Привет, Хабр!

Меня зовут Писарев Андрей, я руковожу отделом машинного обучения в департаменте технологий искусственного интеллекта. Мы с командой разрабатываем и внедряем ML‑решения на производственных площадках компании различной направленности.

РУСАЛ — геораспределённая компания: десятки производственных площадок по всему миру. А дата‑сайентистов в команде — единицы. Если бы для каждого объекта мы строили ML‑продукт с нуля, мы бы не вывезли. Поэтому главный фокус этой статьи — не модель и не метрики, а типовой подход к разработке ИИ‑продуктов, который позволяет одной командой закрывать много объектов. Печь спекания на Пикалевском глинозёмном заводе (ПГЛЗ) — это кейс, на котором я покажу, как подход работает вживую.

TL;DR: Решение — системный подход к ML‑продуктам на базе SinaraML и корпоративной ИИ‑платформы. Показываю, как подход работает на конкретном кейсе — ML‑сервис для управления 150-метровой печью спекания на ПГЛЗ. 3 месяца от PoC до закрытого тестирования. CatBoost: MAE = 225, R² = 0.48, RMSE = 330. Ожидаемый порядок экономического эффекта — десятки миллионов рублей в год.