ИИ на производствеГде он окупается прямо на линии
Контроль качества, который не устаёт к концу смены, и оборудование, которое предупреждает об отказе заранее. Модели работают на площадке — данные не уходят наружу.
Частые проблемы
Не «недостаточная цифровизация», а процессы, которые называют на первой же встрече.
- Качество проверяет человек
- Контролёр отсматривает продукцию глазами. К концу смены внимание падает, часть дефектов доходит до отгрузки и возвращается вместе с претензией и штрафом.
- Об отказе узнают по факту
- Оборудование останавливается неожиданно, и линия встаёт на часы. Данные с датчиков пишутся, но никто не смотрит в них до аварии.
- Планирование держится на памяти мастера
- Сроки, партии и загрузка считаются по опыту конкретных людей. Уходит человек — уходит и понимание, почему план выглядел именно так.
- Документы живут на бумаге
- Паспорта качества, наряды, акты и накладные вводятся в систему вручную. Это не только время, но и опечатки, которые всплывают через месяц.
- Регламенты знает только технолог
- Ответ на вопрос «а как правильно по этой оснастке» лежит в трёхсотстраничном документе или в голове у одного человека, до которого ещё надо дойти.
Где ИИ окупается
Сценарии, которые в этой отрасли дают измеримый эффект. Каждый ведёт на страницу направления с деталями.
Визуальный контроль качества на линии
Камера над конвейером, модель классифицирует дефекты в реальном времени и отбраковывает продукцию до отгрузки. Пограничные случаи уходят человеку — модель не решает за контролёра там, где не уверена. Это наш кейс: точность 92%, возвраты снизились на 18%.
Компьютерное зрениеПредиктивное обслуживание
Модель учится на истории датчиков и наработок и предупреждает о выходе узла за пределы нормы раньше, чем он встанет. Ремонт планируется в окно, а не в аварию.
ML-модели и аналитикаПрогноз спроса и планирование выпуска
Прогноз по номенклатуре на основе истории отгрузок, сезонности и заказов вместо экстраполяции прошлого месяца. Сокращает и дефицит, и переизбыток на складе.
ML-модели и аналитикаРаспознавание производственных документов
Паспорта качества, ТТН, акты и наряды распознаются и раскладываются по полям в учётную систему. Человек проверяет, а не перепечатывает.
OCR и обработка документовПоиск по регламентам и технической документации
Ассистент отвечает на вопросы по вашим ГОСТам, техкартам и инструкциям со ссылкой на конкретный пункт. Не «что-то похожее из интернета», а ваш документ и номер страницы.
RAG-системыКонтроль охраны труда по видео
Модель фиксирует отсутствие каски или нахождение в опасной зоне и передаёт событие ответственному. Задача та же, что в контроле брака, только объект — человек, а не деталь.
Компьютерное зрениеОтчётность по производству вопросом на русском
«Сколько брака по третьей линии за июль в разрезе смен» — вместо заявки в ИТ и ожидания выгрузки. Запрос превращается в SQL к вашей базе, ответ приходит сразу.
Внедрение LLMНаши проектыв отрасли
Цифры — из этих разборов, а не из отраслевых отчётов.
Чем эта отрасль отличается
То, что меняет архитектуру решения и смету, — а не только формулировки в презентации.
Считать нужно на площадке
Видеопоток с линии не отправишь в облако: и канал не выдержит, и служба безопасности не согласует. Модели оптимизируем под edge-железо и разворачиваем в цехе — так сделан наш кейс с контролем брака.
Реальное время дороже точности
Модель, которая думает секунду, бесполезна на конвейере с тактом в 200 мс. Часть работы проекта — не обучение, а ускорение: квантизация, TensorRT, подбор разрешения кадра.
Примеров брака всегда мало
Хорошее производство даёт мало дефектов — а модели нужны именно они. Помогают аугментация, синтетика и обучение на отклонении от нормы вместо классификации редких классов.
Условия на линии плывут
Освещение меняется по времени суток, партии сырья отличаются, оснастку переставляют. Модель, обученная на одной неделе, к следующей деградирует — поэтому мониторинг дрейфа закладываем сразу, а не после жалоб.
Интеграция идёт в MES и ERP
Результат работы модели должен попасть туда, где живёт производство: статистика брака в MES, заявка на ремонт в систему ТОиР, документ в ERP. Без этого получается красивый дашборд, на который никто не смотрит.
С чего начинаем
Начинаем с одного участка и одного вида дефекта — не с «ИИ на заводе». Смотрим, есть ли архив снимков и данных с датчиков, за две недели собираем прототип на ваших данных и меряем на отложенной выборке. Если точность не дотягивает до порога, при котором это выгодно, скажем об этом до пилота.
Частые вопросы.Короткие ответы.
Да, но разметку придётся закладывать в проект. Обычно достаточно нескольких сотен примеров на тип дефекта, а не десятков тысяч: мы дообучаем предобученные модели, а не учим с нуля. Часть данных получаем аугментацией и синтетикой. На диагностике честно оценим, сколько потребуется собрать и сколько это стоит.
Зависит от такта линии и разрешения. Для одной камеры с тактом в несколько сотен миллисекунд обычно хватает промышленного мини-ПК с одной GPU. Требования к железу считаем на диагностике, до того как вы что-то закупите, — и подбираем модель под ваше оборудование, а не наоборот.
Да. Для производственных задач это норма: модель разворачивается на площадке и работает в изолированном контуре. Наружу не уходит ни кадр. Обновления модели доставляются тем же путём, что и любое другое ПО у вас на предприятии.
Ошибки будут — вопрос в том, какие. Мы настраиваем порог так, чтобы система скорее отправила годную деталь на ручную проверку, чем пропустила дефект. Пограничные случаи всегда уходят человеку, а решения логируются, чтобы разобрать спорную отбраковку и дообучить модель.
Прототип на ваших данных — до двух недель. Пилот на реальной линии с интеграцией в MES — обычно 3–6 недель. Дальше расширение на соседние участки идёт быстрее: инфраструктура и процесс разметки уже есть.
Другие отрасли
Начнём с одного участка
Расскажите, какой процесс болит сильнее всего на производстве. Вернёмся с планом прототипа на ваших данных, сроком и вилкой — и скажем, если задача решается без ИИ.