Экономика ИИ в промышленности. Мировой рынок 2024, прогноз до 2033

1 декабря 2024

Введение

История насчитывает много примеров стремления человечества к промышленной эволюции. В середине ХVIII века русский инженер Андрей Нартов написал книгу-энциклопедию «Театрумъ Махинарумъ», содержащую чертежи станков и инструментов. Книга, переданная в библиотеку Екатерины II для печати и распространения, пролежала в безвестности почти двести лет.

Вот еще один пример: империя Сун в ХIII веке, а это на пять столетий раньше Европы, уже обладала технологиями, такими как доменные печи, станки, порох, и была готова к первой технологической революции. Однако только в ХVIII веке главной движущей силой промышленной революции стала Англия с ее паровыми машинами и фабриками. Первенство в данной новации оценочно обеспечило островному государству мировое доминирование на следующие 100-150 лет.

За последние полвека промышленные предприятия по всему миру внедрили ряд программ и методов для повышения эффективности. Бережливое производство, всеобщее обслуживание оборудования (TPM), всеобщее управление качеством (TQM), «шесть сигм» и, в некоторых случаях, полноценные производственные системы уже принесли ощутимые результаты. Эти инвестиции не устарели, но их уже недостаточно. Поэтому одним из инструментов повышения эффективности технологического развития промышленности являются цифровые технологии.

Глобальный рынок технологий ИИ в промышленности

Оценочно, объем мирового рынка ИИ в промышленности составит 40,9 млрд долл. / 2024 г. и 291,4 млрд долл. / 2033 г., с ежегодным темпом роста (CAGR) в 27,8% в период с 2024 по 2033 годы (см. табл. 1).

Совокупная структура расходов по компонентам состоит из программного обеспечения, оборудования и услуг (см. табл. 2, [1-5]).

Удельный вес оборудования, ПО, услуг в структуре стоимости (расходов) по данным разных аналитиков различаются. Вероятно, это обусловлено разными подходами к учету затрат, относимых в ту или иную категорию. В среднем считаем, что программное обеспечение составляет около 30%, оборудование – 50%, сервис – 20%.

Оценка распространенности использования технологий ИИ в промышленности приведена в табл. 3.

Из табл. 3 видно, что предприятия широко пробуют новые технологические решения для выявления эффектов и последующего масштабирования. Если промышленные производственные объекты хотят быть технологическими лидерами, то они должны превратиться в ИТ-ландшафты с двумя контурами управления - физическим и цифровым.

В отличие от большинства инноваций, ИИ требует некоторой перестройки бизнес-процессов, организационных изменений, междисциплинарных компетенций, чтобы приносить пользу. Простое внедрение технологии не обеспечивает ожидаемой окупаемости инвестиций.

Сдерживающие факторы применения ИИ в промышленности носят комплексный характер и применимы ко всему рынку в целом, поэтому рассмотрены в конце настоящей статьи без повторения в каждом разделе.

I. Глобальный рынок технологий ИИ в обрабатывающих производствах

Оценочно, объем мирового рынка ИИ в обрабатывающих производствах составит 34,3 млрд долл. / 2024 г. и 269,2 млрд долл. / 2033 г., с ежегодным темпом роста (CAGR) в 29,4% в период с 2024 по 2033 годы (см. табл. 4, [6]).

I.1. Планирование производства, оптимизация продуктов

Исследование PricewaterhouseCoopers показывает, что 45% общего экономического прироста к 2030 г. будет связано с улучшением продуктов, стимулирующим потребительский спрос [7], поэтому нужны инструменты, повышающие эффективность создания и вывода продуктов на рынок.

Например, с каждым новым технологическим узлом в компаниях полупроводниковой промышленности затраты резко возрастают по мере уменьшения размеров конструкций: затраты на исследования и проектирование чипа увеличились примерно с 28 млн долл. на 65-нанометровом узле до примерно 540 млн долл. на 5-нанометровом узле. Между тем, производственные затраты выросли с 400 млн долл. на 65-нм узле до 5400 млн долл. на 5-нм узле. Наибольшее относительное сокращение затрат ожидается в исследованиях и проектировании на 28-32%, преимущественно под воздействием ИИ за счет автоматизации проектирования. В долгосрочной перспективе это также снизит производственные затраты на 17% [8].

