Ольга Чебунина: «Искусственный интеллект открывает новые возможности для развития агробизнеса»

Где в агропроме искусственный интеллект уже действительно работает и приносит ощутимую пользу, а где пока остается на уровне экспериментов?

Сегодня ИИ применяется в агропромышленном комплексе в таких областях, как аналитика и прогнозирование, персонализированные рекомендации, когнитивные помощники, роботизация и автоматизация технологических процессов.

Первое — это, конечно, интеллектуальная аналитика и прогнозирование. ИИ обрабатывает данные от самых разных источников: датчики в полях, спутниковые снимки, дроны, метеостанции, производственные системы. На выходе — получаем точные и своевременные рекомендации: прогноз урожайности, мониторинг состояния посевов, предиктивное обслуживание техники, оценка климатических и рыночных рисков, анализ кормов и многое другое.

Второе — рекомендательные системы. Это работа «в полях» в прямом смысле слова: подбор индивидуальных схем кормления животных, рекомендации по внесению удобрений и средств защиты растений. То есть агроном или зоотехник получает конкретные рекомендации, сформированные на базе моделей и сценариев.

Третье — когнитивные помощники. К ним относятся чат-боты, голосовые и текстовые ассистенты для полевых специалистов, генераторы отчетов, сценариев, технологических карт. Они не столько «советуют», сколько помогают быстро принять решение, сэкономить время без погружения в бумаги или справочники. И наконец, роботизация. Это уже не фантастика, а реальность: беспилотные тракторы, дроны, системы распознавания культур и вредителей, роботы на доильных установках или сортировке продукции. Сюда можно отнести и RPA — роботизированную обработку документов и рутинных задач.

Если говорить о барьерах, то хотела бы отметить, ключевой вызов цифровизации АПК заключается не в технологиях как таковых, а в зрелости самой отрасли. Без трансформации бизнес-процессов, подготовки кадров и управленческих решений искусственный интеллект останется локальным экспериментом — эффектной, но не функциональной «игрушкой». Чтобы ИИ-технологии стали драйвером развития отрасли, требуется системная перестройка. И в этом направлении уже есть позитивные сдвиги: бизнес все чаще рассматривает ИИ не как технологический эксперимент, а как инструмент повышения эффективности производства.

А если совсем простыми словами: как ИИ помогает агробизнесу?

В качестве успешных кейсов приведу в пример те разработки, которые поддержало государство — так называемые особо значимые проекты, реализованные в рамках ИЦК АПК.

Один из них — система управления стадом крупного рогатого скота «МОЛОКО 2.0». Разработка позволяет вести учет животных, управлять воспроизводством, селекцией и генетикой. Решение наглядно демонстрирует, как искусственный интеллект может влиять на эффективность кормления. Система анализирует рацион животных и отслеживает, как он сказывается на удоях, на поведении коров и даже на их здоровье. На основе этих данных ИИ формирует рекомендации по коррекции питания — от балансировки компонентов до расчета оптимальных объемов корма, что позволяет одновременно повышать продуктивность и снижать издержки.

То есть ИИ — это не просто умный калькулятор. ИИ из вспомогательного инструмента трансформируется в стратегический актив. Технология не ограничивается анализом: она выстраивает причинно-следственные связи между рационом, здоровьем поголовья и экономическими показателями. Результат — управленческие решения, которые увеличивают надои за счет персонифицированного подхода к кормлению, минимизируя при этом ресурсные потери. В условиях высокой волатильности рынков такой симбиоз эффективности и экономической рациональности становится ключевым фактором конкурентоспособности хозяйств.

Проект «МОЛОКО 2.0» — уже внедрен в промышленную эксплуатацию и, что особенно важно, по своему функционалу существенно превосходит западные аналоги. Сейчас система продолжает развиваться. Доработанный функционал ПО позволяет проводить мониторинг здоровья животных, анализировать их активность, поведение, физиологические изменения. Наши коллеги в Татарстане, уже тестируют модуль, который с помощью компьютерного зрения определяет хромоту у коров по походке, степени отклонения, и прогнозирует, как это скажется на продуктивности.

