"🤖 Не все роботы одинаково полезны На производственной линии BYD разворачивается технологическая комедия. За 2 сек. обычный рабочий берет подшипник с лотка и помещает его в стоящий... рядом пластиковый контейнер. Антропоморфному роботу, «венцу творения», на ту же операцию требуется 70 сек. Его эффективность – жалкие 3% от человеческой. При цене в 200 000 юаней (40 месячных зарплат рабочего) этот «помощник» ломается через 10 дней интенсивной работы. Казалось бы, проект пора закрывать, но венчурные капиталисты выписывают чеки с еще большим энтузиазмом. Почему? Потому что в мире роботов («воплощенного ИИ», как это называют авторы статьи) реальная производительность – это последнее, что кого-то волнует. Эту историю я на днях прочитал в @theworldisnoteasy. Можно было бы отнестись к ней как к любопытной байке из мира высоких технологий Поднебесной, но дело в том, что с чем-то подобным я сам сталкиваюсь достаточно регулярно в процессе AI-трансформаций. Один мой клиент, из множества рутинных задач для внедрения AI выбрал не самую очевидную. Не продажи и не контент, а оптимизацию разрезания рулонной стали на заготовки для промышленных агрегатов. Каждая установка уникальна и схему нужно делать заново. Раскроем управляет специалист в плановом отделе: лист бумаги, цветные карандаши, день-два работы - и так больше десяти лет. Открыв для себя магию Дипсика, один из руководителей загнал в него данные и получил результат за 2 секунды: схему раскроя, ножи, миллиметры, аккуратные рамочки, итоговый процент отходов. Показали планировщику, а он: да, я делаю примерно так же. Профит! Только вот на вопрос `""Какую теперь локальную модель нам стоит внедрить во внутренний контур, чтобы поставить это на поток""` я ответил совсем не так, как от меня ожидали. Никакую. LLM здесь не требуется. Дело в том, что если эту задачу прогнать через AI несколько раз (конечно же, ""тут не нужен харнесс и архитектура - ведь задача выглядит совсем простой""🫠), то каждый раз будет получаться новый ответ - и отходов может оказаться даже больше, чем в ручном режиме. Ошибку раскроя не увидишь глазами: схема весьма убедительна, и планировщик подтвердил её совершенно правильно - выглядит она ровно так же, как и его собственные. Только вот несуществующие метры не видит никто, их можно заметить лишь пересчетом. Оптимальный раскрой предполагает перебор вариантов, но языковая модель не перебирает, а продолжает текст и расчеты - правдоподобно, но неточно. Если бы в детстве я не прочитал в Юном Технике, как подобную задачу по нарезке фанеры решил русский математик Канторович еще в конце 30-х, получив за нее Нобелевскую премию, то начал бы подпирать агента костылями перепроверок. Но поскольку я знаю, что точные методы и скрипты лежат в открытых бесплатных библиотеках уже много лет, получилось решить задачу быстрее и эффективнее. Решатель нашел ответ за 0,68 секунды на двух ядрах обычного процессора - без видеокарты, интернета, договора с провайдером и сожженных токенов. При расчете он показал, как сэкономить 30 с лишним тысяч рублей, которые каждую смену уезжали в лом. Бюджет на ИИ-инфраструктуру при этом 0. Этот кейс подсвечивает несколько ""неудобных правд"": 🎃 Пугать клиентов и предлагать вставлять AI везде - по прежнему выгодно. Они и сами обманываться рады. Быть честным для внедренца далеко не практично, а бесплатное решение труднее протащить, чем дорогое. 🕯 ""Мы показали результат эксперту, он одобрил"" - это не контроль качества, а ритуал, на котором держится приёмка почти всех пилотов в промышленности. 😡 Удачный пилот опаснее провального. Быстрые победы систематически отбираются в пользу задач, где ошибка не видна. 🤩 Ценность приносит подчас старое знание, а не новое. Дефицит компетенции сейчас не там, где его ищут: исследование операций тихо вымывали из программ двадцать лет, и именно оно окупилось, а не навык работы с ИИ. 🗿 Настоящая проблема производства - не отходы, а то, что весь процесс держится на одном человеке и не записан нигде. Замена человека моделью создаст больше сложностей, чем если оставить все как есть. Поэтому в этом кейсе мы никого не заменяли моделью, а посадили её слушать специалиста: - Почему вы здесь не поставили четвёртый нож, ширина же позволяла? - Потому что на этой марке при четырёх полосах кромку ведёт, и потом брак на гибке. Нюансов опыта, накопленных за 10 лет, нет ни в одном регламенте. Каждый такой ответ становится новым правилом для решателя. Через несколько недель разговоров у завода впервые появился описанный процесс раскроя. А сам специалист перестал быть узким местом и переквалифицировался в архитектора-приемщика, формирующего правила, смотрящего на подготовленную ИИ схему и решающего ""годится"" или ""так не пойдёт"". Теперь он получает не просто зарплату, а бонусы за экономию - он заинтересован в том, чтобы повышать качество работы новых инструментов. И каждое его ""так не пойдёт"" - это ещё одно правило. Если вы сейчас думаете что-то у себя внедрять, задайте 4 вопроса перед стартом - все дешёвые и не требуют бюджета. 1⃣ У задачи есть правильный ответ? Модель нужна там, где правильного ответа нет: текст, диалог, разбор нечётко сформулированных условий. 2⃣ Кто считает, что получилось ""хорошо""? Если процент, отчёт или оценку выдаёт та же система, которая делала работ, - контроля у вас нет. Метрику должен считать кто-то другой, пусть даже скрипт на десять строк. 3⃣ С чем вы сравниваете? Не с тем, как делают сейчас, а с тем, как можно в принципе. Иначе вы никогда не узнаете, что теряли эти проценты и до всякого внедрения. 4⃣ Прогоните несколько раз. Разные ответы на один и тот же вход - это демонстрация, а не процесс. И пятый вопрос, который почти никогда не попадает в бриф: что развалится, если ваш ключевой специалист завтра уйдёт? Обычно именно там лежат настоящие деньги - и именно там ИИ действительно нужен."