Т1 оптимизирует логистику топлива
Российский ИТ-холдинг Т1 развивает платформу, которая строит оптимальные маршруты доставки топлива от нефтебаз до АЗС с помощью искусственного интеллекта.
Решение «Т1 Орсима» оптимизирует логистику нефтегазовых компаний с использованием математического моделирования. Система учитывает ограничения по времени, состав автопарка бензовозов, расположение объектов и другие производственные параметры. По данным компании, применение программного обеспечения позволит сократить совокупные затраты компаний ТЭК на логистику до 8%, а время ручного планирования маршрутов – до 80%.
Это говорит о том, что в российской IT-отрасли активно развивается рынок отраслевого искусственного интеллекта: решений, созданных не для массового пользователя, а для сложных производственных задач с большим количеством ограничений.
Нефтегазовому комплексу внедрение подобных систем позволит снизить расходы на транспортировку топлива, повысить надёжность снабжения АЗС, более эффективно использовать автопарк и инфраструктуру, а также уменьшить простои, связанные с дефицитом кадров в транспортной логистике. Граждане смогут заметить повышение устойчивости цепочек поставок топлива.
Горизонты и масштабы
Внутри страны применение новой технологии от Т1 может не ограничиться доставкой топлива. Аналогичные методы оптимизации маршрутов подходят для угольной промышленности, электроэнергетики и газовой отрасли, а также промышленной логистики металлургии, химической промышленности и крупных производственных холдингов.
Развитие подобных систем соответствует общему тренду цифровизации логистики: компании используют ИИ для прогнозирования спроса, управления запасами и оптимизации маршрутов.
Теоретически российские решения в этой области могут стать одним из направлений экспорта цифровых технологий, однако это будет зависеть от способности разработчиков адаптировать продукты под зарубежные производственные процессы.
Пять лет цифровизации
Новый продукт Т1 – лишь один из примеров разработок российских специалистов в сфере промышленного и транспортного ИИ.
Например, в 2021 году «Газпром нефть» сообщила о применении ИИ, машинного обучения и аналитических платформ в логистике, переработке и сбыте. Компания использует алгоритмы для оптимизации маршрутов движения судов в Арктике и анализа потоков нефтепродуктов от НПЗ до конечного потребителя. В 2022 году «Роснефть» представила программный комплекс «РН-Нейросети» – алгоритмы ИИ выбирают оптимальные варианты разработки нефтяных месторождений. Тогда же методы математической оптимизации начали распространяться на все звенья топливной цепочки: программные решения Петербургского нефтяного терминала показали, что управление грузовыми операциями становится всё более интеллектуальным.
В 2023 году был представлен цифровой двойник «Северный завоз» – система для моделирования и оптимизации поставок грузов в труднодоступные районы Арктики и Дальнего Востока, учитывающая различные виды транспорта, маршруты и инфраструктурные ограничения.
К 2025 году российские компании продолжили развивать цифровизацию логистики нефтегазового сектора – облачные платформы, IoT-инструменты, цифровые двойники помогают в оптимизации хранения и перемещения топлива. Отрасль перешла к комплексным платформам, объединяющим данные производства, хранения, транспорта и снабжения.
Платформы вместо инструментов
Решения на базе ИИ для нефтегазовой логистики становятся одним из наиболее перспективных направлений промышленной цифровизации. Главный эффект таких систем – повышение качества управленческих решений за счёт обработки большого количества данных.
В ближайшие годы наиболее активно подобные технологии будут развиваться в нефтегазовой отрасли, энергетике, промышленности и транспортном секторе. Это способствует формированию российского рынка промышленного ИИ и расширению компетенций в области математического моделирования, больших данных и автоматизированного управления.
Решение Т1 – очередной шаг в этом направлении: оно показывает, что российские разработчики способны создавать платформы для управления сложными логистическими системами с тысячами переменных.
