Практика внедрения ИИ в промышленности: как Docora AI помогла ускорить работу инженеров НИИК

В промышленности ИИ быстро перестаёт быть «вау-технологией» — и становится обычным производственным инструментом. Но только при одном условии: ответ должен быть проверяемым, данные — защищёнными, а результат — управляемым.
На нашей онлайн-встрече с НИИК мы разобрали именно практику: почему «просто взять ChatGPT» не работает для внутренних задач предприятия, как устроен корпоративный цифровой эксперт на документах и какие выводы дал пилот в инженерном контуре.

Рынок очарован большими коммерческими моделями вроде ChatGPT и DeepSeek и часто недооценивает локально развернутые решения, однако промышленные предприятия — это объекты КИИ, и им важно использовать решения в закрытом контуре и контролем доступа. Также часть знаний и документации — коммерческая тайна, которую нельзя транслировать вовне. В НИИК эта тема критична: институт опирается на большой исторический архив инженерных знаний и лицензирования.

Большие коммерческие модели удобны, но проблема еще и в том, что они не знают вашу организацию: ваших регламентов, архивов, терминов, правил и внутреннего контекста. Поэтому, когда сотрудник начинает задавать вопрос, модель закономерно додумывает — и выдаёт галлюцинации.

Отсюда главный принцип, с которого стоит начинать внедрение: если вы хотите ИИ для работы по корпоративной базе знаний, он должен работать в вашем контуре и отвечать с опорой на ваши источники.

Классический поиск заставляет человека делать самую дорогую часть работы: собирать документацию, сверять формулировки, собирать отчет. Мы за другой подход: цифровой эксперт, который:

• принимает вопрос «человеческим языком»;
• находит релевантные фрагменты в корпоративной базе знаний;
• формирует понятный ответ строго на основе найденного;
• и обязательно прикладывает ссылку на первоисточник, чтобы инженер мог быстро проверить данные.

Как только речь заходит про ИИ в промышленности, почти всегда всплывают два мифа: «это небезопасно» и «это дорого». На практике оба вопроса решаются, если правильно выбрать архитектуру.

Про безопасность. Для промышленных сценариев мы разворачиваем решения в закрытом контуре. По требованиям заказчика система может работать в изолированной инфраструктуре вообще без доступа в интернет, что снимает ключевые риски утечек.

Про стоимость. Для большинства корпоративных задач не нужна огромная «всеобъемлющая» модель. Нам важнее, чтобы система хорошо работала на конкретных процессах и документах, поэтому практичнее использовать более компактные модели, настроенные под задачу: так проще управлять качеством и значительно легче требования к инфраструктуре.

Из этого логично вытекает третий момент — инфраструктура. На типовых сценариях можно стартовать с конфигураций от сотен тысяч рублей до порядка миллиона, а критичным параметром на практике становится объём GPU-памяти, потому что под капотом работает не одна модель, а набор компонентов, которым тоже нужны ресурсы.

Чтобы внедрение было безопасным и предсказуемым, мы начали с понятного сценария и ограниченного объёма знаний. В период пилота команда института тестировала систему около двух месяцев, взяв за основу технологический справочник по производству карбамида на базе профильной монографии.

Почему этот сценарий оказался «правильным первым шагом»:

• у НИИК огромный архив знаний, который сложно поднимать вручную;
• нужен инструмент, который возвращает накопленный опыт «в работу» — быстро и в удобной форме;
• при этом безопасность и контроль источников остаются обязательными.

Во время пилота инструментом пользовались около 20 человек — от инженеров до руководителей. Для качества это принципиально: разные роли задают разные вопросы и быстро проявляют слабые места системы.

После пилота обычно становится ясно главное: качество зависит не от размера модели, а от того, как выстроен процесс проверки и улучшения. Поэтому опытная эксплуатация всегда идёт итерациями.

1. берём базу знаний;
2. собираем список “золотых вопросов” — типовые запросы пользователей для проверки качества;
3. развертываем решение
4. даём пользователям доступ и собираем human feedback — что хорошо, где ошиблись, где не поняли термин;
5. на основании фидбэка, при необходимости, проводим несколько итераций улучшений.

На сегодняшнем уровне зрелости лучше всего работают сценарии, где ИИ использует свою сильную сторону — быстро обрабатывает большие массивы данных, но финальное решение остаётся за человеком:

• ассистенты по корпоративным знаниям (инструкции, регламенты, техдокументация);
• сопоставление и анализ больших массивов документов, поиск зависимостей и расхождений — с обязательной валидацией результата человеком.

Именно такие сценарии дают быстрый эффект и при этом остаются безопасными для промышленного контура.

Если вы хотите быстрый, безопасный и управляемый результат, рабочая дорожная карта выглядит так:

1. выбрать 1–2 сценария, где ответ подтверждается документом (регламенты, техдокументация, архив знаний);
2. подготовить базу знаний: структура, качество, глоссарий;
3. сформировать “золотые вопросы” и правила проверки;
4. провести пилот и собрать фидбэк от разных ролей;
5. после стабилизации качества — масштабировать на новые источники и подразделения.

Так ИИ становится инструментом, который выдерживает реальную производственную нагрузку.

Напишите нам на getai@codeinside.ru — покажем как может работать Docora AI на ваших документах и подскажем лучший сценарий для пилота.