На предприятии «Апатит» (входит в группу «ФосАгро») создан промышленный ИИ-ассистент на базе импортозамещенной АСУП компании «Цифра», объединяющий возможности прогнозной ML-аналитики и больших языковых моделей в режиме «единого окна». Решение интегрировано непосредственно в контур управления производством и работает с реальными технологическими, лабораторными и регламентными данными, обеспечивая поддержку принятия решений для технологов и операторов в реальном времени.

Использование агентной архитектуры, RAG-подхода и прогнозных моделей позволяет не только анализировать текущее состояние технологического процесса, но и формировать рекомендации, отчеты и предупреждения, существенно повышая устойчивость, предсказуемость и эффективность производственных операций. О реализации проекта рассказывают Максим Самойлов, директор департамента развития решений ИИ АО «Апатит», и Павел Гриневич, технический директор ГК «Цифра», номинанты на премию Data Award.

- Как компания пришла к реализации этого проекта?

Максим Самойлов: ФосАгро одной из первых в отрасли начала системную программу импортозамещения и цифровой трансформации производственных процессов. Для нас это было не просто реакцией на внешние ограничения, а осознанной стратегией — обеспечить технологическую независимость, управляемость и устойчивость ключевых производственных контуров. Поэтому в рамках ИЦК «Химия и фармацевтика» мы с ГК «Цифра» реализовали проект по внедрению АСУП. Это автоматизированная система управления производством, которая формирует единый цифровой контур управления технологическими процессами. По сути, был создан цифровой «фундамент», без которого любые ИИ-решения оставались бы экспериментами.

Уже после того, как этот фундамент был сформирован, стало очевидно, что предприятие готово к следующему этапу — внедрению промышленного ИИ. Искусстенный интеллект в нашем проекте работает не с абстрактными наборами данных, а непосредственно с реальным технологическим процессом, который опирается на данные в реальном времени, подготовленные и структурированные АСУП. Таким образом, ИИ стал логичным продолжением проекта АСУП, а не отдельным пилотом.

- В чем заключалась головная боль бизнеса? Чем не устраивала ситуация?

М.С.: Скорее, это была не «боль» в классическом понимании, а осознание необходимости следующего шага развития. Мы получили устойчивый, управляемый и прозрачный производственный контур, в котором данные стали непрерывными, сопоставимыми и доступными в реальном времени. Именно на этом этапе стало понятно, что потенциал цифровизации далеко не исчерпан. Поэтому мы интегрировали большую языковую модель ГигаЧат MAX в АСУП.

- Какие задачи принципиально закрывает АСУП с точки зрения данных и как технологически построена система?

Павел Гриневич: Система была введена в промышленную эксплуатацию на Череповецком комплексе ФосАгро в начале 2025 года. Технологически АСУП построена на платформе «Цифры» ZIIoT, которая была адаптирована под требования химического производства. Решение полностью заместило зарубежную PI System.

АСУП обеспечивает полный цикл работы с технологической информацией: от сбора «сырых» сигналов с АСУ ТП и оборудования до выполнения инженерных расчетов, формирования производственных событий, отчётов и передачи данных конечным пользователям.

Таким образом, мы объединили десятки разрозненных автоматизированных систем управления технологическим процессом, обеспечили сбор и анализ более 100 тысяч производственных показателей, сформировали единую цифровую объектную модель, представляющую собой упорядоченный и иерархически выстроенный каталог всех объектов «Апатита». Информация представлена в виде более чем 1100 мнемосхем, каждая из которых в режиме реального времени отображает состояние производства и значения ключевых параметров.

- Какие задачи вы решили с помощью искусственного интеллекта?

М.С.: ИИ-ассистент использует ML-модели для прогнозирования результатов лабораторных исследований на основе данных из смежных производственных систем. Это позволяет получать опережающие оценки качества продукции и планировать технологические операции без ожидания фактических лабораторных замеров, сокращая простои и повышая устойчивость производственного процесса.

Еще одна важная задача — контроль соблюдения технологических регламентов. Большая языковая модель в режиме реального времени анализирует параметры технологического режима и сопоставляет их с действующими регламентами. При выявлении отклонений система формирует предупреждения и предлагает корректирующие действия, помогая удерживать процесс в заданных пределах.

