Кейс Ingro и Нейрокор: искусственный интеллект в машиностроенииВ машиностроении есть почти анекдотичная, но очень дорогая проблема:
одна и та же деталь у разных производителей может стоить радикально по-разному.Один технолог посчитал – получилось условно 10 000 рублей.
Второй – уже 13 000.
У третьего — 18 000, и у каждого «есть аргументы».Причина проста: расчёт стоимости мехобработки — сложная экспертная работа.
Она завязана на опыт технолога, его подходы, внутренние нормы предприятия и кучу мелочей.Антон, основатель платформы Ingro и человек с 20-летним стажем в машиностроении, сформулировал это жёстко:
«85% огромного рынка мы вообще не можем посчитать».Почему так, что с этим сделали и при чём здесь искусственный интеллект — разберёмся по шагам.От 3D-модели к реальному рынку
У Ingro уже был мощный алгоритм: по 3D-модели детали система за считанные секунды выдавала котировочную стоимость изготовления.
Клиент загружает модель – через 3–4 секунды получает технически обоснованную цену, основанную на:
геометрии детали,
трудоёмкости обработки,
средней стоимости нормо-часа.Не «предсказание» на статистике, а евристический инженерный расчёт: алгоритм оценивает трудоёмкость, умножает её на нормо-час и даёт понятную цифру.Звучит идеально, но есть серьёзная вилка:
примерно 15% деталей существуют в виде 3D-моделей;
около 85% живут только в виде 2D-чертежей.Именно на этих 85% и сидит огромный пласт кооперации: заводы пересылают друг другу чертежи, а не трёхмерные файлы. Значит, красивый 3D-алгоритм закрывает лишь малую часть рынка – всё остальное по-прежнему считают люди, долго и не всегда согласованно.Логичный вопрос:
а можно ли научить машину «читать» 2D-чертеж так, чтобы она считала стоимость так же, как по 3D?Почему просто «перевести 2D в 3D» не работает
Интуитивное желание — взять 2D-чертёж, превратить его в 3D-модель и дальше использовать уже существующий алгоритм. На практике это почти утопия.Причин несколько:
3D-модели часто “немые”
В 3D обычно есть только геометрия.
А все важные вещи — допуски, шероховатости, покрытия, термообработка — записаны в текстовых полях 2D-чертежа.
В 3D всё в номинале
Если размер 8 мм с шестым квалитетом, в модели всё равно будет просто «8».
А в производстве именно допуск может увеличивать стоимость детали в несколько раз.
ГОСТ и привычки
Конструкторская документация по-прежнему живёт в формате 2D-чертежей.
Даже если конструктор проектирует в 3D, для передачи в производство и кооперацию он всё равно выпускает «бумажный» чертёж.Иными словами, 3D — это тело детали,
а 2D — это её паспорт, требования и юридически значимый документ.Поэтому команда Ingro пошла другим путём:
не «вытягивать» 2D в 3D, а считать напрямую по 2D, научив алгоритм вытаскивать из чертежа всё, что сейчас считывает глазами технолог.Рождение решения: OCR + эвристика
Для этого Антон пришёл к подрядчикам по искусственному интеллекту.
Через поиск, десятки звонков и отбор он остановился на компании «Нейрокор» (руководитель — Игнат).Задача, если упростить, звучала так:
«Есть 2D-чертёж в PDF или картинке.
Нужно автоматически считать с него все важные параметры и отдать их в наш алгоритм расчёта стоимости».Что именно нужно извлечь из чертежа
Список признаков получился внушительный:
размеры (диаметры, длины, глубины);
допуски и квалитеты;
радиусы;
обозначения шероховатости;
резьбы;
материал (например, «Сталь 45»);
наличие покрытий и термообработки;
прочие технологические требования.То есть система должна не просто «распознать текст», а понять, что есть что:
где диаметр, где радиус, где шероховатость, где обозначение резьбы, где просто надпись.Как устроен алгоритм
Команда Нейрокор построила конвейер примерно из таких шагов:
Загрузка чертежа
На вход принимается PDF или изображение (JPEG/PNG). PDF при необходимости конвертируется в картинку, чтобы использовать единый pipeline.
