Задач в этом поле всё так же полно, потому что привычными AI-инструментами они просто не решаются. Построить оптимальное расписание, найти действительно лучшие настройки технологических параметров, чтобы минимизировать расход сырья и простои — привычные AI-инструменты здесь не слишком полезны Все эти задачи, при всей их внешней непохожести, по сути сводятся к одной задаче, которую впервые решил в конце 30-х молодой математик Леонид Канторович.

Его пригласили в Ленинградский фанерный трест решить вроде бы рядовую производственную задачу: как распределить восемь сортов шпона по пяти типам станков, чтобы получить максимальный выход. Канторович справился и заодно случайно открыл новый раздел математики, линейное программирование, а в 1975 году еще и получил за это Нобелевскую премию по экономике. Ну, знаете, в Советском союзе AI не было, автоматизировали тихо, не спеша, с помощью линейного программирования.

Внедрять проекты с математической оптимизацией сейчас бывает интересно — иногда приходится убеждать заказчика, что AI-инструменты тут не понадобятся, иногда настоящая оптимальность оказывается совсем не там, где искали, а иногда оптимальное решение вообще заставляет пересмотреть сложившиеся процессы.

Но вот что успокаивает — и на заре оптимизации такие проекты сталкивались с забавными проблемами и непониманием. Дальше можно было бы пересказать своими словами, но, честно говоря, не хочется ничего менять в оригинальном рассказе самого Канторовича из его последнего в жизни интервью:

«Много лет назад произошла, пожалуй, наиболее типичная — по непониманию — ситуация, которую сегодня часто вспоминают как анекдот. Но это — не анекдот. На вагоностроительном заводе имени Егорова в Ленинграде с помощью линейного программирования сделали раскрой металла. Это была пионерная работа и в мире, и у нас в стране. Делалось все в эпоху арифмометров, а не ЭВМ, вообще, вероятно, это было первое в мировой практике реальное применение методов линейного программирования.

После того как были применены оптимальные методы и несколько сократился расход металла, оказалось, что резко уменьшилась возможность сдачи металлолома. В итоге был сорван план сдачи отходов металла, а раз один из показателей плана не выполнен, то предприятие не может быть премировано в полном размере. Тогда райком помог преодолеть эту трудность, и в виде исключения премия заводу была сохранена, несмотря на срыв одного из показателей. Второй казус этой ситуации: отраслевое начальство, получив рапорт о том, что завод на 4 процента увеличил использование металла при раскрое, предложило им не терять темпа и в следующем году опять подняло план использования металла на те же 4 процента. Выходило, что металл должен использоваться на 101 процент, и пришлось даже писать бумагу от академии, что больше 100 процентов не бывает.»

The post Почему классическая математическая оптимизация производства остается актуальной в эпоху AI first appeared on Компания НТР.

Идея простая и гениальная одновременно. У вас тесный цех, склад с колоннами, куча напольного оборудования, AMR и людей. Где найти место для новых роботов? “Ну на потолке еще поищи” — вспомнили школьную присказку разработчики, поискали на потолке и придумали CeiliXElements. Это модульная сеть рельсов под потолком, на которые можно навесить почти любое оборудование — роботов, коботов, краны и так далее. Ценность технологии (помимо собственно инженерного решения) — в умной системе, которая позволяет разному оборудованию двигаться без столкновений, независимо от геометрии помещения, расположения конвейеров и колонн.

Самым интересным кажется сама потолочная система с умной регулировкой движения, но премию получил именно SkyBot. Он занимается отбором товаров, перевозкой небольших грузов, сортировкой и простой сборкой. Но главное — он не требует выделенной и огражденной зоны как классические промышленные роботы, не конкурирует за место в коридорах с AMR и вообще не занимает ни метра полезной площади.

Конечно, не для каждого производства это подойдёт. Нужно нормальное перекрытие, которое выдержит рельсы, и задачи, где манипуляция сверху логична. Но для сборочных линий, упаковки, сортировки на складах с высокой плотностью это вполне может стать спасением, если площади стоят дорого или расширяться уже некуда.

У CeiliX в арсенале еще есть робот для перемещения тяжелых грузов, роботы для координации разных участков производства, а еще невероятно смешное видео с человеком в костюме робота, привязанному к CeiliXElements. Видимо, для демонстрации того, как эту потолочную систему можно будет использовать с роботами-гуманоидами.

