37% меньше дефектов - но Seagate на самом деле оптимизировала совсем не обнаружение дефектов

На поверхности всё просто: Seagate внедрила машинное обучение в систему машинного зрения, и DPPM (Defective Parts Per Million - количество дефектных деталей на миллион) снизился с 243 до 153. Но глубже видно другое: компания оптимизировала не способность AI находить дефект, а стоимость решения, которое AI принимает по каждой детали

Представим, что модель стала на 10% точнее. Отличный результат? Не обязательно. Она может начать чаще отправлять нормальные детали на повторную проверку, создавая дополнительные операции и снижая пропускную способность линии. AI стал точнее - производство стало дороже

У AI есть несколько цен ошибок. False Negative (ложноотрицательное решение) пропускает реальный дефект. False Positive (ложноположительное решение) отправляет нормальную деталь на дополнительную проверку. Latency (задержка обработки) может превратить AI в bottleneck (узкое место процесса). Поэтому Threshold (порог классификации) определяется не только точностью модели, но и экономикой каждого решения

Именно поэтому кейс Seagate интереснее, чем кажется. Компания не просто заменила традиционную обработку изображений на ML (Machine Learning - машинное обучение), а встроила AI в производственный контур, включая Edge Inference (выполнение модели непосредственно рядом с оборудованием), сохранив UPH (Units Per Hour - количество обработанных единиц в час). FPY (First Pass Yield - доля продукции, прошедшей процесс с первого раза) вырос с 60% до 74% и с 80% до 86%

А $2,6 млн экономии появились уже не только благодаря модели: Seagate связывает их с перераспределением рабочей силы и сокращением операций очистки. AI изменил не просто inspection (контроль), а часть операционной модели производства

Вот настоящий инсайт: на производстве оптимизируют не AI-модель. Оптимизируют решение, которое она принимает внутри производственной системы. Поэтому менее точная модель иногда может создавать больше ценности, если она быстрее, дешевле и лучше соответствует стоимости ошибок

Отсюда и другая логика оценки Industrial AI (промышленного искусственного интеллекта): модель → решение → повторная операция → throughput (пропускная способность) → yield (выход годной продукции) → стоимость.

И вопрос «какая модель точнее?» становится вторичным. Гораздо важнее: «какое решение мы хотим принимать дешевле, быстрее и с меньшим риском?»

Именно здесь начинается Technology & Product Strategy (стратегия технологий и продукта)