Когда разрабатывается любой продукт, всегда есть свои особенности и специфика — это нормально.

А что, если сюда добавляются жесткие требования к развертыванию от заказчиков, требования регуляторов — как внешних, так и внутренних, при этом мы хотим сохранить качество нашего продукта, как быть?

Сегодня я поделюсь опытом, как может выглядеть процесс разработки и поставки продукта для заказчиков, у которых полностью изолированный контур. В рассказ будут входить: описание работы с инцидентами, особенности проектирования архитектуры, специфика скриптов развертывания на такие контуры заказчиков.

Цифровой ландшафт — цифровой двойник IТ — это решение, которое не просто описывает текущее состояние IТ-активов (по адаптированному TOGAF) — процессы, архитектуру IТ-систем и ландшафта в целом, данные и НСИ, инфраструктуру, в том числе стоимость владения и мониторинг эффективности владения, но и позволяет моделировать стратегии развития IТ-систем, балансировать портфель инициатив, делать финансовую оценку создания IТ-систем и их ТСО, проводить сравнительный анализ решений для создания IТ-системы для правильного их принятия.

Традиционный подход к построению отказоустойчивой и высокопроизводительной инфраструктуры — хочешь сделать хорошо, сделай это сам, а для начала отрасти соответствующие компетенции или следуй общепринятыми best practice.

Альтернативой является использование ПАК (программно-аппаратных комплексов) — своеобразных «коробочных» продуктов в мире аппаратного обеспечения.

В своем докладе я хочу рассказать подробнее о прелестях (и ограничениях) второго подхода, ну и подсветить моменты, на которые стоит обратить внимание, если «коробку» будут собирать все-таки своими силами.

Компания Евраз производит рельсы. В том числе рельсы длиной 100 м.

Цели проекта:
* повышение уровня качества;
* снижение затрат;
* Self-Service для экспертов рельсового производства.

Была цель охватить и оцифровать весь технологический процесс — от жидкой фазы металла до закалки рельса.

Что применили: здравый смысл, PostgreSQL, ClickHouse, Kafka, OpenShift, Python (OPC-сервера и аналоги).

Длительность проекта: 2,5 года. Постоянная команда проекта — 10 человек плюс эксперты от областей.

В условиях распределенной и слабо связанной IТ-инфраструктуры железнодорожной отрасли традиционные подходы к управлению данными перестали справляться с задачами гибкости, масштабируемости и разделения ответственности. Мы внедрили двухуровневую архитектуру, построенную на принципах Data Mesh, сосредоточились не только на технологических, но и на организационных решениях.

Ключевым элементом стала разработка корпоративного маркетплейса данных — единого пространства, где пользователи могут:
* находить и интегрировать данные, расположенные в других доменах,
* искать дата-продукты по ключевым словам и бизнес-терминам,
* просматривать SLA, отчеты о качестве и метаданные,
* общаться с владельцами данных и направлять запросы на изменения или создание новых продуктов данных.

Это позволило:
* повысить прозрачность работы с данными и доверие к ним,
* сократить путь от идеи до внедрения дата-продуктов,
* усилить культуру владения и ответственности за данные на уровне бизнес-доменов.

В докладе расскажем, как была выстроена организационная модель, какие процессы понадобилось пересобрать и какие барьеры пришлось преодолеть (например, с автоматизацией управления доступом и согласованием сквозных требований к качеству).

Компаниям в индустрии нужны сервера x86, СХД и системы виртуализации для работы основных систем предприятия. На 2025 в РФ 170+ вендоров (72 вендора, 100+ вендоров серверов и СХД). Несмотря на множество вариантов, при закупке клиенты часто получают проблемы: несоответствие требованиям регуляторов и заявленным характеристикам, завышенная стоимость, низкий уровень сервиса, сбои в работе. Маркетинговый булшит и фейковые спецификации усложняют выбор.

Цель выступления: помочь выбрать, закупить и внедрить серверы, СХД и систем виртуализации на базе методик от независимого архитектора/инженера с опытом 17 лет. Без маркетинга и фейков, в реальности 2025 года.

