доклад. Поговорим как не скатиться излишний бюрократизм и сохранить здравый смысл, правильно работать с приоритетами, и не писать процессы в «стол».

Архитектура реального времени VS Событийно-управляемая архитектура в высоконагруженных РСУ/SCADA АСУ ТП.
- Что такое распределенные системы управления (РСУ) в АСУ ТП и как они взаимодействуют с SCADA;
- Особенности реализации РСУ/SCADA Лацерта;
- Когда возникают высокие нагрузки в РСУ;
- Как устроена архитектура реального времени (АРВ), какие создает проблемы;
- Как устроена событийно-управляемая архитектура (СОА), какие создает проблемы;
- Могут ли сосуществовать АРВ и СОА в одном проекте, преимущества гибридной архитектуры;
- Как влияют АРВ и СОА на консистентность РСУ;
- Оркестрация и хореография сервисов АРВ, СОА;
- Резервирование и отказоустойчивость сервисов АРВ, СОА;

Время старта приложений в Kubernetes имеет значение. Удобно когда приложения стартуют быстро. Java остается одним из любимых языков. Многие приложения используют библиотеку SpringBoot. Классическим jvm требуется некоторое время для старта и выхода на пиковую производительность. Чем больше CPU выделено контейнеру тем быстрее происходит старт и прогрев и тем хуже общая утилизация ресурсов в кластере. В докладе расскажу как решить эту проблему с помощью KubeLatte - Policy Manager-a с открытым исходным кодом от команды Synapse

Микросервисы уже давно и прочно вошли в нашу жизнь. Они позволяют реализовывать масштабируемые и отказоустойчивые решения. Но при деплое новой версии вашего микросервиса на кластер иногда возникают ошибки, связанные с обновлением базы данных. Я разберу популярные способы деплоя на кластер. Покажу типовые проблемы, возникающие при обновлении базы данных, и пути их решения. Также разберемся, чем обновление NoSQL баз данных отличается традиционных реляционных баз.

В режиме реального времени спроектируем систему, которая будет соответствовать заявленным функциональным требованиям, а также ожидаемой нагрузке и объемам хранимых данных.

Расскажу, как соблюсти гарантии доставки и сделать систему отказоустойчивой, как будем масштабировать систему при увеличении количества пользователей и объемов данных. Проверим, не развалится ли архитектура при добавлении новых фич.

Для качественного тестирования разрабатываемых сервисов программно-аппаратного контроллера беспроводного доступа, способного эффективно управлять тысячами устройств, необходимо было создать условия, максимально приближенные к реальной эксплуатации Wi-Fi сетей.

Мы поместили сервисы реальной точки доступа в контейнер, создав эффективный и масштабируемый инструмент для решения задач имитации функционирования Wi-Fi сетей в различных сценариях.

Таким образом, мы не только проверяем решения задач управления беспроводными сетями, но и тестируем исправления и улучшения сервисов, обеспечивая, в том числе, стабильную работу реальных точек доступа.

(будет дополнено позже)
Запуск цифровой биржи урожая: с чем столкнулись на этапе MVP, MMP и далее
Рынок живет офлайн, но мы пытаемся предложить рынку удобный инструмент для взаимодействия с минимальными требованиями входа как для продавцов, так и для покупателей урожая

Крутые команды это здорово. Когда получается такую собрать - результаты прямо поражают. Но удержать такую команду - тонкое искусство. Сегодня разберемся, какими типичными кривыми действиями компании и лидеры команд могут развалить классно работающий механизм, посмотрим на примеры из индустрии и заберем для себя несколько идей о том, что лучше никогда не делать.

Применение технологии chatGPT на рынке металлопроката в условиях санкций.
Оценка необходимости внедрения нейронной сети при взаимодействии с клиентами, выбор инструментов реализации, архитектурный подход к решению, метрики продукта. Как подружить БД металлургического гиганта и большую языковую модель, что знает chatGPT об арматуре и как интегрировать сервис в несколько систем ? Работа над ошибками и выводы для масштабирования.

Вопрос выбора решений сейчас стоит максимально остро. Множество компаний занимается импортозамещением текущих решений и цифровизацией процессов. Я провёл десятки переговоров с интеграторами и вендорами, самостоятельно изучал рынок решений, занимался составлением лонг и шорт листов. Мой доклад поможет наиболее эффективно провести процедуру RFI и обоснованно подойти к выбору решения с наименьшими трудозатратами для заказчика и исполнителя.

Расскажем о нашем движке Alpha.Historian для решения задач хранения исторических данных в проектах автоматизации на базе ПО Альфа платформа:
- О целевых архитектурах, в которых применяется Альфа платформа, и задаче хранения истории
- Базовые требования, из которых мы исходили
- Предыстория, альтернативы (в прошлом), предпосылки
- Alpha.Historian как часть Альфа платформы, его место в общей архитектуре
- Движок баз данных в основе Alpha.Historian
- Текущее состояние, возможности
- Видимые ограничения применения, альтернативы (в настоящем)
- Предполагаемые пути развития

Tantor PipelineDB — это форк расширения PipelineDB для PostgreSQL. PipelineDB позволяет обрабатывать данные в реальном времени, используя только SQL. Но, к сожалению, данный интересный проект был закрыт в 2019 году и с тех пор код не обновлялся. Мы в команде Tantor Labs используем PipelineDB более 5 лет и развиваем его самостоятельно. В докладе хотелось бы рассказать:
- о том, как устроен Tantor PipelineDB,
- какие задачи для работы с time series данными решает,
- о портировании на новые версии PostgreSQL/Tantor (до 16 версии включительно),
- о доработках для эффективного сжатия и партиционирования,
- о планах на будущее и opensource.

В прошлом году на Byte&Oil 2023 мы поговорили про особенности, с которыми сталкивается экспулатация и разработка, потому что PostgreSQL в кластеризованном сетапе ведет себя не совсем так, как одиночный сервер БД.
За год мы насмотрелись, как нашу Машину эксплуатируют уважаемые Заказчики (внезапно - не всегда так, как мы предполагали) и собрали ряд поучительных историй на тему "как готовить PostgreSQL, что бы было не очень больно".
Приходите, будет интересно, истории в основном класса "а потом что-то пошло не так"

1С: Аналитика как российское решение для BI. Наши "грабли" на пути внедрения.

1. Зачем вообще нам понадобилась BI система? И почему вдруг 1С: Аналитика?
2. Собственная архитектура решения, основанная (но не скопированная) по рекомендациям 1С:
2.1. Процессы:
- Спорная технология обмена. COM соединение: имеет ли право на жизнь
- Хранение данных в 1С, ETL
2.2. Компоненты:
- Интеграция 1С: Аналитика как BI системы
- Разработка хранилища данных на 1С
3. Результаты и выводы внедрения 1С: Аналитика как BI системы. Перспективы.

Разработка и предоставление свободного доступа к облачному SaaS-сервису, унифицирующему терминологию описания объектов нормативно-справочной информации (НСИ) и их характеристик, позволит предприятиям свободно обмениваться мастер-данными между различными информационными системами, работающими с корпоративной НСИ в различных контекстах.

Что делать, если микросервисы выполняют синхронизацию данных, а она стала спускать вам колеса?
Обсудим возникающие проблемы при переходе на репликацию БД на действующих микросервисах, затронем тему балансировки экземпляров СУБД, поговорим о роковых проблемах ORM, базовом DBA PostgreSQL и о многом другом, что нам помогло в решении данной проблемы.

Первые шаги после ухода вендора. Анализ рынка
Куда пришли? Обзор технологий
Построение тесного взаимодействия с Каталогом данных. Использование результатов запуска проверок в Data Lineage
Как построен процесс по внедрению практики Data Quality в компании? Определение кураторов и ответственных за качество данных
Обучение и поддержка сотрудников. Создание внутренней экспертизы по качеству данных. Передача процесса по созданию проверок на self-service

В рамках проекта по созданию узла данных возникает острая необходимость по внедрению детального слоя в основное хранилище данных. Так как детальный слой фактически является центром хранилища данных управлять процессом приземления логической модели данных необходимо в автоматическом режиме. Для автоматизации процессов управления структурой данных детального слоя, автоматизации процессов загрузки данных в детальный слой и их последующей валидации был разработан фреймворк, о котором пойдет речь в этом докладе. Доклад в большей степени будет посвящен структуре фреймворка и на примерах показано какие задачи он может решать.

