Искусственный интеллект (ИИ) на железной дороге перестаёт быть экспериментом. Он становится рабочим инструментом, который помогает прогнозировать состояние подвижного состава и инфраструктуры, ускорять работу с данными и повышать безопасность производственных процессов. О том, какие ИИ-решения уже развивает АО «ВНИИЖТ», как оценивается их эффективность и какие задачи стоят на 2026 год, наш сегодняшний разговор.
Олег Харин,
заместитель генерального
директора АО «ВНИИЖТ»
по цифровой трансформации
– Какие ключевые проекты в области ИИ сейчас реализует ваш институт?
– В 2023 году мы создали в институте Центр искусственного интеллекта, который ведёт работу по четырём ключевым направлениям.
Первое – предиктивная аналитика. Алгоритмы и модели прогнозирования отказов локомотивов уже интегрированы в систему «Доверенная среда локомотивного комплекса». Она обрабатывает бортовую телеметрию и накопленные данные, выявляет аномалии в работе оборудования электровозов и тепловозов и оценивает остаточный ресурс узлов и агрегатов. Параллельно мы развиваем и внедряем модели по прогнозированию пассажиропотока и динамическому ценообразованию в АСУ «Экспресс» нового поколения.
Второе – интеллектуальные ассистенты и ИИ-агенты на базе больших языковых моделей. Они уже внедряются в информационные системы разработки ВНИИЖТа. Системообразующим элементом этого направления является мультиагентная система «СИГМА» – ИИ-платформа, в которой агенты получают задачи и, используя имеющиеся навыки и взаимодействуя между собой, совместно формируют решения. Сейчас СИГМА проходит стадию пилотного внедрения и, по сути, задаёт архитектуру для всех наших будущих решений в области интеллектуальных ассистентов и агентов.
Третье – компьютерное зрение. Здесь мы разработали ряд прикладных решений, включая интеллектуальное управление путевыми машинами, видеоаналитику для контроля готовности фронта работ, а также системы мониторинга полосы отвода, комплектации техники и наличия спецодежды (СИЗ) у сотрудников.
Наконец, четвёртое направление – имитационное моделирование перевозочного процесса на сортировочных горках. Мы исследуем возможности обучения моделей, которые учатся принимать решения в цифровой среде. Это направление пока находится на исследовательской стадии, но мы видим в нём серьёзный потенциал для эффективного управления движением в будущем.
– Что в итоге дадут эти проекты отрасли?
– Глобально это переход к модели, где ИИ становится неотъемлемой частью принятия решений на всех уровнях.
Предиктивная аналитика позволяет обслуживать технику по фактическому состоянию, значительно снижая простои и количество неплановых ремонтов.
ИИ‑ассистенты кардинально ускоряют работу с массивами данных, например с базой из более чем 25 тыс. нормативных документов РЖД. СИГМА распределяет задачи между специализированными агентами, повышая качество и скорость решений.
Системы компьютерного зрения напрямую повышают безопасность, сводя к минимуму человеческий фактор и предотвращая нарушения на путях.
В стратегической перспективе до 2035 года эти технологии станут основой каждого бизнес‑процесса на железной дороге – от планирования и моделирования до анализа состояния инфраструктуры и принятия управленческих решений.
– По каким параметрам вы оцениваете эффективность этих решений?
– Мы используем систему измеримых показателей, привязанных к реальным бизнес‑результатам. Например, для предиктивной аналитики ключевые параметры – точность прогноза и рост коэффициента готовности активов.
Для интеллектуальных ассистентов и ИИ‑агентов мы оцениваем долю корректных ответов по нормативной и справочной базе, скорость формирования ответа, объём задач, решённых без участия человека, а также степень интеграции в рабочие процессы конкретных подразделений.
В проектах компьютерного зрения критичны точность распознавания объектов и ситуаций, доля ложных срабатываний, скорость обработки данных по сравнению с ручным контролем и снижение числа нарушений при производстве работ.
Для имитационного моделирования мы сейчас определяем целевые метрики. Это сопоставимость решений интеллектуального агента с решениями опытных диспетчеров и потенциальный прирост пропускной способности на цифровых полигонах. По мере продвижения исследований эти метрики будут уточняться.
– Какие задачи вы ставите на этот год?
– В 2026 году мы планируем перейти от пилотных решений к промышленному внедрению ряда технологий. Так, в части предиктивной аналитики мы расширим охват. Модели прогнозирования отказов будут адаптированы для других типов подвижного состава и элементов инфраструктуры, включая объекты путевого хозяйства. Цель – сформировать комплексную предиктивную платформу, охватывающую основные активы железной дороги.
По направлению больших языковых моделей и ИИ‑агентов мы переходим к новому этапу – созданию экосистемы персональных ИИ‑ассистентов для различных категорий работников железнодорожного транспорта. Каждый ассистент будет настроен под профиль конкретного специалиста – его задачи, нормативную базу, рабочий контекст. Это станет фундаментом для внедрения в отрасли принципа AI‑first, при котором ИИ становится не дополнением к существующим процессам, а отправной точкой для проектирования новых.
В области компьютерного зрения ключевой задачей станет тиражирование систем контроля на всю сеть. Отдельный фокус – исследование и адаптация моделей VLM (Vision Language Models) и VLA (Vision Language Action). VLM позволяют объединить анализ визуальных данных с пониманием естественного языка: система может не просто обнаружить нарушение на изображении, но и сформировать текстовое описание ситуации и рекомендации для специалиста. VLA‑модели идут ещё дальше: на основе визуальной и текстовой информации они способны формировать управляющие воздействия, что открывает принципиально новые возможности для автоматизации технологических процессов на железной дороге.
Кроме того, 2026 год станет годом усиленной работы с кадрами. Нам необходимо сформировать мощный фундамент специалистов для развития этих инноваций.
Беседовал Алексей Алеев
Читать следующий материал