Расскажу о процессе выбора, закупки, и внедрения серверного оборудования, СХД и систем виртуализации в России, учитывая изменения в требованиях регуляторов и технологические тренды 2025.

О чем расскажу по серверам/СХД:
1. требования регуляторов к серверам/СХД / системам виртуализации: обзор КИИ, реестров, приказов;
2. как уменьшить КИИ-контуры и снизить стоимость закупки;
3. рекомендации по разработке полезного ТЗ (честно о целях, ограничениях и команде);
4. развилки по серверам/СХД. Кто и как пишет ТЗ и проектирует инфраструктуру;
5. как и от кого получить варианты спецификаций (сайзинг оборудования и выбор поставщиков);
6. нужен ли пилот? Если да, как сделать правильно?
7. договор на поставку и подводные камни;
8. примеры процесса по шагам: от ТЗ до эксплуатации закупленного оборудования.

О чем расскажу по серверам/СХД по виртуализации:
1. что есть на рынке (частное облако, кластеры виртуализации, DR);
2. что мы хотим (RTO/RPO, объемы данных, GPU, VDI);
3. развилки по виртуализации. Кто и как пишет ТЗ, проектирует и внедряет инфраструктуру;
4. что должно быть в ТЗ и проекте;
5. проверка предложений (требования RTO/RPO, фичи, опытная эксплуатация);
6. примеры по виртуализации.

После ухода вендорских решений по визуализации данных с промышленного оборудования остро встал вопрос, чем заменить данный функционал. Мы сразу решили делать что-то свое и пришли к логичной развилке: разработка или open source.

В данном докладе я хотел показать open source-решение по визуализации производственных показателей на базе time series database и Grafana.

1. Применение ИИ в ЕвроХиме: компания ежегодно реализует более 10 проектов по ИИ, каждый из которых включает в себя несколько объектов масштабирования.
2. Проблематика и решения: решение проблем разрозненности кода, длительного ожидания разработчиков и данных достигнуто за счет внедрения единой структуры решений и автоматизации процессов с помощью CI/CD.
3. Платформа и методология: используется платформа DS Методология для управления проектами, что позволяет накапливать знания и развивать ML-продукты.
4. Направления ИИ: компания фокусируется на обработке текста и речи, классическом машинном обучении и компьютерном зрении для решения задач в производстве.
5. Применение ML в производстве: разработка рекомендательных систем для управления технологическими процессами, диагностики оборудования и прогнозирования бизнес-показателей.
6. Принципы декомпозиции: применение принципов декомпозиции для решения сложных задач, таких как оптимизация температурного профиля в производстве аммиака.
7. Результаты и перспективы: внедрение ИИ-решений привело к повышению производительности, экономии времени сотрудников и повышению качества сервиса, а также открыло новые возможности для оптимизации производственных процессов.

Многие модели динамических систем ориентированы на точность прогнозов, но при этом неповоротливы для решения задач оптимизации. Это ограничивает их применение в автоматическом управлении, особенно при необходимости быстрого реагирования.

В докладе будет представлен подход, сочетающий моделирование и оптимизацию в единой структуре. Этот подход позволяет не только описывать поведение системы, но и подбирать оптимальные управляющие воздействия с учетом бизнес-целей.

Мы предлагаем метод, где:
*система описывается аналитическими уравнениями вида F(t,y,y’)=0;
* параметры модели определяются из данных с помощью регрессии привычным способом (Scikit-learn);
* модели легко интегрируются в инструменты оптимизации (Pyomo).

Ключевые преимущества:
* скорость: оптимизация за минуты вместо часов;
* гибкость: профили управления без жесткой параметризации;
* доверие: прозрачные уравнения вместо «черного ящика».

Практические результаты:
* сокращение времени адаптации к изменениям;
* увеличение числа тестируемых сценариев.

