The Advanced Research Center (ARC)Տեխնոլոգիական հետազոտությունների հրատարակությունԹողարկում 6/2026Հրատարակվում է Engineering Association-ի կողմիցԵրևան, 2026 թ. օգոստոսի 21

ARC ԼԱԲՈՐԱՏՈՐԻԱ՝ Ֆիզիկական ԱԲ և խելացի արտադրություն

IB-ARC՝ արդյունաբերական հիմքով նախագիծ

ARC նախագծի նույնացուցիչ [ARC-IB-2608-01]

Ամփոփում

Արտադրական գլխավոր նյութերի ցանկերը (BOM) ժամանակակից արտադրության, գնումների և պաշարների կառավարման հիմքն են։ Սակայն արտադրողի մասերի համարների (MPN) և բաղադրիչների համապատասխան նկարագրությունների միջև անհամապատասխանություններ հաճախ են առաջանում տվյալների ձեռքով մուտքագրման, թերի փաստաթղթավորման կամ մարդկային սխալի պատճառով։ Նման անհամապատասխանությունները կարող են հանգեցնել բաղադրիչների սխալ ընտրության, ինժեներական ստուգման ջանքերի ավելացման, գնումների ուշացումների և ամբողջ արտադրական գործընթացում տվյալների որակի նվազման։

Այս նախագիծը ներկայացնում է ԱԲ-ի վրա հիմնված ստուգող գործակալի նախագծումը, մշակումը և վավերացումը, որն ունակ է ավտոմատ կերպով որոշել, թե արդյոք բաղադրիչի նկարագրությունը համապատասխանում է արտադրողի մասի համարով նույնականացված բաղադրիչին։ Մշակված համակարգը յուրաքանչյուր «MPN–նկարագրություն» զույգը դասում է երեք կատեգորիաներից մեկին՝ Match (համապատասխանում է), Partial Match (մասնակի համապատասխանություն) կամ No Match (չի համապատասխանում)՝ ինժեներներին հնարավորություն տալով արագ բացահայտել BOM-ի սխալ կամ թերի գրառումները՝ միաժամանակ խրախուսելով բաղադրիչների ստանդարտացված նկարագրությունները։

Լուծումն իրականացվել է որպես հայեցակարգի ապացուցում՝ n8n ավտոմատացման հարթակում մշակված ԱԲ գործակալի միջոցով, որտեղ որպես դատողությունների շարժիչ ծառայում են GPT-ի վրա հիմնված մեծ լեզվական մոդելները (LLM)։ Ստեղծվել է ամբողջական աշխատակարգ՝ «MPN–նկարագրություն» զույգերը ստանալու, ԱԲ-ի վրա հիմնված վերլուծությունը կատարելու, կատարման արդյունավետությունը չափելու և վավերացման արդյունքները Excel-ի վրա հիմնված օգտատիրոջ միջերեսի միջոցով վերադարձնելու համար։ Համակարգը իրատեսական արտադրական սցենարներում գնահատելու համար պատրաստվել է վավերացման կառուցվածքավորված տվյալների հավաքածու՝ բաղկացած դիտավորյալ փոփոխված նկարագրություններով ներկայացուցչական բաղադրիչներից։

Հետազոտության զգալի մասը կենտրոնացած էր հուշումների նախագծման (prompt engineering), այլ ոչ թե մոդելի լրացուցիչ ուսուցման վրա։ Հուշումների մի քանի տարբերակներ համակարգված կերպով նախագծվել, փորձարկվել և կատարելագործվել են՝ փոփոխելով դատողությունների հրահանգները, որոշումների կանոնները, ելքի սահմանափակումները, համեմատման տրամաբանությունը և մոդելի պարամետրերը։ Փորձարարական գնահատումը համեմատել է GPT-ի տարբեր մոդելներ և

հուշումների ռազմավարություններ՝ ցույց տալով, թե ինչպես են խնամքով կառուցված հուշումները էապես բարելավում համահունչությունը, դատողությունների որակը, ելքի հուսալիությունը և դասակարգման ճշգրտությունը՝ միաժամանակ նվազեցնելով պատասխանների փոփոխականությունը։

