ШІ у виробництві: контроль якості, прогнозування, автоматизація

Виробнича лінія генерує дані в обсягах, які жодна команда інженерів не опрацює вручну. Датчики температури, вібрації та тиску видають тисячі показників на годину. Камери на лініях контролю роблять сотні знімків за хвилину. Системи MES фіксують кожну виробничу подію. Ця гора даних роками існує й роками залишається невикористаною, бо інструменти для її обробки в реальному часі були недоступні всім, окрім найбільших корпорацій.

У 2026 році ситуація інша. Візуальні моделі працюють на звичайному сервері з однією відеокартою. Послідовні дані з датчиків обробляє відкритий аналітичний стек. Агенти ШІ координують потік інформації між системами без нестандартних інтеграцій. Проблема перестала бути технологічною — вона стала організаційною: які процеси атакувати першими, як підготувати дані й як не купити фантастично спроектовану демонстрацію, яка не витримає зіткнення з виробничим цехом.

Не кожна виробнича проблема підходить для впровадження ШІ на першому етапі. Три сфери виділяються тим, що мають чітко вимірювані витрати та готові шаблони впровадження.

Для більшості українських виробничих підприємств контроль якості — це найшвидший результат, видимий вже через 6–10 тижнів після впровадження. Прогнозування збоїв вимагає кількох місяців історичних даних, але окупність пропорційно вища.

Класичний візуальний інспектор наприкінці лінії має кілька слабких місць: втома після 2–3 годин роботи, суб’єктивний критерій «дефекту», швидкість, обмежена кількома десятками елементів на хвилину. Візуальна модель не має жодної з цих проблем і додає один бонус: кожне рішення має фото з анотацією як доказ.

Типовий стек для контролю якості:

1. Промислова камера на лінії (GigE Vision або USB3) з відповідним освітленням. Якість зображення важливіша за модель ШІ.
2. Модель виявлення дефектів, навчена на знімках ваших продуктів. 200–500 знімків на клас дефекту — мінімум. Без власних позначених даних немає моделі, адаптованої до вашого продукту.
3. Сервер інференції біля лінії. Затримка має бути меншою за час циклу (зазвичай 100–500 мс). Хмара тут не працює, бо мережева затримка перевищує часові вимоги.
4. Шар прийняття рішень — модель сигналізує про дефект, система керування лінією зупиняє або відбраковує елемент. Людина підтверджує новий клас дефекту, а не кожне рішення.

Де це не працює: продукти з високою візуальною мінливістю природної сировини (деревина, натуральна шкіра, сезонні продукти харчування) вимагають значно більше навчальних даних і регулярного донавчання моделі. Варто починати з менш мінливих компонентів і поступово розширювати охоплення.

Прогностичне обслуговування (PdM) — це прогнозування збоїв до їх виникнення. Базовий шаблон: датчики збирають дані про стан обладнання, модель аномалій виявляє відхилення від норми та генерує оповіщення з достатнім випередженням, щоб технік міг спланувати обслуговування у заплановане вікно, а не посеред зміни.

Три обов’язкові умови, без яких PdM не працюватиме:

Історичні дані з мітками збоїв. Модель має знати, як виглядали дані за кілька годин або днів до попередніх збоїв. Без історії збоїв можливе лише виявлення загальних аномалій, а не прогнозування конкретних режимів пошкоджень.

Відповідна частота дискретизації. Виявлення вібрацій підшипника вимагає дискретизації кожні кілька десятків мілісекунд. Температуру масла можна дискретизувати раз на хвилину. Узгодження частоти з фізикою деградації є ключовим.

Інтеграція з системою заявок на обслуговування. Оповіщення без автоматичного або напівавтоматичного створення заявки на обслуговування — це лише ще одне повідомлення, яке можна проігнорувати. Агент ШІ має замикати цикл: аномалія → заявка на обслуговування → підтвердження техніка → журнал ремонту.

Очікуваний ефект у перший рік: зменшення незапланованих простоїв на 20–40%, подовження середнього часу між збоями на 15–25%. Точні цифри залежать від того, наскільки регулярно обслуговувалося обладнання раніше та наскільки чисті історичні дані.

Виробничий цех щодня генерує стоси документів: звіти зміни, виробничі замовлення, карти NCR (невідповідності), рекламації, протоколи вимірювань. Більшість із них заповнює людина на основі даних, які вже є в системах. Це класичне завдання для агента ШІ з інструментами.

Типові автоматизації з коротким терміном окупності:

• Звіт зміни, що генерується автоматично з даних MES, з графіком продуктивності та списком подій — технік лише підтверджує, а не пише з нуля.
• Карта NCR, що створюється одразу після відбраковки елемента контролем якості, з фото дефекту, лінією, зміною та оператором — без ручного заповнення форми.
• Відповідь на рекламацію, що формулюється асистентом RAG на основі історії замовлень, специфікації продукту та попередніх відповідей на подібні рекламації.
• Графік виробництва, оптимізований з урахуванням замовлень, наявності матеріалів та вікон обслуговування обладнання.

