Языковые модели для пищевых производств
Адаптация сотрудников, аудит документации ХАССП и мониторинг изменений в регуляторике, база знаний для технологов. На российском технологическом стеке, с хранением персональных данных в России по закону 152-ФЗ.
Зачем внедрять решения на базе LLM?
У пищевого производства две тревоги. Первая - это отстать. Крупные производители уже ускоряют адаптацию работников, проверяют документацию к надзорным проверкам и дают технологам быстрый доступ к нормам. Догонять хочется, но своей команды под такие проекты обычно нет. Вторая тревога - это оказаться первопроходцем на новой технологии.
Между этими тревогами есть рабочий путь. Это двигаться по задаче, которую уже прошли крупные производители. Начать можно с самого ощутимого. На производстве с большой долей иностранных работников это обычно адаптация, то есть ускорение выхода новичка на выработку и сдача тестов по охране труда.
Новичок выходит на плановую выработку за 10 смен вместо 30, а тесты по охране труда сдают с первого раза
Пищевое производство, где много сотрудников, не владеющих русским языком свободно, сталкивается с тремя проблемами. Работники плохо понимают русскоязычные инструкции по охране труда. Выход новичка на выработку занимает 25-30 смен. Кадровая служба ведет вручную документооборот по трудоустройству, а нарушение сроков грозит штрафами.
Ассистент адаптации закрывает все три задачи. Чат-бот отвечает на вопросы на родном языке работника. Он переводит вопрос и ответ на язык работника, а сам ответ берет из проверенных документов на русском языке и дает ссылку на источник. Обучающий модуль выдает курсы на разных языках и фиксирует тесты в журнале инструктажей. Кадровый блок напоминает о сроках. Первые 4 недели уходят на ревизию и структурирование регламентов.
«Черкизово» (2024) сократило срок выхода на выработку с 30 до 10 смен, подняло сдачу тестов по охране труда с 75% до 96%, сэкономило 8,3 млн рублей в год на 537 человек. «Логистик-Плюс» (2023) сократило срок обучения с 14 до 4 дней.
Пилот 6-8 недель, включая 4 недели на подготовку контента. Измеряем долю работников, сдавших тест по охране труда (от 85%), время вводного инструктажа (до 10 минут), снижение обращений в кадровую службу.
От 50 иностранных работников при штате от 200 человек, у работников есть смартфоны, заказчик готов оцифровать регламенты.
Документы к проверке надзорных органов готовы вдвое быстрее, а изменения регуляторики приходят сводкой раз в неделю
Предприятие обязано вести ХАССП. Перед каждой проверкой директор по качеству несколько дней вручную сверяет комплект документов по чек-листу, и одни и те же расхождения повторяются. Регуляторика обновляется непрерывно, поэтому новые приказы приходится отслеживать по десяткам источников, а пропуск изменения грозит замечанием.
Комплаенс-инфраструктура работает в двух режимах на одной нормативной базе. Первый режим - это аудит документации ХАССП. Он сверяет комплект по чек-листу и выдает список несоответствий со ссылками на норму. Второй режим - это мониторинг регуляторики. Он отслеживает источники надзорных органов и собирает сводку раз в неделю. У системы есть граница. Аудит находит расхождения в документах, а не фактические нарушения, и решения по ним принимает инженер по качеству.
Публичных кейсов проверки документации ХАССП языковой моделью почти нет, ориентиры взяты из смежных задач. MD Audit для Саратовской кондитерской мануфактуры (2024) снизил число нарушений в 10 раз за счет цифровых чек-листов. Россельхознадзор (2024) применяет в надзоре десятки моделей ИИ.
Пилот 10-16 недель, начинается с настройки чек-листа под тип производства. Измеряем сокращение времени на подготовку документов к проверке (цель 40-60%) и долю нужных уведомлений в сводке (от 80%).
От трех проверок надзорных органов в год и инженер по качеству, который будет работать с системой.
Смотрите также в разделе Автономные агенты: услугу «ИИ-агент закупок и поиска поставщиков».
Технолог находит норму закладки или ГОСТ со ссылкой на конкретный документ
Технолог ищет норму закладки, параметры техпроцесса, требования технических условий и ГОСТов. Эти документы лежат в разных местах, а часть из них только на бумаге.
Справочная система на языковой модели поверх документов компании. Технолог спрашивает обычными словами и получает ответ со ссылкой на конкретный пункт. Начинаем с одного домена документов.
Публичных кейсов для пищевых предприятий пока нет, ниша формируется. Ближайший ориентир - это «Нейротехнолог» компании СОЮЗСНАБ (2024).
Пилот идет от 6 до 12 недель, один домен, до 500 документов. Доля ответов с корректной ссылкой, цель от 70%.
От 50 документов, от 10 специалистов-пользователей и ответственный за поддержку базы.
Общее устройство услуги и публичные кейсы — на странице Корпоративная база знаний с ИИ.
Эти задачи мы собираем на собственной ИИ-платформе Svaya. Она ставится в контуре заказчика, в том числе в закрытом контуре без доступа в интернет, и приносит с собой маскирование персональных данных, журнал действий и поиск по документам компании. Поэтому проект начинается сразу с прикладной задачи, а не с подготовки инфраструктуры.
Как устроена платформаПрименений языковых моделей в российском бизнесе для пищевых производств
Полный каталог юзкейсов для пищевых производств с описанием проблемы, устройства решения, ожидаемого результата и примеров внедрений в России — по запросу.