Задача
Создание комплексного программного продукта, включающего задачи:
- сбора, долговременного хранения, обработки данных технического учёта энергоресурсов, АСУ ТП, MES;
- произвольная конфигурация вычисляемых величин на основе первичных данных;
- мониторинг как визуализация параметров (диспетчерский уровень);
- контроль параметров на предмет соблюдения требуемых уставок (механизм фиксации и обработки аварийных событий);
- характеристика всех объектов учёта необходимым набором параметров (нормативно-справочная информация);
- формирование отчётности (первичные и технические отчёты);
- использование данных системы как основы для анализа качества работы узлов учёта;
- формирование энергетических балансов.

Внедрению коробочного решения предпочли самостоятельную разработку как рефакторинг и развитие существующей с 2000-х годов на предприятии АО "ЕВРАЗ НТМК" системы технического учёта энергоресурсов.
Причины:
- система является поставщиком данных для множества других аналитических программных продуктов предприятия (проблемы с бесперебойным предоставлением данных в переходном периоде);
- требуется "бесшовный переход" с опроса приборов учёта и локализации хранения данных между "старой" и "новой" системами;
- необходим импорт огромного количества разработанных пользовательских форм (повторная их разработка делает проект по внедрению новой системы нерентабельным);
- альтернативный программный продукт должен содержать все аспекты (в том числе и специфические) ранее реализованного функционала.

В результате создана платформа, состоящая из модулей:
- единой платформы подъёма данных для сбора их с разнородных источников, транспортировки и хранения;
- конфигурирования тегов;
- мониторинга (визуализации и диагностики);
- настройки условий контроля параметров;
- конфигурирования и формирования отчётности;
- энергобаланса.
Система позволяет настраивать пользовательские формы и структуру отчётных документов силами не только администратора, но и пользователей.

Применение общих подходов к механизму подъёма данных и их визуализации позволяет применять платформу традиционно для решения задач мониторинга энергоресурсов, а также данных АСУ ТП, систем MES-уровня. Параллельно решаются более специфичные задачи специалистов-энергетиков.

Разработчики софта, выпускающие свой продукт на рынок, сталкиваются с несколькими важными задачами:
1. Необходимость защиты своей интеллектуальной собственности от пиратства,
2. Выстраивание грамотной системы лицензирования,
3. Автоматизация процесса продажи и обновления ПО.

Мы готовы поделиться опытом и рассказать:
- как принять решение о выборе средства защиты и лицензирования, на что обратить внимание,
- с какими техническими трудностями можно столкнуться при внедрении системы и какие есть варианты решения,
- как проходит интеграция и взаимодействие с внутренними системами,
- какие тонкости при миграции с других систем защиты и лицензирования необходимо учесть,
- какие модели лицензирования оказались наиболее удачными.

1. Зависимость российских нефтегазовых компаний от иностранного ПО
- Использование иностранных программных продуктов в нефтегазовой отрасли
- Риски и угрозы, связанные с использованием иностранного ПО
- Примеры случаев, когда использование иностранного ПО приводило к негативным последствиям для российских компаний
2. Важность перехода на российские программные продукты
- Преимущества отечественных программных решений
- Состояние российского рынка программного обеспечения для нефтегазовой отрасли
- Возможности для развития и внедрения российских программных продуктов
3. Планы по стандартизации разработки и создания программных решений
- Разработка национальных стандартов для программного обеспечения
- Создание инфраструктуры поддержки российских разработчиков ПО
- Сотрудничество с международными организациями для внедрения российских стандартов
4. Страх российских разработчиков масштабировать свои разработки и выйти на иностранный рынок
- Ограничения и вызовы для российских разработчиков ПО
- Возможности для роста и международной интеграции
- Механизмы поддержки российских разработчиков на международном рынке

- Как мы начали разработку отечественного софта для промышленности
- Заключение контрактов и работа с ЛПР
- Погружение в сферу и аналитика. Немного о разработке продукта
- Результаты внедрения и польза для заказчика
- Как объяснить клиенту, что продукт нужно развивать, и что из этого вышло
- Как волна импортозамещения помогает развивать продукт
- Перспективы рынка и дальнейшие планы

1. Немного о компании
2. Что за процесс и для чего он
3. Как всё начиналось (небольшое ретро с чего пошла потребность и как разрабатывался легаси проект в 3-4 пунктах)
4. Какие шишки были набиты в самом начале (коротко)
5. Каналы передачи и как это реализовано + немного про цифровые сервисы рассказать
6. Небольшой вывод выше сказанному, 1 слайд со всеми точками ключевыми
7. Рассказать про перевнедрение эл архива и что внутри него есть конкретный процесс эск
8. Подробно рассказать что за архитектура, стэк, какие паттерны в коде, какая автоматизация есть, тесты, линтер, почему именно это всё выбрали и тд (тут несколько слайдов)
9. Фичи нового проекта, которые появились благодаря ранее приобретенному опыту внедрения (тут несколько слайдов)
10. Часть про то как в вебе подписание делали (тут несколько слайдов)
11. Вроде же всё готово? Ну вроде, но на сцену выходит МЧД
12. Планы тиражи, сравнение сколько цехов было на старте в обойме и сколько сейчас и тд
13. Спасибо за внимание

0. Реестр отечественного ПО – это основной инструмент импортозамещения в РФ. Мы покажем на примерах, какие отечественные решения уже попали в него.

1. Почему мы вообще говорим про реестр? Особенно тревожный вопрос для нас – это импортозамещение ПО и программно-аппаратных комплексов критической инфраструктуры, к которой относится нефтегаз. От нашей отрасли требуется переход на софт из реестра, т.к. он не зависит от санкций.

2. Есть серия законов, регламентирующих импортозамещение нефтегаза. Более того, в Госдуму вносятся новые законопроекты, которые вводят новые правила для импортозамещения ПО. В докладе расскажем в подробностях показатели и сроки, которые установило для нас государство.

3. В первую очередь для реестра принципиален набор компонентов, используемых в ПО, т.е. техстек. Причем понимание понятия техстек разнится с привычным нам. Обсудим, что же все-таки имеется в виду.

4. Минцифры РФ включает в реестр только ПО с “чистым” техстеком. Под “чистым” подразумевается набор из проприетарных компонентов без экспортных ограничений и любой опенсорс (пока что). На примерах и конкретных действиях покажем, как узнать, что компонент подходит, а также подскажем, что делать с теми, которые не подходят.

5. Опенсорс более коварный, чем кажется на первый взгляд. Расскажем про все виды opensource лицензий и риски использования компонентов на них для компании (не только через призму Минцфиры РФ).

6. Заявки в реестр проходят тщательную проверку компонентов техстека. Компаниям предстоит не только подготовить подробное описание архитектуры, но и дать доступы к коду, серверу, интерфейсам, приложив инструкции по их эксплуатации. Для слушателей доклада мы подготовили саммари принципов и порядка проверки компонентов ПО.

7. Выводы: на этапе разработки продукта нужно задумываться о компонентах, на которых функционирует программа. Если пренебречь этим, то придется пересобирать проект или вовсе отказаться от регистрации в реестре Минцифры РФ. С регистрацией ПО лучше поторопиться, ведь новые правила для критической инфраструктуры появляются все чаще и можно не успеть подготовиться к ним.

Снижение барьера входа в новые импортозамещенные технологии.
С уровня костылей и ручника к:
- удобному мигратору
- удобному инсталлятору
- удобному апдейтеру
- удобной интеграции с продуктами экосистемы
- удобной кросс-интеграции с другими смежными вендорами

Инструмент в условиях недостатка сотрудников.