Поиск зон интереса (bounding box)
Модель-детектор обходит чертёж и выделяет области, где, с высокой вероятностью, есть размеры и обозначения.
OCR — распознавание символов
Для каждой зоны используется open-source OCR-движок, дообученный под специфические шрифты и обозначения машиностроительных чертежей.
Постпроцессинг — превращение «каши» в структуру
На этом этапе происходит магия:
из строк типа «⌀8 k6», «R3», «Ra 6.3» извлекаются
диаметр, квалитет, радиус, шероховатость и т. д.;
текст «Сталь 45» попадает в поле «материал»;
из набора найденных размеров выбираются именно те, которые нужны для расчёта (например, максимальный диаметр заготовки).Это уже эвристика и правила, написанные вместе с Антоном и его технологами.
Передача признаков в алгоритм Ingro
В итоге получается вектор параметров детали, на основе которого «старый» алгоритм расчёта трудоёмкости выдаёт котировочную стоимость.Важно:
алгоритм не анализирует геометрию картинки как образ, он работает только с символами и обозначениями.
И, как показала практика, в рамках задачи оценки стоимости этого достаточно:
основные факторы — материал, размеры, допуски, требования по обработке — всё равно записаны в условных обозначениях.Сложности реального мира: чертежи как искусство
На бумаге всё звучит красиво. В реальности — не всегда.1. Качество чертежей
Запикселенные картинки, сканы с выцветшими линиями, косые ракурсы.
Цифры, написанные поверх линий (OCR иногда принимает линию за букву «И»).
Тонкие шрифты, нестандартные обозначения.Каждый такой случай — риск ошибки распознавания.2. «Художество» вместо ЕСКД
Отдельная боль — качество конструкторской культуры:
не хватает размеров;
ГОСТы игнорируются;
технические требования оформлены как попало.Иногда Антон честно говорит:
«Тут не только нейросеть ошибётся — живой человек-технолог тоже».Работать приходится с тем, что есть, а не с идеальными учебными примерами.3. Многолистовые и сложные чертежи
Простая деталь может иметь 30 размеров.
Сложные — 800–1000.На таких чертежах технолог тратит по 4–8 часов, только чтобы их внимательно прочитать.
OCR и постпроцессинг на мультистраничных документах — отдельный челлендж, который команда сейчас дорабатывает.Метрики и проверка качества
Любой ИИ-проект упирается в один и тот же вопрос:
«насколько это вообще работает?»Здесь возникла здоровая дискуссия между заказчиком и подрядчиком: что считать качеством и как его измерять.В итоге договорились:
выделить датасет чертежей для обучения и внутренней отладки;
отдельно подготовить валидационный набор документов, на которых будет честно меряться итоговое качество пайплайна.На уровне компонент:
для детектора (bounding box) зафиксировали минимальную точность порядка 85%;
аналогичные требования выставили к блоку OCR + интерпретация.Но более важный параметр для бизнеса — не точность распознавания символов сама по себе, а насколько корректно считается итоговая стоимость.
И здесь Антон опирается на статистику: по 3D-моделям их алгоритм даёт релевантную цену примерно в 70% случаев, что уже надёжно перекрывает среднюю «человеческую вариативность».От 8 часов до 3 секунд
Раньше типичный процесс выглядел так:
Менеджер получает чертёж от клиента.
Передаёт его технологу.
Технолог 4–8 часов изучает чертёж, продумывает маршруты обработки, оценивает трудоёмкость, считает цену.Сейчас:
Клиент загружает 3D-модель (а скоро и 2D-чертёж) на сайт ingro.tech.
Через 3–4 секунды получает котировочную стоимость.Для пользователя это бесплатно — и это не случайность.Бизнес-модель: расчёт как лид-магнит
Ingro — это платформа-агрегатор заказов на мехобработку.Механика:
Пользователь бесплатно считает деталь и видит «справедливую» цену.
Если его всё устраивает, он нажимает «разместить заказ».
