Как промышленные компании создают цифровые сервисы на базе облака

По данным Telecom Daily, 82% российских компаний планируют увеличить расходы на облачные технологии в 2026 году. Такие сервисы легко адаптировать под конкретные задачи: их можно быстро внедрить, удобно масштабировать и настраивать.

В промышленности облачные ресурсы чаще всего применяют для быстрого старта проектов: запуска корпоративных порталов, платформ электронной коммерции и создания собственных цифровых продуктов.

В этой статье — два примера таких решений. Мы поговорили с командами АЛРОСА и «Платферрума» (проекта «Северстали») о том, как они используют облако: от внедрения аналитических ML‑моделей до запуска облачной B2B‑платформы.

Как АЛРОСА прогнозирует характеристики бриллиантов из алмазного сырья

Алмаз — это сырьё, а бриллиант — товар. Между ними сложная цепочка: от оценки качества до огранки. Чтобы заранее понимать, какие бриллианты и в каких пропорциях получатся из партий алмазов, мы разработали аналитическую ML‑модель «Алмаз‑Бриллиант».

Необработанные алмазы оценивают по ГОСТ: важны размер, форма, цвет и наличие дефектов. Кристаллы могут быть бесцветными, с желтоватым или коричневатым оттенком, иметь включения и микротрещины или, напротив, быть идеально чистыми. В зависимости от характеристик им присваивают определённую группу, которая влияет на итоговую огранку.

Важно, что из одного и того же кристалла алмаза могут получиться два или даже больше бриллиантов — и каждый будет отличаться цветом, формой и весом. Почему так:

• Неоднородность кристалла. Внутри одного алмаза встречаются зоны с разной прозрачностью, оттенком и количеством включений.
• Подстройка под внутреннюю структуру. Чтобы сохранить ценность, кристалл часто распиливают на несколько заготовок — каждый будущий бриллиант получается разным.
• Компромисс огранки. Огранщик балансирует между сохранением массы, скрытием включений и целевой формой — отсюда различия в весе и пропорциях.
• Цвет раскрывается после огранки. Даже внешне однородный алмаз может дать камни в разных цветовых категориях из‑за особенностей преломления света.

Например, из алмаза высокой цветовой группы 1С по ГОСТ могут получиться бриллианты цветов D, E, F или G по международной шкале GIA (или 1, 2+, 2, 2− соответственно по ГОСТ) — в разных долях, в зависимости от конкретного кристалла и технологии обработки. Именно такие распределения и учится предсказывать наша система.

В основе системы «Алмаз‑Бриллиант» — набор ML‑моделей, обученных на исторических данных, где сопоставлены характеристики сырьевых кристаллов и параметры уже огранённых камней. Алгоритмы ищут устойчивые закономерности и на их основе прогнозируют, какие сочетания признаков вероятнее всего получатся из того или иного кристалла.

Для обучения применялась библиотека с открытым исходным кодом CatBoost. Первые эксперименты запускали в облачной среде на анонимизированных данных — это позволило гибко масштабировать вычислительные мощности, быстро проверять гипотезы и без лишних затрат подбирать архитектуру модели. После валидации решение развернули во внутреннем контуре, где оно применяется в операционной работе.

На выходе модель выдаёт вероятностные распределения по цвету, массе, чистоте и форме. Эти прогнозы помогают планировать ассортимент и формировать ценовые ориентиры, но окончательное слово остаётся за экспертами. Работа с системой ведётся через BI‑среду: специалисты задают параметры, анализируют отчёты и принимают управленческие решения.

Для отрасли это означает более точные ожидания по экономике партии ещё до распила и огранки, сокращение сроков подготовки предложений для сбыта и выравнивание качества экспертизы на разных площадках. У подобных решений не много прямых аналогов, и это становится конкурентным преимуществом, а также основой для дальнейшего развития аналитики.

Как «Платферрум» помогает клиентам на всех этапах покупки и продажи металла

Один из фокусов нашей компании — сопровождение клиентов на каждом этапе покупки металла. Чтобы обеспечить быстрый поиск товаров на рынке металлопроката и перенести все бизнес‑процессы в цифровую среду, мы разработали «Платферрум» — цифровую B2B‑платформу для поставщиков и покупателей. С её помощью все, кто продаёт и покупает металл, в формате «одного окна» могут найти, сравнить и купить металлопрокат. А ещё — оформить дополнительные услуги: например, отсрочку платежа, СМЦ, аналитику.