Ավարտուն համակարգը ցույց է տալիս, որ ժամանակակից LLM-ները կարող են արդյունավետորեն աջակցել BOM-ի խելացի ստուգմանը՝ առանց ոլորտին հատուկ մոդելի ուսուցման անհրաժեշտության։ Նախագիծը հաստատում է ԱԲ գործակալները ինժեներական աշխատակարգերում ինտեգրելու գործնական մեթոդաբանություն և հիմք է ստեղծում ապագա ընդլայնումների համար, ներառյալ նկարագրությունների ավտոմատ գեներացումը, բաղադրիչների ստանդարտացումը, MRP-ի (նյութական պահանջների պլանավորում) հետ ինտեգրումը և արտադրական տվյալների ԱԲ-ի օժանդակությամբ ավելի լայն վավերացումը։

Բանալի բառեր

Արհեստական բանականություն (ԱԲ), մեծ լեզվական մոդելներ (LLM), GPT, հուշումների նախագծում, նյութերի ցանկ (BOM), արտադրողի մասի համար (MPN), նկարագրության վավերացում, տվյալների ստուգում, խելացի արտադրություն, արտադրության ավտոմատացում, ԱԲ գործակալ, n8n, ինժեներական տվյալների որակ։

Ամփոփագիր

Արտադրական գլխավոր նյութերի ցանկերը (BOM) ծառայում են որպես արտադրության հիմք՝ սահմանելով արտադրանքը կառուցելու համար անհրաժեշտ յուրաքանչյուր բաղադրիչ։ BOM տվյալների ճշգրտությունն ուղղակիորեն ազդում է ճարտարագիտության, գնումների, պաշարների կառավարման, արտադրության պլանավորման և արտադրանքի որակի վրա։ Տվյալների որակի ամենատարածված խնդիրներից մեկն արտադրողի մասի համարի (MPN) և բաղադրիչի համապատասխան նկարագրության միջև անհամապատասխանությունն է։ Նման անհամապատասխանությունները կարող են առաջանալ տվյալների ձեռքով մուտքագրման, թերի փաստաթղթավորման, նման բաղադրիչներից նկարագրությունների պատճենման կամ պարզ մարդկային սխալի պատճառով։ Թեև այս սխալները կարող են աննշան թվալ, դրանք կարող են ավելացնել ինժեներական ստուգման ջանքերը, բարդացնել գնումների գործընթացները և ստեղծել սխալ բաղադրիչներ ընտրելու ռիսկ։

Այս նախագծի նպատակն էր նախագծել, մշակել և վավերացնել ԱԲ-ի վրա հիմնված ստուգող գործակալ, որն ունակ է ավտոմատ կերպով վերլուծել արտադրական գլխավոր BOM-երում արտադրողի մասերի համարների (MPN) և բաղադրիչների համապատասխան նկարագրությունների միջև համապատասխանությունը։ Բաղադրիչների հազարավոր տարբեր ընտանիքների համար ձեռքով մշակված ստուգման կանոնների վրա հենվելու փոխարեն՝ առաջարկվող լուծումն օգտագործում է GPT-ի վրա հիմնված մեծ լեզվական մոդելների (LLM) դատողությունների ունակությունները՝ արտադրողի մասի համարի հետ կապված բնութագրերը վերլուծելու և դրանք տրամադրված նկարագրության հետ համեմատելու համար։

ԱԲ ստուգող գործակալը՝ որպես հայեցակարգի ապացուցում, նախագծվել և մշակվել է n8n ավտոմատացման հարթակում։ ԱԲ գործակալի համար օգտագործվել են GPT-ի վրա հիմնված լեզվական մոդելներ։ Տվյալները (դեպքի ուսումնասիրության «արտադրողի մասի համար–նկարագրություն» զույգեր, վավերացման տվյալներ, նշումներ, պատմություն) պահվել են Google Sheets-ում։ Excel-ի միջերեսը նախատեսված է ինժեներական օգտագործման համար։ Համակարգն ընդունում է MPN-ը և դրա համապատասխան նկարագրությունը որպես մուտք, որոշում է նշված բաղադրիչի բնութագրերը, համեմատում է այդ բնութագրերը տրամադրված նկարագրության հետ և զույգը դասում է որպես Match, Partial Match կամ No Match։