Нестандартное использование 1С: Документооборот как базы для налогового мониторинга
• Почему мы выбрали 1С: Документооборот за основу?
• Плюсы и минусы решения, перспективы

Организация электронного архива с автоматическим сбором и обработкой документов
• Автообработка, автоматическая категоризация, автоподписание и отправка документов по ЭДО
• Примеры скриптов и алгоритмов, обеспечивающих минимальные трудозатраты пользователей

Полезные "инъекции" в программный интерфейс 1С: Документооборот
• Оригинальные решения, расширяющие возможности инструментов 1С: ДО, которые позволят быстро и без внесения изменений в конфигурацию решать задачи автоматизации

Интеграция с Диадок
• Внедрение модуля интеграции с Диадок в 1С: Документооборот
• Архитектурные сложности модуля
• Полезные советы на основе наших страданий: отладка, доработка, адаптация под 1С: ДО

Доклад посвящен нашему опыту создания собственного OCR-решения для распознавания документов.

1. Метрики здоровья бэка и инфраструктуры. На что обращаем внимание в первую очередь и почему.
2. Описание кейса внедрения мониторинга в одну из нефтяных компаний.
3. Быстрое определение корневых причин инцидентов на реальных примерах и не только.
4. Влияние инцидентов на бизнес. Как оценить и зачем это нужно.

· Поделимся опытом, как мы гармонизировали процесс разработки, сочетая проектную и продуктовую логику. 
· Ключевая полезность доклада для слушателей:  описание нашего пути перехода на концепцию разработки коммерческих продуктов. 

1. Экскурс в отраслевую разработку и причины появления коммерческих продуктов.
2. Специфика отрасли и анализ бизнес-целесообразности (предварительная аналитика рынка)
3. Изменение в команде (перестройка ролей\появление новых и т.д.), выстраивание процессов внутри команд (методологии)
4. Что нужно для выхода на рынок:
a. Сделать больше пользовательских сценариев
b. Добавить больше совместимости
c. Защитить продукты от взлома и уязвимостей
d. Обеспечить отчуждаемость
e. Не забыть про поддержку и обновления
f. Настроить демо-стенды вовне
g. Перестроить договорные, юридические и финансовые процессы
h. Собрать все грабли, извлечь ценный опыт и суметь пойти дальше
5. Чем гордимся, на чём учимся и какими выводами хотим поделиться

План выступления:
1. Введение
* Краткое представление НЛМК и истории создания первой версии дизайн-системы.
* Обзор проблем первой версии и мотивация к обновлению.
2. Производственные системы: основы и значение
* Введение в концепцию производственных систем.
* Значение производственных систем для эффективности дизайн-системы.
3. Мотивация к созданию дизайн-системы версии 2.0
* Анализ обратной связи от пользователей и необходимость обновления.
* Процесс наладки контрибуции и сбора компонентов с проектов.
4. Определение набора компонентов
* Методика выбора и разработки компонентов.
* Критерии оценки и методологии выбора компонентов.
5. Переход в open source: причины и стратегия
* Обсуждение причин перехода в open source.
* Стратегия взаимодействия с сообществом и привлечения внешних разработчиков.
* Вклад в развитие отраслевых стандартов и получение обратной связи.
6. SCADA или дизайн система для мнемосхем
* Обсуждение для чего нужны SCADA система их их ограничения.
* Дизайн система мнемосхем для чего мы ее создали
* Что мы получили и основные выводы
6. Коммуникация с дизайнерами и регрессионное тестирование
* Методы и инструменты коммуникации между разработчиками и дизайнерами.
* Важность и роль регрессионного тестирования в поддержании качества.
8. Кастомизация документации для проектов
* Техники перевода на разные языки, темизация, создание песочницы, тестирование.
* Практические примеры и результаты кастомизации.
9. Выбор лицензии для open source проекта
* Обзор критериев выбора лицензии.
* Влияние различных типов лицензий на сообщество и использование.
10. Итоги и будущее дизайн-системы НЛМК
* Обзор достижений и вклада дизайн-системы в развитие компании и отрасли.
* Планы на будущее и направления развития системы.
11. Вопросы и ответы
Заключение
* Ключевые выводы доклада.
* Призыв к действию: приглашение к сотрудничеству и использованию дизайн-системы для создания продуктов.

Структура доклада:
Тренды в развитии систем индустриальной автоматизации и автоматики.
Угрозы безопасности информации систем индустриальной автоматизации и автоматики.
Потребности разработчиков отечественных доверенных ПАК (ПЛК, РСУ, ПАЗ, ИЭУ).
Вопросы разработки защищенной встраиваемой операционной системы реального времени.
Выводы:
Реализация концепции Secure by design (безопасности на архитектурном уровне) и требований безопасной разработки выглядит наиболее перспективно с учетом:
необходимости удовлетворять требования по функциональной надежности и безопасности;
наличия требований по быстродействию телекоммуникационных протоколов и оптимальности затрат.
Для создания доверенных и технологически независимых ПАК на базе ОС с ядром Linux необходимо получить от поставщика:
доверенный набор инструментов (toolchain).
доверенный пакет поддержки аппаратной платформы (BSP).
доверенный способ и процесс создания и использования образа программного обеспечения для ПЛК, ИЭУ РЗА (trusted image).

Рост любой компании сопровождается ростом её ИТ-инфраструктуры: с каждым днём приложений от разных поставщиков становится всё больше и больше. Цифровизация любого бизнеса предусматривает внедрение нового программного обеспечения. Возникает потребность интеграции приложений между собой и данных из различных источников для оптимизации бизнес-процессов и расходов на содержание ИТ-ландшафта.
На помощь приходят различные решения, в том числе интеграционные платформы. Эволюция построения интеграционных взаимодействий движется к интеграционным платформам от простых соединений приложений на прямую “точка-точка”, интеграций через брокеров “издатель-подписчик”, через корпоративные сервисные шины и ETL-инструменты.
Платформы позволяют наладить процесс интеграции и устранить беспорядок, который может возникнуть при использовании «зоопарка» различных интеграционных приложений. Таким образом интеграционные платформы становится распределенным «сердцем» ИТ-ландшафта, обеспечивая централизованное управление данными и быструю связь между любыми приложениями, обеспечивая отказоустойчивость и безопасность при передаче данных, гарантию доставки и порядка доставки сообщений, приоритезацию в обработке данных с возможностью их трансформации “на лету” в сложных интеграционных цепочках.
В докладе мы рассмотрим, какие проблемы возникают при использовании устаревающих способов интеграций, ключевые преимущества интеграционных платформ по отношению к приложениям класса ESB и других видов ETL-процессинга, обсудим горячую тему импортозамещения и возможность использования новых отечественных решений.

Разработкой Java технологий в Российской Федерации и созданием доверенного
семейства продуктов Axiom Java Development Kit (Axiom JDK) занимается компания ООО
БЕЛЛСОФТ.
Компания БЕЛЛСОФТ основана в 2017 году выходцами из Центра Разработок Oracle
в Санкт-Петербурге.
Инженерное ядро компании участвовало в разработке Java платформы на
протяжении последних 25 лет и вносило свой вклад во все версии Java начиная с Java 1.5. C
момента основания БЕЛЛСОФТ активно участвует в эволюции Java платформы. Все
выпускаемые версии актуальные, не имеют отставания и являются полнофункциональной
заменой ПО Java от компании Oracle.
Программная реализация технологии Java включает в себя:
- набор средств разработки Java – JDK (Java Development Kit),
- среду исполнения приложений Java – JRE (Java Runtime Environment),
- виртуальную машину Java – JVM (Java Virtual Machine),
- два типа компилятора javac и С1/С2 и имеет полный доступ к данным
приложения.
которые необходимы для запуска приложений, написанных на различных языках
программирования, поддерживающих платформу Java (Java, Kotlin, Scala и т.д.). При этом JRE и
JVM формируют среду исполнения кода приложений Java (своего рода специализированную
операционную систему и виртуальную процессорную архитектуру для исполнения кода
написанного приложения Java).