Другая важная функция — управление воспроизводством. Система помогает оптимизировать процессы осеменения и отела, тем самым повышая эффективность продуктивности стада.

Платформа также обрабатывает исторические данные по воспроизводству и продуктивности поголовья, что позволяет прогнозировать надои и продуктивность каждой особи. Для этого алгоритмы учитывают как фенотипические параметры, так и генетический профиль животных. Система выявляет закономерности, анализируя информацию о предыдущих поколениях стада. Это дает возможность строить предиктивные модели, связывающие наследственные факторы с продуктивными показателями.

И наконец, «МОЛОКО 2.0» помогает фермеру с планированием, управленческой отчетностью, предлагает сценарии для принятия решений. И это реальный рабочий инструмент, который приносит пользу уже сейчас.

Вы еще упомянули тракторы, которые работают в полях автономно. Бывает ли, что техника «уезжает не туда»?

Беспилотные тракторы — это реальность. Конечно, как и любая новая технология, они проходят этап пилотирования, тестирования, отладки. Но вопрос даже не в том, «уехал» ли трактор куда-то не туда, а в готовности принять такую технологию. Ведь это вызов не только технический, но и культурный.

Например, ИЦК АПК поддержал проект, связанный с автономными машинами и роботами, которые берут пробы почвы прямо в поле, без доставки в лабораторию. Ольга Ускова, которая его развивает, отметила интересную деталь: в России уже выпущено больше тысячи автономных тракторов и за все время не было ни одного случая вандализма. То есть проект демонстрирует не только технологическую зрелость, но и социальную адаптивность решений. В отличие от США, где подобные технологии периодически сталкиваются с сопротивлением местного населения, российские аграрии — от операторов до агрономов — интегрируют автономную технику в рабочие процессы без конфликтов. Это свидетельствует о высокой готовности отрасли к цифровой трансформации, что особенно важно для масштабирования проектов. Однако для стабильной работы искусственного интеллекта в агропромышленном комплексе — отрасли с высокой степенью вариативности — критически важна адаптация решений под уникальные условия каждого хозяйства. Различия в типах почв, породах животных, климатических зонах и парке техники требуют кастомизации алгоритмов. Именно поэтому ИИ обучается на данных, собранных непосредственно на конкретных фермах, что обеспечивает точность прогнозов и рекомендаций. Очень важно, чтобы все участники рынка — и вендоры, и государство, и сами хозяйства, объединились в этом направлении: сельхозпредприятия предоставляют данные и пилотные площадки для апробации технологий; государство формирует стратегические приоритеты и регуляторную базу, поддерживающую инновации; ИТ-вендоры адаптируют модели под специфику регионов, обеспечивая их масштабируемость.

Это очень вдохновляет. Но все равно остается вопрос, а как обучать людей, которые будут работать с технологиями ИИ? Что уже делается для обучения сотрудников на местах?

Очень многое зависит от вовлеченности самих сельхозпредприятий и агрохолдингов. Без их инициативы никакие программы не будут эффективными. Каждое хозяйство уникально, и это касается не только ИИ. Например, внедрение MES-систем для управления переработкой баранины на одном предприятии может кардинально отличаться от аналогичного решения в рамках того же холдинга из-за различий в оборудовании, стандартах и методах работы. Потому что у каждого свои технологии, процессы, люди. Универсальных решений нет, и типовых подходов пока тоже немного.

Обучение ИИ для АПК потребует многоуровнего подхода. Прежде всего, инициативы должны исходить от самих предприятий — агрохолдингов и работодателей, которые лучше других понимают свои потребности. На уровне государства необходима поддержка программ, отвечающих запросам бизнеса, в рамках утвержденного Президентом РФ федерального проекта «Искусственный интеллект» нацпроекта по формированию экономики данных. Наконец, сами разработчики должны не просто продавать свои решения, но и сопровождать их обучением — объяснять, как их использовать, настраивать, внедрять. Искусственный интеллект должен стать не эффектной демонстрацией технологических возможностей, а практичным инструментом с измеримой отдачей.

