Автоматика ассистента наладчика (визуальная подсказка)

Автоматика ассистента наладчика с визуальной подсказкой — ИИ-инструмент (чаще мобильное приложение или веб-сервис), который сочетает компьютерное зрение (CV) с большими языковыми моделями (LLM) для помощи инженерам при пусконаладке автоматики. Фотографируешь шкаф → ИИ рассказывает что видит и советует что делать.

Сценарий использования

Наладчик приехал на объект, открыл шкаф автоматики, который видит впервые:

1. Фотографирует внутренности шкафа на смартфон
2. Открывает приложение «AssistantAI» → загружает фото
3. ИИ распознаёт: «Это шкаф автоматики вентиляции на базе Segnetics Pixel 2500. Вижу: контроллер (нижний левый), 2 модуля расширения (I/O), 3 автомата защиты, частотник Danfoss FC51, клеммники WAGO 2007»
4. Наладчик задаёт вопрос: «Почему мигает жёлтый светодиод на контроллере?»
5. ИИ отвечает: «Жёлтый мигающий — предупреждение. Чаще всего — ошибка связи с модулем расширения или потеря датчика. Проверь:

• связь модулей (Modbus RTU, байт-ошибки в логе)
• подключение датчиков температуры (клеммы 15-18, Pt1000)
• аналоговые входы на обрыв»

1. При уточнении вопросов — ИИ углубляется в детали

Технологии

Компьютерное зрение

• YOLO v8 — быстрое детектирование компонентов (контроллер, модуль I/O, клеммник, автомат)
• SAM (Segment Anything, Meta AI) — выделение контуров отдельных элементов
• CLIP (OpenAI) — сравнение с базой знаний брендов и моделей
• Fine-tuning на фото шкафов — важно обучить на российском оборудовании (Segnetics, ОВЕН, Rubicon)

LLM

• GPT-4 Turbo (OpenAI) — топовое качество, но доступ ограничен в РФ
• Claude 3.5 (Anthropic) — хорошая работа с техническими документами
• YandexGPT — российский, на русском работает отлично
• GigaChat (Сбер) — альтернатива с хорошим качеством
• LLaMA 3.1 70B (open-source) — для локального развёртывания в изолированных сетях

Интеграция данных

• База знаний: datasheets контроллеров (Segnetics, ОВЕН, Siemens), типовые схемы, FAQ
• RAG (Retrieval-Augmented Generation) — ИИ ищет актуальные документы перед ответом
• Fine-tuning LLM на отраслевой лексике и типовых задачах

Применение

Для джуниор-наладчика

Виртуальный наставник в кармане. Задал вопрос — получил подсказку с объяснением. За 6-12 месяцев — набирает опыт в разы быстрее, чем в одиночку по документации.

Для опытного наладчика

Быстрый поиск информации по редкому оборудованию. Пришёл шкаф от незнакомого производителя — сфотографировал → ИИ рассказал.

Для диспетчера УК

Сломалась автоматика → техник не знает что делать → отправляет фото → ИИ подсказывает причину и действия.

Для заказчика при сдаче

Инспектор от заказчика сомневается в правильности монтажа → ИИ оценивает фото: «Монтаж соответствует ПУЭ, провода подписаны, автоматы правильного номинала».

Ограничения

• Точность — на типовых компонентах 85-95%, на редких/кустарных сборках падает до 50-70%
• Галлюцинации LLM — иногда уверенно отвечает неправильно. Критичные решения нужно сверять с документацией
• Безопасность данных — фото шкафов могут содержать коммерческую тайну. Нужна локальная установка (LLaMA + локальный CV) или corporate account в российских облаках (YandexGPT)
• Специфическая терминология — требует дообучения на отраслевых данных

Стоимость

• Разработка кастомного ассистента для компании — 3-15 млн руб (6-18 месяцев)
• Готовые решения (CopilotAI, YandexGPT API) — от 20 тыс. руб/мес на команду 10 человек
• Локальная установка LLaMA 3.1 70B + сервер с GPU — от 1,5 млн руб (единоразово) + поддержка

Перспективы

Это одно из самых быстрорастущих направлений. За 2025-2026 ожидается:

• Качество ответов — рост до уровня опытного инженера (сейчас — джуниор)
• Интеграция с AR-очками — ИИ видит то же что инженер, подсказывает в реальном времени
• Голосовой ввод/вывод (ASR + TTS + CV + LLM) — полностью hands-free
• Автоматическая генерация акта пусконаладки по результатам диалога

Для компаний-интеграторов — одна из ключевых инвестиций 2026-2028 гг.