Industrial Ai | Stanislav Dmitriyev

🔍 Microsoft отчитался — и выглядит это очень сильно.

— выручка и прибыль выше ожиданий
— Azure растёт ~40%
— >20 млн платных пользователей Copilot

Спрос на AI — не теория, а уже массовый продукт.

🔍 Но самое интересное — впереди.

Microsoft планирует ~$190 млрд инвестиций в инфраструктуру в 2026.

То есть ставка сделана чётко:
AI = главный драйвер роста.

✈️ Вывод.

AI уже не эксперимент. Это новая база бизнеса.

И по цифрам видно — рынок только разгоняется.

🔍 Похоже, начинается новая гонка — уже не за модели, а за устройства.

OpenAI, по данным индустрии, работает над AI-смартфоном вместе с MediaTek и Qualcomm, а Luxshare — партнёр по сборке. Массовое производство — ориентир 2028.

Идея очень простая, но мощная.

Смартфон больше не про «набор приложений».
Он про выполнение задач через AI-агента.

Ты не открываешь 5 приложений —
ты говоришь, что нужно сделать.

Почему им нужен свой девайс:

— полный контроль: железо + ОС + AI
— доступ к контексту пользователя в реальном времени
— возможность встроить AI как основной интерфейс

(по сути, новый iPhone-момент, только про AI)

Архитектура тоже интересная:

— простые задачи — на устройстве
— сложные — в облаке

Гибрид, где телефон постоянно «понимает» тебя.

✈️ Вывод.

Если это реализуют —
смартфоны реально могут поменяться сильнее, чем за последние 10 лет.

И тогда вопрос будет не «какой у тебя телефон», а «какой у тебя AI внутри него».

🔍 Bloomberg прокачивает свой Terminal AI-слоем — и это уже не опция, а новая реальность.

Теперь AI помогает искать данные, анализировать рынок и быстрее собирать инсайты прямо внутри терминала.

✈️ Что важно.

Это не стартап и не эксперимент.
Это один из главных инструментов финансового рынка.

🔍 Google заявляет, что уже около 75% кода внутри компании генерируется AI (через Gemini и агентов).

Это уже не «помощь разработчику»,
а полноценная часть процесса разработки.

🔍И вот что важно. Если раньше AI писал куски кода, то теперь он участвует в создании целых систем.

Вывод простой. Мир бежит вперед уже очень быстро.
А ты еще продолжаешь смеяться над «галлюцинациями»?

🔍 В общем, продолжение моей истории про вайб-кодинг.
Первый пост — как я подсел на это дело 😀
Второй — как я сделал своего бота @VibeInvestingBot для трейдеров и инвесторов. Кстати, уже 50+ постоянных пользователей — круто.

Вообще сервисов на эту тему сейчас много, но вот чтобы просто и понятно на русском — с этим пока проблема. Не сигналы - понимание рынка.

🔍Теперь новая история.

Для моей работы презентации — критически важная штука. Визуализация мыслей помогает лучше объяснять и договариваться.

За годы в PowerPoint уже выработалась насмотренность и подход. Но вот парадокс: AI для презентаций появился почти сразу после чатов, а на практике до сих пор — так себе.

Copilot для PowerPoint — максимум простые слайды: заголовок, буллеты, картинка. Нельзя закинуть PDF или Word и сказать «сделай из этого нормальную презу».

В ChatGPT можно сгенерировать PPT — но это тоже не уровень.

Gamma, Beautiful.ai — становятся лучше, но со своими ограничениями.

✈️ Из всего, что я пробовал, лучше всего зашёл GenSpark.У них модуль AI Slides — реально мощный инструмент. Быстро делает логичные, структурированные слайды уровня McKensey/BIG4.

Но есть нюанс. Поднялась стоимость API у Anthropic —
и кредитов хватает буквально на пару презентаций.

Та же история с Claude Design: очень круто, но лимиты улетают за 10 слайдов 😀

✈️ И тут был момент истины.

