Implementation scenario / 31 / Quality inspection
Компьютерное зрение для контроля качества
Дефекты проверяются выборочно, а критерии инспекторов различаются между сменами.
Vision-модель отмечает подозрительную область и сохраняет изображение с типом дефекта. Финальное решение и работа с исключениями остаются у ответственного: Контролёр подтверждает брак и калибрует порог для новой продукции.
Проверить применимость сценария →
Problem / buying moment
Почему этот процесс становится задачей для руководителя.
Обычно к сценарию «Компьютерное зрение для контроля качества» приходит директор по производству, главный инженер или руководитель качества, когда простои, дефекты и отклонения фиксируются постфактум, а данные оборудования и работ не связаны с ответственным действием. В этот момент локальная ручная проверка уже не масштабируется, но покупка отдельного AI-инструмента ещё не гарантирует изменения процесса.
В производственном контуре цена ложного решения высока, поэтому модель должна показывать сигнал и уверенность, а безопасное действие оставаться за инженером.
ПОЗИЦИЯ IT WHITEРезультат этого сценария — не «внедрённый AI», а управляемое изменение показателей: покрытие контроля, false reject, дефекты после отгрузки. Система должна обнаруживать событие, объяснять контекст и доводить его до ответственного действия.
Target operating model
Что именно меняется после внедрения.
Как разобрать именно этот сценарий.
Начинать нужно с наблюдаемого сбоя, а не с выбора модели. Исходная ситуация формулируется так: Дефекты проверяются выборочно, а критерии инспекторов различаются между сменами. Для директор по производству, главный инженер или руководитель качества это уже не локальное неудобство сотрудника, потому что сбой отражается на показателе «покрытие контроля» и со временем становится нормой, которую команда перестаёт замечать. До проектирования мы берём несколько реальных событий, восстанавливаем последовательность действий и отделяем причину от симптома.
Контур данных начинается не с единого хранилища, а с минимального набора доказательств. камеры фиксирует первичное событие; MES даёт контекст или состояние работы; quality system подтверждает следующий шаг и результат. Для каждого поля определяется источник, допустимая задержка и правило отсутствующего значения. Если событие нельзя восстановить, его нельзя безопасно использовать для автоматического решения.
Рабочая логика сценария выглядит конкретно: Vision-модель отмечает подозрительную область и сохраняет изображение с типом дефекта. При этом система не подменяет владельца процесса. Контролёр подтверждает брак и калибрует порог для новой продукции. Такое разделение нужно зафиксировать в интерфейсе, правах доступа и журнале действий, иначе формальный human-in-the-loop останется надписью в презентации, а человек будет подтверждать решение без достаточного контекста.
Главный негативный сценарий тоже проектируется заранее: Нельзя оценивать модель только на лабораторных фотографиях без реального света и скорости линии. Поэтому у пилота должны быть порог уверенности, маршрут исключения, возможность открыть первичные данные и понятный способ отменить действие. Ошибку нельзя прятать в среднем показателе: команда отдельно разбирает ложные срабатывания, пропущенные события и ситуации, где правило сработало правильно, но не привело к действию.
Руководитель принимает решение о масштабировании по трём наблюдаемым изменениям: «покрытие контроля», «false reject» и «дефекты после отгрузки». Сначала фиксируется базовая линия, затем одна зона работает в режиме пилота, а сравнение проводится на сопоставимом потоке. Целевой бизнес-результат: покрытие контроля, false reject, дефекты после отгрузки. Если изменение держится только благодаря ручному контролю разработчика, система ещё не готова к эксплуатации.
Architecture
AI не получает власть над процессом. Он получает ограниченную роль.
- камеры
- MES
- quality system
Контролёр подтверждает брак и калибрует порог для новой продукции.
Нельзя оценивать модель только на лабораторных фотографиях без реального света и скорости линии.
Каждый вывод хранит исходное событие, версию правила или модели и действие ответственного. Если контекста недостаточно, система не угадывает, а переводит событие на ручную проверку.
Business case / no invented ROI
Экономика начинается с потери, которую можно пересчитать.
До сметы мы не обещаем проценты эффективности. Сначала измеряем частоту события, стоимость ручной работы и ошибки, нагрузку на проверяющего и цену эксплуатации контура.
объём событий, в которых возникает проблема «Дефекты проверяются выборочно, а критерии инспекторов различаются между сменами.»
стоимость ручного действия, задержки или ошибки по показателю «покрытие контроля»
доля исключений, которые после запуска всё равно должен проверять человек
стоимость интеграции и сопровождения систем: камеры, MES, quality system
Если измеримый эффект не покрывает стоимость контура и риск, задачу не нужно превращать в отдельный продукт.