The post SkyBot — первый в мире мобильный кобот, который полностью работает под потолком first appeared on Компания НТР.

«Продвинутые роботы станут критичны для глобальной конкурентоспособности и решения дефицита кадров на заводах», — говорит основатель Mind Robotics RJ Scaringe.

Заявка сильная, но этого мало, чтобы попасть в пост на этом канале) У Mind Robotics, кажется, есть один ключевой козырь. Дело в том, что это на самом деле спин-офф автогиганта Rivian. Rivian остаётся и партнёром, и крупным акционером, то есть у стартапа автоматически есть доступ к огромному потоку данных с его заводов. Можно с большой долей уверенности предположить, что роботы Mind Robotics будут учиться на реальных производственных сценариях и сразу тестироваться в живой среде. $500 млн финансирования — это замечательно, но данные и полигон для запуска — пожалуй, гораздо более серьёзное преимущество.

С тем, что промышленные роботы должны браться за новые, более сложные и менее понятные процессы, мы полностью согласны и убеждаемся в этом на своём опыте. Кстати, мы сами сейчас работаем над роботизированной рукой для задач pick-and-place. На первый взгляд они кажутся вполне тривиальными, но если перейти к реальным условиям — например, к разбору багажа в аэропорту, где каждая сумка или рюкзак имеет совершенно непредсказуемую форму, вес и вообще лежат как попало, становится понятно, о какой именно «дыре» говорят в Mind Robotics.

В общем, будем следить за Mind Robotics. Если у них получится реализовать заявленное, это может стать одним из тех сдвигов, после которых «обычная» промышленная робототехника уже никогда не будет прежней.

The post Стартап Mind Robotics привлек $500 млн для создания промышленных роботов, способных решать сложные задачи first appeared on Компания НТР.

Год назад Schaeffler наняла робота-гуманоида от орегонского стартапа Agility, который избрал интересную тактику позиционирования на фоне конкурентов вроде Boston Dynamics и Tesla — Agility категорически избегает трюков вроде сальто или робобокса. Их гуманоид Digit уже тестировался у таких гигантов, как Amazon и GXO, но под их стандарты безопасности пока не подходит — робот не может надежно распознавать находящихся поблизости людей, поэтому его можно запускать только в полностью огороженной среде.

А Schaeffler такой подход вполне устраивает — выбирать не приходится. На заводе Digit работает в одиночку внутри ограждения из оргстекла. В этой «клетке» он неспешно переносит корзины весом около 11 килограммов с деталями подшипников от штамповочного пресса к моечной линии. Примерно через минуту после того, как он забирает первую корзину с поддона, робот возвращается за следующей. Четыре часа он переносит корзины, затем уходит на подзарядку во время обеденного перерыва, после чего снова работает ещё четыре часа. Рядом находится сотрудник-подрядчик Agility, контролирующий его работу (хотя в компании утверждают, что вскоре постоянный надзор станет не нужен).

Год назад эту работу выполнял сотрудник. Теперь он — нет, конечно, не уволен, Schaeffler не может так раскидываться кадрами — переведен на на более квалифицированную должность в отделе контроля качества.

Компания не раскрывает стоимость Digit, но оценивает эксплуатационные расходы в диапазоне от 10 до 25 долларов в час — в зависимости от того, покупает ли предприятие робота или арендует. Для сравнения: стартовая зарплата на заводе Schaeffler, где нет профсоюза, составляет около 20 долларов в час.

Да, Digit работает не слишком быстро, иногда уходит на перерыв (впрочем, как и живой сотрудник), зато в условиях «Now Hiring» ему в Чиро конкурентов пока не находится.

The post Робот вместо человека: как завод Schaeffler решает проблему нехватки кадров в маленьком городе first appeared on Компания НТР.

Выпаривание кленового сиропа — сегмент не просто маломасштабный, а еще и сугубо сезонный. Увидеть здесь системы, привычные для индустриальных цифровых производств, довольно неожиданно. Впрочем, именно на это, похоже, и рассчитывали авторы проекта, утверждающие, что их работа — первый научно задокументированный кейс интеграции Индустрии 4.0 в кленоварнях. В кленоварнях. Похоже на правду.

