ИИ для производственных компаний

Что входит в курс

8 академических часов, инженеры, технологи, специалисты по качеству и охране труда, руководители цехов и производственных подразделений, опыт работы на ПК от 1 года.

1. 01
   Введение в использование ИИ в рабочих задачах

   0,5 ч

   Принцип работы систем ИИКлючевые классы инструментовБЯМ и компьютерное зрениеВозможности для производственной среды
2. 02
   Большие языковые модели

   1,5 ч

   Принципы составления промтовТехнические описания продукцииПравила безопасности и охраны трудаДолжностные инструкции и регламентыЧерновик маркетинговых материалов
3. 03
   Риски использования ИИ на производстве

   1 ч

   Репутационные риски и ответственностьПроизводственные данные и коммерческая тайнаЧто нельзя передавать во внешние системыГаллюцинации в технических контекстах
4. 04
   Ключевые классы инструментов для производственных задач

   2 ч

   ГигаЧат и ЯндексГПТOCR для технической документацииВидеоаналитика контроля качестваВидеогенерация и синтез речиNo-code агенты — n8n, Make
5. 05
   Практические кейсы производственного предприятия

   3 ч

   Кейс 1 — производственная документацияКейс 2 — анализ производственных данныхКейс 3 — автоматизация процессов«Личный чемоданчик» производственника

Кейсы производственных предприятий

Продажи и коммуникация с заказчиками

Заявки, продажи, малое производство

Задача — входящие заявки по типу продукции и региону обычно сводятся вручную в Excel.
Подход — ИИ строит и обновляет сводку сразу из выгрузки — например, выручка и заявки по типу изделия и порту/региону — и помогает быстро собрать ответ на запрос цены или коммерческое предложение.
Урок — для небольшого производства, где один и тот же человек — и инженер, и снабженец, и немного маркетолог, это экономит больше времени, чем работа с чертежами.

Дефектоскопия на синтетических данных

Компьютерное зрение, контроль качества

Задача — редких дефектов металла не хватает в реальных снимках для обучения детектора.
Подход — часть датасета можно дополнить синтетическими дефектами. Долю подбирают по контрольной выборке и метрике качества.
Урок — точность распознавания заметно растёт, но полностью на синтетике модель не обучить — реальные данные всё равно нужны.

Компьютерное зрение в контроле качества сборки

Видеоаналитика на рабочем месте

Задача — контролировать правильность сборки без постоянного участия человека.
Подход — камера на рабочем месте наблюдает зону установки детали, подсветка включается автоматически при обнаружении объекта, световая сигнализация показывает результат зелёным/красным.
Урок — Стоимость пилота зависит от камер, разметки, инфраструктуры и требуемой метрики. Основная работа приходится на данные, настройку и процедуру реакции на сигнал.

Работа с чертежами по текстовому промту

MCP + КОМПАС-3D

Задача — ускорить подготовку чертежей типовых деталей.
Подход — деталь описывается текстом с точными размерами и материалом, ИИ генерирует чертёж или параметрический код, который импортируется в систему автоматизированного проектирования и дорабатывается обычными командами («сделай шире радиусы фланцев»).
Урок — работает и в обратную сторону — по готовому чертежу можно получить текстовое описание детали.

Предиктивное обслуживание оборудования

Мониторинг деградации узлов

Задача — уйти от реактивного ремонта («сломалось — чиним») и планового ТО «на всякий случай».
Подход — мониторинг трендов деградации узлов — например, падение мощности лампы на 8% — сигнал заменить её в ближайшие трое суток — и предиктивные алерты.
Урок — снижает число незапланированных простоев и затраты на техобслуживание.

Синтез речи для оповещений в цехах

Голосовые уведомления вместо сигнальной лампы

Задача — персонал быстрее реагирует на конкретное сообщение, чем на абстрактный сигнал.
Подход — вместо сигнальной лампочки система проговаривает голосом конкретное сообщение — «В третьем цеху, на втором станке — перегрев», «Заканчивается картридж в принтере».
Урок — голосовое сообщение считывается персоналом быстрее, чем абстрактный сигнал.

Анализ рекламаций и отзывов на поставщиков

Работа с большим массивом обращений

Задача — большой массив отзывов и обращений нужно структурировать и найти системные проблемы.
Подход — массив прогоняется через ИИ одним промтом, на выходе — топ категорий жалоб с цитатами для проверки.
Урок — то, что аналитик размечал бы вручную неделю, ИИ структурирует за один проход.

Сравнение двух версий техдокументации в разных форматах

Регламенты, техпаспорта, инструкции

Задача — понять, что изменилось между старой и новой редакцией техописания или регламента.
Подход — загружаете обе версии и просите таблицу — добавленные пункты, удалённые пункты, краткое резюме по изменению. Работает с PDF, DOCX, XLS — в том числе когда документ в нестандартном формате, где штатное сравнение Word не срабатывает.
Урок — то, что вручную сверяли бы построчно, ИИ структурирует за один запрос — техническую значимость расхождений всё равно проверяет инженер.

Категоризация рекламаций по рабочему промту

Практика, модуль промт-инжиниринга

Задача — однотипные рекламации и заявки нужно классифицировать по одним и тем же критериям регулярно.
Подход — вместо нового промта под каждую выгрузку держите доработанный текстовый файл с критериями категоризации на рабочем столе — рабочий аналог системного промта, который донастраивается по спорным случаям.
Урок — такой промт-эталон экономит время сильнее, чем даже удачная разовая формулировка.

Excel — точный расчёт, языковая модель — справочник по нему

Заявки, снабжение, отчётность

Задача — быстро разобраться, как решить задачу в Excel, не тратя время на поиск в интернете.
Подход — описываете задачу словами, модель даёт пошаговую инструкцию — какую вкладку открыть, какую формулу ввести. Данные для расчёта в саму модель не грузите — для точных цифр Excel надёжнее, ИИ здесь используют как справочник.
Урок — самый безопасный уровень связки ИИ и Excel — коммерческие данные никуда не уходят, передаёте только структуру задачи.

Инфографика с текстом на русском для инструктажей

Охрана труда, стенды в цехах

Задача — инфографика по охране труда или инструктажу с читаемыми надписями на кириллице, не абстрактная картинка.
Подход — для простой кириллицы проверяем Алису и актуальную версию Квена. Для сложной сцены или серии правок выбираем сильную графическую модель. Каждый результат проверяем визуально.
Урок — при выборе инструмента для графики важно заранее уточнить, нужен ли читаемый текст на картинке — не каждая модель одинаково хороша в этом.

После обучения участники

FAQ

Разборы для производства

Для производственных компаний разобраны два практических сценария. Первый посвящён пилоту компьютерного зрения для ОТК, контроля СИЗ и поиска дефектов. Второй показывает задачи с разной зрелостью и требованиями к проверке.