ИИ ставит задачи: ученые ВолгГТУ создали систему анализа технической документации на основе искусственного интеллекта

31.08.2026

Исследователи кафедры «Системы автоматизированного проектирования и поискового конструирования» и Ц2RED-ИИ Волгоградского государственного технического представили новую методологию автоматического извлечения структурированной информации из инженерных текстов. Работа опубликована в авторитетном международном журнале BigData and CognitiveComputing (Q1).

В условиях цифровой трансформации промышленности и роста сложности проектной документации инженеры и менеджеры все чаще сталкиваются с проблемой обработки огромных массивов текстов: технических заданий, патентов и отчетов. Ручной анализ таких документов требует колоссальных временных затрат и чреват ошибками. Коллектив ученых ВолгГТУ — А.В. Ечин, А.Г. Кравец, Е.В. Сафонова, Д.А. Скоробогатченко и Д.Карасев — предложил решение этой проблемы, основанное на передовых технологиях обработки естественного языка и трансформерных моделях, позволяющее напрямую извлекать из технической документации конкретные задачи инженерам и разработчикам. В своей работе авторы провели систематический обзор современных методов семантического анализа и предложили строгую математическую формализацию задачи извлечения сущностей (NamedEntityRecognition). Ключевым элементом исследования стала разработка онтологии предметной области, которая определяет, какие именно фрагменты текста должна находить нейросеть: функциональные требования, компоненты системы, условия эксплуатации или технологические параметры. В рамках эксперимента ученые обучили модель ruRoberta-large (специализированная версия архитектуры BERT для русского языка) на реальных технических заданиях. Разработанный конвейер обработки данных позволяет извлекать из неструктурированных PDF- и DOCX-документов четкие структурированные данные и передавать их в виде задач в системы управления проектами. Результаты показали высокую эффективность системы: точность распознавания определенных сущностей, например, функциональных требований, достигла 89 процентов. Однако исследование выявило важный нюанс: качество работы модели критически зависит не от объема данных, а от согласованности разметки.

Разработанная система позволяет автоматизировать рутинные этапы проектирования, существенно ускоряя обработку документации и снижая риск ошибок при интерпретации требований заказчика. Это особенно актуально для таких индустрий, как машиностроение, приборостроение и разработка сложного программного обеспечения. Как отмечает профессор А.Г. Кравец, исследование наглядно демонстрирует, что в задачах анализа технической документации качество аннотации данных и полнота онтологии оказывают более сильное влияние на эффективность модели, чем просто увеличение объема обучающей выборки. Именно согласованность данных и формализация знаний являются ключевыми факторами успешного внедрения искусственного интеллекта в инженерные процессы.

В планах научной группы — развитие мультиязычных моделей, интеграция разработанного инструментария в CAD- и PLM-системы для создания сквозной цифровой трассируемости требований, а также применение методов активного обучения для снижения трудозатрат на ручную разметку данных.

Возврат к списку