Применение ИИ позволяет добиться следующих эффектов: до 75% сокращение общего времени моделирования изделия [9-11], до 20% сокращение времени выхода на рынок [12], до 10% повышение эффективности по весу, целевым параметрам изделия [13,14], до 10% повышение общей энергоэффективности предприятия за счет предварительного моделирования на цифровом двойнике [15].

I.2. Профилактическое техническое обслуживание и инспекция оборудования

По данным Международного общества автоматизации, 80% промышленных предприятий не могут точно оценить общую стоимость внеплановых простоев. Многие предприятия недооценивают ущерб от простоев на 200-300% [16]. Например, для среднего цементного завода потери из-за простоев производственных мощностей составляет почти 7 млн долл. убытка, для химического завода эта сумма возрастает примерно до 50 млн долл. [17].

Растущая себестоимость промышленного производства, инфляция издержек и более высокая производительность производственных линий в 2024 г., по сравнению с периодом 2019-2020 гг., увеличили цену незапланированных простоев на 50%, несмотря на 23% сокращение отказов производственных линий. Незапланированные простои обходятся промышленным компаниям в 8-11% их годовой выручки [16,18,19].

Применение ИИ позволяет добиться следующих эффектов: до 10% сокращение затрат на техническое обслуживание [20-21], до 50% сокращение незапланированных простоев оборудования [22,23], до 30% повышение производительности труда [23].

I.3. Управление производственным процессом

Около 50% операторов заводов во многих критически важных отраслях должны будут выйти на пенсию в течение следующих 10 лет [24] и не могут быть быстро заменены из-за дефицита рабочей силы (в том числе изменений молодых сотрудников в запросах по характеру, формату и содержанию работы), даже несмотря на увеличивающийся спрос на персонал. По оценке Национальной ассоциации производителей США (Manufacturing USA), к 2028 г. американским производителям потребуется еще 4,6 млн рабочих мест в сфере производства [25].

Демографическое сжатие, проблема недостатка рабочих рук побуждает производителей вносить стратегические изменения в существующий процесс производства для достижения своих операционных целей, то есть внедрять новые подходы в бизнес-модели, применять новые технологические решения.

Например, консорциум в составе Chongqing Changan Automobile Co., Ltd., Huawei Technologies Co. Ltd. и China United Network Communications Group (China Unicom) в октябре 2024 г. открыл полностью автоматизированный автомобильный завод, где производством управляет ИИ Huawei.

Однако при рассмотрении оптимизации налаженных технологических процессов быстрого и значительного повышения эффективности от внедрения ИИ ожидать не следует: как правило, снижение затрат составляет от 3% до 10% [26]. Высокий уровень повышения эффективности в таком случае говорит о том, что изначально процесс не был отлажен. Но даже оптимизация затрат на 3% является значительным финансовым результатом.

Применение ИИ позволяет добиться следующих эффектов: до 3% увеличение скорости производственного цикла [27], до 5% снижение потребления топлива, энергии в производственном процессе [28,29], увеличивает производительность до 8% [30].

I.4. Логистика

По данным Росспецмаша, с 2021 г. стоимость логистики в РФ увеличилась в 5 раз [31]. Это сильно влияет на объем складских запасов, предсказуемость условий поставок материалов и оборудования, продукции и рентабельность бизнеса.

Применение ИИ позволяет добиться следующих эффектов: до 15% повышение эффективности планирования цепочки поставок [32], до 16% сокращение избыточных запасов [33], до 12% экономия при контрактации с перевозчиками [34].

I.5. Контроль качества

Затраты организаций, связанные с качеством, по данным Американского общества качества (ASQ), составляют 15–20% от выручки [35]. Например, ОЕМ-производители в автомобильной промышленности тратят 2-3% выручки на оплату гарантийных расходов, что составляет 60-100 млрд долл. ежегодно [36].

Эффективная реализация мероприятий по внедрению технологий ИИ для повышения качества может существенно сократить эти затраты, оказывая положительное влияние на финансовый результат.

Применение ИИ позволяет добиться следующих эффектов: до 25% сокращение расходов на мероприятия контроля [37-39], на 90% снижение количества ложноотрицательных результатов по сравнению с традиционными методами [40,41].

