Точность выявления дефектов
у AI-визуального контроля против ~70-80% при ручном осмотре.
AI
ИИ-контроль качества на производстве и стройке
ИИ находит дефекты и отклонения, собирает контекст из MES/ERP и приёмки, даёт проверяемое объяснение. Годен или брак решает ОТК. Пилот на вашей истории.
Наши клиенты
Клиенты и партнеры
Экран разбора отклонения
AI-контроль качества: данные рынка и аналитиков
Публичные данные вендоров и исследований, а не результаты KT.Team; источники - внизу страницы.
Меньше брака
и +30% к производительности у производств с AI-контролем качества (McKinsey).
Окупаемость
типичный срок для AI-визуального контроля; в среднем 7-8 мес (Forrester).
Рынок в 2024 году
объём AI-визуального контроля, рост ~13,8% в год.
Как разбирается отклонение
-
01
Фиксация дефекта
Агент находит дефект или отклонение в продукции, партии или работах на объекте: по кадру с линии, камеры приёмки или загруженному снимку.
-
02
Сбор контекста
К находке подтягиваются данные MES/SCADA, ERP/1С, чек-лист приёмки и история по SKU или этапу - в пределах прав доступа.
-
03
Уточнение у оператора или мастера
Оператор линии или мастер на объекте добавляет то, чего нет в системах: условия смены, партию сырья, особенности узла.
-
04
Проверяемое объяснение
Агент показывает, что именно не так, на каких фактах основан вывод и какой следующий шаг - без чёрного ящика.
-
05
Решение ОТК или прораба
ОТК или прораб выбирает «годен / брак / на доработку» и запускает корректирующее действие.
-
06
Обратная связь в контрольную выборку
Подтверждённый разбор возвращается в контрольную выборку и уточняет модель для следующих проверок.
Из каких источников собирается контекст
| Система / слой | Зона ответственности |
|---|---|
| Машинное зрение и камеры | Кадры с линии и камер приёмки, снимки узлов и партий, выделение области отклонения. |
| MES / SCADA / ERP / 1С | Данные о партии, заказе, этапе, параметрах процесса и статусах — контекст вокруг находки. |
| База регламентов и чек-листы приёмки | Действующие нормы, допуски, критерии годности и чек-листы приёмки на объекте. |
| AI-контур | Детекция, сбор контекста, проверяемое объяснение и журнал источников по каждому разбору. |
| Право и информационная безопасность | Основание для обработки снимков и данных, роли доступа, маскирование и сроки хранения согласуются до подключения источников. Приёмочные и кадровые решения не принимаются автоматически. |
| ОТК и руководитель процесса | Решение «годен / брак / на доработку», приёмка и корректирующее действие остаются за человеком. |
Где агент справляется, а где нужен человек
Подходит для AI-контроля
- Дефект или отклонение формализуемо и видно на кадре или в данных процесса.
- Есть размеченная история находок и норма, с которой сравнивать.
- Источники можно связать по партии, SKU, заказу или этапу работ.
- Нужен единый поток находок с контекстом для ОТК, а не ручной обход.
Требует решения человека
- Спорная приёмка, где норма допускает трактовку.
- Конфликт норм или ситуация, которую регламент не описывает.
- Вывод влияет на юридическое, финансовое или договорное последствие.
- У модели низкая уверенность или не хватает контекста по находке.
Смежный опыт
Смежный опыт KT.Team в производстве и на стройке
Система контроля стройки для девелопера из топ-5
- Сдвиги сроков стали видны в реальном времени
- Прогнозирование стройки стало базой IT-контура
- Контроль сроков снижает риск просрочки на объекте
Pimcore для планирования производства мяса индейки
- Сбор данных с производства оцифрован и автоматизирован
Pimcore для трекинга ассортимента
Подробнее
AI-распознавание составов по штрихкоду
- Обработка ускорилась с 30 минут до 2 на партию из 10 изображений
- Точность распознавания состава составляет 80-95%
Метрики пилота
Пилот строится на размеченной истории дефектов и новых находках того же типа. Эффект замеряем на контрольной выборке с оценкой σ-значимости, а не по впечатлению.
Полнота выявления дефектов
Доля известных дефектов, которые агент нашёл в контрольной выборке.
Ложные срабатывания
Доля сигналов, которые ОТК признал нормой или допустимым отклонением.
Полнота контекста
Доля разборов, где ОТК не пришлось вручную собирать данные и снимки.
Время до решения ОТК
Время от фиксации дефекта до подтверждённого решения годен / брак / на доработку.
FAQ
Частые вопросы про AI-контроль качества
Какие источники, камеры и данные нужны для старта?
Достаточно того, что уже есть: кадры с линии или камеры приёмки либо загруженные снимки, доступ к MES/SCADA, ERP или 1С по нужной части процесса и чек-листы приёмки. Отдельную инфраструктуру под пилот разворачивать не нужно.
Сколько длится и стоит пилот?
Пилот идёт на одном типе дефекта и вашей размеченной истории; объём и сроки фиксируем на старте по количеству данных и источников. Оплата - после принятия результата, поэтому вы платите за подтверждённый эффект, а не за обещание.
Что остаётся за ОТК и руководителем?
Решение «годен / брак / на доработку», приёмка и корректирующее действие. Агент фиксирует дефект, собирает контекст и даёт проверяемое объяснение, но не выносит приёмочных и кадровых решений автоматически.
Как вы считаете эффект и σ-значимость?
Эффект замеряем на контрольной выборке: сравниваем полноту выявления и ложные срабатывания агента с текущим контролем и оцениваем, значимо ли различие статистически, а не по единичному впечатлению.
Как агент связывается с MES, ERP и приёмкой?
Через контракты и очереди, а не прямыми правками внутри систем: агент читает данные о партии, заказе и этапе и возвращает разбор в единый поток находок для ОТК. Прямой доступ к базам и передача секретов не требуются.
Работает ли это на стройке и на производственной линии?
Да. На линии агент разбирает дефекты продукции и партий, на объекте - отклонения в работах и приёмке. Для строительных смет и объёмов смотрите смежное решение ИИ-сметчик.
А если нужно контролировать отклонения от регламента и договорённостей, а не дефекты?
Это отдельная задача - для неё есть AI-помощник по контролю регламентов. Эта страница про контроль качества продукции и работ: дефекты, брак, приёмка и ОТК.
Пилот
Начать с одного типа дефекта
Берём один тип дефекта или отклонения, обучаем агента под него на вашей размеченной истории, подключаем нужные источники и заранее согласуем порог ручной проверки. Оплата - после принятия результата пилота, дальше масштабируем на линию или объект. Это часть линейки AI-решений для бизнеса.
- Один тип дефекта
- Пилот на вашей истории
- Оплата после принятия
- Масштаб на линию или объект
Источники
Дата проверки: 18.07.2026
- McKinsey: AI-контроль качества снижает брак до 50% и повышает производительность на 30% (обзор Techstack): https://tech-stack.com/blog/visual-ai-reduces-defects-boosts-manufacturing-yield/
- Точность AI-визуального контроля 95-99%, окупаемость 6-12 мес (Forrester) и рынок $1,62 млрд - iFactory: https://ifactoryapp.com/article/ai-vision-inspection-manufacturing-defect-detection