Будем говорить о планировании и проектировании в проектах импортозамещения операционной системы и службы каталогов.
Почему задача уникальна, как учесть возможные подводные камни при проектировании перехода, допущенные типовые ошибки различных предприятий отрасли при планировании работ, повлекшие за собой изменение календарных сроков.
Обсудим типовые технические и организационные задачи, осознаем уникальность таких проектов.
Поговорим о подходах к определению границ и периметров, работе с сопротивлением пользователей, почему лояльность пользователей и правильно выстроенный процесс информирования может спасти проект.
Ну и на десерт обсудим типовые заблуждения и ошибки при реализации проектов миграции на новый базовый продуктовый стэк.

1) Что такое электронный наряд допуск и его важность на промышленных предприятиях
2) Предпосылки разработки собственной системы
3) Выбор технического стека для проекта. MVP
4) Выбор движка бизнес процессов. Особенности реализации на базе Camunda.
5) Внедрение на промышленных площадках НЛМК
6) Результаты внедрения.

Доклад о том, как создать свою конвейерную линию для создания, тестирования и поддержки docker-образов. Какие задачи нужно решить, какие инструменты для этого выбрать, с какими проблемами можно столкнуться и как их мужественно преодолеть. В докладе будет приведено описание конвейера docker-образов на базе РЕД ОС.

– Разработка прикладных промышленных решений с применением отечественных BI инструментов представляет собой инновационный подход к повышению эффективности управления производством.
– Рассмотрим кейсы разработанных решений в области энергетики, таких как «Оценка энергонадежности» и «Контроль качества электроэнергии», на промышленных предприятиях, разработанных на базе BI инструмента «Форсайт. Аналитическая платформа».
– Использование промышленных данных для обеспечения более высокого уровня контроля и прозрачности, а также успешного управления системой энергетики на производственной предприятии.

Построение цифровой фабрики для 1С решений, на основе импортозамещенных компонентов DevSecOps конвейера. В частности:
1. Зачем нужно построение DevSecOps конвеейра для 1С? Проблемы с которыми столкнулась компания
2. Обзор и анализ решений для автоматизированной сборки 1С?
3. Построение DevSecOps конвейера на базе импортозамещенных продуктов. Вариация качества и проверки на уязвимости артефактов 1С.
4. Continues Delivery - автоматизированное развертывание и использование отечественных систем контейнеризации для повышения надежности и эффективности работы сервера приложений 1С.

Типовая Экосистема цифровых продуктов Энергетика
Что такое "Умная генерация"
Применимость "Умной генерации" в промышленности
Демонстрация работы инструмента "Умная Генерация" на практических кейсах с описанием ситуации, смоделированного системой решения, потенциальный эффект от принятого решения:
1) безопасный режим важнее экономики
2) влияние стоимости моточасов на стоимость генерации
3) влияние стоимости ресурсов на стоимость генерации
4) принцип работы режимно-экономической модели
Что нужно сделать для перехода на качественно новый уровень управления собственной генерацией
Опыт внедрения
Пути развития решения

1. Расскажем, как создать коробочный продукт из собственного решения, изначально не предназначенного для распространения;
2. Проведем по пути от ручной установки манифестов к упорядоченной доставке приложений в кластера Kubernetes, учитывая зависимости между приложениями и их компонентами развернутыми в разных кластерах;
3. Покажем, как управлять конфигурацией 100+ микросервисов из одного места в процессе развертывания продукта;
4. Рассмотрим инструмент Helmwave, который помог решить стоящие перед нами задачи.

Каждый день человечество создает около 402,74 млн терабайт данных. Но сегодня рынок данных сильно фрагментирован – бизнес обычно оперирует лишь собственными данными, в том числе в силу регуляторных ограничений. В то же время растущие потребности как бизнеса, так и государства в моделировании и прогнозировании с использованием big data подводят нас к началу новой эры – мы называем ее эпохой “ДатаВселенной”.

Тезисы будут доработаны

Как создание внутренней технологической платформы для разработчиков (Internal Development Platform) позволило ускорить цифровизацию производства компании НЛМК
Сократить время на разработку проектов и упростить эксплуатацию систем
С какими вызовами столкнулись, какие выгоды для компании принесли

В современной динамичной и конкурентной бизнес-среде сложно представить себе архитектуру IT-компании без использования K8s кластера. Задействовав данную технологию, разработчики ежедневно сталкиваются с форматом YAML, который всячески усложняет и замедляет процесс разработки. Количество манифестов растет и появляется необходимость автоматизировать работу с шаблонами.
Но какой инструмент позволит работать с YAML, как с кодом и позволит выйти за рамки обычной шаблонизации?

Именно CUE - технология, которая позволяет выстроить процесс работы с форматом YAML максимально безболезненно для инженеров. Расскажу подробно, в каких случаях CUE - самый подходящий инструмент и как правильно выстроить правильную структуру репозитория при работе с большим проектом.

CUE реализует простой подход работы с YAML как с кодом, а при интеграции с Golang, вполне легко можно создать свой инструмент, позволяющий обеспечить не только работу с шаблонами K8s, но и автоматизировать валидацию, генерацию YAML и его дальнейшую поставку на кластер с учетом всех особенностей архитектуры и текущих версий релизов на кластере. На примере организации структуры репозитория расскажу про важность согласованности локального и удаленного хранилищ, создав которую, можно автоматизировать многие промышленные процессы с помощью CUElang.

У компании, которая разрабатывает промышленное ПО, всегда есть свои нюансы в процессах разработки и сопровождении релизного цикла. С одной стороны, есть пересечения по процессам, как у интеграторов или продуктовой разработки, с другой стороны – поправка на ветер промышленного сегмента в виде регуляторов, своих норм и правил. Добавим в этот микс государственное регулирование и особенности заказчиков своего сектора промышленности, и получим винегрет из хотелок, который надо развивать и соотносить с существующей стратегией развития продукта.
В данном докладе мы поговорим о том, каким образом организовать процесс работы с инцидентами заказчиков, правильно разграничить зону ответственности между внедрением и R&D, сопроводить его техническими инструментами, чтобы всё работало, как часы.

Настроить регулярный и стабильный релизный процесс непросто. Но решение становится сложнее, когда релизный процесс нужно сделать универсальным с учётом особенностей производственной компании: большого набора независимых друг от друга сред на предприятиях с различиями в инфраструктуре, которая, кроме того, может быть критической с ограничением централизованного доступа.

В докладе мы рассмотрим, что нам предлагают существующие инструменты и инженерные практики для решения подобных проблем, наш собственный подход, а также почему внедрять классическую культуру DevOps в такой конфигурации может быть не лучшей идеей.

- Как и почему металлургическая компания пришла к Kubernetes
- Особые требования и отраслевая специфика (требования к безопасности, изоляция сред, удаленные площадки без интернета, геораспределение и др.)
- Как происходило внедрение – roadmap проекта (сроки, шаги внедрения – что получилось и что не получилось)
- Планы компании по развитию (будущие системы, внедряемые на базе микросервисной архитектуры, требуемый функционал со стороны платформы, обучение сотрудников и наращивание собственной экспертизы)

В современных реалиях количество систем на платформе 1С в промышленных компаниях растет активными темпами. Для повышения производительности команд 1С необходимо внедрять инструменты и практики, которые позволяют автоматизировать различные ручные операции: разворачивание окружения, тестирование, code review, проверка проекта ИБ, сборка и доставка обновлений конфигураций. При этом сложившиеся DevSecOps-практики для других стеков не всегда подходят в области 1С.

В своем докладе я расскажу, как мы прошли путь от принятия факта «зачем нам это нужно» до внедрения этих процессов на практике. Как перешли к разработке в различных сетевых сегментах (DEV, TEST, PROD) и подружились с Информационной безопасностью. На примере нашего кейса покажу какие инструменты мы для этого выбрали и как в итоге выглядит DevSecOps для 1С в большой компании.

В последнее время, с появлением больших языковых разговорных моделей (Large Language Models, LLM), таких, как Yandex GPT, актуальным становится вопрос создания предметно-ориентированных чат-ботов, т.е. таких разговорных чат-ботов, которые способны поддерживать беседу в рамках какой-то узкой предметной области.

Такие чат-боты могут быть реализованы двумя путями:

1. Дообучение разговорной модели — это, как правило, требует значительных вычислительных мощностей, усилий и опыта, и при этом любые изменения в предметной области требуют переобучения модели.