I.6. Прочее применение ИИ в обрабатывающих производствах

Применение ИИ позволяет добиться следующих эффектов в управлении персоналом: на 80% сокращение времени и затрат на создание описания вакансии, до 87% сокращение затрат на подготовку к собеседованию, на 50% сокращение общего времени, затрачиваемое рекрутером на собеседования с кандидатами [42]; в управлении финансами: на 70% сокращение усилий по сопоставлению дебиторской задолженности, до 60% сокращение времени на обновление форматов платежей [42], на 40% сокращение общей рабочей нагрузки [43]; в прочих функциях: на 2,5% увеличение коэффициента конверсии лидов [44], на 70% сокращение времени на управление запросами и реагирования на них [42].

В Приложении приведены некоторые примеры реализованных проектов с ИИ в промышленности.

Далее в статье будут рассмотрены такие разделы промышленности, как: добыча полезных ископаемых, обеспечение электрической энергией, газом и паром; водоснабжение; водоотведение, организация сбора и утилизации отходов. Дублирование описания, эффектов, пояснений в группах применения ИИ будет минимизировано.

II. Глобальный рынок технологий ИИ в добыче полезных ископаемых

Оценочно, объем мирового рынка ИИ в добыче полезных ископаемых составит 5,8 млрд долл. / 2024 г. и 19,7 млрд долл. / 2033 г., с ежегодным темпом роста (CAGR) в 16,4% в период с 2024 по 2033 годы (см. табл. 5,[45-50]).

II.1. Планирование производства, оптимизация продуктов

В 2020-х найти залежи ископаемых на 20% сложнее, по сравнению с показателями 1990-х. То, что хранилось на поверхности земли, уже использовано, — компаниям нужно копать глубже, а это несет за собой большие экологические и финансовые риски. Так, по статистике, только 2% залежей в итоге становятся рудниками [51].

Увеличить точность обнаружения месторождений помогает ИИ. Несмотря на то, что сегодня использование ИИ в разведке полезных ископаемых носит эпизодический характер и лишь немногие поставщики услуг и первопроходцы используют потенциал технологии, использование машинного обучения, например, привело к крупному открытию месторождения меди Мингомба в Замбии.

Применение ИИ позволяет добиться следующих эффектов: до 25 раз увеличение коэффициента успешности при разведке на новых месторождениях [52,53], в 2 раза увеличение коэффициента успешности на старых месторождениях [52] по сравнению с традиционной разведкой.

II.2. Профилактическое техническое обслуживание и инспекция оборудования

Применение ИИ позволяет добиться следующих эффектов: на 5–15% повышение общей эффективности оборудования (OEE) (или времени безотказной работы / производительности) [54].

II.3. Управление производственным процессом

Применение ИИ позволяет добиться следующих эффектов: до 15% повышение производительности оборудования в руднике [55], на обогатительных фабриках [56,57], до 2% повышение коэффициента извлечения металла в руде [55], до 10% снижение воздействия на окружающую среду за счет наиболее эффективных маршрутов добычи [68,59].

II.4. Логистика

Применение ИИ позволяет добиться следующих эффектов: до 15% сокращение эксплуатационных расходов за счет использования автономных горнодобывающих транспортных грузовиков [60].

III. Глобальный рынок технологий ИИ в обеспечении электрической энергией, газом и паром, в водоснабжение; водоотведение, организация сбора и утилизации отходов

Например, в США к 2028 г. энергетическим компаниям требуется увеличить годовую выработку на 26% от уровня 2023 г. [61]. Энергетические компании должны модернизировать свою операционную модель, чтобы ускорить планирование ресурсов и строительство новых или модернизированных линий электропередачи.

Аналогичную ситуацию можно наблюдать в водоснабжении и, более укрупненно, в управлении городским хозяйством. То есть требуется повышать эффективность работы систем «умного города».

III.2. Профилактическое техническое обслуживание и инспекция оборудования

Применение ИИ позволяет добиться следующих эффектов: до 80 раз увеличивается скорость проверок линий электропередачи [62], до 3 млн долл. составляет экономия на одной электростанции [63].

