Данные для ИИ: что измерять, чем собирать и куда передавать

Проще говоря, это все, что можно записать и посчитать: давление в трубе, чек на кассе, снимок пациента, письмо клиента. Модель учится на истории таких записей и смотрит на свежие, чтобы заметить отклонение или сделать прогноз.

Данные для обучения ИИ нужны прошлые, причем с исходом. Какие показания шли перед поломкой, какие покупки были перед уходом клиента: без исхода модель видит цифры, но не понимает, что они означают.

Качество важнее объема. Модель повторяет то, что видит: если в истории пропуски и ошибки, прогноз унаследует их, и никакой алгоритм это не исправит.

Почти все, что нужно модели, приходит из пяти источников: давление, температура, вибрация, камеры и документы. Первые четыре дают датчики и оборудование, пятый дают учетные системы, договоры и переписка.

Путь всегда одинаковый: источник, сбор, система, модель. Датчик снимает показание, устройство сбора передает его в систему учета или диспетчерскую, а оттуда модель забирает уже очищенную картину.

Обрыв на любом шаге обесценивает остальные. Датчик, показания которого никуда не уходят, бесполезен, как и система, в которую никто не заносит записи. На схеме ниже эта цепочка показана целиком.

Как этот путь ложится на четыре этажа в компании, разобрано на странице о том, как работает ИИ.

В добыче измеряют давление, расход и вибрацию насосов, а также состав руды. Показания снимают датчики, камеры на конвейере, телеметрия и спутник.

Передают их в АСУ ТП (автоматизированную систему управления технологическим процессом), в SCADA, то есть систему диспетчерского контроля, и в ГИС, где замеры привязаны к карте месторождения.

На производстве главные показатели: вибрация, температура, расход энергии и брак на линии. Их снимают вибро- и термодатчики, счетчики и камеры, а передают в SCADA, MES (систему управления цехом), ERP и 1С.

Типичная проблема промышленности: датчики стоят, но показания хранятся только в диспетчерской и со временем затираются. Для прогноза поломок нужна длинная история вместе с журналом ремонтов, поэтому первым шагом часто становится архив.

В торговле и финансах важны продажи, остатки, поведение клиентов и звонки. Их собирают кассы, CRM, колл-центр и GPS-трекеры транспорта, а хранят в CRM, ERP, WMS (системе управления складом) и BI, системе отчетов для руководителя.

Главный пробел здесь не в датчиках, а в связях. Продажи живут в кассе, остатки в складской системе, обращения в колл-центре, и пока они не сведены по клиенту и товару, прогноз строится по половине картины.

В госсекторе и медицине измеряют обращения граждан, снимки, медкарты и очереди. Источники: порталы, МИС (медицинская информационная система), камеры и документооборот, а хранят все в МИС, СЭД (системе электронного документооборота) и на госпорталах.

Здесь много текста и изображений и мало цифр. С ними справляются языковые моделибольшая языковая модель Большая языковая модель (LLM) это нейросеть, обученная на огромном объеме текстов, которая пишет, пересказывает и разбирает текст по запросу. Подробнее в словаре и машинное зрение, если записи ведутся в электронном виде и в едином формате. Примеры решений для ведомств собраны на странице про ИИ в государственном управлении.

Хватает ли информации, видно по четырем вопросам. Если на все ответ «да», решение можно считать. Если нет, в карте появится шаг сбора.

1. Записано ли нужное в системе, а не в голове сотрудника или в личной таблице.

2. Есть ли история за прошлые периоды, включая случаи, которые нужно предсказывать: поломки, уходы клиентов, всплески спроса.

3. Сходятся ли цифры между системами: остаток в 1С и на складе, клиент в CRM и в бухгалтерии.

4. Кто отвечает за каждый источник и можно ли получить выгрузку.

По оценке BCG, около 70% трудностей при внедрении ИИвнедрение ИИ Внедрение ИИ это путь от идеи до работающего решения: компания выбирает процесс, подключает к нему искусственный интеллект, учит людей и измеряет результат в деньгах. Подробнее в словаре связаны с людьми и процессами, 20% с технологией и только 10% с алгоритмами. Вопросы выше как раз про людей и процессы: кто записывает, кто отвечает, кто дает доступ.

Как мы проверяем готовность данных к ИИ по каждому процессу, описано на отдельной странице.

ИИ Due Diligence, комплексная проверка компании перед решениями об ИИ, включает аудит источников информации. По каждому процессу, который может попасть в карту, отмечаем, где лежат записи, насколько они полные и у кого есть доступ.

Итог по процессу: «готово», «нужна чистка» или «собирать с нуля». Сбор с нуля получает в карте свою стоимость и срок, как отдельное решение.

Это важно для бюджета: 54% организаций называют барьером высокие затраты, 33% нехватку специалистов (ИСИЭЗ НИУ ВШЭ, сентябрь 2026). Аудит показывает, какие затраты на сбор окупятся, а какие можно отложить.

Начать можно с разбора: за 30 минут бесплатно посмотрим ваши системы и скажем, каких записей не хватает для первого решения.