2. Retrieval-Augmented Generation (RAG) — подход, при котором ответ чат-бота формируется стандартной предобученной LLM-моделью, но предварительно ей показывают фрагменты текста из предметно-ориентированной базы знаний, найденные с помощью семантического поиска.

В рамках данного мастер-класса мы попробуем оба подхода, но в основном сконцентрируемся на создании вопрос-ответного чат-бота с помощью подхода Retrieval-Augmented Generation. Мы также используем Yandex SpeechKit для извлечения текста из набора видео-файлов. Для реализации бота мы организуем векторное хранилище и индексацию с помощью текстовых эмбеддингов YandexGPT и фреймворка LangChain.

Сейчас использование ML и AI стало практически обязательным пунктом любой программы цифровизации. Компании промышленного сектора экономики одни из самых активных «юзеров» машинного обучения в своих продуктах.
Предсказать лучшее месторождение? Предугадать, когда оборудование выйдет из строя? Все это и не только нам помогает делать искусственный интеллект и машинное обучение.
А что, если злоумышленник уже использует уязвимости в моделях, чтобы «жить» в вашей инфраструктуре? Или подменяет их так, что вы не видите?
Поговорим о том, как современный DevSecOps работает с уязвимостями в моделях и куда движется отрасль защиты именно от этого типа проблем.
Расскажу про «идеальные» конвейеры MLOps и внедрение практик безопасности в них. Покажу, что делаем мы и поделюсь подходами, которые не могут не сработать.

В условиях растущей автоматизации и использования беспилотных технологий в строительстве стало возможным обеспечивать строгий контроль и регулярный учет стройматериалов. Особенно это актуально для крупных строительных площадок, где традиционные методы учета часто неэффективны. Мы предлагаем использовать беспилотники и нейронные сети для объективного и беспристрастного обнаружения и подсчета материалов на всей территории стройплощадки.
Общий процесс:
Аэрофотосъемка: С помощью аэрофотосъемки мы получаем ортофотоплан и 3D-представление (в виде облака точек) строительной площадки.
Анализ данных: Используем нейронные сети для обнаружения и идентификации материалов на основе ортофотоплана.
Подсчет объектов: По облаку точек мы достоверно определяем количество строительных материалов (начали наше исследование с кирпича, как очень распространенного материала).
Результаты и точность:
Наша модель достигла точности 98% в обнаружении кирпичей на снимках. Ошибка при подсчете количества кирпичей составляет менее 2%, что говорит о точности и надежности системы.
Преимущества и перспективы:
Автоматизация и контроль: Наше решение позволяет значительно упростить и ускорить процесс учета материалов, обеспечивая точность и прозрачность.
Интеграция в системы учета: Мы видим большие перспективы для интеграции этой технологии в существующие системы управления строительством, что позволит обеспечить оперативный и непрерывный мониторинг.
Широкое применение: Достигнутые результаты демонстрируют потенциал для масштабирования и применения данной технологии на различных строительных объектах, что способствует улучшению управления ресурсами и снижению операционных затрат.

Производство дорожных ограждений требует высокой точности и надежности. Наш клиент столкнулся с проблемой: при изготовлении продукции на прокатной линии ошибки смещения пробития отверстий прессом приводили к значительным финансовым потерям. Допустимая норма смещения составляет всего 1 мм, но накопление ошибки часто обнаруживается только спустя 4-5 пакетов изготовленных деталей. Это приводит к браку, стоящему от 150 до 500 тысяч рублей каждую неделю.

Андрей Пыжов, Руководитель направления Нефтегаз и химия ITentika, расскажет, как была разработана система для обнаружения и устранения этих ошибок на ранних этапах, что позволило избежать значительных финансовых потерь.

На этапе разведки месторождений нефти и газа геологам и геофизикам приходится решать множество сложных математических задач, одной из которых является обратная задача геофизики или сейсмическая инверсия.

Сейсмическая инверсия - это метод получения физических параметров из сейсмических данных, собранных в полевых условиях. Эти физические параметры представляют собой характеристики земных недр и имеют физическое и геологическое значение, поэтому сейсмическая инверсия представляет собой количественную интерпретацию сейсмических измерений и является одной из наиболее важных процедур интерпретации данных.

За долгую историю сейсмической разведки полезных ископаемых ученые предлагали различные подходы к решению проблемы инверсии, а в последние годы было предпринято множество попыток применить к этой проблеме методы машинного обучения.

В этом докладе мы немного углубимся в математику сейсмических задач, расскажем, как мы применили подход, основанный на данных, для решения физической задачи сейсмической инверсии, и обсудим перспективы машинного обучения в области больших данных сейсморазведки.

В своём докладе Евгений рассмотрит новые виды атак на LLM приложения актуальные для задач в производственных компаниях. Разберем, где внедряются решения Генеративного ИИ в индустриальных компаниях. Рассмотрим категоризацию атак, а также техники мониторинга и защиты. Разберем, какие фреймворки и стандарты в отрасли появились для работы в области LLM Security, включая OWASP, Mitre, Databricks и другие. Обсудим, чем защита и выравнивание (alignment) Open Source моделей отличается от проприетарных. Сфокусируемся на проблемах, связанных с внедрением on prem решений и отечественных ИИ моделях. Слушатели получат обзор в области защиты ИИ приложений и чек-лист для вывода своих приложений в прод.

В рамках данного доклада будет рассказан путь внедрения ИИ в процессы тестирования в компании "Цифровые технологии ДомРФ", такие как:
1) Тестирование требований
2) Разработка тестовых кейсов
3) Разработка API автотестов
4) Разработка отчетной документации для заказчика (ПМИ)
Также будет показано решение, которое мы разработали для наших тестировщиков, чтобы автоматизировать описанные выше задачи при помощи ИИ, расскажем, сколько времени сотрудников удалось сэкономить и куда его перенаправить :)

Нейронные сети становятся важным инструментом для современных компаний, однако их реализация требует больших вычислительных мощностей. Это может ограничить спектр задач, которые можно решить с их помощью, особенно когда оптимизировать саму модель представляется невозможным. Однако внедрение программных средств и организационных правил в архитектуру ML-решения может помочь уменьшить потребление ресурсов без ущерба для точности.

В докладе расскажу про пример внедрения компьютерного зрения для контроля страховочной привязи. Вместе рассмотрим создание архитектуры CV-системы, включая использование внутренних и внешних детекторов движения и анализа видеопотока, а также внедрение организационных решений, способствующих сокращению вычислительных мощностей. Мы увидим прогресс в оптимизации ресурсов, которого можно добиться, а также обсудим возможные проблемы при построении такой ML-системы.

Развеем мифы о машинном обучении и искусственном интеллекте, и покажем почему бояться новых технологий в бизнесе (в том числе, но не ограничиваясь ML) нужно и даже полезно, однако это не является поводом их не внедрять!
Обсудим ключевые страхи: стоимость, сроки, отсутствие гарантий и общую "непонятность" технологий - а также почему они могут стать вашим преимуществом и почему внедрение инновационных технологий не может быть в полной мере "делегировано" даже самым лучшим техническим экспертам.
В конце попробуем понять - почему самые "стоящие" компании 21го века сплошь "технологические" и обсудим какие перспективы есть у промышленных компаний по "масштабированию технологий" в 2024м году?

В докладе рассматриваются проблемы оптимального управления заводнением при разработке нефтяного месторождения на основе ежедневных и ежемесячных замеров скважин. Для неполных данных предложен метод фильтрации и восстановления данных, для последующего определения коэффициентов взаимовлияния скважин на основе гибридных моделей, объединяющих физико-математические подходы и методы статистического обучения.
В работе предложена стратегия понижения размерности с использованием классических методов кластеризации для дальнейшего обучения глубокой нейронной сети характеризующей зависимость дебита нефти от уровня закачиваемой воды нагнетательными скважинами.
На основе обученной нейронной сети осуществляется расчет оптимальных режимов нагнетательных скважин для решения задачи увеличения дебита нефти при индивидуальных и групповых ограничениях на скважинах.
В докладе продемонстрированы результаты и положительный эффект апробации методики на пилотном участке реального месторождения.