Как вы оцениваете интерес самих хозяйств к обучению персонала для работы с ИИ? Агрохолдинги готовы инвестировать в людей?

Конечно, крупные холдинги, инвестируют активнее, у них и экономические возможности другие, и уровень осознанности выше. Они смотрят в сторону ИИ и «Интернета вещей», потому что понимают, что без этого бизнес дальше не поедет. А вот мелким хозяйствам сложнее. Им важнее получить выручку, и желательно быстро, а не строить долгосрочную цифровую стратегию. В этом и есть главная проблема — эффект от технологий, в том числе ИИ, он отложенный. Вложиться нужно сейчас, а отдача будет только через какое-то время. Консервативность агропромышленного комплекса усугубляет ситуацию. Даже технологически подготовленные предприятия предпочитают минимизировать риски, выбирая краткосрочную финансовую стабильность вместо долгосрочных инвестиций. Это создает дисбаланс: пока крупные игроки формируют цифровые экосистемы, малый бизнес остается на периферии цифровой трансформации. Но проникновение искусственного интеллекта в агропром с каждым годом растет кратно. Ключевой вопрос — выбор метрик для оценки успешности проектов. Важно понимать, как измерять эффективность внедрения ИИ. И вот тут я бы разделила метрики на две группы: техническую и экономическую.

С одной стороны, надо понимать, насколько точны модели, насколько быстро и стабильно работает система, как она себя ведет под нагрузкой, насколько вообще процессы автоматизированы, сократилось ли участие в них человека. А с другой — нужно смотреть на эффекты: снизились ли затраты, выросла ли урожайность, насколько эффективнее стали использоваться ресурсы. То же самое с кормами, с удобрениями — если у тебя стоит рекомендательная система, надо считать, сколько ты сэкономил. Появился ли возврат инвестиций? Вот это мой любимый показатель — вложил рубль, а что получил обратно, каков возврат инвестиций?

И еще один немаловажный момент — удовлетворенность пользователей. Помогает ли ИИ на практике? Используют ли его агрономы, зоотехники, фермеры? Или просто поставили галочку о внедрении, а дальше с ней никто не работает?

А можете рассказать, как выглядит применение искусственного интеллекта в растениеводстве на практике? Что он реально делает в поле и откуда берет данные?

Приведу в пример проект «История поля», который входит в перечень особо значимых и поддержан ИЦК АПК. Это платформа управления растениеводческим предприятием с применением ИИ-моделей. Одна из ключевых задач системы — распознавание и классификация растений, включая сорняки и болезни. Работает это так: дрон с камерами совершает облет поля, собирает изображение, передает его на мобильное устройство и оператор уже в режиме реального времени видит, что происходит с посевами. Система распознает, какие именно культуры растут, в каком они состоянии, какие вредители завелись, есть ли признаки заболеваний, как идут фенофазы — все, вплоть до уровня всходов.

Система также умеет прогнозировать урожайность. Для этого используются спутниковые снимки высокого разрешения, обновляемые с частотой примерно раз в два дня. На их основе ИИ отслеживает отклонения от плана. Это особенно ценно, когда речь идет о крупных хозяйствах. К слову, проект внедряется в ГК «Русагро», где ИИ помогает принимать решения по внесению удобрений, выбору семян и средств защиты растений. По сути, это уже полноценная рекомендательная система, которая позволяет по-новому организовать взаимодействие между участниками: от агрономов до поставщиков и аналитиков.

Еще одна важная функция — факторный анализ урожайности. Система показывает, какие конкретно параметры повлияли на результат на каждом конкретном поле. И снова возвращаемся к тому, о чем говорили в начале нашего разговора: без больших данных ни одна, даже самая продвинутая ИИ-модель, не заработает. Поэтому вопрос источника получения данных — ключевой. Что может служить источником? Во-первых, спутниковые и дроновые изображения, они дают нам картинку по состоянию посевов, сорнякам, вредителям, погодным условиям. Во-вторых, сенсоры и устройства «Интернета вещей» — это и доильные установки, и датчики в теплицах, на фермах, в птичниках. Они собирают данные о температуре, влажности, движении, даже звуке.