Нужно было делать презентацию клиенту. Руками уже лень. В итоге за полдня на Codex наваял свой генератор слайдов — почти как GenSpark.

И это, конечно, просто песня:
- не нужен API
- обычная подписка на ChatGPT / Codex
- экспорт в PDF / PPT
- редактирование прямо в вебе

👆На скрине: слева даю запрос в Codex, справа сразу результат.

Что использовал:
slidev — основной движок (очень мощный, 46k ⭐ на GitHub)
awesome-design-md — набор профессиональных шаблонов
dom-to-pptx — экспорт в PPTX (немного кривовато, но работает; мне хватает PDF)
presenton — ещё один альтернативный движок

В общем, задачу для себя закрыл.

И вот что интересно. Раньше ты искал инструмент под задачу. Теперь — просто собираешь его сам под себя.

Удивительное время живём.

🔍 Китайские ребята снова не подвели.

DeepSeek выкатывает DeepSeek V4 Pro — и по бенчмаркам он спокойно конкурирует с OpenAI, Anthropic и Google.

Причём не только в «знаниях», но и в agentic-задачах: код, терминал, SWE.

Но самое интересное — не бенч. А цена.

DeepSeek традиционно играет в другую игру: API у них в разы дешевле, чем у OpenAI. GPT-5 десятки долларов за 1M токенов, DeepSeek - дешевле почти на порядок.

🔍Гонка моделей превращается в гонку экономик. И Китай в этой игре выглядит всё более уверенно.

🔍 OpenAI активно переманивает топ-менеджеров из enterprise-софта - и это уже выглядит как полноценная война за таланты.

Из компаний вроде Salesforce, SAP и Oracle уходят люди уровня VP и C-level - те, кто умеют масштабировать продукты и продавать их в enterprise.

🔍AI сейчас упирается не в модели (с этим более-менее ок), а в последнюю милю - внедрение, упаковку, продажи.

И OpenAI, похоже, это прекрасно понимает.

Вывод простой.

✈️ Следующая битва в AI - не за технологии. А за людей, которые умеют превращать их в бизнес.

🔍 Отличная новость.

Microsoft выкатила agentic-возможности Copilot в в Word, Excel и PowerPoint для всех подписок — теперь это не просто помощник, а агент внутри офисных процессов.

То есть: не «помоги написать»,
а «собери отчёт, проанализируй данные, сделай презентацию».

И тут у меня личный флешбек.

🔍 Помню, как мы с командой первые в Казахстане перевели большое производство полностью на Office 365. Тогда это тоже казалось «просто офис но в облаке». А по факту — получили массу эффектов: гибкость, прозрачность, совместная работа, другой уровень процессов.

Это был один из проектов, которыми реально можно гордиться.

Сейчас ощущение похожее. Если Вы уже на инфраструктуре Microsoft -
это нужно тестировать прямо сейчас.

🔍Потому что такие вещи сначала выглядят как «простое удобство»,
а потом внезапно меняют способ работы всей компании.

🔍 Вот вы говорите: «Что ты нам всё про облачные AI-сервисы, а как же защита персональных данных?»

Отвечаю: вот нормальное решение от самого OpenAi - privacy-фильтр

🔍 Смысл простой: модель автоматически вычищает чувствительные данные (PII) из текста до отправки в LLM

— имена
— email
— телефоны
— адреса
— и т.д.

✈️ То есть теперь можно
отправлять реальные бизнес-данные, но без риска утечки персоналки

🔍 Почему это важно: сейчас главный барьер для экспериментов с AI в компаниях - не технологии, а безопасность и такие штуки - это как раз крутой мост между “хочу AI” и “нельзя по политике”.

🔍 Вывод: если работаете с корпоративными данными - такие фильтры скоро станут стандартом, начинаем пользоваться.

🔍 Как реально сократить незапланированные простои на производстве (даже без магии AI)

Все говорят про AI и predictive maintenance. Но в реальности проблемы гораздо приземлённее. Вот три вещи, которые почти всегда ломают результат - и где лежит быстрый эффект.

