ЖУРНАЛ СТА №3/2026

(пессимистичный и оптимистичный варианты) – это помогает сформиро- вать реалистичные ожидания от внедрения; ● включить в расчёт косвенные вы- годы. Помимо предиктивных функ- ций, СППР Sdisol PAD предоставляет дополнительные преимущества: ин- теграционные возможности (как в кейсе с DelataV), оценку эффективно- сти работы сменного персонала, что повышает эффективность оператив- ного управления оборудованием. Бо- лее того, СППР Sdisol PAD позволяет организовать на предприятии уда- лённый доступ (web-доступ) к исто- рическим данным, а некоторые ин- жиниринговые компании позицио- нируют это как полноценную MES- систему, что, конечно же, неверно. При презентации нашего продукта потенциальному заказчику мы всегда проводим демонстрацию работы систе- мы на примере обезличенных архив- ных данных реального предприятия – это необходимо для того, чтобы у заказ- чика сложилось максимально точное представление о том, что он получит. После того как удаётся убедить руко- водство предприятия в преимуществах внедрения предиктивной диагностики, необходимо преодолеть сопротивление эксплуатирующего персонала, которое проявляется в недоверии к системе. Причины недоверия могут быть раз- ными: ● опасения, что система снизит их экс- пертную ценность; ● отсутствие доверия «чёрному ящику» без понимания логики; ● отношение к системе как к инстру- менту контроля и дополнительной нагрузке; ● страх ответственности за ошибки системы; ● отсутствие понимания, как интер- претировать результаты. Нередко эксплуатирующий персонал саботирует использование системы, иг- норируя её рекомендации. Если не пре- одолеть такое сопротивление, то ре- зультат внедрения гарантированно бу- дет негативным – ожидания Заказчика не будут оправданы. Самым эффективным способом пре- одоления сопротивления эксплуати- рующего персонала является его во- влечение в процесс внедрения системы на ранних этапах. Необходимо органи- зовать обучение работе с системой и принципам предиктивного анализа; это требуется, чтобы обеспечить про- зрачность работы алгоритмов для экс- плуатации. Непосредственно после внедрения не- обходимо организовать механизм об- ратной связи для учёта замечаний пер- сонала; это важно и для развития систе- мы в целом. Нелишним будет догово- риться с руководством Заказчика о по- ощрении тех, кто активно использует систему. Важно добиться отношения к системе как к удобному инструменту – это обязательное условие успешного внедрения предиктивной диагностики. Кадровые проблемы Дефицит квалифицированных кад- ров – один из ключевых барьеров, пре- пятствующих внедрению предиктив- ной диагностики; он связан с несколь- кими факторами: ● быстрое развитие сферы. Предиктив- ная аналитика – относительно новая и быстро развивающаяся область. Рынок кадров не успевает подстраи- ваться под запросы компаний, что за- трудняет оценку уровня соискателей; ● высокие требования к навыкам. Для работы с предиктивной диагностикой нужны специалисты с сочетанием компетенций: понимание предмет- ной области (технологии и механики процессов), а также знание статисти- ки и математики, владение методами машинного обучения, навыки про- граммирования, умение работать с данными (сбор, очистка, обработка); ● неэффективность традиционных об- разовательных систем. Цикл внедре- ния образовательных программ в ву- зах и колледжах занимает несколько лет, а технологии меняются быстрее. Имеется дефицит преподавателей с актуальным практическим опытом в области промышленного AI и ML; ● конкуренция с другими секторами. Промышленные компании часто не могут конкурировать с IT-гигантами по уровню заработной платы, что при- водит к оттоку специалистов в финтех и другие высокодоходные сферы. Особенность дефицита кадров в том, что требуются специалисты высокой квалификации (middle или senior), а не начального уровня (junior), которым даже при наличии математической ба- зы требуется опыт работы с реальными (часто неструктурированными) данны- ми и глубокое понимание контекста производства. Отдельно стоит отметить двойной разрыв компетенций, который наблю- дается в отношении систем предиктив- ной диагностики на промышленных предприятиях. Проблема возникает из- за расхождения профессиональных компетенций и подходов к работе у разных поколений сотрудников. Старшее поколение – это опытные технологи и механики, которые тради- ционно работали «по ощущениям» и полагались на собственный опыт. Про- цесс цифровизации требует от них освоения принципиально новых ин- струментов – облачных систем мони- торинга, дашбордов, работы с экрана- ми вместо физического контакта с обо- рудованием. Молодые специалисты, напротив, владеют IT-инструментами, но не име- ют глубоких знаний о физике техноло- гических процессов и механике про- мышленного оборудования. Они не понимают, как работает насос или ком- прессор, что критически важно для корректной интерпретации данных предиктивной диагностики. Это создает ситуацию, когда ни одна из групп в отдельности не готова к эф- фективной работе с системами предик- тивной диагностики. Двойной разрыв компетенций – это не просто нехватка кадров, а структур- ное несоответствие между тем, что умеют разные группы персонала, и тем, что требуется для эффективной работы с системами предиктивной диагности- ки. Он делает невозможным каче- ственное внедрение, пока не будет на- лажен механизм передачи знаний между поколениями и дисциплинами. Успех проекта зависит не от выбора лучшей ML-модели, а от способности предприятия соединить интуитивный опыт старшего поколения и аналити- ческий потенциал младшего. Для преодоления кадровых сложно- стей промышленные предприятия мо- гут предпринять следующие шаги: ● развивать образовательные про- граммы: наладить сотрудничество с вузами, организовать специализиро- ванные курсы и тренинги для подго- товки соответствующих специали- стов, организовать привлечение сту- дентов и молодых специалистов на стажировки с последующим разви- тием их компетенций на реальных проектах; ● организовывать центры компетен- ций: сформировать внутренние под- разделения, которые будут занимать- ся поддержкой и развитием систем предиктивной аналитики, а также проводить коммуникационные кам- ОБ ЗОРЫ СТА 3/2026 9 www.cta.ru