Дальше — производственные и операционные системы. Из них мы получаем информацию о приростах, надоях, другие показатели. Добавим к этому климатические параметры, экономические данные — бухгалтерия, продажи, остатки, спрос. В целом, это целый комплекс решений. Когда я работала в агрохолдинге, снимала данные сразу с нескольких систем: складской учет, инвентарь, техника, ремонты. Поэтому, когда я говорю об ИИ в агро, важно понимать: модель — это только вершина айсберга. Все начинается с данных.

Все, о чем вы рассказываете — дроны, спутники, сенсоры, — звучит убедительно, но ведь все это дорого. Насколько вообще аграрный бизнес готов в это вкладываться? Просчитывается ли отдача?

Все должно просчитываться. Каждый проект, поддержанный ИЦК АПК, должен показывать экономический эффект, в конкретных цифрах, особенно когда речь идет о масштабировании на отрасль. Никто не будет внедрять ИИ, если это невыгодно. Тем более в такой рациональной сфере, как агропром, где на первом месте стоит вопрос: сколько будет потрачено на внедрение решения и когда оно начнет приносить прибыль?

Успешное внедрение технологий в агропромышленный комплекс требует коллаборации государства, бизнеса и разработчиков. Государство играет ключевую роль, предоставляя не только финансовую поддержку, но и открывая доступ к данным — от метеонаблюдений до спутниковых снимков, которые становятся основой для предиктивной аналитики. Бизнес делится практическим опытом, а разработчики фокусируются на решениях, которые не просто впечатляют функционалом, но и решают конкретные экономические задачи. Только так технологии перестанут быть экспериментом и станут неотъемлемой частью повседневной работы агропредприятий.

А как вы относитесь к форумам? Это способ продвигать технологии или просто «поговорили и разошлись»?

Я как раз сторонник форумов, при условии их содержательной организации. Надо понимать специфику мероприятий. Есть отраслевые площадки — для животноводов, растениеводов, семеноводов, и каждый со своей сезонной спецификой. Есть кросс-отраслевые, как, например, ЦИПР, где встречаются разработчики и айтишники.

С одной стороны, деловые мероприятия — место для обмена опытом, обсуждения технологических барьеров и поиска решений. И это важно — не просто поднимать проблематику, а найти тех, кто уже решил что-то похожее и поделился с коллегами успешным кейсом.

Более того, после создания ИЦК АПК, компании в рамках демодней стали делиться кросс-функциональными решениями. Например, зачем разрабатывать новое цифровое решение для АПК, если его аналог уже существует в химической промышленности? Форумы в этом смысле — отличная точка входа и для отрасли, и для разработчиков. Главное — точно понимать, с кем и о чем ты хочешь разговаривать.

Мы собираем форум «Будущее сегодня» во второй раз, и снова хотим объединить разработчиков и заказчиков. В чем вы видите значение таких мероприятий? Нужны ли они отрасли?

Форум «Будущее сегодня» будет полезен вендорам, интеграторам, разработчикам. Тем, кто создает решения и может предложить уже готовые инструменты или как минимум технологии, которые можно адаптировать под конкретные задачи. Например, готовые решения с ИИ, которые можно просто взять и встроить в текущие бизнес-процессы. Такая «карта» ИТ-ландшафта с белыми пятнами, где нет цифровизации вообще, а тем более ИИ, уже сформирована ИЦК АПК. Или другой пример — технологические наработки и продукты на стадии MVP. Их еще нельзя внедрить «здесь и сейчас», но с учетом специфики отрасли их можно адаптировать. Многие компании воспринимают внедрение инноваций как чрезмерно затратный и ресурсоемкий процесс. Однако адаптация готовых решений под специфику предприятия позволяет сократить сроки и оптимизировать бюджет. Ключевое условие — открытый обмен опытом на отраслевых площадках, где можно обсудить не только успешные кейсы, но и барьеры, мешающие тиражированию технологий. Это позволит сосредоточиться на решении важных задач, включая применение искусственного интеллекта и преодоление отраслевых вызовов.

