ML‑продукты для заводов с единицей дата‑сайентиста: кейс 150‑м‑печи спекания

В статье на Habr ML Андрей Писарев, руководитель отдела машинного обучения в RUSAL IT, рассказывает о том, как их небольшая команда (один‑два дата‑сайентиста) построила и вывела в продакшн ML‑решение для 150‑метровой печи спекания, одной из ключевых единиц производства компании. \n\nПроблема – традиционный подход «от нуля до модели» требовал бы несколько человек‑специалистов и месяцы разработки, что невозможно при геораспределённой компании с десятками заводов. Кроме того, данные поступали из разрозненных SCADA‑систем, а доступ к ним был ограничен из‑за требований к кибербезопасности. \n\nРешение включало несколько слоёв автоматизации:

1. AutoML‑платформа на базе open‑source библиотек (Auto‑sklearn, H2O) с предустановленными пайплайнами для регрессии и классификации.
2. Low‑code интерфейс (Streamlit + custom UI) позволил инженерам‑операторам задавать гипотезы без программирования.
3. MLOps‑конвейер в GitLab CI/CD, который автоматически собирает данные, переобучает модель каждую неделю и разворачивает её в Docker‑контейнере на edge‑сервере завода.
4. Объединение данных через Apache Kafka, что обеспечило потоковую интеграцию с SCADA и историческими архивами. \n\nРезультаты: предиктивная модель смогла предсказывать отклонения температуры в печи с точностью R² = 0.92, что позволило сократить незапланированные простои на 18 % и уменьшить расход электроэнергии на 7 % за первые три месяца эксплуатации. Внедрение заняло 6 недель, а поддержка теперь требует лишь одного инженера‑данных. \n\nСсылки: оригинальная статья – https://habr.com/ru/companies/rusal_it/articles/1073816/; репозиторий с шаблоном пайплайна – https://github.com/rusal-it/ml-furnace‑pipeline.