Как «Тимокс» с помощью «ИИ‑Технолога» сократил расчет себестоимости деталей с 2 недель до 3 минут и спас 20% контрактов

После ухода зарубежных брендов крупные госкорпорации столкнулись с проблемой: импортные детали ломаются, заменить их нечем. Единственный выход: заказывать детали у российских заводов через тендеры.

Для «Тимокса» это открыло огромный рынок, но привело к сложностям на этапе пресейла. В качестве тендерной документации заказчики присылали чертежи, часто созданные по устаревшим технологиям, отсканированные на скорую руку, залитые тонером или краской.

По этим чертежам технологам «Тимокса» нужно было вручную решить уравнение с тремя неизвестными:

1. Понять нормы времени. Оценить, какие операции нужны и сколько часов уйдет на производство.
2. Рассчитать себестоимость. Детали уникальные, серии нет, рынка отпускных цен тоже.
3. Оценить применимость. Понять, сможет ли команда вообще выточить эту деталь на станках.

Главная проблема: пока технологи вручную оцифровывали чертежи и считали сметы, сроки подачи заявок сгорали. Из-за долгих расчетов «Тимокс» терял до 20% потенциальных контрактов, а отсутствие точной себестоимости иногда приводило к работе в минус.

«ИИ-Технолог» — это мультиагентная AI-система. Под капотом работает команда специализированных цифровых агентов. Каждый из них использует свой оптимальный технологический стек под конкретную задачу:

Как обучается система: все используемые алгоритмы изначально предобучены на открытых отраслевых данных. При внедрении на завод они проходят этап дообучения на локальном датасете заказчика, а в процессе эксплуатации продолжают дообучаться самостоятельно на основе корректировок и новых расчетов, которые вносит технолог.

Внедренная система полностью забрала на себя рутину по анализу конструкторских чертежей. Разработку и интеграцию команда «Технология и Бизнес» реализовала в 5 шагов:

Шаг 1. Локальный контур. Систему развернули прямо на серверах «Тимокса». Никаких облаков и внешних API — все данные остаются внутри периметра компании, что критично при работе с гостайной и оборонными заказами.

Шаг 2. Обучение на ГОСТах. Модель натренировали на нормативной базе (ГОСТ, ЕСТД), отраслевых нормативах и историческом датасете «Тимокса» из 10 000+ размеченных чертежей и соответствующих им техкарт.

Шаг 3. Бесшовная интеграция. ИИ-Технолога встроили прямо в 1С через собственный REST-API. Специалистам не пришлось переучиваться и привыкать к новому софту — они работают в привычном интерфейсе.

Шаг 4. Компьютерное зрение (CV). Под капот добавили модуль распознавания изображений со встроенными алгоритмами шумоподавления, чтобы читать даже самые «грязные» сканы.

Шаг 5. Оценка парка оборудования. Система автоматически сопоставляет требования из чертежа с реальными характеристиками станков на заводе и выдает вердикт: сможет ли предприятие изготовить эту деталь.

За несколько месяцев разработки команда «Технологии и Бизнес» столкнулась с тремя техническими барьерами:

1. Качество чертежей

Проблема: Часть сканов была настолько размытой или затертой, что нейросеть на первых этапах не замечала размеры.

Решение: В архитектуру добавили отдельный слой предобработки картинок: алгоритмы выкручивают контраст и убирают цифровой шум.

2. Нестандартные детали без истории

Проблема: Когда на расчет приходили нестандартные детали, для которых у компании не было исторических аналогов, модели не хватало данных для точного нормирования.

Решение: Систему научили в таких ситуациях жестко опираться на ГОСТы и подбирать максимально близкие по физике аналоги. При этом технолог получает готовый расчет с честной плашкой: «Внимание, новинка: требуется проверка человеком». Это позволило сохранить высокую точность даже на новых изделиях.

3. Разные форматы

Проблема: Тендерная документация поступала во всем спектре форматов: от бумажных копий до PDF разной структуры.

Решение: Команда написала универсальный модуль загрузки, который автоматически принимает любые форматы и конвертирует их в единое представление для анализа.