Доклад посвящен нашей системе по анализу сигналов с оборудования. Современное оборудование в тяжелой промышленности состоит из большого количества узлов, которые (не) должны работать по определенным правилам, узлы могут содержать от нескольких до пары сотен сигналов, которые могут группироваться разным образом (пары/полупары сигналов, заданные значения и актуальные и т.п.). Также сигналы узлов могут быть разными по форме в зависимости от их природы (электрические узлы, гидравлические, механические).

В докладе разберем:
* нашу архитектуру системы по аномальности поведения сигнала;
* какие есть нюансы при обучении моделей и при работе их в проде;
* отчеты, которые приходят бизнесу;
* про автоматическое переобучение и как некоторые операции по поддержке моделей мы перенесли на пользователей.

За многолетний опыт работы над задачами обработки изображений мы сталкивались с разными задачами их склейки. Например, сшивание слаботекстурированных изображений со съемки лопастей ветрогенераторов или съемка образцов биологической ткани с медицинского микроскопа.

В докладе мы расскажем, какие классы задачи существуют, как их решать и как корректно подходить к съемке объектов.

В промышленных CV-проектах часто сталкиваются с жестким дефицитом данных — мало размеченных примеров, нет времени на сбор новых, а качество имеющихся оставляет желать лучшего. Классические подходы к обучению моделей в таких условиях оказываются неэффективными — либо требуют огромных бюджетов на разметку, либо дают низкую точность.

Мы предлагаем автоматизированный конвейер для развертывания CV-решений в условиях дефицита данных, который сочетает три ключевых компонента: генерацию синтетических данных для реалистичного расширения обучающей выборки, автоматическую разметку с использованием предобученных моделей и методов активного обучения, и MLOps-инфраструктуру для непрерывного дообучения моделей на новых данных без необходимости полного перезапуска обучения.

1. От индустриальной задачи к продукту
* постановка задачи контроля и прогнозирования зон перегрева/дефектов в высокотемпературных объектах (печи, трубы и др.).

2. Технологический фундамент
* обзор доступных методов и инструментов: пирометры, тепловизионные камеры, алгоритмы компьютерного зрения и ИИ;
* критерии выбора технологий для промышленного применения.

3. Пользовательский сценарий и интеграция
* формирование сценариев применения решения на предприятии;
* изменение существующих бизнес-процессов и встраивание решения в корпоративный ландшафт.

4. Продуктовая архитектура
* проектирование решения с учетом масштабируемости и повторное использование корпоративных систем;
* автоматизация обработки ИК-видеопотока: сборка панорам, сегментация, локализация перегревов и интеграция данных в системы управления производством.

5. Реальные вызовы и нестандартные решения
* опыт преодоления неожиданных проблем: от методов определения позиции съемки (мел, QR, RFID) до выбора централизованной или децентрализованной обработки данных;
* уроки и инсайты разработки.

Для компании ЕвроХим мы разработали систему цифровизации флотационных процессов в сфере добычи калия, которая позволяет в реальном времени вытягивать ключевые признаки для создания рекомендательных систем и помогает технологам оперативно контролировать процесс.

В докладе я расскажу о реализации проектов для трех типов флотации: сильвиновой, шламовой и колонной. Особое внимание будет уделено архитектуре системы: от сбора видеопотока с камер до хранения данных в базах, масштабирования на большое количество флотационных машин и формирования удобных дашбордов для технологов.

Я подробно опишу, как мы вычисляем информативные признаки для каждого типа флотации, включая скорость движения пены, размер и количество пузырей, интенсивность пеносъема, долю качественной пены, зоны пробулькивания, цветность пены (фронт флотации) и турбулентность потока. Также я объясню, почему именно эти параметры являются наиболее важными для анализа и контроля процессов.

В рамках доклада я затрону вопросы интеграции с технологической платформой, которая передает данные в реальном времени ML-разработчикам для построения моделей и рекомендаций. Эти проекты стали возможны благодаря тесному взаимодействию команд CV и ML, и я поделюсь своим опытом совместной работы над такими задачами.

Результаты внедрения уже показывают значительные улучшения: снижение влияния человеческого фактора, повышение точности контроля процессов и помощь технологам в принятии решений.

