К содержанию
Все статьи

Внедрение ИИ в производство: с чего начать заводу и цеху

Внедрение ИИ в производство без громких проектов: документация, база знаний для ремонтников, планирование, контроль качества, охрана труда. Где ИИ даёт отдачу сразу, где нужен пилот, как начать с малого и где держать данные.

🧑‍💻Сергей Шульман 7 мин чтения

Внедрение ИИ в производство часто представляют как большой проект: камеры над конвейером, предиктивная аналитика по датчикам, цифровой двойник цеха. Такие проекты существуют, но стоят дорого, идут долго и требуют данных, которых у среднего предприятия обычно нет. При этом рядом лежат задачи попроще, которые окупаются за недели: документация, знания ремонтников, отчёты, планёрки. В статье — с чего начать производственной компании, где ИИ даёт отдачу сразу, где нужен аккуратный пилот и как не потерять контроль над данными.

Коротко:

  • Начинайте не с цеха, а с офиса и службы главного инженера: документация, база знаний по оборудованию, отчёты, протоколы совещаний.
  • Лучший первый проект на производстве — база знаний для ремонтников и технологов: ИИ отвечает по паспортам, инструкциям и журналу ремонтов со ссылкой на источник.
  • Контроль качества с компьютерным зрением и предиктивное обслуживание — это пилоты на месяцы с понятными данными, а не первая неделя.
  • ИИ ничего не делает с оборудованием напрямую. Он готовит информацию, решение и действие — за человеком.
  • Данные производства чувствительны: для них подходят модели в российском контуре или открытые модели на собственном сервере.

Почему большие проекты буксуют

Я по образованию инженер АСУ ТП (УГАТУ) и хорошо понимаю, почему на производстве осторожно относятся к «умным системам». Цена ошибки — брак, простой линии или травма. Оборудование разных поколений, данные с датчиков пишутся не везде, а там, где пишутся, лежат в SCADA или в локальных архивах без связи с учётом.

Поэтому проекты «поставим ИИ, он будет предсказывать поломки» часто застревают на этапе данных: выясняется, что истории отказов в цифре нет, датчиков на нужных узлах нет, а журнал ремонтов ведётся в тетради. Это не значит, что ИИ на производстве не нужен. Это значит, что начинать стоит там, где данные уже есть: в документах, переписке, отчётах и головах опытных людей.

Где ИИ на производстве даёт отдачу: таблица

НаправлениеЧто делает ИИДанныеСрок до эффектаЦена ошибки
ДокументацияЧерновики техкарт, инструкций, отчётов по шаблонам; сверка версийШаблоны, действующие документыНеделиНизкая, если есть проверка
База знаний ТОиРОтветы ремонтникам по паспортам, инструкциям, журналу ремонтовДокументация оборудования, история ремонтовНеделиНизкая: даёт ссылку на источник
Протоколы и отчётыПротоколы планёрок, сменные сводки, отчёты для руководстваЗаписи совещаний, данные учётаДниНизкая
ПланированиеОбъясняет план, ищет конфликты, отвечает на вопросы «что если»Заказы, мощности, остаткиМесяц и большеСредняя
Закупки и снабжениеРазбор спецификаций, сравнение предложений поставщиковЗаявки, КП, спецификацииНеделиСредняя
Охрана трудаОтветы по инструкциям, черновики материалов к инструктажам, разбор отчётовИнструкции, журналыНеделиВысокая: только с проверкой
Контроль качестваАнализ дефектов по фото или данным измеренийРазмеченные примеры бракаМесяцы, пилотВысокая

Логика простая: сверху вниз растут сроки и цена ошибки. Начинать стоит сверху.

Документация

На производстве документов много, и они постоянно меняются: технологические карты, инструкции, паспорта изделий, отчёты, ответы заказчикам. ИИ хорошо справляется с черновиками по шаблону и данным, со сверкой версий («что изменилось в редакции инструкции»), с переводом документации поставщика оборудования.

Правило одно: документ, который влияет на технологию или безопасность, проверяет и утверждает ответственный инженер. ИИ ускоряет подготовку, но не подписывает.

База знаний для ремонтников и технологов

На мой взгляд, самый сильный первый проект. Знания об оборудовании разбросаны: паспорта и инструкции производителя в папках, журнал ремонтов — в таблице или тетради, «как это чинить» — в голове у мастера, который через пару лет уйдёт на пенсию.

ИИ с поиском по документам (RAG) отвечает ремонтнику на вопрос «какой момент затяжки на этом узле» или «что делали в прошлый раз при такой ошибке на прессе» — со ссылкой на страницу инструкции или запись в журнале. Он не выдумывает, а находит. Как устроена такая система — в статье RAG для бизнеса. В 2023–2024 годах я работал Senior AI Developer и делал бота ccBot с RAG на Manticore и Qdrant, так что знаю эту технологию изнутри.

Что важно сделать:

  1. Собрать документацию в одно место и оцифровать сканы.
  2. Перевести журнал ремонтов в цифру, хотя бы с этого месяца.
  3. Записать знания опытных людей: интервью с мастерами, расшифровка, проверка. Для расшифровки подойдёт любой сервис распознавания речи — подробнее в статье Нейросеть для расшифровки звонков и встреч.
  4. Дать доступ ремонтникам с телефона или планшета в цеху.