Технологии развиваются стремительными темпами, компании сталкиваются с необходимостью миграции со старых систем на новые технологии, чтобы оставаться конкурентоспособными. Использование искусственного интеллекта (ИИ) может ускорить этот процесс, предоставляя инструменты для автоматизации и оптимизации миграции. ИИ способен анализировать и преобразовывать старый код, беря на себя рутинные операции, улучшая его производительность и снижая количество ошибок, что позволяет быстрее и эффективнее переходить на современные платформы.

Одним из ключевых аспектов ускорения миграции является способность ИИ обеспечивать совместимость старых систем с новыми технологиями. Это не только сокращает время и усилия, необходимые для миграции, но и минимизирует риски, связанные с переходом на новые технологии, обеспечивая бесшовную работу всех систем.

Кроме того, ИИ помогает прогнозировать и предотвращать потенциальные сбои и проблемы, что особенно важно в процессе миграции данных и приложений. В результате компании могут быстрее адаптироваться к новым технологиям, снижая операционные затраты и направляя ресурсы на развитие и инновации.

В нашей компании был успешно реализован проект по переходу информационной системы с VB6 на современный NET, который показал, что ИИ может быть полезным помощником и другом для разработчика в процессе перехода на современный стек технологий.

Проблематика:

• В современных производственных компаниях, особенно в нефтегазовой отрасли, существует необходимость точного управления затратами на бурение скважин. Традиционные подходы к управлению затратами часто не учитывают интеграцию данных между различными системами, что приводит к неточностям и увеличению издержек.

Описание:

• Стоимостной инжиниринг процессов бурения фокусируется на управлении и оптимизации затрат, используя данные как производственно-инженерных, так и управленческо-финансовых систем. Основной вызов — это синхронизация данных между этими системами в реальном времени.

Решение проблемы:

• Внедрение двухсторонней синхронизации данных позволяет объединить информацию из производственных и финансовых систем, обеспечивая более точные и своевременные данные для анализа и принятия решений. Использование API и других технологий интеграции данных позволяет обеспечить непрерывный обмен информацией.

Вывод:

• Применение двухсторонней синхронизации данных в стоимостном инжиниринге процессов бурения позволяет значительно улучшить точность прогнозов, снизить затраты и повысить общую эффективность. Конкретные примеры использования AI и ML показывают улучшение производительности до 30% и снижение затрат на 20% благодаря оптимизации процессов и предиктивному обслуживанию оборудования.

Современные нейронные сети демонстрируют высокую эффективность в различных задачах, однако их внедрение в условиях низких вычислительных возможностей сталкивается с рядом существенных проблем. В моем докладе я расскажу о реальных проблемах, с которыми столкнулись в задачах Сибура, и о том, как мы успешно преодолели эти вызовы с помощью оптимизации моделей. Расскажу о методах, которые помогли нам ускорить процесс и сократить расходы на вычислительные мощности. Погружу в детали и покажу как нам это удалось.

1. Предиктивная аналитика позволяет прогнозировать отказы оборудования на нефтяных и газовых месторождениях, что снижает риски аварий и повышает эффективность производства.
2. Использование данных с датчиков и IoT-устройств позволяет создавать модели предсказания добычи нефти и газа с высокой точностью.
3. Анализ больших данных позволяет оптимизировать процессы бурения скважин и повысить производительность на месторождениях.
4. Применение машинного обучения для анализа геологических данных помогает выявлять новые потенциальные месторождения.
5. Предиктивная аналитика помогает оптимизировать расходы на обслуживание оборудования и предотвращать простои в работе.
6. Анализ данных о состоянии скважин позволяет оперативно реагировать на изменения и предотвращать аварии.
7. Прогностическая аналитика позволяет оптимизировать логистику транспортировки нефти и газа, сокращая издержки.
8. Использование алгоритмов машинного обучения для прогнозирования цен на нефть помогает управлять финансовыми рисками компаний.
9. Предиктивная аналитика позволяет оптимизировать процессы переработки нефти и газа, улучшая качество продукции.
10. Анализ данных о состоянии трубопроводов и оборудования помогает предотвращать утечки и аварии на объектах нефтегазовой отрасли.
11. Применение технологий искусственного интеллекта позволяет автоматизировать процессы мониторинга и управления месторождениями.
12. Предиктивная аналитика помогает сократить временные затраты на планирование работ по добыче нефти и газа.
13. Использование аналитики для прогнозирования спроса на энергоносители позволяет компаниям оперативно реагировать на изменения на рынке.
14. Анализ данных о климатических условиях помогает оптимизировать процессы добычи и транспортировки нефти и газа.
15. Внедрение системы предиктивной аналитики в нефтегазовой отрасли способствует повышению эффективности производства, снижению издержек и улучшению безопасности работников.

1. Чем отличаются технологии видеонаблюдения и видеоаналитики
2. Принцип работы детекторов системы видеоаналитики
3. 4 типа детектируемых событий: сизы и зоны, поведение, оборудование, процессы
4. Сценарии применения: охрана труда и промышленная безопасность
5. Сценарии применения: контроль техпроцессов на буровой
6. Эффекты от внедрения
8. Платформа и решения VizorLabs: практический опыт внедрения умной видеоаналитики. Кейсы: Лукойл, Газпромнефть, Arabian Drilling Company (Саудовская Аравия) и др.

Россия — лесной гигант: В России находится четверть всех мировых запасов древесины. Это не просто природное богатство — это огромный потенциал для получения прибыли. Для эффективного управления этими ресурсами необходимо иметь точную и актуальную информацию о состоянии лесов.
Проблема устаревших данных: В настоящее время официальные данные о лесах часто устарели и не всегда точны. Традиционные методы обновления данных требуют длительных и трудоемких полевых исследований, которые к тому же подвержены человеческому фактору. Это приводит к значительным убыткам и низкой эффективности ведения лесозаготовки.
Наше решение: Мы предлагаем новый подход к инвентаризации лесов: использование беспилотников, оснащенных лидаром и мультиспектральной камерой. Эти технологии позволяют нам быстро и точно собирать информацию о лесах с воздуха, что значительно сокращает время и затраты по сравнению с традиционными методами.
Технология на практике: По отснятым данным мы создаем детализированные 3D-модели лесов. С их помощью мы не только видим рельеф местности, но и можем измерять высоту каждого дерева. Мы можем определить, где растут деревья, какого они размера и в каком состоянии.
Мощь машинного обучения: Наши алгоритмы машинного обучения анализируют более 140 различных характеристик, полученных с беспилотников, и классифицируют деревья по породам с точностью 86%. Это открывает новые возможности для точного и быстрого мониторинга лесов. Преимущества:
Снижение операционных затрат: Наша технология позволяет сократить расходы на полевые работы и ускорить процесс получения информации.
Повышение точности и эффективности: Точные данные о лесных ресурсах помогают лучше планировать и управлять лесозаготовкой, что приводит к увеличению прибыли.
Конкурентное преимущество: Использование передовых технологий, таких как беспилотники и ИИ, обеспечивает компаниям лидирующие позиции на рынке.
Прозрачность и контроль: Благодаря использованию аэрофотосъемки и машинного обучения мы минимизируем влияние человеческого фактора. Теперь руководство может проверять и верифицировать данные о лесных участках удаленно, без необходимости выезда на место.

Чем больше бизнес, тем больше данных в разных системах хранения и обработки. Растет и количество пользователей которым нужно с данными работать, и не все они являются техническими специалистами и умеют “в SQL”. В данном выступлении мы расскажем о нашем опыте разработки системы обеспечивающей доступ к данным на естественном, Русском, языке.
Мы расскажем о запросах наших клиентов, какие варианты решения проблемы упрощения доступа к данным мы пробовали, как мы пробовали работать с LLM для решения данной задачи, расскажем как работает автоматический построитель SQL запросов, как обеспечивается разграничение доступов и технические особенности.
Мы поделимся результатами применения данного подхода, расскажем о том какие пользователи в каких режимах работы с инструментом получили доступ к данным, как сократилось время получения требуемой информации, насколько проще стало понимание структуры данных организации и что будет следующими шагами в развитии решения.

