ШІ для промислового виробництва: прогностичне обслуговування, контроль якості, документація

Завод із трьома виробничими лініями, кількасот датчиків на машинах, контроль якості на основі вибіркової перевірки контролером та купа документації, яку хтось вручну переписує в ERP-систему наприкінці зміни. Це картина, яку ми бачимо регулярно. Даних не бракує — бракує способу перетворити ці дані на своєчасне рішення. Тут ШІ має сенс. Але той самий завод часто спокушають обіцянкою «розумної фабрики, яка керує сама собою», а це вже інша розмова: про безпеку, відповідальність і право. Нижче розділяємо одне від іншого, чесно і без обіцянок, яких неможливо дотриматися.

Прогностичне обслуговування (predictive maintenance) — це передбачення поломки машини до того, як вона станеться, на основі даних з датчиків: вібрацій, температури, споживання струму, тиску, звуку. Модель вчиться, як виглядає «здорова» робота машини, і сигналізує про відхилення, які в історичних даних корелювали з майбутньою поломкою.

Важливо не обіцяти забагато. ШІ не «знає», що підшипник вийде з ладу через 11 днів. ШІ виявляє, що профіль вібрацій зміщується в бік, який у історичних даних корелював із близькою поломкою, і піднімає алерт із певною впевненістю. Рішення про зупинку машини та заміну деталі приймає служба обслуговування — бо саме вона несе наслідки помилки.

Реальний обсяг переваг залежить від якості даних і від того, чи існує взагалі історія поломок для навчання моделі:

• Зменшення незапланованих простоїв: на заводах із хорошою інструментацією зазвичай видно покращення в межах 10-30%, рідше більше. Це діапазон, а не гарантія.
• Подовження циклу заміни деталей: заміна «кожні X годин» на «коли дані вказують на знос» може обмежити передчасні заміни.
• Обов’язкова умова: датчики, які фактично збирають сигнал із відповідною частотою, та позначені в часі події поломок. Без цього модель немає на чому вчитися.

Якщо історичних даних бракує, чесний шлях — спочатку збір і впорядкування сигналу, а вже потім моделювання. Як підготувати ці дані, описано в підготовці корпоративних даних під ШІ.

Візуальний контроль якості — це сфера, в якій ШІ досяг найбільшої зрілості. Камера фотографує продукт на лінії, класифікатор зображення оцінює, чи бачить дефект (подряпину, відсутній елемент, деформацію, помилку друку), і позначає екземпляри для відбраковування або ручної перевірки.

Тут ключовими є два чесні застереження. По-перше, модель така добра, як навчальні дані — якщо вона не бачила певного типу дефекту, то не виявить його. По-друге, налаштування порогу чутливості — це бізнес-рішення, а не технічне: нижчий поріг виявляє більше дефектів, але генерує більше хибних спрацьовувань; вищий поріг пропускає більше якісних виробів, але ризикує пропустити дефект.

Тому добре спроектована система працює як попереднє сито, а не остаточний суддя. ШІ визначає кандидатів на дефекти, людина підтверджує у сумнівних випадках. Цю саму схему «ШІ просіює, людина вирішує» ми розглядаємо в контексті заявок у класифікації та маршрутизації заявок ШІ.

Найменш ефектна, але часто найрентабельніша сфера — це адміністрування. Виробництво генерує величезну кількість документів: контрольні карти, звіти за зміни, сертифікати якості, протоколи, супровідна документація. Багато з цього — це ручне переписування чисел з одного місця в інше.

Тут ШІ добре працює як екстракція даних: зчитує значення з форм, етикеток, сертифікатів постачальників і переносить їх у структурованому вигляді в систему. Мовна модель також може згенерувати першу версію звіту за зміну з необроблених даних з лінії — з застереженням, що версію підписує людина.

Межа тут проста: ШІ готує та впорядковує, людина затверджує документ, який має юридичну або якісну цінність. Агент може зібрати дані та скласти звіт, але підпис під сертифікатом якості — це відповідальність людини, а не моделі.

Тут потрібно бути точним, бо виробництво — це сфера, де ШІ може впливати на безпеку людей і майна.

