ЖУРНАЛ СТА №4/2026

О Б З О Р Ы на промышленности , могут не до кон - ца понимать специфику конкретного производства , особенности оборудова - ния и технологические процессы . Это может затруднять настройку моделей и интерпретацию результатов ; ● неумение работать с « грязными » про - мышленными данными . IT- компании привыкли работать с чистыми данными из финтеха . В промышленности данные « шумные »: датчики могут отказывать , АЦП выдают погрешности , а в измери - тельных каналах могут возникать поме - хи из - за внешнего электромагнитного воздействия ; ● сложности интеграции с оборудова - нием . IT- компании пишут софт под современные открытые протоколы сбора данных (OPC UA, MQTT и т . д .), но на реальном производстве эксплуати - руются системы АСУ ТП и MES, поддер - живающие проприетарные протоколы передачи данных (OPC DA, Pro fi bus и т . д .). « Яндекс » и « Сбер » не стали выпускать готовые решения для промышленности . Вместо этого они предложили предприя - тиям свои облачные платформы – Yandex Cloud и SberCloud (Platform V) . Это не просто хранилища данных , а полно - ценные AI- платформы со встроенными инструментами аналитики . Возможно - сти этих платформ впечатляют , но не все предприятия имеют необходимый штат специалистов для построения своих решений на этих платформах . Также надо учитывать , что подключение к облачным сервисам и внешним аналитическим решениям повышает угрозы , связанные с кибератаками и утечками данных . « Лаборатория Касперского » разработа - ла предиктивную диагностику Kaspersky MLAD в соответствии с традиционной гибридной концепцией , наделив её дву - мя ключевыми отличиями : ● система детектирует как технические неисправности ( износ , кавитация , засо - ры , нарушение теплообмена и т . д .), так и киберугрозы ( подмену данных , вредо - носные команды , действия инсайдеров и т . д .); ● аналитика охватывает не только непре - рывные временны́е ряды телеметрии , но и последовательности дискретных собы - тий , что позволяет учитывать контекст смены режимов и действий персонала . Однако в открытых источниках нет информации о возможности Kaspersky MLAD прогнозировать остаточный ресурс (RUL); это можно объяснить отсутствием у компании необходимых исторических данных деградации отдельных узлов , кото - рые являются прерогативой « пионеров ». Kaspersky MLAD может устанавливаться на инфраструктуре предприятия , а также доступно как облачное решение . Интересным решением оказалось при - менение генеративного ИИ – больших языковых моделей (LLM) в предиктивной диагностике . В 2024 году совместныйпроект « Сибура », « Сбера » иЦРТ «AI- ассистентинже - нера - диагноста » вошёл в тройку лучшихна международномконкурсе промышленных инновацийБРИКС . «AI- ассистентинженера - диагноста » представляет собой чат - бот на базе GigaChat от « Сбера », которыйЦРТинте - грировала в промышленную инфраструк - туру « Сибура », научив языковую модель пониматьпрофессиональныйязыкнефте - химиков и правильно интерпретировать технические описания , термины , сокраще - ния , числовые значения параметров и т . д . В итоге инженер - диагност получает интеллектуального ассистента , который позволяет ему в несколько раз быстрее анализировать нештатные ситуации : вме - сто того чтобы вручнуюперебирать спра - вочники , отчётыпо прошлыминцидентам и т . д ., он просто текстом описывает пробле - му , а AI- ассистент мгновенно формулирует гипотезы о вероятных причинах аномалии и предлагает варианты устранения неис - правности . Это сокращает время приня - тия решений и помогает менее опытным специалистам работать с эффективностью эксперта , при этомфинальный диагноз и ответственность за ремонт остаются за человеком . Технологические последователи : молодые драйверы промышленной аналитики К числу технологических последовате - лей на российском рынке предиктивной диагностики относятся такие компании , как АО « Ротек », ООО « ИнфТех », ООО « Смарт Цифровые Решения » и другие . Эта группа разработчиков – самая динамичная и прак - тичная . В отличие от « пионеров », они не обременены наследием проприетарных технологий 1980- х годов . В тоже время они обладают глубокими инженерными зна - ниями в вибродиагностике и механике – тем , чего чаще всего не хватает IT- гигантам . А от промышленных холдингов их отли - чает бизнес - модель , с самого начала ори - ентированная на создание тиражируемых готовых продуктов для индустрии . Фактически они выступают « золотой серединой »: сочетают физическую экспер - тизу « пионеров » с гибкостью современно - го стека открытых технологий , предлагая решения , которые быстрее внедряются и стоят дешевле . Решения , созданные технологически - ми последователями , имеют следующие преимущества : ● низкая стоимость . Лицензии и внедре - ние обычно в разы дешевле решений от IT- гигантов и « пионеров » рынка ; ● высокая скорость внедрения . Пилот - ные проекты запускаются за 1–3 ме - сяца , полноценное развёртывание – за 3–6 месяцев ; ● поддержка и развитие . Реакция на за - просыизмеряется днями , а не неделями ; ● открытость и интеграция . Легко встра - иваются в существующий цифровой ландшафт предприятия , поддержива - ют открытые API и стандарты обмена данными . К недостаткам можно отнести : ● риск устойчивости бизнеса . Некоторые компании существуют менее 10 лет ; ● риск попасть на недобросовестного разработчика . Рынок переполнен некомпетентными игроками , спеку - лирующими на теме предиктивной аналитики , без реального опыта , и выдающими желаемое за действи - тельное . Один из самых известных и зрелых продуктов на рынке от технологических последователей – « ПРАНА » ( ПРогнозная АНАлитика ). Этот программный ком - плекс разработан компанией « Ротек », которая изначально специализирова - лась на сервисном обслуживании газо - вых турбин . Как и пионеры отрасли , АО « Ротек » при разработке своей преди - ктивной диагностики опиралось в первую очередь на компетенции инженеров - меха - ников и вибродиагностов . Разработка системы « ПРАНА » нача - лась в 2011 году . Постепенно функционал системы расширялся : в 2018 году в системе появился акустико - эмиссионный анализ и модели машинного обучения , в 2019- м начали применяться нейросети . Понимая важность правильной интер - претации прогнозов системы , « Ротек » в 2015 году открыл ситуационный центр , в который передаются данные с объ - ектов , оснащённых системой « ПРАНА », и в котором эксперты « Ротек » могут вери - фицировать прогнозы системы и давать рекомендации предприятиям . Однако такая архитектура предполага - ет передачу промышленных данных во внешнюю , не контролируемую предпри - ятием информационную инфраструкту - ру , что создаёт потенциальные риски для заказчика . С 2022 года эти риски ниве - лированы : появилась возможность раз - вёртывания ПРАНА полностью внутри информационного контура предприятия . 42 www.cta.ru СТА 4/2026