Кабинет нормоконтроля. На столе — распечатанный проект паспорта на гидравлический блок. Красной ручкой перечёркнут абзац: модель заботливо вписала рабочее давление 12 МПа вместо 120 МПа и сослалась на ГОСТ 12.2.007.14-2023. Такого ГОСТа не существует. Если эта бумага уйдёт в цех, а оттуда заказчику — это подсудное дело.
Голая языковая модель в конструкторском бюро — это диверсия. Генерация технической документации нейросетью работает только тогда, когда модели физически отрезают возможность фантазировать. Это не автопилот для инженера, это просто продвинутый транслятор.
«У нас гостайна, Siemens ушёл, а 7B-модели тупые»
«Ну и зачем тогда тащить ИИ в КБ, если он врёт в каждой второй цифре? У нас 152-ФЗ, 1С, всё на локальном контуре. ChatGPT нам не светит» — резонно замечает главный инженер.
Он абсолютно прав. Мы не пускаем генерацию в свободное плавание. Облака исключены сразу: ФСТЭК и требования безопасности оставляют нам только on-prem LLM для КБ. Мы берём локальные модели класса 7-14B (обычно это Llama-3 или Qwen, развёрнутые на собственных GPU/CPU серверах) и сажаем их на жёсткий поводок из структурированных данных. Никакой генерации текста «из головы».
Источником правды выступает выгрузка BOM (Bill of Materials) или спецификация из отечественной PLM-системы. Архитектура требует жёсткого грундинга (grounding): если нейросеть генерирует руководство по эксплуатации и ссылается на норматив, она обязана дёрнуть внутреннюю базу, найти реальный пункт ГОСТ и процитировать его дословно. Никакого пересказа.
class ESKDValidator(BaseModel):
pressure_mpa: float = Field(..., description="Строго из спецификации, запрещено вычислять")
gost_references: List[str]
@validator("gost_references")
def check_gost_in_db(cls, v):
for gost in v:
if not local_rag_db.exists(gost):
raise ValueError(f"Критическая ошибка: ГОСТ {gost} не существует в базе нормоконтроля")
return v«Кто отвечает за допуски?»
«И что, конструктор теперь просто жмёт кнопку и идёт пить кофе?»
Жмёт кнопку и идёт проверять. Мы чётко разделили зоны ответственности: рутину отдаём машине, ответственность оставляем человеку. ИИ собирает ведомости ЗИП, унифицирует формулировки в описании принципа работы, генерирует паспорт изделия из готовых параметров и переводит типовые разделы РЭ (требования безопасности, порядок транспортировки). Расчёты, допуски, схемы строповки и подписи — это исключительно ручная работа.
Нормоконтроль при таком процессе становится обязательным этапом Human-in-the-Loop. Мы внедрили шаблон ревью ИИ-генерации: контролёр видит в интерфейсе подсвеченные цветом блоки текста, которые сгенерила модель, и рядом — ссылки на исходные ячейки из 1С/PLM. Проверяется не весь текст с нуля, а только дельты и логика сборки.
Цена вопроса: 40 часов против 26
«Я за вашей нейросетью буду переписывать дольше, чем писал бы сам» — стандартное возражение.
Это ложь, и у нас есть честный замер. До автоматизации ЕСКД ведущий конструктор тратил на комплект документации для типового узла 40 часов. Это чистое время на копипасту из одних таблиц в другие и подгонку под ГОСТ 2.105-95. После внедрения on-prem генератора уходит 22 часа на автоматическую сборку черновика и 4 часа работы нормоконтролёра на вычитывание «машинного» слога и правку мелких косяков. Итого 26 часов.
Мы сняли 35% времени. Эти 14 часов конструктор теперь тратит на реальное проектирование железа.
- Что отдавать ИИ: типовые разделы РЭ, ведомости ЗИП, сборку паспорта изделия из PDM, описание принципа работы по дереву изделия.
- Что оставлять человеку: размерные цепи, допуски, расчёты прочности, критические параметры безопасности и ТУ.
Правильный шаг для старта — пилот on-prem генератора техдок от Morana Labs с замером часов на вашем реальном узле. Разворачиваем контур, скармливаем спецификацию, замеряем время до нормоконтроля и после.