На Ставрополье хлебозавод стал использовать ИИ для подсчета булочек

Статья написана для ресурса «rg.ru». Ссылка на материал на странице издания: https://rg.ru/2026/09/29/reg-skfo/ii-rasproboval-bulochki.html

Я бы отнёс автоматический подсчёт продукции к начальному, но уже вполне прикладному уровню внедрения ИИ на производстве. Для компьютерного зрения задача относительно понятная: камера видит поток, нейросеть определяет вид изделия и считает каждую единицу. При этом само внедрение не всегда простое. Нужно добиться стабильного распознавания при разном освещении, скорости линии и положении продукции, обучить систему на конкретном ассортименте и связать её с 1С или другой системой учёта.

Причём интеграция зачастую не менее важна, чем сама нейросеть. Если система просто показывает количество выпущенных булок, это скорее удобный счётчик. Гораздо больше пользы появляется, когда данные автоматически попадают в учёт и их можно сопоставлять с расходом сырья, планом производства, браком и отгрузками. В случае Кисловодского хлебозавода это как раз не отдельная демонстрация технологии, а автоматизация реального бизнес-процесса.

Срок окупаемости я бы считал не только от стоимости ИИ как такового, но и от проблемы, которую он устраняет. Нужно оценить затраты времени на ручной учёт, количество ошибок и расхождений, потери продукции и возможность быстрее замечать отклонения. На крупной линии, где ежедневно проходят десятки тысяч изделий, даже небольшая постоянная погрешность может давать заметные потери. Поэтому на больших производствах такие решения потенциально способны окупаться за несколько месяцев. На небольшом предприятии, где ручной учёт занимает мало времени и почти не создаёт ошибок, эффект будет значительно ниже.

Пока я бы не сказал, что нейросетевой подсчёт стал стандартом для пищевых предприятий в России. Скорее машинное зрение – один из наиболее понятных вариантов, с которого можно начинать внедрение ИИ. Здесь относительно легко поставить конкретную задачу и затем измерить результат.

При этом возможности уже давно не ограничиваются подсчётом. Более сложные системы могут находить дефекты продукции, контролировать размер, форму и цвет, проверять упаковку и маркировку, выявлять нарушения технологических операций. Следующий уровень – анализ простоев, прогнозирование неисправностей оборудования и поиск причин появления брака на основе сразу нескольких производственных показателей.

На мой взгляд, именно с локальных задач предприятиям и разумно начинать работу с ИИ. Не пытаться сразу построить «умный завод», а найти участок, где много ручного труда, субъективного контроля или данные поступают с задержкой. Если на нём удаётся показать понятный экономический эффект, дальше технологию уже можно масштабировать на другие процессы.