Հետազոտությունը կենտրոնացած էր հիմնականում հուշումների նախագծման և ԱԲ-ի դատողությունների համակարգված օպտիմալացման վրա։ Լեզվական մոդելը որպես ֆիքսված լուծում դիտարկելու փոխարեն՝ նախագծվել, փորձարարականորեն գնահատվել և կրկնողաբար կատարելագործվել են հուշումների մի քանի տարբերակներ։ Յուրաքանչյուր կրկնություն փոփոխություններ էր ներմուծում դատողությունների հրահանգներում, համեմատման կանոններում, ելքի սահմանափակումներում, որոշումների տրամաբանությունում և մոդելի պարամետրերում։ Արդյունավետությունը չափվել է վավերացման վերահսկվող տվյալների հավաքածուի միջոցով, որը պարունակում էր ներկայացուցչական «MPN–նկարագրություն» զույգեր՝ լիովին ճիշտից մինչև դիտավորյալ թերի և սխալ։ Այս կրկնողական մեթոդաբանությունը հնարավորություն տվեց բացահայտել հուշումների այնպիսի կառուցվածքներ, որոնք զգալիորեն բարելավեցին դատողությունների համահունչությունը, նվազեցրին ելքի փոփոխականությունը և բարձրացրին դասակարգման հուսալիությունը։

Ավարտված նախագիծը ցույց է տալիս, որ ժամանակակից LLM-ները կարող են արդյունավետորեն օգնել ինժեներական ստուգման առաջադրանքներին և խելացի արտադրության ընդհանուր զարգացմանը՝ առանց մոդելի հատուկ ուսուցման անհրաժեշտության։ Մշակված հայեցակարգի ապացուցումից զատ՝ նախագիծը հաստատում է արտադրական միջավայրերում ինժեներական տվյալները վավերացնելու ունակ ԱԲ գործակալների նախագծման գործնական մեթոդաբանություն։ Ներկայացված մոտեցումը կարող է ծառայել որպես հիմք նյութական պահանջների պլանավորման (MRP) համակարգերի հետ ապագա ինտեգրման, նկարագրությունների ավտոմատ գեներացման, BOM-ի ստանդարտացման և արտադրական տվյալների ԱԲ-ի օժանդակությամբ ավելի լայն վավերացման համար։

Արդյունաբերական խնդրի սահմանում

BOM-ի յուրաքանչյուր գրառում սովորաբար պարունակում է արտադրողի մասի համար (MPN), որը եզակիորեն նույնականացնում է արտադրողի կողմից մատակարարվող բաղադրիչը, ինչպես նաև տեքստային նկարագրություն, որն ամփոփում է դրա ամենակարևոր բնութագրերը։ Ինժեներները, գնումների մասնագետները, արտադրական անձնակազմը, պաշարների կառավարիչները և այլ շահագրգիռ կողմեր արտադրանքի կյանքի ողջ ցիկլի ընթացքում հենվում են տեղեկատվության այս երկու տարրերի վրա։

Գործնականում MPN-ի և դրա համապատասխան նկարագրության միջև համապատասխանությունը միշտ չէ, որ կարող է երաշխավորվել։ Բաղադրիչների նկարագրությունները հաճախ մուտքագրվում են ձեռքով, պատճենվում են նախորդ նախագծերից, կրճատվում են հարմարության համար կամ փոփոխվում են առանց ամբողջական ստուգման։ Արդյունքում նկարագրություններում կարող են բացակայել կարևոր բնութագրեր, պարունակվել հնացած տեղեկություններ կամ նույնիսկ նկարագրվել այլ բաղադրիչ, քան նշված մասի համարինը։ Այս անհամապատասխանությունները նվազեցնում են ինժեներական տվյալների որակը, մեծացնում են մարդկային սխալի հավանականությունը և պահանջում են լրացուցիչ ձեռքով ստուգում, նախքան գնումների կամ արտադրական գործունեությունը շարունակելը։

Ստուգման ավանդական մեթոդները հիմնականում ձեռքով են և պահանջում են, որ ինժեներները որոնեն արտադրողի փաստաթղթերը կամ տեխնիկական տվյալների բազաները՝ MPN-ի հետ կապված բնութագրերը դրա գրավոր նկարագրության հետ համեմատելու համար։ Այս գործընթացը կրկնվող է, ժամանակատար և դառնում է ավելի ու ավելի անգործնական, քանի որ արտադրական գլխավոր BOM-երը աճում են մինչև հարյուրավոր կամ հազարավոր բաղադրիչներ։ Ավելին, կանոնների վրա հիմնված վավերացման սովորական ծրագրային ապահովումը դժվար է մշակել և սպասարկել, քանի որ բաղադրիչների տարբեր կատեգորիաներն ունեն բնութագրերի տարբեր կառուցվածքներ, անվանման կանոններ և նկարագրության ձևաչափեր։ Բաղադրիչների բոլոր հնարավոր տեսակներն ընդգրկող դետերմինիստական վավերացման կանոնների մշակումը պահանջում է զգալի ինժեներական ջանքեր և շարունակական սպասարկում։