Далее Ingro распределяет заказ по пулу исполнителей и зарабатывает на комиссии и других моделях монетизации.Прямая аналогия — с Яндекс.Такси:
расчёт стоимости поездки бесплатен,
деньги платятся за саму услугу.Такая модель делает прозрачным рынок, где раньше царил хаос:
как с недвижимостью, когда Avito и ЦИАН дали всем шанс увидеть реальную медианную цену, а не чистую фантазию отдельного продавца.Как выбирают подрядчика по ИИ и зачем нужно ТЗ
Отдельная ценность проекта — в том, как он делался.Антон откровенно говорит: он не айтишник, ещё год назад не различал фронтенд и бэкенд. С другой стороны, он прекрасно понимает мехобработку, станки, квалитеты и допуски.Игнат, наоборот, хорошо знает ИИ-технологии, но вообще не из машиностроения. Поэтому первая фаза работы была не про код, а про взаимное обучение:
Антон объяснял, что такое квалитет, шероховатость, как живут цеха и технологи;
Игнат переводил это в требования к алгоритмам, выбору моделей, постпроцессингу.Ключевую роль сыграло грамотное техническое задание:
отдельный договор и бюджет только на написание ТЗ;
1,5 месяца общения, правок и согласований;
чёткий список параметров, которые должен уметь извлекать алгоритм, и метрик качества.И только после этого посчитали стоимость разработки MVP (около 2 млн рублей) и сроки (примерно полгода с учётом ТЗ).Выгода такого подхода проста:
заказчик лучше понимает, что именно он хочет получить;
разработчик чётко знает, под что подписывается, и может оценить риски.Кому это выгодно и кого «заменит» ИИ
Логичный страх:
если алгоритм считает стоимость за секунды, не останутся ли технологи без работы?Антон смотрит на это иначе:
«Мы никого не хотим заменить. Мы хотим, чтобы технологи перестали быть загнанными лошадьми и занялись тем, что реально повышает качество производства».Вместо четырёх часов расчёта цены по чертежу технолог сможет:
улучшать техпроцессы,
совершенствовать документацию,
работать над качеством и надёжностью.ИИ в этом кейсе — не конкурент человеку, а инструмент для снятия рутинной нагрузки и выравнивания рынка по прозрачным правилам.Когда ИИ действительно нужен, а когда — нет
Один из важных выводов, который сформулировали участники проекта:
Нельзя внедрять ИИ «ради ИИ».
Сначала нужно посчитать бизнес-кейс: сколько времени/денег сейчас тратится на задачу и что даст автоматизация.Во многих компаниях после честного расчёта оказывается, что дешевле посадить человека на полчаса в месяц, чем строить дорогой ИИ-проект.Но есть и обратные случаи, вроде комплектации палет на складах, где человеческий фактор (усталость, невнимательность, низкая мотивация) делает ошибки неизбежными, и без компьютерного зрения или ИИ-контроля не обойтись.Главный совет Антона тем, кто только думает о внедрении нейросетей:
Сначала напишите для себя ТЗ:
«Я хочу вот это, вот это и вот это».
Разложите бизнес-процесс: что на него влияет, где узкие места.
Посмотрите, что можно решить организационно и регламентами, а где действительно имеет смысл привлекать ИИ.В большинстве случаев оказывается, что
сначала нужно чинить процессы,
и только потом — «дотюнивать» их нейросетями.Что дальше
На момент записи кейса:
3D-расчёт уже работает в продакшене;
модуль по 2D-чертежам находится на стадии тестирования и внедрения;
пользователи активно засыпают систему реальными чертежами, расширяя датасет.Ближайшие планы:
улучшить OCR на сложных и «грязных» чертежах;
полноценно поддержать многолистовые документы и чертежи с сотнями размеров;
в следующей итерации — подключить более мощные модели (включая большие языковые), чтобы решать ещё более сложные задачи поверх базового распознавания.Но уже сейчас это пример того,
как конкретная боль отрасли, инженерная экспертиза и ИИ встречаются в работающем продукте:
рынок получает прозрачную котировочную стоимость,
технологи — освобождённое время,
заказчики — быстрые ответы вместо недель ожидания,
а платформа зарабатывает на честной и понятной модели.И всё это началось с одного простого вопроса:
«почему на одну и ту же деталь все ставят такую разную цену — и можно ли наконец посчитать её по-честному?»