AI w kontroli jakości dokumentacji technicznej: co wychwytuje, czego nie

Czas czytania: ok. 7 minut · Dla kogo: kierownicy biur technicznych i konstrukcyjnych, osoby odpowiedzialne za jakość dokumentacji, właściciele firm produkcyjnych rozważający AI w obszarze kontroli dokumentów.

Spis treści

1. Co AI wychwytuje, a czego nie: krótka odpowiedź
2. Dlaczego kontrola jakości dokumentacji jest żmudna
3. Co AI realnie wychwytuje
4. Czego AI nie wychwytuje
5. Gdzie w tym procesie musi zostać człowiek
6. Jak wdrożyć to sensownie
7. Czego ten post nie pokrywa
8. Powiązane

Co AI wychwytuje, a czego nie: krótka odpowiedź

AI w kontroli jakości dokumentacji technicznej dobrze radzi sobie z jednym typem pracy: wychwytywaniem niespójności formalnych. Rozjazd między wymiarem na rysunku a wartością w specyfikacji, brakujący widok, pozycja w zestawieniu materiałów, której nie ma w modelu, dwie różne wersje tego samego numeru rysunku, jednostka raz w milimetrach, raz w calach. To zadania powtarzalne i żmudne, i właśnie dlatego ludzie odpuszczają je pod presją czasu.

Czego AI nie wychwytuje: błędu, który jest formalnie poprawny, ale merytorycznie zły. Rozwiązania, które przejdzie każdą kontrolę spójności, a mimo to jest złe, bo przeczy wiedzy inżynierskiej, której nie ma w żadnym dokumencie. Poniżej rozbieramy jedno i drugie na konkrety i pokazujemy, gdzie w tym procesie musi zostać człowiek.

Dlaczego kontrola jakości dokumentacji jest żmudna

Dokumentacja techniczna średniego wyrobu to nie jeden plik, tylko sieć powiązanych dokumentów: rysunki złożeniowe i wykonawcze, specyfikacje, zestawienia materiałowe, DTR, instrukcje, karty. Ta sama informacja pojawia się w kilku miejscach naraz, a każde z nich ktoś może zaktualizować osobno.

Stąd bierze się większość problemów. Ktoś poprawia wymiar na rysunku, ale nie w specyfikacji. Zmienia się dostawca profilu, więc zmienia się oznaczenie w zestawieniu, ale opis w nocie zostaje stary. Wychodzi rewizja B rysunku, a w paczce do produkcji zostaje rewizja A. Żaden z tych błędów nie jest trudny do zauważenia z osobna. Problem w tym, że jest ich dużo, są rozsiane po dziesiątkach stron, a człowiek sprawdzający dwudziesty rysunek pod koniec dnia po prostu traci uwagę.

To jest dokładnie ten rodzaj pracy, w którym narzędzie się nie męczy. I dokładnie dlatego warto wiedzieć, co takie narzędzie realnie łapie, a co tylko wygląda, jakby łapało.

Co AI realnie wychwytuje

Poniższe zastosowania działają dzisiaj, pod warunkiem że dokumentacja jest w formie, którą model potrafi odczytać, i że wynik trafia do człowieka do zatwierdzenia, a nie prosto do produkcji.

Rozjazd między rysunkiem a specyfikacją

Model porównuje wartości, które powinny być zgodne w różnych dokumentach: wymiary, materiały, tolerancje, oznaczenia. Jeśli rysunek mówi jedno, a specyfikacja drugie, narzędzie to wskaże. To najczęstszy i najbardziej wdzięczny przypadek, bo błąd jest binarny: albo się zgadza, albo nie.

Niespójności między wersjami

Porównanie dwóch rewizji tego samego dokumentu i wypunktowanie, co się zmieniło, to zadanie, w którym AI jest szybkie i dokładne. Przydaje się zwłaszcza tam, gdzie zmiana miała dotyczyć jednego detalu, a przy okazji ruszyło coś jeszcze, o czym nikt nie wie.

Braki i niekompletność

Czy rysunek ma wszystkie wymagane widoki, czy każdy element z zestawienia ma swój numer pozycji, czy specyfikacja odnosi się do rysunku, którego nie dołączono. Kontrola kompletności to sprawdzanie listy, a to model robi bez zmęczenia.

Niespójność terminologii, oznaczeń i jednostek

Ten sam element nazwany w trzech dokumentach na trzy sposoby, jednostki mieszane w obrębie jednej karty, oznaczenie normy w starym formacie. Drobne rzeczy, które osobno nic nie znaczą, a razem robią z dokumentacji źródło pomyłek na produkcji.

