Внедрение ИИ на производстве

Что ИИ делает на производстве: от заказа до обслуживания оборудования

На производстве ИИ подходит для работы, которую люди каждый день делают вручную: перепечатывают документы, сверяют таблицы, просматривают графики. Условие одно: данные для этой работы уже где-то сохраняются. В любую смену модель работает одинаково, человек проверяет результат.

Приём заказов: из фото, скана или Excel в заказ 1С

Клиенты производства под заказ присылают фото бланка, скан, PDF или Excel со своими колонками. Значения из документа модель раскладывает по реквизитам 1С и готовит заказ к проведению, менеджеру остаётся проверить спорные поля.

Снабжение: спецификации и счета поставщиков

Снабженец сверяет счёт поставщика со спецификацией: наименования, количество, цены, сроки. Модель извлекает данные из счетов и спецификаций и сопоставляет позиции с заявкой. Человек разбирает только строки, где цифры разошлись.

Цех и качество: брак на фото и видео с линии

Контролёр ОТК (отдела технического контроля) осматривает изделие и решает, годное ли оно. Камера над линией и модель компьютерного зрения проверяют так всю продукцию и помечают сомнительные экземпляры. Для таких участков подходит разбор фото и видео с линии.

Оборудование: отклонения в данных измерений до аварии

Датчики и стенды пишут измерения без перерыва, просматривать всё вручную некому. Обученная на нормальной работе оборудования модель сообщает инженеру, когда сигнал выходит за привычные границы. Поиск аномалий в данных датчиков и измерений заменяет выборочную ручную проверку сплошной.

Откуда система берёт данные: 1С, MES, SCADA, сканы и осциллограммы

Данные ИИ-система берёт из того, что на производстве уже есть, и возвращает результат туда, где работают люди. Чаще всего это 1С — основной сценарий в производственных проектах Dzeta AI. На пилоте хватает выгрузок, постоянное подключение настраиваем при полном внедрении.

Примеры ИИ на производстве: два наших проекта

Портфель Dzeta AI — 50+ реализованных проектов. Среди них два производственных: приём заказов у производителя металлоконструкций под заказ и поиск аномалий в измерениях у производителя авиационной техники.

Производитель металлоконструкций: заказы из четырёх форматов попадают в 1С

В нашем проекте для производителя металлоконструкций под заказ заказы приходили в четырёх форматах: фото бланка с объекта, скан с печатью, PDF от снабженца и Excel от клиента со своими колонками. Менеджер расшифровывал каждый заказ и вручную заполнял бланк создания заказа в 1С на 240 реквизитов.

Система у этого производителя состоит из двух слоёв. Первый извлекает данные из документа. Второй — движок правил, который применяет регламент компании: подставляет комплектацию по типу изделия, приводит единицы измерения, проверяет обязательные поля. Правила записаны явно, любое можно открыть и проверить.

На этом проекте каждое значение из заказа хранит ссылку на место в исходнике: менеджер видит, откуда взята цифра. Спорные значения попадают в очередь, и заказ уходит в 1С, только когда её разберут.

Базовое решение для этого производителя внедрили за 30 дней. Менеджер больше не перепечатывает заказ в 1С: он проверяет поля, которые извлекла система, и разбирает спорные.

Производитель авиационной техники: система находит аномалии в осциллограммах

Крупному российскому производителю авиационной техники Dzeta AI сделала систему, которая находит аномалии в данных измерений. Конструктивные элементы там контролируют по многоканальным осциллограммам, и с ростом производства ручной анализ перестал успевать за потоком данных.

Сигналы производителя авиатехники команда Dzeta AI нормализовала, сравнила несколько подходов к поиску аномалий и задала критерии качества с процедурой валидации. Итоговая модель строит коридор нормальных значений, помечает выход за него и сама пересчитывает пороги при смене условий производства, так что инженер получает предупреждение до критической ситуации.

Результаты для производителя авиационной техники:

• за 8 месяцев эксплуатации система не пропустила ни одной критической аномалии;
• время анализа данных измерений сократилось на 40%;
• через систему проходит более 1000 измерений в сутки;
• зависимость от ручной экспертной проверки снизилась;
• система в промышленной эксплуатации на нескольких площадках, включая международные, и используется для регулярной диагностики.

Эксплуатационный модуль встроили в существующую инфраструктуру производителя авиатехники: проект прошёл весь ML-пайплайн от прототипа до промышленной эксплуатации.

Как проходит внедрение: аудит, пилот, приёмка по метрикам

Внедрение ИИ на производстве у Dzeta AI идёт этапами. Критерии успеха и целевое качество фиксируем до старта на тестовом наборе из данных заказчика, по ним систему и принимают.

Пилот нужен, чтобы проверить гипотезу на ваших данных до большого проекта. В продуктив проект идёт только по его результатам.

Кроме разработки, бюджет внедрения ИИ уходит на подготовку данных и разбор архивов, например старых спецификаций. Из чего складывается реальная стоимость внедрения — разбор в отдельной статье.

Где работает система и кто видит данные

ИИ-систему с открытыми моделями Dzeta AI разворачивает в контуре предприятия, на серверах заказчика. Персональные данные не покидают компанию (152-ФЗ «О персональных данных»), в ChatGPT и другие внешние сервисы данные не уходят, если заказчик этого не хочет. В журнале видно, кто что подтвердил, модель можно заменить без переделки системы.

Когда ИИ на производстве не подходит

Обычно ещё на аудите видно, что ИИ на производстве не сработает или не окупится. Причины такие:

• Заказы принимают по телефону, измерения не сохраняются. Тогда проект начинается со сбора данных.
• Операция редкая и отнимает мало времени: вложения в автоматизацию не вернутся.
• Задачу закрывает регламент или настройка 1С — так и напишем в отчёте по аудиту.
• Съёмка на линии нестабильна: камера сдвигается, свет меняется. Пока не решено, какие камеры и освещение нужны для визуального контроля, модель будет хуже находить брак.
• За решение отвечает человек: допуск изделия, приёмка партии. ИИ здесь готовит данные и подсвечивает спорное.
• У заказчика нет человека, который знает процесс и может проверить модель. Собственный IT-отдел при этом не нужен.