Рецензия на монографию А.Ю. Чесалова «Интеллектуальные системы на службе заводов: как предсказать поломку и сэкономить миллионы. Технологии умных фабрик и прогнозируемое обслуживание»

Общая оценка и актуальность работы

Представленная монография Александра Чесалова является своевременным и глубоким исследованием, посвященным одной из наиболее актуальных тем современной промышленности — интеграции искусственного интеллекта (ИИ) в системы прогнозируемого и предписывающего обслуживания. Работа выполнена на стыке фундаментальной науки и прикладных инженерных задач, что делает ее ценной как для теоретиков, так и для практиков — инженеров, руководителей предприятий и разработчиков промышленного программного обеспечения (ПО).

Актуальность работы не вызывает сомнений. Мировой тренд на цифровизацию промышленности (Индустрия 4.0) и переход к экономике данных требуют новых, интеллектуальных подходов к управлению производственными активами.

В книге последовательно ведется изложение обзора рынка и технологических трендов (Главы 1-2), разработка концептуальной архитектуры (Глава 3), глубокой проработки ключевых технологических компонентов: периферического искусственного интеллекта – Edge AI (Глава 4), методов снижения неопределенности данных (Глава 5), моделей диагностики (Глава 6) и применения новейших инструментов, таких как большие языковые модели (Глава 7) и биологически инспирированные алгоритмы (Глава 8). Завершается работа рассмотрением критически важных этических аспектов (Глава 9). И практических рекомендаций (Глава 10). Такой охват делает книгу интересной для читателя.

Научная новизна и практическая значимость подтверждается материалами изложенными в главах5, 6, 7 и 8.

1. Глава 5 «Задача снижения неопределенности данных на уровне сбора и агрегации данных в автоматизированных системах прогнозируемого обслуживания». Предложенная математическая модель на основе теории Демпстера-Шафера (DST) является практичным и эффективным ответом на одну из ключевых проблем промышленного интернета вещей — работу с зашумленными, неполными и противоречивыми данными от датчиков. Алгоритм и его программная реализация «EUS Model 1 PdM / DST» (представленная в Приложении) имеют практическую ценность.
2. Глава 6 «Математическая модель интеллектуальной диагностики технического состояния промышленного оборудования».  Автор не просто применяет DST, а значительно улучшает ее, вводя адаптивное взвешивание свидетельств на основе расстояния Хеллингера и энтропии Денга. Результаты точности классификации на синтетических данных (~98.9%) свидетельствуют о высокой эффективности подхода. Алгоритм и его программная реализация «EUS Model 1 PdM / DST 2» (представленная в Приложении) имеют практическую ценность.
3. Глава 7 «Анализ возможности применения больших языковых моделей в автоматизированных системах прогнозируемого обслуживания на примере OpenThinker2-32B».  Автор правомерно указывает на их роль не как на замену классическим ML-моделям, а как на мощный вспомогательный инструмент для анализа неструктурированных данных, генерации экспертных заключений и кода. Алгоритм и его программная реализация (представленная в Приложении) имеют практическую ценность.
4. Глава 8 «Применение ИИ для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах». Автор переносит нейрофизиологический феномен — потенциал негативности рассогласования (Mismatch Negativity, MMN) — из области когнитивных наук в сферу промышленной автоматизации. Ключевое преимущество предложенного MMN-алгоритма — способность детектировать аномалии в многомерных потоковых данных без предварительного обучения на сбоях, основываясь лишь на модели «нормы». Алгоритм и его программная реализация (представленная в Приложении) имеют высокую практическую ценность.
5. Представленные в книге примеры программ (Приложения 1-2) получили Свидетельства о государственной регистрации программ для ЭВМ.
6. Архитектурные решения, представленные в Главах 3, 4, 5 и 8 проработаны до уровня, позволяющего использовать их в качестве основы для реальных проектов.

Рекомендации

Несмотря на высокий уровень проделанной работы, можно отметить следующие недостатки:

1. Эмпирическая валидация на реальных данных. Несмотря на то, что результаты на синтетических данных обнадеживают, ценность работы возросла бы при добавлении кейса с применением разработанных моделей на реальном промышленном оборудовании, с демонстрацией достигнутого экономического эффекта (снижение времени простоя, увеличение времени между неполадками, и так далее).
2. Детализация сравнений. В Главе 7 можно было бы усилить анализ больших языковых моделей, добавив конкретные примеры запросов или API-запросов, которые могли бы использоваться для типовых задач прогнозируемого обслуживания.

Целевая аудитория:

1. Ученые и исследователи в области ИИ, промышленной автоматизации и теории принятия решений найдут в книге свежие идеи и математические модели для дальнейшего развития.
2. Инженеры и разработчики получат практические инструменты, архитектурные шаблоны и готовый код для внедрения.

Выводы

Данная работа соответствует требованиям к издаваемым монографиям (научным изданиям) ВАК и будет интересна для специалистов работающих в области информационных технологий, инженеров и ученых занимающихся проблемами исследования и проектирования автоматизированных систем прогнозируемого или предписывающего обслуживания, а также будущим аспирантам, работающим по научной специальности 2.3.3. «Автоматизация и управление технологическими процессами и производствами».

В целом, монография, заслуживает положительной оценки и рекомендуется к публикации.

Рецензент: доктор технических наук, профессор кафедры «Технологии приборостроения» (РЛ6) МГТУ им. Н.Э. Баумана Гудков Александр Григорьевич