ИИ на производстве: контроль качества, документы и планирование

На производстве ИИ приживается тяжелее, чем в офисе: цена ошибки выше, данные разрознены, а инфраструктура часто старше сотрудников, которые с ней работают. Зато и эффект от удачного внедрения крупнее — здесь речь идёт не про сэкономленные часы менеджеров, а про брак, простои и оборотный капитал. Разберём сценарии, которые дают измеримый результат.

1. Контроль качества компьютерным зрением

Камера над линией плюс модель распознавания дефектов: сколы, непровары, смещения, дефекты покраски, некомплект. Человек устаёт и пропускает 5–15% брака к концу смены, модель работает с одинаковой точностью круглосуточно.

Что нужно для старта

• 300–1 000 размеченных фотографий по каждому типу дефекта
• Стабильное освещение и фиксированный ракурс камеры
• Промышленный компьютер на площадке — обработка идёт локально, без задержек сети
• Регламент: что делать при срабатывании — остановка линии, метка, отбраковка

Реалистичная точность после месяца работы — 95–99% по обученным типам дефектов. Важно честно принять: новые, ранее не встречавшиеся дефекты модель не увидит, пока её не дообучат.

2. Обработка производственных документов

Накладные, спецификации, паспорта качества, акты, заявки от подрядчиков — всё это до сих пор часто вбивается руками. ИИ извлекает данные из сканов и PDF, сверяет с учётной системой, помечает расхождения и заводит записи в 1С. Скорость обработки растёт в 5–10 раз, ошибки ввода уходят почти полностью.

Мы делали такой проект по документообороту в логистике — цифры по срокам и эффекту есть в разделе кейсов.

3. Планирование и диспетчеризация

Задача распределения заказов по линиям, сменам, машинам и людям — классическая оптимизация, где ИИ работает в связке с алгоритмами планирования. Модель учитывает переналадки, доступность сырья, сроки по договорам и приоритеты клиентов, а диспетчер утверждает предложенный план.

• Сокращение времени составления сменного плана с часов до минут
• Снижение простоев на переналадках на 10–20%
• Меньше срывов сроков за счёт раннего предупреждения о конфликте ресурсов

4. Прогноз отказов оборудования

Если на оборудовании есть датчики — вибрация, температура, ток, давление — модель учится на истории поломок и предупреждает об аномалиях до аварии. Обслуживание переходит с планового по календарю на предиктивное по состоянию. Экономия здесь двойная: меньше внеплановых простоев и меньше лишних ТО на исправном оборудовании.

Обязательное условие — хотя бы год исторических данных с зафиксированными инцидентами. Без истории поломок обучать модель не на чем.

5. Голосовые и текстовые ассистенты для цеха

Мастер не будет заполнять форму в браузере в перчатках. Голосовой отчёт о смене или сообщение в Telegram-бота с фото — будет. Это простейший, но самый быстроокупаемый сценарий: данные о производстве наконец начинают попадать в систему в реальном времени, а не задним числом в конце недели.

Порядок внедрения на производстве

• Шаг 1: выбрать один участок с измеримой болью — брак, простой или ручной ввод
• Шаг 2: собрать данные за 6–12 месяцев и оценить их пригодность
• Шаг 3: пилот на одной линии или одном типе документов, 6–10 недель
• Шаг 4: замер эффекта против контрольного участка
• Шаг 5: тиражирование на остальные линии и площадки

На производстве выигрывает не самая умная модель, а та, которая встроена в регламент смены и которой доверяет мастер.

Чего ожидать по бюджету

Пилот компьютерного зрения на одной линии — 400 000–900 000 ₽ вместе с оборудованием. Обработка документов — от 300 000 ₽. Предиктивное обслуживание — от 600 000 ₽ при наличии данных. Сроки пилотов — 6–12 недель, окупаемость при верно выбранном участке — 6–12 месяцев. Подробнее о форматах работы — в разделе AI-решений и на странице цен.

Если хотите обсудить конкретный участок вашего производства — напишите нам через контакты, разберём данные и скажем честно, есть ли там задача для ИИ.