Մեծ լեզվական մոդելների (LLM) վերջին ձեռքբերումներն այլընտրանքային մոտեցում են առաջարկում։ Ի տարբերություն կանոնների վրա հիմնված ավանդական համակարգերի՝ LLM-ներն ունակ են հասկանալ տեխնիկական լեզուն, տեխնիկական աղբյուրներից դուրս բերել համապատասխան բնութագրեր, համեմատել համատեքստային տեղեկատվությունը և դատողություններ անել բաղադրիչների կատեգորիաների լայն շրջանակում։ Սա հնարավորություն է ստեղծում ավտոմատացնել BOM-ի ստուգման զգալի մասը՝ պահպանելով ճկունությունը տարբեր արտադրողների, բաղադրիչների ընտանիքների և նկարագրության ոճերի նկատմամբ։

Այս նախագծի կողմից լուծվող արդյունաբերական խնդիրը արտադրական գլխավոր BOM-երում արտադրողի մասերի համարների և դրանց համապատասխան նկարագրությունների միջև համապատասխանության ավտոմատ ստուգումն է։ Ցանկալի լուծումը պետք է հուսալիորեն տարբերի երեք իրավիճակ՝ նկարագրություններ, որոնք ճիշտ են ներկայացնում նշված բաղադրիչը (Match), նկարագրություններ, որոնք հակասական տեղեկատվություն չեն պարունակում, բայց լրացուցիչ մանրամասներ են պահանջում (Partial Match), և մեկ կամ մի քանի հակասական բնութագիր պարունակող նկարագրություններ (No Match)։ Ճշգրիտ դասակարգումից բացի՝ լուծումը պետք է տա դետերմինիստական արդյունքներ, նվազագույնի հասցնի պատասխանների փոփոխականությունը, պահպանի կատարման ողջամիտ ժամանակ և շահագործման ծախս և մնա բավականաչափ ընդհանուր՝ բաղադրիչների կատեգորիաների լայն շրջանակին աջակցելու համար՝ առանց բաղադրիչներին հատուկ ծրագրավորման։

Այս խնդրի հաջող լուծումը կարող է կրճատել ինժեներական ստուգման ջանքերը, բարելավել BOM տվյալների որակը, աջակցել գնումների գործընթացներին, խրախուսել բաղադրիչների ստանդարտացված նկարագրությունները և հիմք ստեղծել ԱԲ-ի օժանդակությամբ ավելի խելացի արտադրական համակարգերի համար։

Առկա իրավիճակ / նախապատմություն և ներկա վիճակ

Արտադրական գլխավոր նյութերի ցանկերը (BOM) կարևորագույն ինժեներական փաստաթղթեր են, որոնք օգտագործվում են արտադրական կյանքի ողջ ցիկլի ընթացքում։ Դրանք սահմանում են արտադրանքը պատրաստելու համար անհրաժեշտ բաղադրիչները և ծառայում են որպես տեղեկատվության ընդհանուր աղբյուր ճարտարագիտության, գնումների, պաշարների կառավարման, արտադրության պլանավորման և որակի ապահովման համար։ BOM-ի յուրաքանչյուր գրառում սովորաբար ներառում է արտադրողի մասի համար (MPN)՝ տեքստային նկարագրության հետ միասին, որն ամփոփում է բաղադրիչի հիմնական բնութագրերը։ Այս երկու դաշտերի միջև համապատասխանության պահպանումն անհրաժեշտ է ինժեներական տվյալների հուսալիությունը և արտադրական գործառնությունների արդյունավետությունն ապահովելու համար։

