Искусственный интеллект на производстве — задачи, которые уже работают

На производственной линии при нештатном событии обычно загорается лампочка. В шумном цеху её легко не заметить. На одном производстве лампочку заменили голосом — колонки объявляют «в третьем цеху, на втором станке — перегрев». Оператор получает конкретную информацию, не отрываясь от работы. Стоимость синтеза — копейки за событие. С таких точечных задач и начинается искусственный интеллект на производстве.

Машинное зрение и контроль качества

Типовой стек контроля качества сборки стоит около двух тысяч рублей железом. Видеокамера сбоку от рабочей зоны, автоматическая подсветка при обнаружении объекта, сигнальная башня — зелёный, если сборка верная, красный при ошибке оператора. Модель — открытый бесплатный ЙОЛО. Самое дорогое здесь — постоянное дообучение под ваши условия, железо и модель дешевле. Модель не знает, что синие объекты на головах ваших рабочих — каски. Без дообучения на ваших данных система не заработает. Подсчёт объектов на складах — уже вчерашний день, ставится готовыми решениями. ОТК, контроль касок и СИЗ, наблюдение за промышленными объектами — живая сегодняшняя практика, её используют в том числе Россети.

[Место под скриншот — слайд «P.35c ОТК — машинное зрение в действии», презентация /edu/speaker/walkthrough]

Мало брака для обучения — генерируйте синтетику

Частая проблема при обучении модели поиску дефектов — реального брака мало, фотографий не хватает. Рабочее решение — синтетическая генерация. Изображения брака рисуются генеративными нейросетями и добавляются в обучающий датасет. Проверенное на практике ограничение — не более 30 процентов синтетики в датасете, дальше качество модели начинает падать.

[Место под скриншот — слайд «8.2 Дефектоскопия на синтетических данных», презентация /edu/speaker/walkthrough]

Чертежи текстом

Для российского САПРа КОМПАС-3D есть открытый MCP — протокол, через который языковая модель управляет программой. Описываете деталь словами, «кадушка для намотки, диаметр такой-то, центральное отверстие и шесть облегчающих отверстий», и получаете 3D-модель, где каждый элемент дальше редактируется как обычно. Работает и в обратную сторону — загружаете деталь, получаете её описание. Что такое MCP и как это устроено, я разбираю в отдельной статье.

[Место под скриншот — слайд «5.20 Работа с чертежами — Text to CAD», презентация /edu/speaker/walkthrough]

Речь и документы

Синтез речи через Яндекс СпичКит или СалютСпич озвучивает события мониторинга, а разметка SSML управляет паузами и ударениями, чтобы уведомления звучали по-человечески, без роботизированной монотонности. Та же пара инструментов работает в обратную сторону — расшифровывает планёрки и совещания. Загружаете расшифровку в модель с запросом «выдели решения, ответственных и сроки» и получаете протокол за минуты. Это, пожалуй, самое быстрое внедрение с очевидной пользой на любом предприятии. Распознавание документов — накладные, акты, паспорта, счета — закрывают КонтентАй, Яндекс Вижн и мультимодальные модели.

Локальный контур

Производственные данные — чертежи, техпроцессы, параметры оборудования — обычно нельзя отправлять в облако. Хорошая новость в том, что почти весь описанный стек работает локально. ЙОЛО ставится на собственное железо, синтез и распознавание речи доступны в контуре, а открытые языковые модели вроде Квена разворачиваются на сервере с видеокартой через Оламу или ЛМ Студио и работают вообще без интернета. Для согласования со службой безопасности это решающий аргумент.

С чего начинать

Начинайте с задач, где эффект видно за неделю. Голосовые уведомления, протоколы совещаний, подсчёт объектов на фото. Машинное зрение на контроле качества — следующий шаг, он требует датасета и дообучения. Предиктивная аналитика и умное производство — уже серьёзные проекты с интеграцией в системы управления. Важно и то, что почти весь этот стек работает локально, внутри периметра предприятия, без облаков и передачи данных наружу. Разобрать эту лестницу применительно к вашему цеху можно на корпоративном обучении по ИИ.