LLM в производственной аналитике: что реально работает на данных MES и WMS

Где LLM реально полезен, а где — хайп

LLM (большие языковые модели) — это инструмент для работы с текстом и неструктурированными данными. Они не заменят MES, не посчитают сдельную зарплату и не оптимизируют расписание цеха. Но есть три задачи, где они дают реальный эффект на данных производственных систем.

Задача 1: Объяснение аномалий в данных MES

MES показывает: потери на участке 3 выросли на 27% за неделю. Почему? Данные есть — объяснения нет. Мастер пишет в комментарии: «станок №12 вибрировал, переналадка два раза». Это текст, не число.

LLM может:

собрать контекст: потери по участку, комментарии мастеров за период, журнал ремонтов;
сформулировать гипотезу: «Рост потерь совпадает с двумя переналадками станка №12. Комментарии мастеров указывают на вибрацию. Вероятная причина — техническое состояние оборудования.»
предложить действие: «Проверить состояние станка №12, сравнить с графиком ТО.»

Это не замена аналитика. Это помощь — собрать разрозненные данные в одну картину за секунды вместо часов.

Задача 2: Запросы к отчётам естественным языком

Директор хочет знать: «Сколько деталей отправлено на участок 2 за прошлую неделю и сколько из них брак?» В MES это три клика, два фильтра и экспорт в Excel. С LLM — один вопрос.

Схема работы:

Пользователь задаёт вопрос естественным языком.
LLM преобразует вопрос в запрос к API MES (или SQL к базе).
MES возвращает данные.
LLM формулирует ответ в виде текста с цифрами.

Важно: LLM не придумывает данные. Он формирует запрос и интерпретирует результат. Данные всегда из MES, не из модели.

Задача 3: Разбор неструктурированных комментариев

В MES и WMS мастера оставляют комментарии к операциям: «брак на резке», «пересортица», «не хватило материала». Тысячи комментариев в месяц. Вручную их не проанализировать.

LLM может:

классифицировать комментарии по типам проблем (брак, материалы, оборудование, персонал);
выявить повторяющиеся темы: «60% комментариев по участку 4 — про нехватку материала»;
сформировать сводку для руководителя без ручного чтения.

Это реальная экономия времени аналитика — часы в неделю.

Где LLM бесполезен или вреден

Расчёт зарплаты. LLM не считает. Используйте реляционную логику MES.
Оптимизация расписаний. Это задача APS, не языковой модели.
Контроль качества в реальном времени. Это компьютерное зрение и детерминированные правила, не LLM.
Принятие решений. LLM предлагает гипотезы, решение — за человеком.

Архитектура: как подключить LLM к MES/WMS

LLM не лезет в базу MES напрямую. Схема безопасная:

MES/WMS отдаёт данные через REST API (уже есть).
Слой интеграции: LLM получает вопрос → формирует API-запрос → получает JSON-ответ.
LLM формулирует текстовый ответ на основе JSON, не выдумывая данные.
Все запросы логируются. Ответы LLM помечаются как «сгенерировано».

Ключевое: LLM работает с данными из системы, не из своей памяти. Если данных нет в MES — LLM не должен их придумывать.

Что мы видим на практике

В наших проектах (MES для металлоконструкций, WMS для складов) LLM-слой — это надстройка, не ядро. Сначала система должна работать без AI: данные фиксируются, отчёты строятся, зарплата считается. Потом сверху — LLM для тех, кто хочет быстрее получать ответы.

Без работающей MES/WMS внедрять LLM бессмысленно — не из чего строить аналитику.