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

А что если сюда добавляются жёсткие требования к развёртыванию 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 рассказе будут входить: описание работы с инцидентами, особенности проектирования архитектуры, специфика скриптов развёртывания на такие контура заказчиков.

В условиях распределённой и слабо связанной ИТ-инфраструктуры железнодорожной отрасли традиционные подходы к управлению данными перестали справляться с задачами гибкости, масштабируемости и разделения ответственности. Мы внедрили двухуровневую архитектуру построенную на приципах 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 датапродукты по ключевым словам и бизнес-терминам,
• просматривать SLA, отчёты 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).

После ухода вендорских решений по визуализации данных с промышленного оборудования, остро встал вопрос чем заменить данных функционал. Мы сразу решили делать что-то свое и пришли к логичной развилки: разработка или open sources. В данном докладе я хотел показать open sources решение по визуализации производственных показателей на базе time series database и grafana.

Применение ИИ в ЕвроХиме: Компания реализует более 10 проектов по ИИ ежегодно, каждый из которых включает в себя несколько объектов масштабирования.

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 повышение производительности и экономии времени сотрудников и повышению качества сервиса, а также открыло новые возможности для оптимизации производственных процессов.

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 сигналов до пару сотен которые могут группироваться разным образом (парные/полу-пары сигналы, заданные значения и актуальные и тп). Так же сигналы узлов могут быть разные 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.
Отчёты которые приходят бизнесу.
Про автоматическое переобучение и как некоторые операции по поддержке моделей мы перенесли на пользователей.

Многие модели динамических систем ориентированы на точность прогнозов, но при этом неповоротливые для решения задач оптимизации. Такой подход мешает использовать модели для автоматического принятия решений в режиме, близком к реальному времени.
В докладе будет представлен подход к проектированию аналитических моделей, который позволяет не только предсказывать поведение системы, но и находить оптимальные управляющие воздействия для достижения бизнес-результатов.
Мы предлагаем метод, где:
Система описывается аналитическими уравнениями вида F(t,y,y')=0
Коэффициенты определяются через регрессионные модели (sklearn)
Модели автоматически переносятся в Pyomo для оптимизации
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

В докладе мы рассмотрим:
• Какие типы аналитики позволяют автономно повышать эффективность бизнеса.
• Интеграцию аналитических моделей во фреймворк оптимизации Pyomo.
• Как при этом повышается интерпретируемость и доверие бизнеса.

В промышленных CV проектах часто сталкиваются с жёстким 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 развёртывания 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.

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 стэкинга, 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).

1.Применение методов пирометрии для локализации и прогнозирования зон перегрева и дефектов конструкций высокотемпературных объектов на производстве (печи, трубы и др.)

2. Обзор и подбор доступных технологий для решения задачи

3. Формирование пользовательского сценария применения решения и встраивание в бизнес-процессы предприятия

4. Проектирование продукта с учетом возможности переиспользования уже внедренных корпоративных систем.

5. Автоматизация обработки температурных ИК-видеорядов с помощью ИИ: cборка панорам, сегментация и локализация объектов на видеоряде, агрегация данных для решения задач управления производством.

6. И множество примеров решения болей проекта неочевидными подходами. Например, что лучше - мел, QR или RFID метка для решения задачи локализации места съемки? Как решить проблему централизации/децентрализации обработки и хранения данных?

Расскажу о программно-аппаратном комплексе Минералогия 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

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. Мы проверили работу устройства на реальном кейсе производственной площадки и получили первые результаты автономной видеоаналитики.

В докладе будет рассказано про различные виды адаптивных регуляторов. Как их можно создавать и настраивать при помощи Python. А так же 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.

Предыстория – почему вообще надо писать систему «с нуля»
Сбор требований – как не надо (поделится печальным(но с нюансами) опытом попытки в «аджайл»)
Как выбрать архитектуру таким образом, чтобы не говорить потом «так исторически сложилось»? (основные паттерны при разработки архитектуры, «компромиссная архитектура»)
Организация процесса разработки и тестирования (канбан, ci cd, приватные стенды для тестировщиков и т.д.)
Какие трудности приходится преодолевать, чтобы внедрить систему такого масштаба (несколько кейсов из опыта 2х летней разработки)
Использование нагрузочного тестирования
Как происходил запуск/переключение на новую систему (был план расписанный по минутам на 4 часа вечером, всё прошло как по маслу)
Столкновение с реальностью – нагрузочное тестирование показало искаженную картину работоспособности системы
Работа с анализатором DPA, как выявить запросы, которые «кладут» базу и исправить их
Итоговые цифры бюджета до и после внедрения (можно без конкретных цифр, в условных порядках сравнить цены)

1. Особенности при контрактом производстве ODM устройств или почему "доверять нельзя никому, даже себе, мне можно ©"
2. Как производственные станции(чембера) позволяют обеспечивают контроль качества умных устройств при массовом производстве на фабриках в Китае.
3. Как обеспечить надежность и отказоустойчивость системы контроля качества умных устройств в другой стране при объективных проблемах с сетевой доступностью до фабрик
4. Особенности Continious Delivery (CD) ПО на фабрики в Китае
5. Как при помощи методов неразрушающего контроля проверять компоненты и функции на DuT(Device under Test): акустику(микрофоны и динамики), радио каналы(Wi-Fi, ZigBee), память, LED матрицу, датчик освещенности, нажатие кнопок, встроенное ПО(firmware) и другие компоненты умного устройства.

Как автоматизировать приёмку 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 разберём:

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 важнее не только точность модели, но и удобство её интеграции в бизнес-процессы?
Какие организационные методы позволили ускорить разработку и что мы бы сделали по-другому?

0. Аналитика самых частых запросов на регистрацию ПО от промышленных разработчиков.
По нашей статистике около 30% клиентов обращается именно из сектора разработки промышленного ПО. Зачем таким компаниям регистрировать разработки и какие риски они пытаются устранить попаданием в реестр?

1. Реестр российского ПО: цели и преимущества
Ключевые преимущества для разработчиков:
- 0% НДС
- Доступ к госзакупкам
- Льготное налогообложение (7,6% страховые взносы, 5% налог на прибыль)
- Обязательное использование для субъектов КИИ

2. Критерии "отечественности" ПО: техстек и лицензии
В реестр включается ПО только с “чистым” техстеком. Как проверять тексты лицензий?

3. Риски компании при применении "вирусного" OpenSource в составе продукта.
Выполнение требований опенсорс компонентов с целью импортозамещения и коммерциализации продукта. На что обращать внимание?

4. Автоматизация проверки техстека с помощью ИИ
Инструменты автоматизации проверки чистоты техстека с точки зрения законодательства с помощью ИИ: компиляторы, СУБД, фреймворки и т.д.