III.3. Управление производственным процессом

Применение ИИ позволяет добиться следующих эффектов: до 31% сокращение потока воздуха, поступающего в аэрационный бассейн [64], до 20% потенциальное повышение эффективности использования активов [65].

Тенденции и вызовы применения ИИ в промышленности

Анализ статей, мнений и дискуссий вокруг ИИ позволяет выделить ряд тенденций, часть из которых рассмотрим:

Усиление государственного влияния. Государство является основным драйвером технологического суверенитета в Индии, Китае, России, США, других странах. Стратегический вектор – это переход от логики развития к логике решения задач, под которые выделяются ресурсы.
Результат как программное обеспечение (Result as software). Переход к облачным технологиям означал предоставление программного обеспечения (ПО) как услуги. Сегодня, благодаря агентному подходу, переход к ИИ — это предоставление результата как ПО посредством самостоятельного выполнения ИИ задач «под ключ», привлечения разработчиков под точечные задачи. ИИ-агент изменяет бизнес-модель компаний-разработчиков ПО/ вендоров/ интеграторов, превращая результат труда в сервис. Это означает, что целевой рынок — это не рынок программного обеспечения, а рынок конечных услуг [66].
Переход на программно-определяемые системы с ИИ. В отличие от аппаратно-ориентированных систем, требующих дорогостоящих обновлений и замен, программно-определяемые платформы можно улучшать за счет обновлений программного обеспечения, продлевая срок их службы и снижая затраты на их обслуживание [67]. Оптимизации алгоритмов маршрутизации, повышение безопасности за счет обнаружения и предотвращения атак, эффективного управления трафиком – это зоны эффективного роста под влиянием ИИ.
Постиндустриализация и низкоуглеродная экономика приводит к долгосрочному изменению структуры спроса на материалы и разработку новых технологий для достижения нулевого уровня выбросов к 2050 г.

Применение технологий ИИ, помимо традиционных вопросов по эффективности технологий/решений, затрагивает комплекс сложных чувствительных вопросов:

Культура работы с данными (алгоритмическая предвзятость измерений, оценки, отсутствие достаточного количества верифицированных данных высокого качества, соблюдение конфиденциальности).
Эволюционирующий регуляторный ландшафт (нормативно-правовая база по применению ИИ не должна отставать от реальной жизни и регламентировать зоны ответственности всех участников процесса).
Взаимодействие и ответственность (изменение характера работы между технологиями ИИ и человеком, доверие при принятии решений, основанных на ИИ, ответственность при наступлении аварийных состояний из-за использования или не использования ИИ).

Заключение

В ходе подготовки статьи было найдено счетное количество реальных кейсов с эффектами, раскрытием заказчика и исполнителя по внедрению технологического решения. Кажется, что реально успешных примеров внедрения пока не так много и реализуются пилотные проекты.

Где-то между очарованием и разочарованием по применению технологий ИИ в обрабатывающих производствах находится текущая реальность – есть технологические решения ИИ, которые повышают эффективность производства, есть решения с неясным эффектом. Вероятно, взгляд на применение технологий коррелирует с некоторой степенью готовности к ИИ: организационной зрелостью, ментальным стремлением к стратегической трансформации бизнеса, масштабом бизнеса.

Автор: Мартынов А.И., к.э.н. руководитель направления маркетинга компании "Цифрум" (Росатом).

Список использованных источников

1. Artificial Intelligence (AI) Market Size, Share, and Trends 2024 to 2034 [Электронный ресурс] // Precedence Research Pvt. Ltd. – аналитическая компания. (дата обращения 27.10.2024).

2. Artificial Intelligence (AI) in Manufacturing Market Size, Share, and Trends [Электронный ресурс] // Precedence Research Pvt. Ltd. – аналитическая компания. (дата обращения 27.10.2024).

3. Artificial Intelligence (AI) in Manufacturing Market (By Offering: Hardware, Software, Services; By Technology: Machine Learning, Context Awareness, Natural Language Processing, Computer Vision; By Application: Process Control, Quality Control, Logistics and Inventory Management, Predictive Maintenance and Machinery Inspection, Production Planning, Others; By Industry) - Global Industry Analysis, Size, Share, Growth, Trends, Regional Outlook, and Forecast 2023-2032 [Электронный ресурс] // Precedence Research Pvt. Ltd. – аналитическая компания. (дата обращения 27.10.2024).

