«Интерпроком» на конгрессе «Русский инженер»: от гигабайтов учётных данных к инженерным гипотезам

Как нейросеть может помочь инженеру, если классическая предиктивная аналитика ограничена качеством размеченных данных? На IV Международном конгрессе «Русский инженер» вице-президент по технологиям ООО «Интерпроком» Владимир Орлов представил подход к применению LLM в ТОиР — архитектуру мультиагентной системы на базе EAM-контура, где источником учётных данных выступает платформа «АКСИОМА».

На площадке МГТУ им. Н.Э. Баумана в рамках конгресса состоялась VI Международная научно-практическая конференция «Математическое моделирование и искусственный интеллект». В секции «Современные технологии искусственного интеллекта» Владимир Орлов выступил с темой «Подходы к ИИ в вопросах технического обслуживания и ремонтов».

Выступление прошло в формате инженерного разбора: не просто описание продукта, а логика решения — от ограничений классического ML до принципов построения мультиагентной системы и требований к достоверности данных. Такой подход позволяет говорить с профессиональной аудиторией на её языке и обсуждать как возможности, так и ограничения технологии.

Центральный тезис — структурное противоречие зрелых EAM-систем: накопленные гигабайты нормативной документации, истории ремонтов и технологических карт не транслируются в инструменты ежедневной поддержки принятия решений. Инженер по эксплуатации, встроенный в контур отчётности, вынужден самостоятельно сопоставлять данные десятков BI-дашбордов, проверять гипотезы и выявлять аномалии в потоке сотен дефектов за смену. Учётно-контрольная функция EAM при этом не покрывает аналитическую рутину: система фиксирует факты, но не подсказывает, какие из них критичны и что с ними делать. В результате накопленный массив данных, который мог бы служить основой для прогноза, остаётся пассивным архивом, а не рабочим инструментом — и вся ответственность ежедневных решений ложится на инженера. В начале смены ему необходимо оперативно оценить, представляют ли новые дефекты угрозу непрерывности технологического процесса; далее — разобраться с накопленным бэклогом; в идеале — выявить причины роста числа дефектов. От скорости и точности этих решений зависит бесперебойная работа оборудования, но система не даёт готовых ответов, и аналитическая работа остаётся за человеком.

Почему классическая аналитика и машинное обучение не решают эту проблему? Ответ — в особенностях этих подходов, где общим является трудоёмкость подготовки, очистки и интерпретации исходных данных. Непонимание методики порой приводит к курьёзным ситуациям. Пример, который привёл Владимир Орлов, — компания из транспортной отрасли передала для анализа 100 гигабайт телеметрии с 200 датчиков, но без размеченной истории инцидентов, то есть без сведений о том, к каким поломкам привела работа различных агрегатов. Попытка построить прогнозную модель выявила лишь тривиальные корреляции вроде роста температуры при увеличении тока. Это одна из иллюстраций того, что классический ML требует не просто больших массивов, а качественно размеченных данных, и потому применим преимущественно в узкой нише подходящего оборудования.

Как отметил Владимир Орлов, дефицит размеченных данных и неспособность классических моделей работать с неструктурированными текстами — именно та проблема, которую призваны решить большие языковые модели (LLM). Они обрабатывают смыслы, тексты и табличные данные одновременно, что позволяет анализировать журналы дефектов, регламенты и техническую документацию на профессиональном языке. Архитектура включает оркестратора, который интерпретирует запрос инженера и решает, какие агенты и в какой последовательности должны его обработать; агента данных, формирующего SQL-запросы к БД; агента знаний, применяющего корпоративные методики и каталог метрик; агента отчётов и визуализации. Связующим элементом выступает онтология ТОиР — смысловой слой, который связывает таблицы баз данных с инженерными понятиями (дефект, узел, критичность) и не даёт модели путать термины.

Ключевой принцип мультиагентной архитектуры — не количество агентов, а узкая специализация каждого из них. Разделение ролей позволяет повысить достоверность результатов и снизить требования к вычислительным ресурсам и моделям: каждый агент выполняет одну конкретную, понятную операцию, а не пытается решить задачу целиком.

Если агенты узкоспециализированы и опираются на онтологию, возникает закономерный вопрос: насколько можно доверять их выводам? Ответ на него строится на принципиальном требовании — разделении фактов и гипотез. Каждое существенное утверждение сопровождается ссылкой на учётную запись в EAM или нормативный документ; аналитический вывод модели и предположительная гипотеза структурно различаются в интерфейсе. Рекомендация ИИ-ассистента не подменяет профессиональную инженерную оценку и полномочия персонала.

Особое внимание — достоверности расчётов. Языковая модель не должна сама «придумывать» цифры: для этого в архитектуре предусмотрен отдельный агент знаний.

Именно эта связка — узкая специализация агентов, опора на онтологию и честный отказ от непроверенных выводов — превращает ИИ-ассистента из «умного чат-бота» в рабочий инструмент. Предложенный контур позиционируется как «второй пилот» инженера: система автоматизирует рутинную проверку гипотез и подготовку отчётности, выявляет скрытые паттерны деградации оборудования, оставляя финальное решение за уполномоченным специалистом.

Выступление Владимира Орлова на конференции подтвердило: практическое применение LLM в ТОиР уже вышло за рамки теоретических концепций. Предложенная архитектура показывает, как экспертиза компании превращается в рабочий инструмент для конкретного предприятия. Для «Интерпроком» это направление остаётся одним из ключевых: компания продолжает развивать смысловой слой и мультиагентные решения для промышленного контура, ориентируясь на реальные процессы эксплуатации и ремонта.