1. Качество данных
Если датчики врут или живут в разном времени — никакой AI не спасёт. Типовая картина: дрейф показаний, пропуски, несинхронизированные PLC.

Что делать:
- калибровать ключевые датчики (вибрация, температура, давление)
- синхронизировать время (NTP/PTP)
- проверить “залипшие” и пропадающие теги

🔍 KPI: ≥95% валидных и синхронизированных сигналов по критичным активам

2. Алерты ≠ действия
На многих фабриках алерты просто мигают на экране. И всё.

Что должно быть:
- алерт → автоматическая заявка в CMMS
- сразу с типовой работой и списком запчастей
- обязательная обратная связь (что реально сделали)

🔍 KPI: ≥80% алертов превращаются в работы
🔍 KPI: <15 минут до первой реакции

3. Жёсткий ROI-фильтр
Самая частая ошибка — пилоты “на драйве”, а не на деньгах.

Правильный подход:
- baseline простоев (часы/месяц)
- понимание стоимости часа простоя
- точный ожидаемый эффект
- срок эффекта ≤90 дней

Если этого нет - проект нет смысла запускать.

🔍 KPI: 100% use-case’ов с финансовой моделью до начала

✈️ Итог простой:
SCADA → MES → AI — это не про технологии.
Это про связку данные → события → действия → деньги.

И если честно — в 80% случаев эффект можно получить ещё до “настоящего AI”.

🔍 OpenAi представила GPT-5.5 — апдейт не про «вау-демо», а про реальную работу.

Что улучшили:
— лучшее рассуждение и логика (меньше «галлюцинаций»)
— стабильная работа на длинных задачах и больших контекстах
— точнее следует инструкциям и держит формат
— лучше в коде, анализе и бизнес-задачах

По сути, модель стала менее «разговорной» и более операционной.

🔍 OpenAI представила Workspace Agents - и это уже новый слой работы для предприятий.

По сути, это эволюция GPTs: командные агенты, которые работают за целые функции внутри компании и выполняют целые бизнес-процессы

Что они делают уже:

— автоматизируют процессы
— выполняют многошаговые задачи
— интегрируются с инструментами компании
— продолжают работу без участия человека

Есть готовые шаблоны: финансы, продажи, маркетинг и т.д. Можно просто описать workflow — и агент начинает работать.

Контроль тоже продумали: админы задают доступы, инструменты и границы действий. То есть это уже не «свободный AI», а управляемая корпоративная система.

Есть первые результаты: Rippling, SoftBank и BBVA уже используют агентов и говорят про:

— меньше ручной работы
— стабильные процессы
— быстрее отчёты, анализ, коммуникации

Пример: в Rippling Sales Opportunity Agent экономит 5–6 часов в неделю на одного продавца.

И дальше будет только глубже: больше интеграций, больше действий, больше автономии.

Ну будем посмотреть 😀

🔍 Ну, McKinsey & Company тут, на самом деле, сказали довольно интересную вещь.

AI-трансформации тормозят не потому, что «модели слабые» или «данных мало». А потому что нет людей, которые понимают бизнес и технологии одновременно.

Кто эти люди? Это не CTO или CIO. Не Data Scientist.

А доменные лидеры уровня N-2 / N-3 - те, кто реально управляют процессами. Сегодня таких лидеров мало: только 17% их навыков - технические, и лишь 5% имели тех‑роль в карьере.

Что от них требуется?

Не «внедрить AI». А переосмыслить сам бизнес через AI.
Не отдать это в IT - а взять на себя и довести до внедрения.

И как бы звучит просто, но на практике почти никто так не делает.

✈️ И вот главный вывод. AI сегодня - это уже не про технологии. Это про людей, которые могут собрать всё вместе: процессы + данные + систему + результат. Видеть не просто автоматизацию, а новую модель бизнеса, основанную на данных и AI.

Ну и, честно говоря, это самый дефицитный ресурс на рынке. Модели можно купить. Инфраструктуру - развернуть. А вот AI-capable бизнес-лидера - взять негде.