Многие специалисты в области ML знакомы с методами бустинга, бэггинга и стейкинга и даже используют такие алгоритмы, как случайные леса, CatBoost и AdaBoost в своей работе. В докладе мы рассмотрим, как на практике появляются похожие задачи, где участвуют разнородные модели. Мы подробно разберем процесс обучения таких ансамблей и методы штрафования для повышения их эффективности.

Поговорим немного о теории, но основное внимание будет уделено реальным примерам из промышленной практики, которые наглядно демонстрируют успешное применение ансамблей моделей. Также рассмотрим пример одновременного обучения нескольких моделей компьютерного зрения (CV).

Расскажу о программно-аппаратном комплексе «Минералогия», который является разработкой ЦТиП для повышения эффективности развития калийного рудника. ПАК представляет собой платформенное решение, где android-приложение-сканер с on-device-рекомендательными ИИ-алгоритмами совместно с высокоточными серверными вычислениями формирует единую систему предиктивной аналитики. Доклад будет про этапы разработки, реализацию данного продукта и трудности, с которыми мы столкнулись на этом пути.

ПАК «Минералогия» — это решение для онлайн-анализа горных пород, позволяющее без привлечения профильных экспертов и ручного труда получать оперативные данные о компонентном составе руды. Просто отсканировав стенку шахты с помощью мобильного приложения, работник рудника сразу видит на экране процентное содержание компонентов и рекомендации по дальнейшей разработке участка. Внедрение ПАК «Минералогия» позволило сократить время на анализ данных на 30%, увеличить выход полезного продукта и оптимизировать технологические параметры по всей производственной цепочке. Это инновационное решение, основанное на алгоритмах машинного обучения, позволяет повысить эффективность добычи и снизить риски, связанные с неоптимальным выбором направления разработки шахтного комплекса.

* Внедрение голосового управления требует тщательной аналитики. Расскажем, на что нужно обратить внимание, чтобы избежать ошибок и сократить время разработки;
* поделимся своим опытом по реализации голосового управления для мобильного приложения, которое является частью контрольно-надзорной системы в сфере строительства и жилищного контроля, лесного и сельского хозяйства;
* рассмотрим сложности и ограничения проекта: распознавание без доступа к сети, наличие шума, сложная структура заполняемых документов, специальные термины и аббревиатуры, ограничения по размеру приложения.

Цепочки поставок ПО обеспечивают надежность и доступность ПО при его использовании бизнесом для непрерывного функционирования и развития последнего. Но они также стали объектом внимания злоумышленников и, по некоторым оценкам, в 2025 году 45% компаний столкнется с атаками на цепочки поставок.

Что делать и как обеспечить комплексную безопасность зависимостей и стороннего ПО? В своем докладе на примере крупной компании с собственной и заказной разработкой более 1000 человек расскажу, какие процессы мы строили для обеспечения безопасности цепочек поставок, что такое Сальса и как она применяется на практике.

1. Новое поколение Edge-устройств стало проще использовать для автономной работы нейронных сетей.
2. Использование NPU в составе Edge-устройств в несколько раз увеличивает скорость обработки нейронных сетей.
3. Edge-технологии позволили в отдельных ситуациях сократить развертывание видеоаналитики с полугода до одной недели.
4. Какие первые результаты мы уже получили, тестируя систему на наших кейсах.

В докладе будет рассказано про различные виды адаптивных регуляторов и о том, как их можно создавать и настраивать при помощи Python. Также будет приведен пример работы регулятора для управления кислородом в биореакторе.

В ходе выступления расскажем про внедрение технологических инноваций с использованием NFC-меток, автоматизацию процесса отбора и анализа проб, обезличивание проб, что позволяет значительно повысить точность и достоверность лабораторных исследований в нефтегазовой отрасли, минимизируя влияние человеческого фактора и риски фальсификаций. Данный подход оптимизирует процессы контроля качества, сокращает количество ошибок и необоснованных операций, а также имеет потенциал для применения в других отраслях.