Rozjazd zestawień materiałowych

Pozycja w modelu, której nie ma w zestawieniu, i odwrotnie. Ilości, które nie sumują się do całości. To klasyczny obszar błędów kosztownych, bo wychodzą dopiero przy zamawianiu materiału albo na montażu.

Wspólny mianownik: AI porównuje to, co da się porównać, i sprawdza to, co da się sprawdzić względem reguły. Nie ocenia, czy rozwiązanie jest dobre. Sprawdza, czy jest spójne.

Czego AI nie wychwytuje

Tu zaczynają się granice, o których demo milczy.

Błędy poprawne formalnie, złe merytorycznie

Wymiar może być identyczny na rysunku i w specyfikacji, a i tak błędny, bo dobrano go bez uwzględnienia obciążenia albo technologii wykonania. Dla modelu sprawdzającego spójność wszystko się zgadza. Ocena, czy to rozwiązanie w ogóle ma sens, wymaga wiedzy inżynierskiej, a nie porównania dwóch liczb.

Wiedza, której nie ma w dokumencie

Dlaczego tego wariantu nie stosujemy po reklamacji sprzed dwóch lat, którego dostawcy unikamy, jaki detal zawsze robimy inaczej dla konkretnego klienta. Ta wiedza siedzi w głowach kilku osób, nie w dokumentacji. Model nie wychwyci naruszenia reguły, która nigdzie nie została zapisana.

Intencja i kontekst decyzji

Czasem niespójność jest zamierzona: konstruktor świadomie odszedł od standardu, bo tego wymagał konkretny przypadek. Narzędzie zgłosi to jako błąd, choć błędem nie jest. Odróżnienie świadomej decyzji od pomyłki to znowu zadanie dla człowieka.

Pewność siebie modelu, gdy się myli

To najważniejsza granica. Model potrafi przeoczyć realny błąd i potrafi zgłosić błąd, którego nie ma, a jedno i drugie zrobi tym samym, spokojnym tonem. Nie sygnalizuje „tu nie jestem pewny" tak, jak zrobiłby to człowiek. Dlatego jego wynik jest listą kandydatów do sprawdzenia, a nie werdyktem.

Gdzie w tym procesie musi zostać człowiek

Sensowny podział ról jest prosty: AI zawęża, człowiek rozstrzyga. Narzędzie przechodzi przez całą dokumentację i wskazuje miejsca, które wyglądają na niespójne. Człowiek patrzy tylko na te miejsca, zamiast czytać wszystko od nowa, i decyduje, co jest realnym błędem, co świadomą decyzją, a co fałszywym alarmem.

Ten układ daje realną oszczędność, nie odbierając nikomu odpowiedzialności. Ryzyko pojawia się dopiero wtedy, gdy ktoś zacznie traktować brak zgłoszeń od modelu jako gwarancję, że dokumentacja jest poprawna. Nie jest. To znaczy tylko tyle, że model nie znalazł tego, co potrafi znaleźć.

Jak wdrożyć to sensownie

Najlepszy pierwszy krok to jeden wąski typ kontroli, który boli najbardziej i daje się zmierzyć. Zgodność rysunku ze specyfikacją albo kompletność zestawień to dobry początek, bo błąd jest jednoznaczny, a efekt widać od razu.

Warunkiem wstępnym jest dostęp do dokumentacji w formie, którą model odczyta, i uporządkowane repozytorium. To ten sam fundament, który opisaliśmy przy zarządzaniu wiedzą serwisową: bez uporządkowanych źródeł żadne narzędzie nie zadziała sensownie. Kontrola dokumentacji to zresztą naturalne rozszerzenie tego samego obszaru, który omawialiśmy przy AI w biurze konstrukcyjnym: to samo repozytorium, ten sam konstruktor trzymający rękę na pulsie, inne zadanie.

Reszta to kwestia ustawienia procesu tak, żeby wynik modelu zawsze przechodził przez człowieka, zanim cokolwiek trafi na produkcję.

Czego ten post nie pokrywa

To jest przegląd zastosowania i jego granic, nie instrukcja wdrożenia ani porównanie narzędzi. Nie wchodzimy w konkretne produkty, formaty plików ani wymagania sprzętowe. Nie omawiamy też kontroli jakości samego wyrobu na produkcji, bo to osobny temat: tutaj chodzi wyłącznie o dokumentację. Kwestie zgodności z normami traktujemy funkcjonalnie, a nie jako poradę prawną czy normalizacyjną.

Powiązane

• AI w biurze konstrukcyjnym: co realnie automatyzuje, a co tylko obiecuje
• AI do zarządzania wiedzą serwisową: jak zasilić system i gdzie są granice
• AI do generowania instrukcji pracy: jak to działa i ile kosztuje
• Pięć workflowów AI, które już dziś amortyzują się w polskiej produkcji