RAG как основа поискового Агента.
Методика Chain of Thoughts для ответа на аналитические вопросы по документам через декомпозицию на примитивные шаги.

В крупных с увеличением количества сервисов и роста нагрузки становится актуальным ранее автоматическое предупреждение о возможных сбоях. В идеале требуется на основе анализа исторических данных по эксплуатации сервисов прогнозировать наступление инцидентов и аварий с учетом трендов, сезонности, производственных календарей.
Для решения такой задачи от нашего заказчика №1 - Банка ВТБ были рассмотрены open-source решения, такие как Prophet, Merlion, Kats. Перечисленные решения были адаптированы для анализа более 150 тысяч метрик из 200 бизнес-сервисов в инструменте "Сфера.Анализ событий". С использованием адаптивных алгоритмов выявления аномалий, не требующих экспертной настройки, инструмент предупредит о возможных сбоях и предоставит важную диагностическую информацию. Гибкие правила алертинга позволяют снизить шум за счет выбора зоны и длительности аномалий.
Использование таких инструментов в крупных компаниях в условиях роста производственного ландшафта требует значительных трудозатрат на настройку. Благодаря встроенному AutoML на основе генетических алгоритмов подбора гиперпараметров получилось увеличить количество автоматически настраиваемых метрик до 95% и сократить трудоемкость настройки модели с нескольких часов — до минут, нескольких кликов мышью.

Часто бывает, что на производстве получить достаточное количество данных для обучения нейронных сетей просто невозможно. В таких случаях на помощь приходит Zero-Shot Learning, который позволяет быстро проверить гипотезу или даже получить готовое решение уникальной проблемы без какого-либо процесса обучения. В данном выступлении вы узнаете все о Zero-Shot в компьютерном зрении, о случаях его применения, а также научитесь создавать синтетические данные для уникальных технологических задач, используя бесплатный инструмент Fooocus.

Добыча полезного сырья начинается с добычи руды и её измельчения в мельницах. Куски каменной породы, которые изначально весят тонны, измельчают до нескольких десятых миллиметров. Анализ состава руды на конвейерной ленте —важный этап в горнодобывающей промышленности, так как позволяет оценить качество ископаемого и размерность. Традиционно гранулометрический состав руды определяется вручную путем лабораторных исследований и визуального осмотра. Такой метод не самый быстрый, результатов можно дожидаться до 24 часов, к тому же большое значение имеет человеческий фактор.
Чтобы оперативно управлять процессом переработки и при минимальных затратах достигать максимального качества конечного продукта, необходимы онлайн-анализаторы. На помощь приходят решения на базе машинного зрения, которые оперативно контролируют качество руды в режиме реального времени.
В докладе мы рассмотрим реальный кейс на промышленном предприятии, расскажем какие проблемы были у производственного передела до внедрения, как мы подошли к решению этой задачи, какие «подводные камни» нас ожидали в процессе и как мы с ними справились, обсудим универсальность такого решения и возможность его применения в других областях.

Искусственный интеллект — это имитация процессов человеческого интеллекта машинами, особенно компьютерными системами. Машинное обучение — это раздел искусственного интеллекта, который изучает и разрабатывает методы обучения алгоритмов на основе данных. Именно данные играют здесь ключевую роль.

Так как ИИ основан на трёх основных мыслительных функциях Обучение\Рассуждение\Самоанализ то и ограничения его исходят из этих функций:
Обучение зависит от качества входных данных, рассуждения ограничены конкретными видами деятельности, интеллектуальные машины не автономны в самоанализе.

Уолтер Питтс с Уорреном МакКаллоком были убеждены в правильности теории Лейбница, которая предполагала возможность «механизации» человеческой мысли. Они опубликовали свою основную статью об этом же в 1943 году. Идеи, которые предложили учёные, являются основой почти всех современных ИИ. Кибернетика Норберта Вейнера и теория информации Клода Шеннона были опубликованы в 1948 году. Обе работы сильно повлияли на сферу ИИ.

но начнём мы с 1950 года, Рождение современной информатики и ИИ можно проследить от Алана Тьюринга, который постулировал идею о том, что машины могут имитировать человеческий интеллект
В 1956 в Дартмуте прошла конференция, посвящённая теме изучения концепций «механизации» интеллекта. Там Джон Маккарти — также один из пионеров искусственного интеллекта — придумал название «Искусственный интеллект».
В 1957 году Фрэнк Розенблатт разработал перцептрон, который считается предшественником современных полносвязанных нейронных сетей.
В 1959 году знаменательную разработку сделал Артур Самуэль, он создал самообучающуюся программу, которая играла в шашки, эта программа совершенствовалась, чтобы превзойти навыки своего создателя. Основа для обучения с подкреплением.
В 1964 году создание Жозеф Вейзенбаум достиг успеха в создании первого чат-бота по имени Eliza. Eliza была представлена как интеллектуальная программа, хотя она выдавала только предопределенные ответы, основанные на вводе пользователя.

в СССР существовала целая школа искусственного интеллекта. Началось всё не очень хорошо, Кибернетика в начале 50х годов попала в опалу из-за той самой статьи Винера, он там недвусмысленно сравнивал мозг животных с машиной, началась антикибернетическая кампания. «буржуазная лженаука»
Реабилитацией кибернетики в СССР можно считать 1955 год, когда в журнале «Вопросы философии» (№ 4) вышла статья Сергей Львович Соболев, Анатолий Иванович Китов и Алексей Андреевич Ляпунов «Основные черты кибернетики». Под влиянием военного и учёного Анатолия Китова кибернетика была реабилитирована после недолгой «опалы».
В рамках кибернетики развивалось и направление, которое мы привыкли называть нейросетевым.
1956 года по инициативе Леонид Павлович Крайцмер была создана Секция кибернетики, которая стала первой общественной организацией страны в области пропаганды полезности идей кибернетики.
В 1962 году вышла книга Алексей Григорьевич Ивахненко «Техническая кибернетика. Системы автоматического управления с приспособлением характеристик». Переведён на множество языков. Занимался перцептронами и описал их в этой книге. Сборник коллективной монографии американских и японских учёных в 1984 году, вышедший к 70-летию учёного
Александр Семёнович Кронрод, который работал над шахматной программой, наследницей которой стала знаменитая «Каисса», и договорился о проведении первого в мире шахматного матча между компьютерными программами. В этом матче в 1967-м году советская шахматная программа, разработанная в Институте теоретической и экспериментальной физики, победила программу Стэнфордского университета со счётом 3-1. Ходы передавались по телеграфу раз в неделю; матч продолжался целый год и закончился со счётом 3:1 в пользу программы, разработанной в ИТЭФ. Впоследствии, в 1971 году, программа ИТЭФ получила название «Каисса». с 1974 года — в Центр. геофиз. эксп. Министерства нефтяной промышленности СССР В августе 1974 года программа стала первым чемпионом мира по шахматам среди компьютерных программ. ) Маккарти по возвращению из СССР: Общее мнение — и оно идёт от самых разных лиц — таково, что они отстают от нас в аппаратуре: не безнадёжно, а немного. Они впереди нас в разработке теории автоматизации…

теперь стоит переключить внимание на применение ИИ в геонауках в эту эпоху
В 1964 году методология k-means была использована для определения цикличности осадочных отложений. В частности, она использовалась для идентификации и классификации пластов на основе их электрических характеристик.
Методы на основе дерева решений нашли свое раннее применение в экономической геологии и картировании месторождений.
Некоторые примеры раннего применения Цепей Маркова можно найти в седиментологии, гидрологии и скважинная геофизика.
А персептроны предложенная Фрэнком Розенблаттом в 1958 году и по сей день играют не последнюю роль в разведочной геофизике.