Շատ արտադրական կազմակերպություններում BOM տվյալների ստուգումը մնում է հիմնականում ձեռքով գործընթաց։ Ինժեներները և գնումների մասնագետները համեմատում են արտադրողի մասերի համարները մատակարարների կատալոգների, տեխնիկական տվյալների բազաների կամ արտադրողի փաստաթղթերի հետ՝ հաստատելու, որ գրանցված նկարագրությունը ճշգրիտ ներկայացնում է նշված բաղադրիչը։ Անհամապատասխանություններ կամ թերի նկարագրություններ հայտնաբերելիս դրանք պետք է ձեռքով ուղղվեն, նախքան BOM-ը կարող է վստահորեն օգտագործվել հետագա գործընթացներում։ Թեև արդյունավետ է փոքր տվյալների հավաքածուների համար, այս մոտեցումը դառնում է ավելի ու ավելի ժամանակատար և ռեսուրսատար, քանի որ արտադրական գլխավոր BOM-երի ծավալը և բարդությունը շարունակում են աճել։

BOM-ի կառավարումը բարելավելու համար մշակվել են տարբեր ծրագրային լուծումներ, որոնք տրամադրում են այնպիսի գործառույթներ, ինչպիսիք են կրկնօրինակների հայտնաբերումը, տվյալների ստանդարտացումը, կյանքի ցիկլի կառավարումը և ձեռնարկության ռեսուրսների պլանավորման (ERP) և նյութական պահանջների պլանավորման (MRP) համակարգերի հետ ինտեգրումը։ Սակայն այս համակարգերը, որպես կանոն, կախված են կառուցվածքավորված տվյալների բազաներից, նախապես սահմանված վավերացման կանոններից կամ դաշտերի ճշգրիտ համընկնումից։ Թեև հարմար են դետերմինիստական ստուգման առաջադրանքների համար, դրանք հաճախ սահմանափակ հնարավորություններ ունեն արտադրողի մասի համարի և ազատ տեքստով բաղադրիչի նկարագրության միջև իմաստային կապի մասին դատողություններ անելու համար, հատկապես երբ նկարագրությունները թերի են, կրճատված կամ գրված են այլ տերմինաբանությամբ։

Ավանդաբար ավտոմատ ստուգման ընդլայնումը պահանջել է կանոնների վրա հիմնված համակարգերի մշակում, որոնք հստակ սահմանում են, թե ինչպես պետք է վերլուծվեն բաղադրիչների տարբեր կատեգորիաները։ Նման համակարգերը սովորաբար պահանջում են զգալի ինժեներական ջանքեր, քանի որ բաղադրիչների յուրաքանչյուր ընտանիք կարող է ունենալ բնութագրերի տարբեր հավաքածուներ, անվանման կանոններ և նկարագրության

ձևաչափեր։ Նոր արտադրողների, արտադրանքների և նկարագրության ոճերի ներմուծմանը զուգընթաց այս կանոնները պետք է շարունակաբար թարմացվեն և սպասարկվեն, ինչը մոտեցումը դարձնում է ավելի ու ավելի դժվար մասշտաբավորելի։

Արհեստական բանականության, մասնավորապես մեծ լեզվական մոդելների (LLM) վերջին ձեռքբերումները նոր հնարավորություններ են բացել ինժեներական տվյալների վավերացման համար։ Ի տարբերություն կանոնների վրա հիմնված ավանդական մոտեցումների՝ LLM-ներն ունակ են մեկնաբանել տեխնիկական լեզուն, հասկանալ համատեքստային կապերը, դուրս բերել համապատասխան բնութագրեր և դատողություններ անել այն մասին, թե արդյոք տեղեկատվության երկու տարրերը նկարագրում են նույն ֆիզիկական բաղադրիչը։ Այս ունակությունները ԱԲ համակարգերին հնարավորություն են տալիս կատարել վավերացման առաջադրանքներ, որոնք այլապես կպահանջեին ձեռքով սահմանված բազմաթիվ կանոններ՝ միաժամանակ մնալով հարմարվող բաղադրիչների տարբեր կատեգորիաներին և նկարագրության ոճերին։

