Внедрение ИИ в Казахстане на примере энергетики
Изображение сгенерировано ИИ
Как объединить данные энергосистемы, прогнозные модели и работу отраслевых специалистов? По информации KAZINSYS, команда под руководством основателя Глеба Филиппова участвовала в создании прогнозных и аналитических ИИ-инструментов для АО «KEGOC». Компания является участником Astana Hub. В центре проекта — прогнозирование потребления и генерации электроэнергии, анализ ВИЭ и поддержка решений специалистов.
Почему энергетике нужны не просто модели, а рабочие инструменты
В энергосистеме прогноз имеет практический смысл только тогда, когда им можно воспользоваться при планировании. Потребление меняется в течение суток, а выработка ветровых и солнечных электростанций зависит от погоды. Специалистам необходимо заранее оценивать ожидаемую нагрузку и возможные отклонения, сопоставлять разные источники информации и выбирать варианты реагирования.
Поэтому искусственный интеллект в энергетике — это не только обучение модели. Не менее важны качество исходных данных, их своевременное обновление и интеграция результатов с информационными системами заказчика. С такими задачами связана работа KAZINSYS для KEGOC — системного оператора Единой электроэнергетической системы Казахстана.
От производственной задачи к архитектуре решения
Глеб Геннадьевич Филиппов отвечал за определение приоритетов ИИ-направления, формирование архитектуры аналитической части решения и координацию разработчиков, аналитиков и отраслевых специалистов. Отдельной задачей была организация интеграции создаваемых инструментов с информационной средой заказчика.
Задача заключалась в переводе производственных потребностей в конкретные инженерные решения: какие данные нужны для прогноза, какие задачи должна решать модель, по каким показателям оценивать ее качество и как результат будет использовать специалист. Такой вклад шире административного руководства командой: он связывает постановку задачи, разработку и сценарий применения.
Работа имела коллективный характер. KEGOC определял производственные требования и являлся владельцем результата; профильные технологические команды развивали промышленную и диспетчерскую инфраструктуру. KAZINSYS выполняла отдельные прогнозные, аналитические и интеграционные задачи. Такая модель работы объединяла отраслевую экспертизу заказчика и инженерные компетенции нескольких команд.
Прогнозирование электроэнергии и предиктивная аналитика
В рамках реализации проекта было реализовано краткосрочное прогнозирование потребления и генерации электроэнергии; прогнозирование выработки солнечных и ветровых электростанций с учетом метеорологических факторов; анализ рынка электроэнергии; выявление отклонений и аномалий; подготовка общего информационного слоя для аналитических моделей.
Архитектура объединяла исторические и оперативные данные энергосистемы, метеорологическую информацию и прогнозные модели. Прогноз потребления предназначался для оценки ожидаемой нагрузки, а работа с данными ВИЭ была направлена на учет изменчивости солнечной и ветровой генерации. Задача анализа аномалий — выделять ситуации, требующие внимания специалистов.
Важная граница проекта — поддержка решений, а не автономное управление энергосистемой. Результаты моделей предназначались для диспетчеров и отраслевых экспертов: как дополнительная информация об ожидаемой нагрузке, возможных отклонениях и вариантах реагирования. Ответственные производственные решения не передавались прогнозной модели.
Для корпоративного заказчика этот подход показывает, что разработка ИИ-решений для бизнеса не заканчивается получением прогноза. Нужны понятный пользовательский сценарий и связь с рабочими процессами. Без этого даже технически интересная модель может остаться отдельным экспериментом, а не инструментом, полезным сотрудникам.
Разработка ИИ-агентов и интеграция корпоративных систем
Разработка ИИ-агентов позволяет рассматривать прогнозную модель как один из инструментов более широкого рабочего сценария. Возможный сценарий выглядит так: помощник получает вопрос специалиста, выбирает доступные инструменты, обращается к разрешенным данным и прогнозному сервису, а затем готовит аналитическую сводку.
В таком сценарии доступ к данным и действия помощника должны оставаться в пределах правил организации.
Для полезной аналитической сводки недостаточно одной цифры: специалисту нужны период прогноза, источник данных и сведения о возможных отклонениях. Поэтому при разработке корпоративных ИИ-систем важно проектировать не только алгоритм, но и способ проверки и использования ответа. Такой подход связывает техническую архитектуру с практическими потребностями пользователя — задачей, которая входила в зону ответственности Глеба Филиппова.
Прогнозный проект KEGOC получил национальное признание
В компании сообщили, что 24 апреля 2026 года прогнозный проект KEGOC, реализуемый KAZINSYS, получил награду национального конкурса «AI Governance Cup» в квазигосударственной категории. В сообщении профильного министерства победитель указан как АО «KEGOC» с проектом «Национальная интеллектуальная энергосистема KEGOC.AI». На конкурс поступило 184 заявки от государственных органов, акиматов и организаций квазигосударственного сектора.
В собственном опубликованном сообщении, по данным KAZINSYS, KEGOC характеризует награжденную разработку как запущенный прототип краткосрочного прогнозирования выработки и потребления электроэнергии. Таким образом, официальные материалы подтверждают создание прототипа и признание проекта на национальном конкурсе.
От отраслевого опыта к новым задачам
Практическая значимость описанного опыта связана с сочетанием отраслевой постановки задачи, аналитики данных и интеграции ИИ в корпоративные системы. Такой подход потенциально применим и в других инфраструктурных организациях, где необходимо прогнозировать нагрузку, замечать отклонения и помогать специалистам работать с большими объемами информации.
Однако масштабирование не означает перенос готовой модели без изменений. У нового заказчика будут собственные данные, ограничения, критерии качества и порядок принятия решений. Следующий проект начинается с обследования этих условий, выбора пилотной задачи и проверки качества решения. Такой порядок позволяет обсуждать ожидаемый эффект предметно, не подменяя его общими обещаниями автоматизации.
Кейс Глеба Филиппова и KAZINSYS показывает инженерную сторону внедрения ИИ в Казахстане: соединение производственных потребностей, данных, моделей и информационных систем. Для потенциального заказчика именно эта связка — вместе с подтвержденным объемом работ и проверяемым качеством результата — должна быть основой выбора технологического партнера.