4. Automotive Artificial Intelligence (AI) Market Size, Share, and Trends [Электронный ресурс] // Precedence Research Pvt. Ltd. – аналитическая компания. (дата обращения 27.10.2024).

5. Artificial Intelligence (AI) in Chemicals Market (By Type: Hardware, Software, Services; By Application: Discovery of New Materials, Production Optimization, Pricing Optimization, Load Forecasting of Raw Materials, Product Portfolio Optimization, Feedstock Optimization, Process management & control; End Use: Base Chemicals & Petrochemicals, Specialty Chemicals, Agrochemicals) - Global Industry Analysis, Size, Share, Growth, Trends, Regional Outlook, and Forecast 2024-2033 [Электронный ресурс] // Precedence Research Pvt. Ltd. – аналитическая компания. (дата обращения 27.10.2024).

6. А. Мартынов. Искусственный интеллект в обрабатывающих производствах: инструмент форсирования технологической гонки [Электронный ресурс] // Habr – СМИ. (дата обращения 27.10.2024).

7. PwC’s Global Artificial Intelligence Study: Sizing the prize [Электронный ресурс] // PricewaterhouseCoopers – аналитическая компания. (дата обращения 27.10.2024).

8. Sebastian Göke, Kevin Staight, Rutger Vrijen. Artificial intelligence has significant value-creation potential in the semiconductor industry. How can semiconductor companies deploy AI at scale and capture this value? [Электронный ресурс] // McKinsey & Company – аналитическая компания. (дата обращения 27.10.2024).

9. Engineering Intelligence Leaders Neural Concept open New York Office as 10 U.S. OEMs adopt their platform [Электронный ресурс] // Neural Concept Ltd. – ИТ-компания. (дата обращения 27.10.2024).

10. Customer stories. Boosting Vehicle Aerodynamics with NVIDIA GPUs [Электронный ресурс] // NVIDIA Corp. – ИТ-компания. (дата обращения 27.10.2024).

11. Case Studies. Finding R&D information faster with AI [Электронный ресурс] // IBM– ИТ-компания. (дата обращения 27.10.2024).

12. India Manufacturers Build Factory Digital Twins With NVIDIA AI and Omniverse [Электронный ресурс] // NVIDIA Corp. – ИТ-компания. (дата обращения 27.10.2024).

13. Customer stories. Enhancing Engineering Efficiency and Innovation: A Collaboration Between Neural Concept and Eaton [Электронный ресурс] // Neural Concept Ltd. – ИТ-компания.(дата обращения 27.10.2024).

14. Customer stories. Improving Crash Box Performance by 10% with DLR [Электронный ресурс] // Neural Concept Ltd. – ИТ-компания. (дата обращения 27.10.2024).

15. Wistron Advances Energy Efficiency in Manufacturing with AI and NVIDIA Omniverse [Электронный ресурс] // NVIDIA Corp. – ИТ-компания. (дата обращения 27.10.2024).

16. Dave Crumrine, Doug Post. How Much Is Plant or Facility Downtime Costing You? [Электронный ресурс] // The International Society of Automation (ISA) – НКО. (дата обращения 27.10.2024).

17. Robert Rice, Richard Bontatibus. Predictive Maintenance Embraces Analytics [Электронный ресурс] // The International Society of Automation (ISA) – НКО. (дата обращения 27.10.2024).

18. Enhancing Product Quality and Reliability with AI for Manufacturing Quality Control [Электронный ресурс] // HSO – аналитическая компания, консультант. (дата обращения 27.10.2024).

19. The True Cost of Downtime 2022 [Электронный ресурс] // Siemens AG – глобальная промышленная корпорация. (дата обращения 27.10.2024).

20. Customer case study. Alcoa transforms its approach to maintenance [Электронный ресурс] // AVEVA Group Limited – ИТ-компания. (дата обращения 13.10.2024).

21. James McKenna. What Is a Virtual Factory, and How They’re Making Industrial Digitalization a Reality [Электронный ресурс] // NVIDIA Corp. – ИТ-компания. (дата обращения 27.10.2024).