Доки ШІ підтримує рішення — алерт для обслуговування, виявлення дефектів для перевірки, чернетка звіту — і людина залишається в ланцюгу прийняття рішень, правовий та операційний ризик обмежений. Проблема починається, коли система самостійно приймає дію, що впливає на безпеку: зупиняє машину без нагляду, керує параметром процесу, допускає партію до відправки без перевірки.

AI Act класифікує як високоризикові, зокрема, системи, що є елементом безпеки продукту або машини. Якщо ШІ є компонентом безпеки (наприклад, вимикає прес, коли «бачить» руку оператора) або вирішує про допуск виробу, що впливає на безпеку, виникають обов’язки: технічна документація, оцінка ризиків, людський нагляд з реальною можливістю втручання, логи та моніторинг якості в часі.

Три принципи, яких ми завжди дотримуємося:

• Людина в ланцюгу прийняття рішень щодо безпеки. ШІ сигналізує, людина затверджує зупинку, відбраковування партії, допуск виробу.
• Логування та контроль якості моделі. Модель з часом дрейфує (змінюється сировина, інструменти, освітлення); без моніторингу її ефективність тихо знижується. Як це вимірювати, описано в моніторингу якості агента ШІ.
• Аудит перед промисловим впровадженням. Перш ніж система потрапить на лінію, варто пройти аудит безпеки асистента ШІ, щоб перевірити права доступу, доступ до даних і сценарії зловживань.

Чесний порядок впровадження у виробництві виглядає менш ефектно, ніж обіцяють слайди.

Спочатку — одна вузько визначена проблема з вимірюваними витратами — найчастіше або прогностичне обслуговування однієї критичної машини, або візуальний контроль одного типу дефекту, або автоматизація одного звіту. Потім — перевірка, чи існують дані для навчання моделі. Далі — пілотний проект поряд із поточним процесом (ШІ визначає, людина все ще вирішує), щоб виміряти ефективність на реальних даних, перш ніж щось почне працювати самостійно. І лише коли цифри збігаються — поступове розширення із збереженням нагляду там, де йдеться про безпеку.

Це не шлях навпростець. Але це шлях, який не закінчується дорогим рішенням, якому ніхто не довіряє, бо одного разу помилилося з партією, вартість якої перевищує все впровадження.

Ні. Прогностичне обслуговування виявляє відхилення, які історично передували поломкам подібного типу — працює там, де сигнал з датчиків дійсно передбачає проблему (знос підшипників, дисбаланс, перегрів). Раптові поломки без попередніх симптомів або типи несправностей, відсутні в історичних даних, залишаються поза межами моделі. Тому ми говоримо про зменшення простоїв у діапазоні, а не про їх усунення.

На практиці не замінить, а змінить роль людини. Класифікатор зображення автоматично перевіряє більшість виробів і визначає кандидатів на дефекти, а контролер зосереджується на граничних випадках і рішеннях, які несуть відповідальність. Повна автоматизація без людини має сенс лише у дуже зрілих, добре валідованих процесах і простих, повторюваних дефектах.

Це залежить від архітектури, яку ви оберете — і це рішення, а не необхідність. Чутливі дані (рецептури, параметри процесу, дані з лінії) можуть залишитися в інфраструктурі заводу завдяки моделям, що запускаються локально, або у постачальника з гарантією локалізації даних в ЄС та договором доручення. Варто прийняти це рішення свідомо на початку, бо воно визначає весь проект.

Іноді так. Якщо ШІ є компонентом безпеки машини або вирішує про допуск виробу, що впливає на безпеку, він може бути системою високого ризику згідно з AI Act — з обов’язками щодо документації, оцінки ризиків та людського нагляду. Системи суто адміністративного призначення (звіти, екстракція даних до ERP) зазвичай не потрапляють у цю категорію, але класифікацію варто підтвердити для конкретного застосування.

Чесна відповідь — «залежить від даних», а не від моделі. Якщо датчики вже збирають сигнал і існує історія поломок, пілотний проект на одній машині зазвичай займає від кількох тижнів до кількох місяців. Якщо спочатку потрібно встановити датчики та створити історію подій, фаза збору даних може тривати довше, ніж саме моделювання — і її неможливо скоротити обіцянками.