🔍 AI business leader. А что, звучит круто 😀

🔍 Где брать реальные индустриальные сигналы для AI? Чтобы не лезть сразу в производство но натренить модель.

Если хочется работать не с синтетикой, а с настоящими процессами — есть два очень сильных источника:
1. Академические датасеты с нормальной инженерной глубиной
Karlsruhe Institute of Technology (KIT) через свой репозиторий RADAR4KIT публикует индустриальные данные с DOI:
— тайм-серии с реальных установок
— нормальная метадата (единицы, частоты, контекст)
— open лицензии (часто CC BY / CC0)
Это отличная база для pre-training моделей (TS, anomaly detection, predictive).

2. Почти «живые» данные с промышленного объекта
Cognite открыли доступ к данным компрессорной станции Valhall:
— реальные теги (давление, вибрации, температуры)
— исторические и квазиреальные потоки
— API + SDK (можно стримить как будто это production)
Это уже не просто dataset, а заготовка под полноценный pipeline.


🔍 Что это меняет?
Большинство обсуждений Industrial AI — абстракция. А здесь появляется возможность работать с тем самым «сырьем», из которого делаются реальные эффекты:
— predictive maintenance
— оптимизация режимов
— выявление скрытых паттернов

🔍 ChatGPT очень круто прокачали генерацию картинок.

🔍 Anthropic меняет pricing - но пока только для корпоративных клиентов.

Теперь оплата будет зависеть от реального использования AI (а не фиксированных тарифов).

Причина проста: дефицит вычислений - AI становится ограниченным ресурсом, особенно для бизнеса.

🔍 Google собирает strike team, чтобы резко прокачать coding-модели.

Слишком много конкурентов (OpenAI, Anthropic, стартапы) - отставать уже нельзя.

🔍Похоже, следующая битва в AI - это код.

🔍 Apple меняет эпоху: Tim Cook уходит с поста CEO и становится председателем, а новым CEO назначен John Ternus.

Это сигнал: Apple делает ставку на продукт и железо в новой AI-гонке?

Интересно, станет ли это разворотом от «сервисной» стратегии обратно к инновациям.

⚡️ Андрей Карпаты высказал про дизайн ИИ-моделей мысль, которую большинство упускает из виду.

Его тезис: передовые модели не потому огромные, что технология сложная, а потому что данные для обучения мусорные.

Когда обычный человек думает про интернет, ему в голову приходят статьи Wall Street Journal, Википедия, серьёзные тексты.

Так вот, датасет для предобучения выглядит иначе. Если открыть случайные документы из реального корпуса, то там будут тикеры акций, битый HTML, спам и бессвязный текст.
По одной из оценок, Llama 3 сжимает информацию со скоростью всего 0.07 бита на токен. То есть модель помнит большую часть обучающих данных смутно.

Поэтому мы и строим модели на триллион параметров не потому, что нам нужен мозг такого размера, а потому что нужен движок сжатия такого масштаба, чтобы выжать хоть какой-то интеллект из потока шума. Большая часть параметров работает памятью, а не мышлением.

Предложение Карпаты - разделить эти две функции. Построить когнитивное ядро - модель, в которой остались только алгоритмы рассуждения и решения задач, без энциклопедического заучивания.

А рядом поставить внешнюю память, к которой модель обращается за фактами.

По его прогнозу, когнитивное ядро, обученное на качественных данных, способно выйти на настоящий интеллект при размере около миллиарда параметров. Для сравнения: флагманские модели сегодня крутятся в диапазоне от 200 миллиардов до 1.8 триллиона параметров, и большая часть этого веса уходит на запоминание интернет-помойки.

GPT-4o работает примерно на 200 миллиардах параметров и обходит оригинальный GPT-4 на 1.8 триллиона. Стоимость инференса на уровне GPT-3.5 с 2022 по 2024 упала в 280 раз, и почти весь этот выигрыш дали модели меньшего размера, обученные на более чистых данных с более продуманной архитектурой.

Настоящим узким местом ИИ сейчас является качество данных.

@data_analysis_ml