Отдельно отмечу интеллектуальный доступ к корпоративным знаниям. ИИ-ассистент обеспечивает быстрый и контекстный поиск по технологическим регламентам, инструкциям, методикам и историческим данным. Это существенно сокращает время поиска информации и ускоряет принятие решений в производственных ситуациях.

Кроме того, ИИ-ассистент становится полноценным помощником операторов и технологов в нештатных ситуациях. При возникновении отклонений система оперативно предлагает наиболее эффективные варианты действий, опираясь на регламенты, исторический опыт и текущие данные. Это снижает риски ошибок и повышает уровень промышленной безопасности.

ИИ-ассистент также берет на себя рутинные операции: подготовку справок и пояснений, ответы на типовые вопросы, интерпретацию показателей и формирование рекомендаций. В результате персонал может сосредоточиться на управлении процессом, а не на поиске информации и ручной аналитике.

- Какой интеллектуальный аппарат находится «под капотом»?

М.С.: В проекте используется большая языковая модель ГигаЧат МАХ «Сбера», дополненная с помощью технологии Retrieval-Augmented Generation (RAG) для работы с внутренними регламентами компании. Для повышения точности ответов внедрен Model Context Protocol (MCP), предоставляющий модели доступ к инструментам и позволяющий реализовать логику агентов — ИИ, способных в зависимости от контекста самостоятельно выбирать источники данных и методы обработки. Агент выполняет поиск по базе знаний, обращается к прогнозным ML-моделям и другим внутренним системам, обеспечивая точные и актуальные ответы для технологов и операторов.

- Есть ли у этого решения аналоги в мире?

М.С.: Их немного. Например, можно выделить пилотный проект, реализованный Huawei в интересах Valin Steel.

- Что в ходе проекта было самым сложным, как решали возникающие проблемы?

М.С.: Основная сложность заключалась в том, что мы изначально работали не с «лабораторным» ИИ, а с реальным производственным контуром. Большие языковые модели изначально разрабатывались для других классов задач, и при переносе в промышленный контур их необходимо было адаптировать к работе с потоковыми производственными данными и дообучить. LLM также могут иметь задержки при обработке запросов, что неприемлемо для критически важных производственных процессов.

Эти задачи мы решали поэтапно. Во-первых, сделали ставку на локальную инфраструктуру и edge-подход, чтобы минимизировать задержки и не выносить критичные данные за пределы производственного контура. Во-вторых, адаптировали языковую модель под специфику предприятия — обучили ее на внутренних регламентах и документации и связали с производственными данными через RAG. В-третьих, внедрили единые форматы обмена данными и событиями.

Ключевым фактором успеха стало поэтапное внедрение, единые стандарты работы с данными и тесное взаимодействие всех заинтересованных сторон.

- Какие мероприятия были проведены для подготовки персонала?

М.С.: В процессе внедрения были организованы обучающие мероприятия и практические занятия для специалистов предприятий по ключевым направлениям деятельности. Кроме того, был разработан и предоставлен сотрудникам предприятия обучающий курс, ориентированный на развитие компетенций по взаимодействию с интеллектуальными инструментами анализа данных и автоматизации бизнес-процессов. В целом могу отметить, что реализованные проекты способствовали повышению цифровой зрелости персонала в части применения инструментов ИИ.

- Каких практических результатов удается достичь?

М.С.: Если говорить о лабораторных исследованиях, то мы прогнозируем концентрацию азотной кислоты, обновляя данные каждые 30 минут и сокращая время реакции на неправильное ведение технологического процесса до одной минуты. Ранее лабораторные исследования проводились один раз в 4–6 часов, что существенно увеличивало время реакции в случае некорректного ведения технологического процесса. С точки зрения контроля качества продукции система выдает рекомендации по необходимым изменениям в технологическом процессе для увеличения выхода продукции в рамках заданных технологических норм.

Важен и мониторинг оборудования. Обрабатывая данные от MES, система проверяет ведение технологического режима на соответствие регламенту. Происходит сокращение времени простоя оборудования. Быстрые рекомендации из технологических регламентов по устранению неисправностей позволяют оперативно реагировать на отклонения и избегать остановок.

Для всех производственных компаний важно повышение уровня промышленной безопасности. Мгновенный доступ к регламентам и автоматические предупреждения при опасных показаниях датчиков снижают риски аварийных ситуаций.