Термин "зима ИИ" описывает период разочарования и уменьшения финансирования инициатив в области ИИ. Этот спад был спровоцирован несколькими работами и событиями, произошедшими в этот период.
книга "Перцептроны" (1969) Мински и Пейперта. Они показали, что хотя перцептроны теоретически могут обучаться чему угодно, эти возможности весьма ограничены. Хотя их выводы не относились к более сложным многослойным сетям!!, их критика привела к резкому сокращению финансирования исследований нейронных сетей. Примечательно, что алгоритмы обучения с обратным распространением, которые впоследствии оживили исследования нейронных сетей в конце 1980-х и в 2010-х годах, уже разрабатывались в начале 1960-х годов в различных контекстах.
Еще одно заметное влияние на зиму ИИ оказал пессимистический отчет, составленный Джеймсом Лайтхиллом для Британского совета научных исследований в 1973 году. Эта оценка академических исследований в области ИИ дала мрачный прогноз для многих основных аспектов дисциплины, заявив, что "ни в одной из областей открытия, сделанные до сих пор, не оказали того значительного влияния, которое было обещано". Это привело к тому, что ИИ потерял свою привлекательность как для исследователей, так и для финансирующих организаций.

Уже в начале 1970-х годов Ивахненко и его коллегам удавалось обучать восьмислойные нейронные сети, в основе которых лежал искусственный нейрон, основанный на интерполяционном полиноме Колмогорова — Габора. сети Ивахненко, содержащие восемь слоёв, явно опережали своё время.
Позже результатом работы Ивахненко, стало создание и развитие «Метода группового учёта аргументов» (МГУА), одного из первых в истории алгоритмов глубокого обучения.
Описана в книге «Предсказание случайных процессов».
В книге Системы эвристической самоорганизации в кибернетике Ивахненко приводит своё видение развитие кибернетики.
Книга 1974 года Александра Ивановича Галушкина, тогда — сотрудника МФТИ, под названием «Синтез многослойных систем распознавания образов». С точки зрения современной терминологии название книги можно понимать, как «Обучение многослойных нейронных сетей». Галушкин рассматривает использование в нейронных сетях функций активации, исследует использование сигмоиды, на тот момент прорывная идея.

В 1970-е годы было мало разработок как в области методов машинного обучения, так и в области его применения и внедрения в геонауку, что было связано с "первой зимой ИИ». Однако кригинг не считался технологией искусственного интеллекта, и его не затронула зима, он нашел применение в горном деле, океанографии, гидрологии. Продолжают развитие алгоритмы автоматической дифференциации и деревья решений для оценки рисков в разведочной геофизике.

в 1980 году Кунихико Фукусима предлагает неокогнитрон, первую сверточную архитектуру нейронных сетей, которая может распознавать визуальные шаблоны, такие как рукописные символы. Заложив основу для современных методов компьютерного зрения. С тех пор конволюционные сети играют важную роль в интерпретации геологических изображений и данных дистанционного зондирования в геонауках.
В 1982 разработаны рекуррентные сети (Recurrent Neural Network (RNN)), получили широкое распространение благодаря своей применимости в задачах прогнозирования временных рядов, для моделирования климата и сейсмическое прогнозирование, прогноз разработки месторождений по сей день.
В эту эпоху также появились алгоритмы случайного леса и метод LSTM. Random Forest используются для моделирования перспективности полезных ископаемых и классификации типов пород. LSTM - разновидность рекуррентной нейронной сети - особенно эффективна при анализе временных рядов, включая такие приложения, как прогнозирование гидрологических и метеорологических моделей.
В тот же год Теуво Кохонена была создана в 1982 году, стала незаменимой в анализе сейсмических данных. Здесь вот иллюстрация из первой статьи об использовании Карт Кохоненна для автоматической корреляции сейсмических горизонтов и это 1989 год!! А сейчас нам говорят, что это ноу-хау, а атрибутный анализ появится годом позже.

Для понимания бурного развития применения ИИ в геонауках в ту эпоху можно обратиться к обзорной статье Мирко Ван дер Баана 2000 года. Цитата
Бум 1990 использования ИИ в геонауках произошёл благодаря популяризация методов автоматического дифференцирования и обратного распространения в конце 1980-х годов, они и раскрыли потенциал нейронных сетей для широкого применения в геофизике. Ну а ещё конечно цены на нефть.

итак современное состояние. Поскольку тут уже объём работ, исследований и результатов огромен и каждый в своей отрасли сможет выделить собственный набор ключевых технологий этого периода – пройдёмся кратко.
В эпоху с 2000 мы наблюдаем демократизацию ИИ, в основном благодаря широкому распространению инструментов, облегчающих разработку ИИ (Torch, Tensorflow, Sklearn, и др.)

в 2006 году Хинтон, Осиндеро и Йи Те представили сети глубокого доверия, тем самым положив начало эре глубокого обучения.
Крупномасштабная иерархическая база данных изображений ImageNet, разработанная в 2006 году, сыграла решающую роль в развитии алгоритмов распознавания изображений.

В феврале 2011 года суперкомпьютер Watson принял участие в телепередаче Jeopardy без доступа к Интернету и одержал победу.
В марте 2016 года AlphaGo выиграла в Го со счётом 4:1 у профессионала высшего ранга.
GPT-3 — релиз третьего поколение алгоритма обработки естественного языка. 2020 год. Модель, по заявлению разработчиков, решает «любые задачи на английском языке».
в ноябре 2020 года в конкурсе CASP участвовала AlphaFold 2, системы ИИ, способной предсказывать структуры белков с беспрецедентной точностью. И это лишь толика нашего с вами информационного поля.
И если кажется, что парадигма сменилась и сейчас только самые новые методы, вот несколько успешных заметных исследований применения знакомых нам по 50ым, 70ым годам технологий для решения различных проблем в геонауках.
Так же в этот период значительный прогресс в применении методов ИИ для анализа изображений, конволюционные нейронные сети, генеративные состязательные сети и нейронные сети, основанные на физике, в области геонаук. Здесь на слайде различные архитектуры СНН.
Методы на основе CNN широко использовались для пикировки первых вступлений, полноволновой инверсии, выделения тектонических разломов, сегментации соляных тел и сейсмических фаций, реконструкции отсутствующих трасс.
ГАНы для моделирования трехмерных пористых сред , для геостатистической инверсии, синтеза сейсмограммы, полноволновой инверсии волны для обнаружения разломов.

1. Сначала примеры - кейсы Рафт с мультиагентными чат ботами на LLM
Первый - чат бот для продади недвижимости

2. Как задизайнить чат бота оптимально
Здесь на тех же примерах (они выше) обсудим как могла бы выглядеть архитектура без мультиагентности, какие фишки дала мультиагентность (скорость, экономия ресурсов )
3. Когда возникает мультиагентность
Общий вид кейса с мультиагентностью. В двух словах - если ты можешь разделить логику для LLM на подзадачи (от двух) и органищовать конвеер, то лучше использовать мультиагентность. Т.к обычный промптинг может быть грузным, неэффектиным и дорогим.
4. Какие есть подводные камни и как найти их заранее - не всегда можно разделить задачи на агентов, не стоит дробить таски слишком сильно - один агент может выполнять и несколько связанных задач.
5. Плюсы и минусы подхода. Из плюсов - скорость обработки, стоимость ресурсов openAI становится дешевле, простота скалирования и внесения изменений, можно параллелить выполнение задач в команде, промпт становится меньше - аттенш не теряется - мы получаем более хорошие ответы. Минусы - такой подход чуть дольше по разработке, требует изучения материала - не такой нативный как стандартный
6. А что если не ChatGPT
Работает ли подход с другими LLM. Да, например с Claude 3 и некоторыми другими api-based моделями

Для многих предприятий является острой проблема своевременного выполнения производственного заказа. Известно, что брак в литейных цехах промышленных предприятий часто достигает >50%. Аналогичный процент брака можно наблюдать на многих промышленных предприятиях, производящих изделия из пластмасс, силикона, стекла, при производстве оптического волокна, керамических изделий и пр. Причина высокого процента брака: влияние большого количества различных внешних факторов и параметров технологического процесса на качество производимых изделий. Техническая производственная проблема:
подобрать оптимальное сочетание производственных параметров представляет собой сложнейшую задачу для технолога. Мы решаем эту задачу с помощью предиктивной аналитики производственных данных .