Measurement
Как понять, что внедрение работает.
Источник: камеры. Базовая линия: 2–4 недели до пилота.
Источник: MES. Базовая линия: 2–4 недели до пилота.
Источник: quality system. Базовая линия: 2–4 недели до пилота.
Сначала проверяем процесс, качество данных и владельца решения.
Нельзя оценивать модель только на лабораторных фотографиях без реального света и скорости линии.
Readiness check
Когда этот сценарий имеет смысл.
Автоматизация оправдана, когда проблема повторяется, влияет на управляемый показатель и у процесса есть владелец. Для сценария «Компьютерное зрение для контроля качества» сначала проверяем не модель, а фактический маршрут работы.
- 01Повторяемость
Событие повторяется достаточно часто, чтобы измерять «покрытие контроля».
- 02Доступность данных
Первичные данные доступны в системах: камеры, MES, quality system.
- 03Владелец решения
Владелец процесса готов отвечать за исключения и финальное решение.
- 04Ограниченный риск
Риск «Нельзя оценивать модель только на лабораторных фотографиях без реального света и скорости линии.» можно ограничить правилами, журналом и ручной проверкой.
Questions before code
Что нужно выяснить до выбора технологии.
Ответы отделяют реальную задачу от красивой демонстрации. Они же задают границы пилота и критерии остановки.
- Q1
Сколько раз за неделю возникает ситуация: Дефекты проверяются выборочно, а критерии инспекторов различаются между сменами.
- Q2
Где сегодня фиксируется покрытие контроля и можно ли восстановить исходное событие?
- Q3
Кто принимает решение после сигнала и за какое время он должен отреагировать?
- Q4
Какие ошибки системы недопустимы и когда решение обязательно передавать человеку?
Pilot / 4–8 weeks
Как запускать без большой ставки вслепую.
Зафиксировать текущий маршрут
Интервью с владельцем процесса, карта событий, исключения, права доступа и исходные значения KPI. На этом этапе может выясниться, что проблему надёжнее решает обычная логика, а не AI.
Собрать минимальный контекст
Подключаем только необходимые источники: камеры, MES, quality system. Не строим озеро данных до появления первого работающего сценария.
Запустить на ограниченной зоне
Vision-модель отмечает подозрительную область и сохраняет изображение с типом дефекта. Первые решения логируются, а низкая уверенность и исключения уходят человеку.
Сравнить с базовой линией
Смотрим на покрытие контроля, false reject, дефекты после отгрузки. Если процесс не изменился, не масштабируем интерфейс только ради уже написанного кода.
Пилот принимается по изменению покрытие контроля, false reject, дефекты после отгрузки, а не по количеству экранов и промптов.
Останавливаем масштабирование, если данные нестабильны, ответственный не использует сигнал или сохраняется риск: Нельзя оценивать модель только на лабораторных фотографиях без реального света и скорости линии.
How IT WHITE enters the project
Не продаём всю систему до проверки процесса.
100–180 тыс. ₽
Карта процесса, данные, потери, владелец решения, варианты архитектуры и предварительная экономика.
от 450 тыс. ₽
Одна ключевая задача, необходимые интеграции, роли, журнал решений, запуск и критерии результата.
от 100 тыс. ₽/мес.
Мониторинг, исправления, качество решений, новые правила, развитие интеграций и отчёт по работе системы.
Decision FAQ
Три вопроса, которые защищают проект от лишней сложности.
Здесь точно нужен AI?
Не обязательно. Если событие определяется стабильными правилами, обычная логика будет дешевле, быстрее и надёжнее. AI нужен там, где решение зависит от неструктурированного контекста.
Что подготовить к первичному разбору?
Один реальный пример сбоя, список систем (камеры, MES, quality system), пример исходных данных и человека, который сегодня принимает финальное решение.
Что происходит при ошибке?
Система сохраняет исходные данные и причину вывода, не выполняет критическое действие без разрешения и передаёт исключение человеку. Главный риск сценария: Нельзя оценивать модель только на лабораторных фотографиях без реального света и скорости линии.
Evidence base
На каких рыночных сигналах основан сценарий.
Материал синтезирует публичные исследования и практики. Мы не переносим чужие кейсы на себя и не обещаем чужие показатели. Экономика рассчитывается только после анализа вашего процесса.
Related scenarios / Производство и строительство
Следующие процессы в том же контуре.
Fit check / 20–30 min
Проверим сценарий «Компьютерное зрение для контроля качества» на вашем процессе.
За 20–30 минут определим разрыв, доступные данные, владельца решения и разумный первый контур. Это бесплатная проверка соответствия задачи, не платная диагностика.