Наблюдается снижение риска выхода параметров за пределы контроля. Раннее предупреждение о приближении критических значений и рекомендации по корректирующим действиям предотвращают аварийные остановки и отклонение от стандартов по выпуску готовой продукции. А контроль соответствия выполняемых операций внутренним стандартам и автоматическое напоминание о необходимых процедурах повышают стабильность технологического процесса.

Достигаем снижения затрат на обучение персонала. Новые сотрудники быстрее осваивают внутренние регламенты и процедуры благодаря доступу к проверенным шаблонам действий в различных ситуациях. Наконец, происходит сокращение времени на подготовку технологических отчетов, а автоматическая подготовка данных по смене и выявление ключевых отклонений ускоряют процесс передачи смены.

- А каких эффектов еще ожидаете в будущем?

М.С.: К потенциальным экономическим эффектам можно отнести снижение себестоимости продукции. Это достигается за счет снижения расхода пара, а также снижения содержания влаги в готовом продукте, что напрямую влияет на качество. Кроме того, ожидаем снижения эксплуатационных затрат за счет корректного ведения технологического режима в соответствии с заданными регламентами и стандартами.

В конечном счете использование ИИ в производственной системе позволяет увеличить выпуск готовой продукции. А это — потенциально дополнительные сотни тысяч тонн минеральных удобрений и еще один важный шаг к обеспечению продовольственной безопасности страны.

- Можно ли рассматривать АСУП как тиражируемую платформу и дает ли это возможность быстро переносить ИИ-сценарии на другие предприятия?

П.Г.: Архитектура АСУП, построенная на платформе ZIIoT, изначально проектировалась не как «одноразовое» решение для одного объекта, а как универсальная платформа управления производством, пригодная для масштабирования в рамках холдинга и за его пределами. Уже сейчас на основе этой архитектуры развернута не только система на Череповецком комплексе, но и реализуются работы по внедрению АСУП на Волховский производственный комплекс группы «ФосАгро» — первый опыт масштабирования отечественной MES-системы такого класса в промышленности.

Ключевое здесь то, что все базовые компоненты — объектная модель производства, интеграционные механизмы, набор расчетных и аналитических сервисов, а также описание пользовательских сценариев — описываются конфигурационно. Это означает, что при переносе на другой комплекс мы можем переиспользовать архитектурные блоки и бизнес-логику без необходимости перепроектирования системы с нуля.

Именно такая конфигурируемая, сервисная архитектура делает возможным не только быстрое масштабирование АСУП, но и перенос уже разработанных ИИ-сценариев. Это существенно снижает порог входа для промышленного ИИ и позволяет разворачивать функционал поддержки принятия решений и прогнозной аналитики на новых площадках быстрее и с меньшими затратами.

- В чем роль проекта для бизнеса компании?

М.С.: Для бизнеса этот проект — переход на новый уровень управления производством. Мы ушли от модели, где решения принимаются постфактум и во многом зависят от опыта отдельных специалистов, к модели проактивного и предсказуемого управления, основанного на данных и интеллектуальной поддержке.

Интеграция ИИ в производственный контур позволяет быстрее реагировать на изменения, точнее поддерживать технологический режим и снижать операционные риски. В результате повышается устойчивость процессов, сокращаются простои и создаются условия для стабильного роста эффективности и выпуска продукции. В результате, повышается рентабельность компании.

- Как вы оцениваете значение этого проекта для развития промышленного ИИ в России в целом?

П.Г.: Значение этого проекта выходит далеко за рамки одного предприятия. Он на практике показывает, что промышленный ИИ в России может развиваться не как набор разрозненных пилотов, а как системный элемент управления производством, встроенный в импортонезависимый технологический контур. Ключевой момент здесь — архитектура. Проект на «Апатите» демонстрирует, что только при наличии полноценной АСУП, единой модели данных и надежного производственного контура ИИ начинает давать устойчивый эффект. Это важный сигнал для отрасли: мы показали, что на базе российских платформ можно сочетать ML, большие языковые модели и агентные технологии, работать с реальными производственными данными и решать прикладные задачи — от контроля регламентов до поддержки принятия решений в реальном времени. Такой подход может и должен тиражироваться в других отраслях, формируя основу для масштабного развития промышленного ИИ в стране.