AI для производства: архитектура и сценарии с измеримым ROI

AI для производства редко означает замену SCADA или MES нейросетью. Детерминированный контроль оборудования, ПЛК и системы безопасности остаются детерминированными — там, где сбой стоит остановки линии или травмы, правило должно быть предсказуемым, а не вероятностным выводом модели.

Модель приносит пользу там, где вход — неструктурированные данные: фото дефекта на конвейере, свободный текст сменного отчёта мастера, скан накладной от поставщика, голосовая заявка на ремонт оборудования. Именно эти потоки сейчас обрабатываются вручную и медленно.

Поток данных начинается на уровне MES/SCADA/ERP и не подменяет их: события (партия, смена, дефект, простой) публикуются в очередь, сервис оркестрации собирает контекст (нормы качества, спецификацию партии, историю оборудования) и вызывает модель для конкретной задачи — классификации дефекта, извлечения полей из накладной, суммаризации сменного отчёта.

Результат модели — черновик, а не финальное решение: предложенная категория дефекта, извлечённые реквизиты накладной, краткая сводка простоя с причинами. Запись в MES/ERP происходит после проверки правилами (допуски, лимиты, обязательные поля) и, для критичных решений, после подтверждения ОТК или мастера смены.

Первичная классификация дефектов по фото как помощник контролёра ОТК (не замена), а также приоритизация очереди повторной проверки. Автоматизация обработки документов поставщиков — накладные, сертификаты соответствия, ГОСТ-документы — с извлечением полей и сверкой с заказом в 1С или ERP.

Суммаризация сменных и аварийных отчётов из свободного текста в структурированный журнал для анализа простоев. AI-ассистент по регламентам и техническим картам для операторов — быстрый поиск инструкции без похода к мастеру, с ответом на языке цеха, а не общей документации.

Производственные данные часто чувствительны (спецификации, поставщики, объёмы) и подпадают под требования безопасности заказчика или 152-ФЗ. AI-слой должен работать в контуре предприятия — on-prem или в изолированном облаке — с теми же контрактами инструментов, что и облачная версия, без утечки данных во внешние сервисы.

Любое действие, способное повлиять на физический процесс — остановка линии, изменение параметра оборудования, блокировка партии — остаётся за человеком. Модель формирует рекомендацию и обоснование, решение и ответственность — у мастера смены, технолога или ОТК.

Пилот стоит запускать на одном участке с измеримой болью — не на «всём производстве». Хороший кандидат: один тип дефекта с понятным визуальным признаком, один тип входящего документа с высоким объёмом, или один вид отчёта, который сейчас теряется в бумажном журнале.

Метрики пилота — не «точность модели» сама по себе, а бизнес-эффект: время от обнаружения дефекта до реакции, доля документов без ручной сверки, время восстановления после простоя. 3–6 недель на одном процессе достаточно, чтобы понять, масштабировать сценарий или нет.