В статье рассматривается проблема разрыва между детализированными результатами машинного обучения в задачах диагностики качества в машиностроении и потребностями систем менеджмента качества в комплексной, интерпретируемой и стандартизированной отчетности. Предлагается интеллектуальная система, основанная на синергетической интеграции распределенных модулей машинного обучения для локальной диагностики и больших языковых моделей для автоматической генерации контекстно-зависимых отчетов системы менеджмента качества. Описаны методология, архитектура системы, алгоритмы агрегации диагностической информации, методы инженерии промптов для большой языковой модели и механизмы верификации генерируемых отчетов, включая факт-чекинг для минимизации «галлюцинаций».

Результаты экспериментальной апробации на типовых задачах контроля качества подтверждают работоспособность системы, высокую точность модулей машинного обучения компонентов и способность генерировать фактологически точные, релевантные и соответствующие требованиям системы менеджмента качества отчеты. Предложенный подход позволяет эффективно преодолеть разрыв между технической диагностикой и управленческими потребностями системы менеджмента качества, автоматизируя процесс формирования интеллектуальной отчетности по качеству.