22. Preparing for the next normal via digital manufacturing’s scaling potential [Электронный ресурс] // McKinsey & Company – аналитическая компания. (дата обращения 27.10.2024).

23. Angus Loten. ‘Predictive-Maintenance’ Tech Is Taking Off as Manufacturers Seek More Efficiency [Электронный ресурс] // Dow Jones & Company, Inc. – СМИ. (дата обращения 27.10.2024).

24. From legacy to innovation: the new frontiers of knowledge transfer among connected workers [Электронный ресурс] // The Financial Times Ltd. – СМИ. (дата обращения 27.10.2024).

25. Education and Workforce Initiatives Will Redefine Manufacturing Jobs [Электронный ресурс] // Manufacturing USA - Национальная сеть производственных инноваций США. (дата обращения 27.10.2024).

26. Konstantin Gorbach. Artificial intelligence meets nonferrous metallurgy [Электронный ресурс] // Endeavor Business Media, LLC. – СМИ. (дата обращения 27.10.2024).

27. Customer case study. Amcor boosts production line performance with real-time data [Электронный ресурс] // AVEVA Group Limited – ИТ-компания. (дата обращения 27.10.2024).

28. Heidelberg Materials adopts Carbon Re’s AI and ABB Ability™ for improved kiln operations [Электронный ресурс] // Cambridge Enterprise Limited – аналитическая компания. (дата обращения 13.10.2024).

29. Enabling AI solutions for smarter mines and cement plants with ECS/ProcessExpert® V8.5 software [Электронный ресурс] // FLSmidth & Co. – поставщик технологий и услуг для горнодобывающей и цементной промышленности. (дата обращения 27.10.2024).

30. Automated Dairy. Dairy Production and Processing Automation and Control Systems [Электронный ресурс] // Rockwell Automation, Inc. – ИТ-компания. (дата обращения 27.10.2024).

31. Росспецмаш: резкий рост себестоимости - одна из основных проблем отечественных производителей спецтехники [Электронный ресурс] // Информационно-аналитический портал «Новости промышленности MASHNEWS» – СМИ. (дата обращения 27.10.2024).

32. Customer stories. Lockheed Martin. Managing supply chain complexity [Электронный ресурс] // Kinaxis Inc. – ИТ-компания. (дата обращения 28.09.2024).

33. Case Studies. How Novolex contains its timelines [Электронный ресурс] // IBM – ИТ-компания. (дата обращения 27.10.2024).

34. Christina X. Wood. 5 AI Case Studies in Logistics [Электронный ресурс] // Simpler Media Group, Inc. – СМИ. (дата обращения 27.10.2024).

35. Cost of quality [Электронный ресурс] // American Society for Quality – НКО. (дата обращения 27.10.2024).

36. Eric Whitley. Predictive and preventive maintenance in the age of AI [Электронный ресурс] // WTWH Media, LLC. – СМИ. (дата обращения 27.10.2024).

37. SAP Digital Manufacturing, visual inspection [Электронный ресурс] // SAP SE – ИТ-компания. (дата обращения 27.10.2024).

38. Preparing for the next normal via digital manufacturing’s scaling potential [Электронный ресурс] // McKinsey & Company – аналитическая компания. (дата обращения 27.10.2024).

39. Intelligent Manufacturing: Keeping a Sharper Eye on Industrial Quality Inspection with Smart Technologies [Электронный ресурс] // Huawei Technologies Co., Ltd. – ИТ-компания. (дата обращения 27.10.2024).

40. Angie Lee. Startup’s Vision AI Software Trains Itself — in One Hour — to Detect Manufacturing Defects in Real Time [Электронный ресурс] // NVIDIA Corp. – ИТ-компания. (дата обращения 27.10.2024).

41. Making machine learning work for industry [Электронный ресурс] // Imaging & Machine Vision Europe – СМИ. (дата обращения 27.10.2024).

42. SAP Business AI Features [Электронный ресурс] // SAP SE – ИТ-компания. (дата обращения 27.10.2024).

43. Roger Zhu, Patrick O'Hagan, Evren Sungur, Sanjin Bicanic. Zero-Based Redesign: The Key to Realizing Gen AI’s Cost Savings Potential [Электронный ресурс] // Bain & Company, Inc. – аналитическая компания. (дата обращения 27.10.2024).