А какие источники данных сегодня наиболее востребованы в агросекторе?

Зависит от направления. Один из особо значимых проектов, поддержанный в рамках ИЦК АПК — система раннего выявления стресса у свиней. Модель обучена на звуках, которые издают животные. Анализ акустических паттернов животных позволяет выявлять ранние признаки заболеваний или стрессовых состояний. Современные технологии, включая алгоритмы машинного обучения, идентифицируют изменения в голосовых сигналах (например, частотных характеристиках или длительности звуков), что становится инструментом превентивной ветеринарии. Почему это важно? Сегодня хозяйства укрупняются, растет численность поголовья, и уследить за всеми животными становится все сложнее. Такой инструмент помогает в прямом смысле «услышать», что с особью не так, и принять меры до того, как начнется падение продуктивности.

И это вполне рабочая система, которая сейчас дорабатывается под разные климатические условия, типы хозяйств. Потому что один и тот же звук в разных условиях может иметь различные значения. И именно ИИ помогает улавливать эти тонкости.

Ну это же по-настоящему удивительно — мы уже почти научились понимать животных. До уровня доктора Дулиттла, конечно, далеко, но все же!

Недавно писала об этом в своем ТГ-блоге. Есть уже стартапы в Дании, Нидерландах, которые пытаются «переводить» звуки животных на человеческий язык на базе технологий ИИ. Будущее, которое раньше казалось фантастикой, становится вполне реальным.

Как вы считаете, до России такая практика тоже скоро дойдет?

У нас очень талантливые ребята, и ИИ-стартапы в агро растут с фантастической скоростью и во многом даже обгоняют западные аналоги. Буквально недавно прочла новость — в Свердловской области тестируют нейроимплант, вживленный в рог коровы. Система будет контролировать надои и, если надо, мягко подсказывать: «можно выдавать больше».

Как, на ваш взгляд, сделать так, чтобы развитие ИИ в отрасли зависело не только от энтузиазма разработчиков?

Развитие ИИ требует тесной кооперации. Государство должно задавать стратегию, вендоры — развивать технологии, а хозяйства — выступать поставщиками данных и площадками для тестирования.

На мой взгляд, нужен консорциум. И «Агропромцифра» как отраслевой центр компентенций могла бы выступить его инициатором, чтобы объединить фермеров и разработчиков, наладить централизованный сбор данных и распределять выгоду от их использования. Например, хозяйства могут передавать анонимизированные данные, а взамен — получать доступ к решениям с существенной скидкой. Или получаешь субсидию от государства — отдаешь размеченные данные, которые потом идут на благо общего дела.

Если такой формат кооперации заработает, тогда этот рынок может выстрелить и совершить резкий рывок.

Вы упомянули, что не всегда аграрии готовы доверять ИИ. Это как раз та самая проблема черного ящика?

Представьте: агроном учился, у него огромный опыт за плечами, практика, он все знает и тут вдруг планшет начинает ему подсказывать, как удобрения вносить. А если он еще не понимает, на основании чего ИИ выдал ту или иную рекомендацию, то доверия точно нет и не будет.

Именно в этом, я считаю, сейчас и есть главное препятствие. Рекомендация есть, а объяснения нет. Почему именно такая доза, почему именно в этот день? А значит, фермер скорее отмахнется, чем прислушается.

Сейчас начинают появляться системы объяснимого искусственного интеллекта, и я в них верю. Это то, что нужно отрасли. Не просто прогноз или совет, а пояснение: «Я сделал такой вывод, потому что ты предоставил мне вот такие данные, и на их основе я вижу такую-то закономерность». И это уже совсем другой уровень взаимодействия — на равных, без магии и черных ящиков.