Киберфизическая система на квебекской кленоварне устроена по тем же принципам, что и системы на крупных процессных предприятиях. Датчики собирают данные о потоке сока, температуре и концентрации сахара. Эта информация обрабатывается во внутреннем контуре управления, который динамически регулирует маршрутизацию подачи жидкости, загрузку выпарных установок и циклы санитарной очистки. Благодаря этому система способна реагировать на изменения без вмешательства операторов.

За прошедший производственный сезон система выполнила 431 автоматизированную операцию и более 900 циклов балансировки. Помимо технологических задач, она интегрирована и в административные процессы: трекинг партий и операций сократил время подготовки отчетности с более чем 30 часов примерно до одного.

Здесь нет сложной роботизации, да и сложных производственных процессов тоже. Но именно поэтому проект наглядно показывает, как сложные цифровые системы могут распространяться на небольшие производства. Получилось у квебеской кленоварни — получится и у вас. И у нас

The post Индустрия 4.0 на кленоварне: как киберфизическая система изменила небольшое сезонное производство в Квебеке first appeared on Компания НТР.

Так появился стартап FieldAI, ориентированный на промышленные и прикладные сценарии.

В основе FieldAI лежит идея универсального «робомозга», который можно встроить почти в любого робота. Главная особенность модели — акцент на физической природе среды, в которой этот робот существует. Разработчики говорят о дополнительном «физическом слое» в архитектуре модели, который наделяет систему отдельным набором знаний о реальном мире и позволяет оценивать физическую ситуацию. FieldAI выдает не готовые рекомендаций, а анализ физических рисков и ограничений среды.

Вот что говорит сам Ага:
«Мы избрали принципиально иной путь. Вместо того чтобы пытаться втиснуть крупные языковые и визуальные модели в робототехнику — а затем постфактум бороться с их галлюцинациями и ограничениями, — мы с самого начала спроектировали систему с осознанным отношением к рискам.»

Рискованной для рядового предпринимателя выглядит и бизнес-стратегия FieldAI. В отличие от большинства стартапов, компания не пытается сначала нарастить критическую массу полезных функций, а уже потом выходить на рынок. Здесь логика обратная: как можно быстрее отправить роботов в свет — на стройки, заводы, склады и другие реальные объекты. Пусть на первых порах они будут мало что уметь и понимать, зато каждый такой выход дает данные для обучения модели. Улучшенная модель позволяет запускать еще больше роботов — и так далее.

Видимо, так рисковать Али позволяют внушительный багаж и экспертизы, и связей, и авторитета. Об этом говорит и то, что в 2025 стартап поддержали Nvidia, Билл Гейтс и Джефф Безос.

The post FieldAI: «Физический слой» в архитектуре ИИ для анализа рисков реального мира first appeared on Компания НТР.

Для «Цифрового директора» это был ещё один насыщенный, полный открытий год. Мы пролистали наш канал на год назад и отобрали несколько постов, к которым предлагаем вернуться и вам.

Например, пост  о “страхах цифрового директора”. В начале года главными рисками для лидеров цифровизации мы называли кибербезопасность, отсутствие единой IT-стратегии и проблемы функциональной совместимости со старыми решениями. Год спустя эти риски, пожалуй, так и остались ключевыми.

А вот обещанный Forbes тренд уходящего года — полностью автономные «тёмные фабрики». На наш взгляд, трендом в полном смысле слова они не стали, но по частоте упоминаний в новостях уверенно входят в топ-10 индустриальных тем.

Мы делились не только новостями, но и собственным, нет-нет да и экспертным, мнением. Рассуждали о том, что же в итоге победит: централизация или децентрализация в AI. Победитель пока не определён, продолжаем наблюдать. А ещё рассказывали об использовании ИИ в металлургии — разумеется, на собственном опыте.

Были и новости о необычных, а местами даже странных, но при этом неожиданно успешных решениях. Например, AI-робот для разделки рыбы по старинному японскому методу икэ дзимэ. Или очень узкое и очень успешное решение исключительно для сбора шампиньонов.

Делились и собственными успехами: вот «Синильга» — дрон для промышленной инспекции с защитой лопастей, а вот «ВеКо» — AI-инструмент, помогающий операторам досмотра сохранять внимание и не отвлекаться.

В 2026 продолжим следить за новостями, делиться опытом, обсуждать удачные и не очень решения и смотреть, как технологии действительно работают в индустрии. Счастливого Нового года и до встречи в 2026!

The post Время подводить итоги года — отраслевые и личные first appeared on Компания НТР.