44. SAP Sales Cloud Version 2, lead booster [Электронный ресурс] // SAP SE – ИТ-компания. (дата обращения 27.10.2024).

45. Artificial Intelligence (AI) in Oil and Gas Market (2024-2031) [Электронный ресурс] // Coherent Market Insights Pvt Ltd – аналитическая компания. (дата обращения 27.10.2024).

46. AI in Fuel Market Size, Share, Growth Analysis, By Type(Hardware, Software, Services), By Function (Predictive Maintenance and Machinery Inspection, Material Movement, Production Planning, Field Services), By Application(Upstream, Downstream, Midstream), By Region - Industry Forecast 2024-2031 [Электронный ресурс] // SkyQuest Technology Consulting Pvt. Ltd. – аналитическая компания. (дата обращения 27.10.2024).

47. Prospects of the mining automation market [Электронный ресурс] // Transparency Market Research, Inc. – аналитическая компания. (дата обращения 27.10.2024).

48. AI in Mining and Natural Resources Market Research Report 2024-2031 [Электронный ресурс] // InsightAce Analytic Pvt. Ltd. – аналитическая компания. (дата обращения 27.10.2024).

49. Artificial Intelligence in Mining and Natural Resources Market Size, Share, Trends & Competitive Analysis By Type (Machine Learning, Computer Vision, Natural Language Processing, Robotics) By Application; By End-User; By Regions, and Industry Forecast, Global Report 2023-2030 [Электронный ресурс] // Future Data Stats – аналитическая компания. (дата обращения 27.10.2024).

50. Artificial Intelligence (AI) in Oil and Gas Market (By Component: Software, Hardware, Services; By Function: Predictive Maintenance, Machinery Inspection, Material Movement, Production Planning, Field Services, Quality Control, Reclamation; By Application: Upstream, Midstream, Downstream) - Global Industry Analysis, Size, Share, Growth, Trends, Regional Outlook, and Forecast 2023-2032 [Электронный ресурс] // Precedence Research Pvt. Ltd. – аналитическая компания. (дата обращения 27.10.2024).

51. AI for sustainable minerals exploration [Электронный ресурс] // EIT InnoEnergy SE - НКО. (дата обращения 27.10.2024).

52. George Lawton. How Earth AI is accelerating mineral discovery and helping enterprise Net Zero goals [Электронный ресурс] // Diagnomica LTD – СМИ. (дата обращения 27.10.2024).

53. Earth AI. Technology AI Features [Электронный ресурс] // Earth AI Inc. – ИТ-компания. (дата обращения 27.10.2024).

54. Weir’s realistic approach to digitisation [Электронный ресурс] // Weir Group PLC – инжиниринговая компания. (дата обращения 13.10.2024).

55. Leveraging Digital and Driving Innovation. Future is Smarter Operations [Электронный ресурс] // Hindustan Zinc – промышленная компания. (дата обращения 27.10.2024).

56. Sean Buckley, Harry Robinson, Richard Sellschop. Freeport-McMoRan turns data into value [Электронный ресурс] // McKinsey & Company – аналитическая компания. (дата обращения 27.10.2024).

57. Taylor Kuykendall, Kip Keen. Power of AI: AI's big promises start to deliver for miners adopting new tech [Электронный ресурс] // S&P Global Inc. – аналитическая компания. (дата обращения 27.10.2024).

58. Finding an oil field is a cliché situation for stumbling upon a sudden enormous wealth [Электронный ресурс] // Devox Software– ИТ-компания. (дата обращения 27.10.2024).

59. Leading mining companies in the artificial intelligence theme [Электронный ресурс] // GlobalData Plc – аналитическая компания. (дата обращения 27.10.2024).

60. The potential use of AI in the Mining Industry [Электронный ресурс] // Process Minerals Consulting – консалтинговая компания. (дата обращения 27.10.2024).

61. Maeghan Rouch, Aaron Denman, Peter Hanbury, Paul Renno, Ellyn Gray. Utilities Must Reinvent Themselves to Harness the AI-Driven Data Center Boom [Электронный ресурс] // Bain & Company, Inc. – аналитическая компания. (дата обращения 27.10.2024).