Особенно это важно в зоотехнии и ветеринарии. Ошибки в этих сферах стоят дорого. Если ИИ предложит неправильное решение, последствия могут быть очень серьезными. А вот когда специалист может проверить гипотезу вместе с ИИ, тогда и доверие к технологии будет расти, и эффективность.

Конечно, нужно больше практики, реальных кейсов. Чтобы агроном или зоотехник сам попробовал, увидел эффект, поэкспериментировал. Возможно, это будут гибридные подходы: ИИ плюс человек, где решение принимает специалист, но ИИ помогает, уточняет, дополняет. И еще важный момент — вопрос адаптации. Сейчас почти все модели работают «из коробки», универсально. В России каждое хозяйство — уникальное: разные регионы, климат, породы, технологии, люди. Один и тот же алгоритм по-разному сработает на Алтае и в Калужской области. Поэтому нужны отраслевые датасеты, много правильно размеченных данных — по регионам, культурам, погоде, породам.

И валидация должна идти не на учебных полигонах, а в реальных условиях — на настоящих фермах, в полях. Только тогда можно будет говорить о зрелости модели.

И наверное, стоит перестать собирать «монолитные» системы. Лучше дробить, чтобы можно было, например, перенастроить только модуль по кормлению конкретной породы, не трогая все остальное. Тогда и внедрять проще, и доверять легче.

В общем, объяснимый ИИ, гибкость, реальная валидация — за этим и есть будущее. Без этого все так и останется «темным лесом» с непонятным алгоритмом внутри.

Какие условия необходимы, чтобы ИИ-модели в агросекторе действительно масштабировались и работали не только на презентациях, но и на конкретных фермах? И если заглянуть дальше, то какой вы видите ферму будущего?

Чтобы искусственный интеллект в агросекторе действительно масштабировался, модели должны быстро адаптироваться под конкретные условия. Сейчас это основной вызов. Потому что бывает так: ты приходишь с красивой презентацией, а на деле нужно еще год, чтобы адаптировать решение под конкретное хозяйство. Адаптация, валидация, дообучение моделей — вот ключ к реальному масштабированию ИИ и цифровых решений в целом. Чем лучше исходные данные, тем быстрее все заработает и даст эффект. Важно, чтобы модель можно было дообучить локально, на месте, под конкретное хозяйство, регион, климат, культуру, породу животных. Это прямой путь к эффективности.

А если говорить шире — лично мне очень близка идея полностью автономной фермы. Картинка из будущего: дроны летают, роботы ухаживают за растениями и животными, ветеринарная диагностика происходит в реальном времени, и все это под управлением единой системы. На место выезжает автономный аппарат для осмотра и оценки состояния животного, с дальнейшей передачей всех данных оператору. Это ферма, где все процессы оптимизированы, все работает как единый организм. Я сама до прихода в ИТ-компанию работала в мясопереработке, и визуально это очень хорошо себе представляю. Это не фантастика, это то, к чему мы рано или поздно точно придем.

И тут я всегда говорю: не надо бояться. Это не история про то, что люди останутся без работы. Наоборот, появятся новые профессии. Ведь кто-то должен будет управлять, проверять, настраивать, валидировать. Искусственный интеллект — это не замена человеку, а его помощник. Да, может быть, где-то проще заменить ручной труд, но за каждым ИИ стоит человек, и так будет всегда.

А как думаете, когда все-таки появятся полностью автоматизированные фермы — ваша мечта?

Точечно — уже есть автоматизированные склады, много технологий на переработке. Недавно прочла статью — в Австрии запустили магазин, который работал целиком на ИИ и сенсорах: «Интернет вещей», робототехника, все по науке. Но полностью без людей он все равно не справился. Пришлось вернуть часть персонала. Потому что точность пока не идеальная, а нюансы есть всегда. Знаете, это как с книгами. Меня часто спрашивают: а ChatGPT может написать книгу, заменить автора? Отвечаю: нет. Книга — это выстроенная мысль, аналитика, чувства, позиция. Не просто набор фактов. Так же и с ИИ: он может помочь, но не заменить человека.