ЖУРНАЛ СТА №2/2026

Отсутствие единой модели данных и контекстного слоя Каждый новый проект заново опре- деляет, как именно данные именуются, моделируются и контекстуализируют- ся. Это делает повторное использова- ние решений между заводами или ли- ниями практически невозможным. Недостаток KPI и базовых метрик Без чётких показателей – OEE, про- стоев, энергопотребления, качества или уровня брака – сложно доказать эффек- тивность ИИ-проекта и обосновать его тиражирование. Размытая ответственность между OT, IT, инженерными и бизнес-командами Различие в приоритетах приводит к организационным трениям. Без единой стратегии и кросс-функционального управления инициативы в области данных и ИИ часто буксуют. Дополнительно: ● 39% респондентов указывают на не- определённость бюджета и ROI, осо- бенно когда пилоты невозможно кор- ректно сравнить или воспроизвести; ● 20% называют отсутствие поддержки руководства ключевой проблемой инфраструктуры данных; ● 15% прямо отмечают «сложность мас- штабирования пилотов в промыш- ленную эксплуатацию» как основное препятствие. Куда двигаться Результаты исследования показы- вают: компании, которые достигают ре- ального прогресса в области ИИ, в пер- вую очередь инвестируют не в отдель- ные инструменты или пилотные про- екты, а в фундамент данных. Респонденты выделяют набор ключе- вых шагов, необходимых для этого пе- рехода. Обеспечение доступности данных в реальном времени Только около трети участников опро- са сегодня имеют производственные системы потоковой передачи данных в реальном времени. Это подчёркивает необходимость пе- рехода к событийно-ориентированной архитектуре, которая обеспечивает по- ступление оперативных данных к си- стемам ИИ и аналитики в режиме ре- ального времени, а не через пакетные выгрузки. Устранение разрозненности данных OT/IT Масштабирование ИИ требует не только подключения систем, но и со- гласования единых моделей данных, принципов наименования и правил управления. Это позволяет повторно использо- вать данные последовательно во всех подразделениях – от операционных технологий до IT и аналитики. Построение гибридных edge–cloud архитектур По мере развития ИИ процессы инфе- ренса и принятия решений смещаются ближе к физическим объектам, тогда как обучение моделей остаётся центра- лизованным. Это стимулирует разви- тие гибридных архитектур, сочетаю- щих низкую задержку edge-уровня и вычислительные возможности облака. Внедрение непрерывного контроля качества данных Качество данных перестаёт быть ра- зовой задачей. Лидирующие организа- ции обеспечивают постоянную валида- цию и контекстуализацию данных, чтобы модели ИИ получали надёжную и интерпретируемую информацию. Унификация процессов загрузки данных для ML/AI Командам, работающим с ИИ, необхо- димы стандартизированные и управ- ляемые потоки данных из операцион- ной инфраструктуры. Это снижает не- обходимость в индивидуальных пай- плайнах под каждый новый кейс и уско- ряет внедрение решений. Рост архитектур, поддерживающих ИИ Исследование также показывает, что организации постепенно модернизи- руют свои архитектуры, чтобы обеспе- чить поддержку систем ИИ (рис. 5). СТА 2/2026 62 www.cta.ru ОБ ЗОРЫ Рис. 5. Различные концепции: реагирование на события против единого логического пространства данных MQTT становится одной из ключевых технологий для промышленной потоковой передачи данных. Респонденты описывают текущее использование MQTT следующим образом: Потоковая передача данных на основе событий Unified Namespace (единое пространство данных) имеют Unified Namespace (UNS) внедрение Unified Namespace (UNS) оценивали Unified Namespace (UNS), Эти данные показывают, что внедрение Unified Namespace (UNS) По мере того как всё больше организаций рассматривают ИИ и распределённый интеллект, растёт интерес к единому общему пространству данных (shared data namespace): Эта модель внедрения отражает переход от жёстко связанной архитектуры с опросным (poll-based) обменом данными к потоковым, событийно-ориентированным системам. Такие системы значительно упрощают подключение ИИ, аналитики и других потребителей данных в дальнейшем. всё ещё находится на ранней стадии жизненного цикла, однако набирает обороты по мере того, как организации ищут масштабируемые способы организации и обмена данными между заводами, регионами и командами. 22% 23% 18% 24% 13% 13% 16% 20% 36% 16% «продвинутый уровень» —широко развёрнуто в промышленной эксплуатации и интегрировано между IT- и OT-системами «в процессе внедрения» — находятся в стадии пилотирования или планируют внедрение в отдельных проектах «ранняя стадия» — изучают MQTT, но ещё не перешли к пилотным внедрениям «не знакомы» — необходимо больше узнать или отсутствует осведомлённость о MQTT «не используют» — оценивали MQTT, но приняли решение не применять его для текущих задач в промышленной эксплуатации находятся в стадии пилотирования или планируют находятся на стадии оценки не знакомы и нуждаются в дополнительном изучении но решили не использовать его для текущей задачи