62. How Do 5G and AI Work Miracles on Power Grids? [Электронный ресурс] // Huawei Technologies Co., Ltd. – ИТ-компания. (дата обращения 27.10.2024).

63. Customer case study. Kansai Energy uses AVEVA™ PI System™ to transform its power plants [Электронный ресурс] // AVEVA Group Limited – ИТ-компания. (дата обращения 27.10.2024).

64. Case study. EMWD Uses Technology to Meet Sustainability Goals [Электронный ресурс] // Rockwell Automation, Inc. – ИТ-компания. (дата обращения 13.10.2024).

65. Customer case study. Energy Queensland uses data to monitor capacity in real time [Электронный ресурс] // AVEVA Group Limited – ИТ-компания. (дата обращения 13.10.2024).

66. Generative AI’s Act o1. The Agentic Reasoning Era Begins [Электронный ресурс] // Sequoia Capital Operations LLC – аналитическая компания. (дата обращения 13.10.2024).

67. Sven Weizenegger. Defense Technology and Innovation in Germany [Электронный ресурс] // Atlantik-Brücke – НКО. (дата обращения 27.10.2024).

68. James McKenna. What Is a Virtual Factory, and How They’re Making Industrial Digitalization a Reality [Электронный ресурс] // NVIDIA Corp. – ИТ-компания. (дата обращения 27.10.2024).

69. Subaru Introduces Neural Concept to Revolutionize Automotive Development [Электронный ресурс] // Neural Concept Ltd. – ИТ-компания. (дата обращения 27.10.2024).

70. Engineering Intelligence leaders Neural Concept open New York Office as 10 U.S. OEMs adopt their platform [Электронный ресурс] // Neural Concept Ltd. – ИТ-компания. (дата обращения 27.10.2024).

71. Neural Concept collaborates with Siemens to enable OEMs to make faster decisions with rapid results prediction [Электронный ресурс] // Neural Concept – ИТ-компания. (дата обращения 27.10.2024).

72. Customer case study. Sanofi: Reduce preventative maintenance costs with predictive models [Электронный ресурс] // AVEVA Group Limited – ИТ-компания. (дата обращения 13.10.2024).

73. Customer case study. The International Group turns production waste into big profits [Электронный ресурс] // AVEVA Group Limited – ИТ-компания. (дата обращения 13.10.2024).

74. Reduced cost from a 1 million to 20 000 SEK [Электронный ресурс] // Aixia Group – ИТ-компания.(дата обращения 27.10.2024).

75. Yinan Yu, Samuel Scheidegger, Shankar Chandrasekaran. Implementing Industrial Inference Pipelines for Smart Manufacturing [Электронный ресурс] // NVIDIA Corp. – ИТ-компания. (дата обращения 27.10.2024).

76. Intelligent Manufacturing: Keeping a Sharper Eye on Industrial Quality Inspection with Smart Technologies [Электронный ресурс] // Huawei Technologies Co., Ltd. – ИТ-компания. (дата обращения 27.10.2024).

77. Kemp & Lauritzen’s HR Digitalization Journey With SAP SuccessFactors [Электронный ресурс] // GP Strategies Corporation – ИТ-компания. (дата обращения 27.10.2024).

78. Artificial intelligence in invoice verification. Intelligent algorithms as an accounting aid at B. Braun Melsungen SE [Электронный ресурс] // eoda GmbH – ИТ-компания. (дата обращения 27.10.2024).

79. Using AI and HPC to Improve the Efficiency, Safety, and Sustainability of the Energy Sector [Электронный ресурс] // NVIDIA Corp. – ИТ-компания. (дата обращения 27.10.2024).

80. Customer case study. Predictive maintenance: Using AI to prevent equipment failures [Электронный ресурс] // AVEVA Group Limited – ИТ-компания. (дата обращения 13.10.2024).

81. Case study. BCPGroup uses technology to drive sustainability [Электронный ресурс] // Rockwell Automation, Inc. – ИТ-компания. (дата обращения 27.10.2024).

82. Ontario Power Generation. Delivering safe, reliable, and sustainable power [Электронный ресурс] // AVEVA Group Limited – ИТ-компания. (дата обращения 13.10.2024).

276