Агент n8n або подібна платформа потоків дозволяє об’єднати ці автоматизації без нестандартного коду для кожної інтеграції.

Найчастіша причина, через яку проєкти ШІ у виробництві закінчуються розчаруванням: дані не готові для навчання чи інференції. Це не технічна проблема, яку вирішує вендор ШІ. Це власна робота, яку потрібно виконати перед впровадженням.

Якщо ваші дані перебувають у перших трьох станах, першим проєктом має бути підготовка даних, а не впровадження моделі. Надійний фундамент даних окупається в кожному наступному проєкті.

Системи ШІ, що контролюють виробничі процеси, підпадають під дію AI Act як системи високого ризику, якщо впливають на безпеку людей або якість регульованих продуктів. Три вимоги, які мають бути виконані:

Human-oversight. Система ШІ може рекомендувати зупинити лінію або відбракувати партію, але незворотне рішення (наприклад, утилізація матеріалу вартістю >X грн) має вимагати підтвердження людини. Human-gate для дій високого ризику не є опціональним.

Логування та пояснюваність. Кожне рішення моделі має логуватися з версією моделі, вхідними даними та результатом. Коли клієнт або аудитор запитує, чому партію було відбраковано, відповідь має бути конкретною та перевіряемою.

Безпека агентів. Агенти з доступом до систем керування лінією або ERP мають працювати за принципом мінімальних прав. Guardrails блокують команди поза визначеним діапазоном. Кожна незворотна дія вимагає токена підтвердження.

Для регульованих продуктів (медичні вироби, харчові продукти, автомобільна промисловість) вимоги суворіші. Перед впровадженням варто провести DPIA для систем, що обробляють дані операторів або клієнтів.

Пілот у виробництві відрізняється від пілота в послугах. Середовище більш вимогливе: пил, вібрації, мінливе освітлення, інтеграції зі старими системами SCADA. Типовий обсяг пілота триває 8–14 тижнів і включає:

• Тижні 1–2: аудит даних, мапування процесів, вибір одного конкретного випадку використання.
• Тижні 3–6: інтеграція з вихідними системами, підготовка навчальних даних, навчання базової моделі.
• Тижні 7–10: впровадження в режимі shadow (модель працює, але не приймає виробничих рішень — лише порівнюємо з рішеннями людей).
• Тижні 11–14: поступове перебирання рішень у вибраній сфері, моніторинг метрик, калібрування порогів впевненості.

Режим shadow тут ключовий. Він надає реальні дані для оцінки моделі без виробничого ризику. Також показує операторам, як мислить модель, перш ніж попросити їх довіряти її рішенням.

Орієнтовні діапазони витрат для першого впровадження: калькулятор інференції допомагає оцінити витрати на моделі. Загальна вартість проєкту (дані, навчання, інтеграція, впровадження) залежить від обсягу — деталі обговорюємо на безкоштовному пілоті.

Опишіть один виробничий процес, який створює вам проблеми — кількість браку, частота збоїв або час, втрачений на документацію. Модель вкаже, який підхід підходить для вашого випадку та які дані потрібні для старту:

Не заміняє, а доповнює. Статистичний контроль процесів (SPC) відстежує параметри процесу. Візуальна модель контролює готовий продукт. Разом вони дають повний шар: SPC виявляє дрейф процесу до появи дефектів, комп’ютерний зір виявляє дефекти, які все ж виникають за стабільного процесу. Компанія з добрим SPC впроваджує комп’ютерний зір швидше, бо процеси краще описані.

Мінімум — 200–500 фото на клас дефекту, але якість важливіша за кількість. Фото мають відображати реальну мінливість: різне освітлення, різні позиції елемента, дефекти на межі виявлення. Модель, навчена на 300 якісних фото, перевершує модель, навчену на 2000 фото низької якості. Позначення виконує ваш експерт з якості, а не зовнішній постачальник, який не знає ваших стандартів.

Залежить від вартості обладнання та витрат на простої. Підприємство з однією ключовою машиною вартістю 2–5 млн грн, простій якої коштує 50–100 тис. грн на день, може побачити ROI після першого запобігання збою, тобто потенційно в першому кварталі. Підприємство з багатьма машинами з низькою вартістю простою потребує 3–6 місяців, щоб зібрати достатню вибірку. Калькулятор ROI дозволяє розрахувати це для вашого випадку.

Через інтеграційний шар, а не пряме з’єднання. API, доступне у вашому MES або ERP, є точкою входу для агента. Якщо MES не має API, можливий експорт даних через файли або протоколи OPC-UA (для систем SCADA). Заміна MES/ERP не є умовою впровадження ШІ — інтеграція через n8n або подібний оркестратор зазвичай швидша та дешевша за нативну інтеграцію.

Так, і в багатьох випадках це обов’язково через виробничу таємницю або контрактні вимоги. Візуальна модель та прогностичні моделі можуть працювати локально на сервері біля лінії. Дані операторів і параметри процесу не повинні залишати підприємство. Якщо використовується мовний асистент для документації, маскування PII та self-hosting моделі — стандартні опції. Обговоріть вимоги data residency перед вибором інфраструктури.