نظام قائم على LLM قلل تحضير خرائط التحكم بالجودة في مصنع معادن من ساعتين إلى 5 دقائق

تُظهر دراسة حالة عملية من مؤسسة صناعة المعادن أن نماذج اللغة الكبيرة أصبحت بالفعل قادرة ليس فقط على الإجابة على الأسئلة، بل أيضاً على تخفيف العاملين في الهندسة من العمل الروتيني الثقيل المتعلق بالامتثال للوائح. تم تدريب النظام على قراءة صور الماسح الضوئي لمعايير GOST السوفييتية وتجميع خرائط التحكم تلقائياً في 3–5 دقائق بدلاً من أكثر من ساعتين من العمل اليدوي. من حيث تكاليف العمالة، وفقاً لتقييم مؤلف المشروع، يزيل هذا حجماً من المهام يعادل عمل ثلاثة متخصصي العمليات.

كانت المشكلة محددة جداً. في مؤسسة الدورة الكاملة، يعمل حوالي 3200 شخص، والتشكيلة تتجاوز 4500 صنف وتنمو باستمرار. لكل منتج، كان على التكنولوجي أن يفتح معيار GOST أو OST أو وثيقة نظامية أخرى، ويجد الجداول والملاحظات المطلوبة، ويستبدل معاملات مثل درجة الفولاذ وقطر القطعة والمجموعة، ثم يملأ يدوياً أكثر من 40 معامل تحكم.

كانت الصعوبة أن هناك أكثر من مائتي وثيقة، وجزء كبير منها كان موجوداً كصور ماسح ضوئي PDF غير مريحة تماماً من العصر السوفييتي. كانت الفكرة الأولى محلل تقليدي، لكنها فشلت بسرعة. كان تنسيق الوثائق النظامية متنوعاً جداً: في وثيقة واحدة، كانت القيم المطلوبة موجودة في صفوف الجداول، وفي أخرى كانت مخفية في الملاحظات، وفي ثالثة كانت موزعة عبر النص مع إحالات إلى أقسام أخرى.

ينهار نظام الاستخلاص البسيط المستند إلى النماذج هنا لأن المهمة تتطلب فهم معنى الوثيقة وليس فقط هيكلها البصري. لذلك لجأ المؤلف إلى LLM وأنشأ نظاماً حيث تلقى النموذج كمدخلات ملف PDF للمعيار ومعاملات المنتج ومجموعة من القواعد حول كيفية تحديد معاملات التحكم المحددة. بدت الفرضية التالية منطقية: إنشاء محفز عام واحد لجميع الوثائق النظامية.

في الاختبار الأول، أظهر هذا النهج نتائج لائقة. وفقاً للمؤلف، حدد Claude Sonnet 4.6 في وضع التفكير بشكل صحيح 85% من المعاملات لمعيار GOST واحد، و GPT 5.

4 — 72%. لكن في الوثائق اللاحقة، انهار الشمول. التبس النماذج بالجداول المتداخلة، وساء تفسير الشروط الحدية مثل "ليس أقل من" و"ليس أكثر من"، وأحياناً فاتها الثوابت أو الروابط بين الأقسام.

اتضح أن النهج العام الأنيق كان أدنى هنا من معمارية أضيق لكن يمكن إدارتها. ظهر الحل العملي بعد تقسيم التشكيلة وفقاً لمبدأ باريتو. اتضح أن 80% من منتجات المصنع يتم وصفها بحوالي 18% من معايير GOST.

بالنسبة للمشروع التجريبي، اختاروا 20 من الوثائق الأكثر استخداماً بشكل متكرر وأنشأوا محفز منفصل لكل واحد مع قواعد محددة: أين تجد المعامل، في أي جدول أو قسم يتم وصفه وكيفية تفسير الحالات المثيرة للجدل. تلقى النظام ملف PDF وخصائص المنتج كمدخلات، وأرجع جدولاً يحتوي على المعامل والقيمة والإشارة إلى الموقع في المعيار كمخرجات. عندما حدث خطأ، أرسل المؤلف لقطة شاشة إلى الحوار، وأظهر الإجابة الصحيحة، وطلب تحديث القاعدة بحيث لا تتكرر الفشل.

تم قضاء تسع تكرارات و 14 يوم عمل على التحسين، وبعدها بدأ استخلاص المعاملات لمعايير GOST المختارة يعمل بدون أخطاء. حالياً، يتم نقل المشروع من الوضع التجريبي إلى صيغة أكثر ملاءمة للإنتاج. يتم استخراج القواعد من المحفزات إلى جدول بيانات Excel بحيث يمكن للتكنولوجيين تحرير المنطق بأنفسهم دون الخوض في هندسة المحفزات.

يتلقى النموذج الآن ليس فقط ملف PDF ومعاملات المنتج كمدخلات، بل أيضاً جدول القواعد هذا، ويعيد البيانات في تنسيق مناسب للتحميل في نظام معلومات الشركة الداخلي. تجعل هذه الطبقة الحل قابلاً للتوسع: يمكن إضافة معايير جديدة تدريجياً دون ربط كل الدعم بمطور واحد. الخلاصة الرئيسية من دراسة الحالة هذه بسيطة: في الصناعة، تعمل نماذج اللغة الكبيرة بشكل أفضل ليس كـ "ذكاء عام لجميع الحالات"، بل كأداة مضبوطة بعناية لفئة محددة من الوثائق.

إذا بدأت بأكثر الوثائق النظامية شيوعاً، وجعلت النموذج يشير إلى مصدر كل معامل، وحافظت على القواعد قابلة للتعديل من قبل خبراء الموضوع، تتحول الذكاء الاصطناعي من عرض توضيحي إلى آلية إنتاجية ذات اقتصاد واضح. قد يكرر هذا النهج بالفعل ليس فقط في صناعة المعادن، بل أيضاً في الهندسة الميكانيكية والبناء والكيمياء والصيدلة والطاقة—في كل مكان لا يزال الناس يقومون بنقل البيانات يدوياً من اللوائح إلى أنظمة العمل.