Интеллектуальная система генерации отчетов по качеству на основе синергии машинного обучения и больших языковых моделей: преодоление разрыва между диагностикой и системой менеджмента качества

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.

1. Бекетова О. Н., Арифуллин М. В., Фролов А. Л. Инновационные технологии управления качеством продукции на предприятиях машиностроения // Вестник Алтайской академии экономики и права. 2023. № 4-1. С. 18–22. DOI: 10.17513/vaael.2756. EDN: FWPCGA.

2. Wang S., Zhao J., Ta N. [et al.]. A real-time deep learning forest fire monitoring algorithm based on an improved Pruned + KD model. Journal of Real-Time Image Processing. 2021. Vol. 18. P. 2319–2329. DOI: 10.1007/s11554-021-01124-9.

3. Благородов А. А., Прохоров В. Т., Кораблина С. Ю. [и др.]. Об особенностях обеспечения качества системы менеджмента для производства востребованной и приоритетной продукции // Фундаментальные и прикладные научные исследования в области инклюзивного дизайна и технологий: опыт, практика и перспективы: сб. науч. трудов XI Междунар. науч.-практ. конф. (25–27 марта 2025 г.). Ч. 3. Москва: РГУ им. А. Н. Косыгина, 2025. С. 191–198. EDN: EULQLN.

4. Боргардт Е. А., Бобель Д. Н. Технологии искусственного интеллекта в системе управления качеством // Международный журнал гуманитарных и естественных наук. 2021. № 8-1 (59). С. 178–180. DOI: 10.24412/2500-1000-2021-8-1-178180. EDN: JHAFSD.

5. Зубков В. И. Инноватика процессов управления качеством в сложных технических системах // Вестник Уфимского государственного авиационного технического университета. 2012. Т. 16, № 6 (51). С. 242–251.

6. Кузнецов М. С., Калмыкова С. В. Искусственный интеллект в управлении качеством // Диалог. 2024. № 3. С. 37–39.

7. Малкина И. В. Автоматизация контроля качества геометрических параметров деталей в машиностроении // Известия Самарского научного центра Российской академии наук. 2022. Т. 24, № 3. С. 34–41. DOI: 10.37313/1990-5378-2022-24-334-41. EDN: DDURMC.

8. Попенко И. И. Автоматические системы контроля в машиностроении // Россия молодая: сб. материалов VIII Всерос. науч.-практ. конф. молодых ученых с междунар. участием, Кемерово, 19–22 апреля 2016 г. Кемерово: Кузбасский государственный технический университет имени Т. Ф. Горбачева, 2016. С. 234. EDN: WKJZRV.

9. Сунцов А. П. Современные средства контроля изделий в машиностроении // Студенческий научный форум: X Междунар. студен. науч. конф. Екатеринбург: Российский государственный профессионально-педагогический университет, 2018. С. 1–6.

10. Xie T., Cheng X., Wang X. [et al.]. Cut-Thumbnail: A Novel Data Augmentation for Convolutional Neural Network. Proc. of the 29th ACM Intern. Conf. on Multimedia, Virtual Event. 2021. P. 1627–1635. DOI: 10.1145/3474085.3475302.

11. Terven J., Cordova-Esparza D.-M., Romero-Gonzбlez J.A. A comprehensive review of YOLO architectures in computer vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction. 2023. No. 5. P. 1680–1716. DOI: 10.3390/make5040083.

12. Machine defects computer vision model. URL: https://universe.roboflow.com/j-component-ml/machine-defects (accessed: 27.10.2025).

13. Defects computer vision model. URL: https://universe.roboflow.com/mai-ldivt/defects-lavkc (accessed: 27.10.2025).

14. Welding defect detection computer vision model. URL: https://universe.roboflow.com/final-year-project-kswbt/weldingdefect-detection (accessed: 27.10.2025).

15. CaliperTop_backup computer vision dataset. URL: https://universe.roboflow.com/imagineai/calipertop_backup (accessed: 27.10.2025).

16. Jocher G. Ultralytics YOLOv8. URL: https://github.com/ultralytics/ultralytics (accessed: 27.10.2025).

17. Kirillov A., Mintun E., Ravi N. [et al.]. Segment Anything. 2023. DOI: 10.48550/arXiv.2304.02643.

18. Lewis P., Perez E., Piktus A. [et al.]. Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 9459–9474. DOI: 10.48550/arXiv.2005.11401.

19. ГОСТ Р ИСО 5817–2009. Сварка. Сварные соединения из стали, никеля, титана и их сплавов, полученные сваркой плавлением. Уровни качества в зависимости от дефектов. Введ. 01.01.2011. Москва: Стандартинформ, 2010. 31 с.