Протоколы, сменные сводки и отчёты

Планёрки, совещания у главного инженера, сменные отчёты — классический кандидат на первую неделю. Запись встречи превращается в протокол с задачами и ответственными, данные смены — в короткую сводку для руководителя. Мой сервис «БОРИС» делает саммаризацию встреч и обрабатывает больше 1000 минут аудио в месяц — эта задача окупается быстро практически в любой компании.

Если учёт ведётся в 1С, ИИ может отвечать на вопросы по остаткам, выпуску и заказам обычным языком. Как подключить агента к учёту без риска для данных — в статье ИИ-агент для 1С.

Планирование

Здесь осторожно. Расчёт производственного плана — задача для специализированных систем планирования и оптимизации, а не для языковой модели. Но ИИ полезен вокруг плана: объяснить мастеру, почему заказ сдвинулся, найти конфликты (на один станок поставлено два заказа), ответить руководителю на вопрос «успеваем ли к пятнице, если добавить смену». Для этого нужны заказы, мощности и остатки в цифре.

Контроль качества

Компьютерное зрение для поиска визуальных дефектов — известное направление, но это проект, а не быстрая победа. Нужны размеченные фотографии брака и нормы, стабильный свет и ракурс, интеграция с линией и понятное правило, что делать при срабатывании. Начинать стоит с пилота на одном участке, где брак дорогой и визуально заметный, и с параллельного контроля человеком, пока цифры не покажут стабильное качество.

Более простой вход — анализ уже накопленных данных о браке: ИИ ищет закономерности по сменам, партиям сырья, оборудованию и формулирует гипотезы для технолога. Проверяет гипотезы человек.

Охрана труда

ИИ может отвечать сотрудникам по инструкциям охраны труда со ссылкой на пункт, готовить черновики материалов к инструктажам, помогать разбирать отчёты о происшествиях и находить повторяющиеся причины. Но обязательные процедуры — инструктажи, допуски, расследования — остаются за ответственными людьми. ИИ здесь помощник специалиста по охране труда, а не замена ему.

Где держать данные производства

Технологии, рецептуры, документация оборудования, данные о браке — это коммерческая тайна. Я выбираю модель по чувствительности данных:

  • Открытые модели на собственном сервере — когда данные не должны покидать предприятие. Например, через Ollama модель запускается локально. Подробнее — в статьях Локальные нейросети для бизнеса и Ollama.
  • Российские облака и GigaChat — когда данные можно передавать провайдеру в России. У Сбера доступна линейка моделей GigaChat с эмбеддингами для поиска по документам.
  • Западные модели — Anthropic и OpenAI официально не обслуживают Россию, поэтому производственные процессы на них я не строю.

Систему делаю так, чтобы модель можно было заменить без переделки базы знаний и процессов.

План старта: начните с малого

  1. Аудит, 1–2 недели. Где инженеры и мастера тратят время на поиск информации, какие отчёты собираются руками, какие знания держатся на одном человеке.
  2. Быстрая победа, 1 неделя. Протоколы планёрок и сменные сводки.
  3. База знаний ТОиР, 3–6 недель. Документация одного участка или одной группы оборудования, журнал ремонтов, доступ с планшета.
  4. Замер. Время на поиск информации, время простоя на диагностику, число вопросов к главному инженеру.
  5. Расширение. Другие участки, документация, закупки. Контроль качества и планирование — отдельными пилотами, когда данные готовы.
  6. Обучение людей. Мастера и инженеры должны уметь задавать вопросы и проверять ответы. Подробно — в статье Обучение ИИ для бизнеса.

Частые вопросы

С чего начать внедрение ИИ на производстве? С протоколов совещаний и базы знаний для ремонтников. Данные для них уже есть, ошибка дешёвая, а эффект виден за недели.

Можно ли подключить ИИ напрямую к оборудованию? Читать данные — можно, управлять — я не рекомендую. ИИ готовит информацию и подсказки, решения и действия на оборудовании остаются за людьми и системами автоматики.

Нужны ли датчики и большие данные? Для предиктивного обслуживания и контроля качества — да. Для документации, базы знаний и отчётов — нет, хватит того, что уже есть в документах и учёте.

Безопасно ли отдавать производственные данные нейросети? Если модель работает на вашем сервере или у российского провайдера с договором — риски управляемы. Доступы агента делаю минимальными.

Сколько стоит внедрение? Зависит от числа участков и состояния документации. Стоимость называю после 30-минутного созвона и фиксирую до старта.


Если хотите начать внедрение ИИ на производстве с задач, которые окупятся за недели, а не с проекта на год, посмотрите, как устроен турбо-рефакторинг бизнеса. Или напишите в Telegram, где у вас инженеры и мастера тратят больше всего времени, — подскажу, с чего начать.

Похожие статьи: RAG для бизнеса: как научить нейросеть отвечать по вашим документам · Локальные нейросети для бизнеса: когда данные нельзя отдавать в облако

Читайте также

Есть похожая задача?

Разберу её бесплатно за 30 минут и предложу решение. Пишите в Telegram или звоните.