ИИ не заменил инженера — и поэтому сработал: как мы сократили проверку промышленных чертежей до 5 минут

«Нужен ли ИИ вообще» — вопрос, которым уже не задаётся никто. Теперь все спрашивают: где он даст измеримый эффект, не сломает ли процессы и не вызовет ли саботаж внутри команды. Кейсы в промышленности — лакмусовая бумажка для ИИ: здесь быстро становится понятно, остается ли технология бесполезным демо или реально может быть применима для автоматизации ручной проверки документации, для сверки нормативов, поиска несоответствий, при подготовке расчетов. 

Где болит: чертежи, расчеты и ручная сверка

В одном из наших промышленных проектов была весьма практическаая задача — ускорить работу с конструкторской документацией.

Для тех, кто не сталкивался, поясним, в индивидуальном и мелкосерийном производстве есть два трудоемких этапа: ценообразование и контроль корректности. Специалисту нужно изучить комплект чертежей, понять состав изделия, извлечь инженерные параметры, сопоставить их с конструкторской документацией и нормативами, проверить согласованность разных видов чертежей, а затем подготовить основу для расчета стоимости. В ручном режиме такая работа может занимать часы или дни, а ошибка при чтении или переносе инженерных параметров напрямую влияет на себестоимость, сроки и качество предложения для клиента.

Что мы внедрили: цифровой инженер на базе компьютерного зрения и RAG

Мы создали систему, которая распознает инженерные чертежи, схемы и разрезы, переводит графическую информацию в структурированные данные и дальше использует их в двух направлениях.

Первое — расчет стоимости. Система помогает определить операции вроде заготовки, сварки и сборки, собрать исходные данные для коммерческого предложения и сократить время подготовки ответа клиенту.

Второе — контроль качества. ИИ проверяет, не противоречат ли друг другу разные виды чертежей, насколько проектные решения соответствуют требованиям стандартов, внутренним правилам и нормативной базе. На выходе инженер получает не «черный ящик» с вердиктом, а проверяемый отчет: где найдено несоответствие, к какому элементу чертежа оно относится и какое правило могло быть нарушено. 

Это позволило нам избежать в том числе и ИИ-луддизма — сопротивления технологии из страха, что она обесценит экспертизу человека или начнет принимать решения вместо него. В классическом смысле луддизм возник как реакция рабочих на машины, которые угрожали привычному труду; в современной версии, как отмечала «Компьютерра», страх сместился с физического труда на интеллектуальный: технологии начинают затрагивать профессии, где человек годами накапливал квалификацию и профессиональный авторитет. 

В промышленности это сопротивление особенно заметно: цена ошибки здесь выше, процессы жестче регламентированы, а значительная часть экспертизы держится на опыте конкретных инженеров, технологов и производственников. На этапе пилота мы сознательно не пытались автоматизировать принятие решений полностью. Инженеры участвовали в проверке результатов, помогали дорабатывать правила и валидировали спорные случаи. Благодаря этому система воспринималась не как замена эксперта, а как инструмент, который экономит время на рутинной работе.  

Пилот

Мы начали с глубокого исследования и прототипа на базе большой мультимодальной модели Qwen 3VL 235B. Затем выделили ключевой этап — пилот. На нем оттачивали логику распознавания и проверки, добивались целевых показателей качества и, что не менее важно, готовили дорожную карту масштабирования.

Итоговое решение архитектурно построено на платформе OSMI AI с использованием LangGraph для оркестрации пайплайнов. Входные данные — PDF и чертежи. Далее мультимодальная модель преобразует графику в структурированный JSON, после чего RAG-контур с PostgreSQL и pgvector помогают сверять данные с документацией и базой знаний. По итогу получился полноценный промышленный пайплайн, интегрированный в ИТ-контур заказчика.

Результат: меньше ручной работы, больше инженерии

По метрикам система вышла на F1 = 0,85  при Precision 0,87 и Recall 0,83, а доступность сервиса составила 99,5%. Но для заказчика важнее оказалась даже не сама метрика F1, а то, что среднее время проверки одного комплекта документации сократилось до менее чем 5 минут при сохранении инженерного контроля.

Отдельный эффект — снижение человеческого фактора на этапах ручной сверки чертежей и проверки соответствия нормативам.

И главное: мы не убрали инженера из процесса. Мы избавили его от бесконечной бумажной рутины. Теперь эксперт подключается точечно — для проверки спорных моментов, оценки нестандартных случаев и финального профессионального решения.

Главный вывод для бизнеса

ИИ в промышленности — не про замену человека. Это про усиление сильных специалистов и снятие с них работы, которая плохо масштабируется вручную. Самые устойчивые внедрения начинаются не с попытки доверить ИИ финальное решение, а с автоматизации рутины: распознавания, сверки, поиска несоответствий, подготовки расчетов и отчетов.

Наш опыт показывает: когда ИИ встроен в реальный производственный процесс, работает в контуре компании, дает проверяемый результат и оставляет эксперта в управлении, он перестает быть экспериментом. Он становится частью инженерной инфраструктуры. Именно с таких сценариев и начинается зрелая ИИ-трансформация промышленности.