Вероятно, на этом история могла бы и закончиться — Gecko жили бы долго и счастливо, продолжали бы развивать технологию, плавно масштабировать бизнес. Но по мере роста компании и появления заказчиков крупнее и требовательнее в Gecko нащупали неожиданно слабое место всей отрасли: инспекция кровельных покрытий. Даже небольшая трещина на крыше приводит к попаданию влаги, а та очень быстро превращается в заметные дефекты и дорогостоящие проблемы.

При этом оказалось, что автоматизация в этой области развита удивительно слабо. Большинство крыш продолжают осматривать вручную — что не только небезопасно, но и крайне неэффективно: человек способен пропустить до 50% критических, но мелких дефектов.

В итоге в Gecko решили расширить фокус с краулеров и внутренних котловых поверхностей на крыши и дроны. С технической точки зрения наружный осмотр крыши совершенно не является проблемой: на рынке полно готовых дронов, полностью подходящих для такой задачи. Оставалось оснастить их нужным ПО, а за более чем десять лет существования Gecko успели разработать зрелую аналитическую платформу. Так появился дрон StratoSight. Он облетает крышу, собирает фотограмметрические и термографические данные и сразу загружает их в облако. Там с помощью ИИ формируется отчёт с 3D-визуализацией и всей необходимой аналитикой.

Разумеется, всё это применимо не только к крышам котлов, но и к любым промышленным и коммерческим кровлям. А таких — склады, заводы, логистические терминалы — тысячи зданий и миллионы квадратных метров, которые до сих пор обследуются вручную.

По сути, Gecko удалось очень малой доработкой — просто добавив новый тип робота к уже существующей цифровой платформе — открыть огромный новый рынок.

The post Роботы для крыш: эволюция Gecko Robotics first appeared on Компания НТР.

Autopicker 2.0 позиционируют как человекоподобного робота, но, к счастью, в данном случае человекоподобность не про форму, а про поведение. Техническое оснащение перечислять не будем — всё, примерно, стандартно. Главное, что действительно делает его ближе к человеку, — способность одновременно двигаться и собирать товары. То есть, робот забирает не нужный товар, а всю корзину и сразу же продолжает движение к следующей точке. Сборка происходит по дороге от одной точки до другой. Маршрут тоже по-умному оптимизируется, получается почти непрерывный поток действий: в одном месте забрал, в другом поставил, где-то там же рядом взял следующий — и всё это без пауз на вытаскивание товара из корзины.

Отказ от остановок увеличивает скорость работы, примерно, в 1,5 раза — до 70–80 операций в час.

Есть важное уточнение, которое, возможно, слегка охладит впечатление: всё это работает только внутри складской экосистемы Brightpick — со стандартизированными контейнерами, стеллажами и заданными размерами. Но как демонстрация концепции Picking-in-Motion — вполне любопытно.

The post Складской робот с Picking-in-Motion first appeared on Компания НТР.

Решения на основе математической оптимизации применяются в 7 из 10 компаний. Лидер среди точек приложения — планирование, причем любое: долгосрочное и краткосрочное, планирование производства, поставок и так далее. На уверенном втором месте — логистика. Также респонденты упоминают ценообразование.

Вы спросите: «А как же AI?» Вопрос однозначно уместен и приходит в голову всем, кто сталкивается с внедрением математической оптимизации в производство. Оптимизация не заменяет AI, а AI не заменяет оптимизацию — они решают разные задачи и делают это по-своему. Оптимизация — более древняя область, но сегодня разговор о любой автоматизации немыслим без AI, поэтому естественным образом возникает сотрудничество этих двух подходов.

По результатам Gurobi, 81% опрошенных компаний реализуют хотя бы один проект, в котором применяются и математическая оптимизация, и машинное обучение. Для сравнения, в 2020 году таких компаний было всего 46%. С генеративным AI ситуация пока более скромная — совмещение с оптимизацией остается скорее на уровне экспериментов (помощь в кодинге не в счет).

Gurobi Optimization, конечно, компания заинтересованная, и, составляя такие отчеты, преследует свои понятные цели. Но и мы с недавних пор не беспристрастны в этой области — видим спрос у наших заказчиков, видим перспективу для математической оптимизации на российском рынке и с удовольствием реализуем такие проекты.

The post Математическая оптимизация в индустрии first appeared on Компания НТР.