«Платферрум» — не первый B2B‑маркетплейс, но наша платформа специализируется именно на металлургической отрасли. Например, функция «Запрос цены» позволяет покупателям быстро узнавать котировки множества поставщиков одновременно. А сервис коммерческого кредитования «Платферрум Кредо» помогает более эффективно распоряжаться финансами и планировать деятельность.

Вот так выглядит интерфейс ещё одного популярного инструмента платформы — «Адресной сделки в отсрочку»:

«Платферрум» изначально проектировался как облачная платформа. Это значит, что от тестирования до продакшн‑среды он работает на виртуальных ресурсах. Для хранения данных используется управляемая база данных, для обмена потоками информации — сервис потоковой передачи сообщений, модули запускаются в контейнерах под управлением оркестратора, а аналитика и дашборды собраны в BI‑инструменте. Такой стек ускоряет запуск новых компонентов, упрощает масштабирование и снижает операционные издержки на поддержание инфраструктуры.

Масштабирование происходит практически мгновенно: при росте нагрузки команда добавляет виртуальные ресурсы — процессорную мощность или объём оперативной памяти либо подключает новый управляемый сервис. Это не требует закупки оборудования и долгой настройки, поэтому разработчики могут сосредоточиться на продукте, а не на инфраструктуре.

Результаты подтверждают востребованность продукта: с начала 2025 года через «Платферрум» продано более 95 тыс. тонн продукции, 1,3 тыс. клиентов воспользовались сервисом «Запрос цены». Сегодня через него проходит около 80% всех заказов на платформе, а 55% сделок оформляются с помощью «Отсрочки на металл».

Ключевой тренд 2024–2025 годов — создание и внедрение агентских и мультиагентских систем. Уже сегодня бизнесу доступны инструменты для разработки таких решений — например Yandex AI Studio, которая позволяет создавать агентов и настраивать сложные сценарии взаимодействия с корпоративными системами. Пока промышленная сфера находится на этапе апробации кейсов, но уже через 1–2 года компании перейдут от пилотов к масштабной эксплуатации. Аналогичный путь прошла видеоаналитика: если в 2020 году предприятия только тестировали, например, контроль за гранулометрическим составом руды или наличием средств индивидуальной защиты, то сегодня такие решения повсеместно активно работают и приносят доказанный экономический эффект.

С генеративным искусственным интеллектом произойдёт то же самое: на смену экспериментам придут комплексные системы, развёрнутые в облаке и охватывающие всю производственную цепочку. Более того, в перспективе — появление отраслевых LLM, обученных на специфических промышленных данных и научной литературе по физико‑химическим процессам добычи и обогащения.

Переход от точечных ML‑экспериментов к сквозным облачным решениям становится возможным благодаря изменению отношения к R&D. Даже в консервативной промышленной среде растёт готовность пробовать новое: облачные технологии позволяют без капитальных вложений быстро проверять гипотезы, адаптировать модели под разные контексты и масштабировать их.

Чтобы такие решения не оставались изолированными, важна инфраструктура, где можно быстро разрабатывать, масштабировать и надёжно запускать продукты. Облако эту среду даёт. Вместо месяцев на закупку и настройку железа — минуты на развёртывание нужной конфигурации. Управляемые сервисы снимают рутину администрирования и позволяют командам сосредоточиться на бизнес‑логике. Безопасность обеспечивают гибридные архитектуры: критически важные данные остаются в контуре предприятия, а в облако выгружаются обезличенные наборы. Сертификаты ФСТЭК и соответствие 152‑ФЗ снимают барьеры для внедрения.

Yandex Cloud сегодня — технологический хаб для промышленности. Компании получают доступ не только к инфраструктуре, но и к экосистеме: готовым ML‑моделям, инструментам для low‑code- и no‑code‑разработки, партнёрской сети интеграторов. По сути, облако становится «нервной системой», которая связывает все компоненты в единый интеллектуальный организм — основу для будущих мультиагентных систем, где человек и AI действуют как команда.