* Для чего вообще понадобилось писать систему с нуля.
* Как решить проблемы при распиле монолита.
* Как организовать работы в новой команде и наладить процесс разработки.
* Опыт работы с аутстафом.
* Какие были трудности при внедрении и как они решались.
* Кейсы использования нагрузочного тестирования.
* Как реализовали свою систему подписания с помощью КриптоПро.

* Офисный подход не работает в цеху: модные шрифты и яркие экраны — мимо. В цеху важна читаемость в темноте и с расстояния.
* Интерфейс проектировали с пользователями: ходили в цеха, общались, адаптировали все под реальные условия.
* Приоритет — скорость восприятия и точность: моноширинные шрифты, без прокрутки, минимум цветов — только суть, только по делу.
* Готовые решения не подошли: Excel и Oracle оказались слишком гибкими и «офисными» — сделали свое, простое, понятное и предсказуемое.
* Результат: простой, понятный интерфейс, которым действительно удобно пользоваться. Все видно с первого взгляда, ничего лишнего.

1. Особенности контрактного производства умных устройств (ODM) — почему на производстве нельзя никому доверять, даже себе; особенности работы с фабриками-партнерами в Китае.
2. Организация контроля качества при массовом производстве — роль тестовых станций (чемберов) в обеспечении стабильности и точности проверки устройств.
3. Методы тестирования девайсов в сборке — проверка акустики (микрофонов и динамиков), LED-матрицы, датчиков, кнопок, встроенного ПО и других важных элементов.
4. Обеспечение надежности и отказоустойчивости тестовых станций на фабриках в Китае — как справляться с проблемами сетевой доступности и поддерживать контроль в другой стране.
5. Особенности Continuous Delivery (CD) ПО на фабрики в Китае — как организовать безопасные и регулярные обновления программного обеспечения прямо во время массового производства.

Как автоматизировать приемку металлолома с помощью нейросетей и при этом уложиться в сроки? Мы разработали систему автоматического сбора фотографий и моделей оценки засора и класса лома.

В докладе разберем:
* какие метрики ML-моделей и бизнеса оказались критически важны и почему;
* как организовать процесс так, чтобы быстро запустить MVP и не утонуть в доработках;
* как ожидания заказчика соотносятся с реальным пользовательским опытом;
* почему важна не только точность модели, но и удобство ее интеграции в бизнес-процессы;
* какие организационные методы позволили ускорить разработку и что мы бы сделали по-другому.

1. Зачем промышленным компаниям идти в реестр российского ПО — статистика запросов, ключевые мотивы, и какие риски бизнеса снимает регистрация ПО.
2. Преимущества реестра для разработчиков — налоговые льготы, доступ к госзакупкам, снижение страховых взносов, обязательность для КИИ.
3. Критерии «отечественности» ПО — что считается «чистым» техстеком, какие требования к лицензиям и как проверять состав продукта.
4. Риски open source‑компонентов — где скрываются «вирусные» лицензии, чем они опасны при коммерциализации и замещении импортного ПО.
5. Автоматизация проверки с помощью ИИ — практические инструменты, позволяющие сверять компиляторы, СУБД, фреймворки и ускорять процесс регистрации.

Команда Видеоаналитики Сибура занимается анализом онлайн-видеопотока с более 2000 камер, распределенных по заводам от Твери до Томска. Анализируем разное: процессы производства продукции, соблюдение техники безопасности (наличие страховочной привязи, касок) и многое другое. При разработке решений приходится учитывать такие условия, как географическая распределенность камер, отсутствие GPU и доступа к облакам, а также более 40 разных computer vision-моделей.

В докладе я расскажу о том, как разработать производительную систему, способную параллельно обрабатывать видеопоток с нескольких десятков источников, применяя разные CV-модели при отсутствии GPU. Отдельное внимание будет уделено тому, как сделать такую систему удобной в использовании и пригодной в условиях производства: как подойти к обновлению конфигурации, как обрабатывать сбои камер и как собирать наиболее полную информацию о состоянии системы.