1. Введение и актуальность исследования

Современное машиностроение оперирует большими объёмами нормативно-технической документации (ГОСТ, ТУ, паспорта оборудования). Традиционный ручной анализ отличается высокой трудоёмкостью и риском ошибок из-за человеческого фактора. Применение технологий обработки естественного языка (NLP) и больших языковых моделей (LLM) позволяет автоматизировать извлечение ключевых параметров и построение структурированных баз знаний, что является актуальной научно-практической задачей [1, с. 10; 4].

2. Специфика инженерно-технических текстов и архитектура LLM-системы

Инженерно-техническая документация отличается высокой плотностью терминов, наличием таблиц и строгой модальностью требований («должен», «допускается»). Ограничения контекстного окна LLM и риск галлюцинаций преодолеваются использованием гибридной архитектуры Retrieval-Augmented Generation (RAG) [2].

Процесс обработки включает три этапа:

1. Предобработка: OCR-парсинг текста и таблиц с сохранением иерархии документа.
2. Векторизация: разбиение текста на семантические фрагменты (chunks) и их индексация в векторной базе.
3. RAG-поиск и генерация: формирование релевантного контекста и построение итогового отчёта с помощью LLM.

3. Алгоритм автоматизированного извлечения и структурирования параметров

Процесс извлечения целевого вектора параметров P = {p1, p2, …, pn\} из текста T с помощью модели с параметрами Θ описывается максимизацией условной вероятности:

P_target = argmax P_Θ(P | T, S_schema) (1)

где S_schema — формализованная схема целевых данных. Для сложных нормативных документов применяется метод Chain-of-Thought Prompting, обеспечивающий поэтапную проверку условий применимости требований.

4. Экспериментальное исследование и сравнительный анализ

Тестирование проводилось на массиве из 35 документов (25 паспортов станков с ЧПУ и 10 ГОСТов, всего 480 страниц). Сравнивались показатели работы инженеров-технологов и разработанного программного комплекса.

Таблица 1

Сравнительные показатели эффективности обработки технической документации

Ниже приведен пример конфигурации схемы извлечения параметров для LLM в формате JSON:

5. Анализ результатов и обсуждение

Анализ полученных данных показывает, что использование нейросетевого подхода сокращает затраты времени на первичную обработку массива нормативных и технических документов более чем в 5 раз. При этом интеграция RAG-технологии с векторизацией таблиц позволила решить проблему пропущенных требований: полнота извлечения (Recall) у нейросетевой системы оказалась даже выше, чем у инженеров, проводивших рутинную проверку на фоне утомляемости (0,92 против 0,88).

Основным ограничением метода остается необходимость обязательного контроля человеком-экспертом (Human-in-the-loop) в критических узлах проектирования для валидации извлеченных значений, имеющих сложную контекстную зависимость.

6. Заключение

В исследовании подтверждена высокая эффективность использования больших языковых моделей (LLM) в сочетании с архитектурой RAG для автоматизации анализа и структурирования технической документации. Предложенный подход позволяет трансформировать неструктурированные тексты регламентов и паспортов в машиночитаемый формат, существенно снижая рутинную нагрузку на инженерно-технический персонал. Результаты работы могут быть использованы при создании интеллектуальных систем поддержки принятия решений (СППР) на машиностроительных предприятиях.

Литература:

1. ГОСТ Р 43.0.7–2011. Информационное обеспечение техники и операторской деятельности. Информационно-управляющие системы. Общие положения. — Введ. 2012–09–01. — Москва: Стандартинформ, 2012. — 24 с.
2. ГОСТ Р 59895–2021. Технологии искусственного интеллекта в промышленности. Понятия и определения. — Введ. 2022–01–01. — Москва: Российский институт стандартизации, 2021. — 16 с.