Չնայած այս ձեռքբերումներին՝ արտադրական միջավայրերում LLM-ների կիրառումը մի շարք գործնական մարտահրավերներ է ներկայացնում։ ԱԲ մոդելները կարող են տալ անհամահունչ պատասխաններ, տարբեր կատարումների ժամանակ տարբեր կերպ մեկնաբանել տեխնիկական բնութագրերը, հալյուցինացիաներ ունենալ կամ գեներացնել ելքեր, որոնք չեն համապատասխանում ավտոմատացված աշխատակարգերի պահանջած խիստ ձևաչափերին։ Ավելին, LLM-ները արդյունաբերական գործընթացներում ինտեգրելիս կարևոր են դառնում պատասխանի ժամանակը, շահագործման ծախսը, հուշումների բարդությունը և դատողությունների հուսալիությունը։ Հետևաբար, հաջող իրականացումը պահանջում է ոչ միայն համապատասխան լեզվական մոդելի ընտրություն, այլև դետերմինիստական աշխատակարգերի, խնամքով մշակված հուշումների և վավերացման խիստ մեթոդաբանությունների նախագծում՝ հուսալի աշխատանք ապահովելու համար։

Ներկա նախագիծն անդրադառնում է այս մարտահրավերներին՝ մշակելով ԱԲ-ի վրա հիմնված ստուգող գործակալ, որը հատուկ նախատեսված է արտադրական գլխավոր BOM-ի վավերացման համար։ Բաղադրիչներին հատուկ ծավալուն ծրագրավորման վրա հենվելու փոխարեն՝ առաջարկվող լուծումը կիրառում է հուշումների համակարգված նախագծում և աշխատակարգի վերահսկվող նախագծում՝ հուսալի Match, Partial Match և No Match դասակարգումներ ստանալու համար։ Այսպիսով, նախագիծն ուսումնասիրում է, թե ինչպես կարող են ժամանակակից LLM-ները ընդհանուր նշանակության լեզվական մոդելներից վերածվել հուսալի ինժեներական օգնականների, որոնք ունակ են աջակցել BOM-ի ստուգմանը արտադրական միջավայրերում։

Նախագծի նպատակները

Այս նախագծի հիմնական նպատակն էր նախագծել, մշակել և վավերացնել ԱԲ-ի վրա հիմնված ստուգող գործակալ, որն ունակ է ավտոմատ կերպով վերլուծել արտադրական գլխավոր BOM-երում արտադրողի մասերի համարների (MPN) և բաղադրիչների համապատասխան նկարագրությունների միջև համապատասխանությունը։ Առաջարկվող համակարգը նախատեսված էր փոխարինելու ձեռքով ստուգման ջանքերը՝ բացահայտելով BOM-ի սխալ, թերի կամ անհամապատասխան գրառումները՝ միաժամանակ խրախուսելով բաղադրիչների ստանդարտացված նկարագրությունները։

Այս նպատակին հասնելու համար նախագիծը կենտրոնացել է հետևյալ խնդիրների վրա՝

• Նախագծել ԱԲ գործակալ՝ որպես հայեցակարգի ապացուցում, որն ունակ է որպես մուտք ստանալ MPN-ը և դրա համապատասխան նկարագրությունը և ավտոմատ կերպով որոշել, թե արդյոք նկարագրությունը ճշգրիտ է ներկայացնում նշված բաղադրիչը։ • Մշակել համահունչ և հուսալի դասակարգման մեթոդաբանություն, որը յուրաքանչյուր «MPN–նկարագրություն» զույգը դասում է նախապես սահմանված երեք արդյունքներից մեկին՝ Match, Partial Match կամ No Match։ • Ուսումնասիրել հուշումների նախագծման մեթոդներ, որոնք բարելավում են GPT-ի վրա հիմնված մեծ լեզվական մոդելների դատողությունների ունակությունները, համահունչությունը և հուսալիությունը տեխնիկական ինժեներական վավերացման առաջադրանքներ կատարելիս։ • Գնահատել հուշումների տարբեր տարբերակներ, դատողությունների ռազմավարություններ և մոդելների կազմաձևեր՝ վավերացման վերահսկվող տվյալների հավաքածուի միջոցով, որպեսզի որոշվի ամենահուսալի լուծումը։ • Նախագծի մշակման ողջ ընթացքում հասնել դետերմինիստական արդյունքների՝ պահպանելով կատարման ընդունելի ժամանակը և գործնական շահագործման ծախսերը, որպեսզի մեծ լեզվական մոդելների կիրառումը ինժեներական տվյալների ստուգման համար դառնա նպատակահարմար։

Ընդհանուր նպատակը ոչ միայն գործող հայեցակարգի ապացուցման մշակումն էր, այլև խելացի արտադրության միջավայրերում ինժեներական ստուգման գործընթացներին աջակցելու ունակ ԱԲ գործակալների նախագծման կառուցվածքային մեթոդաբանության հաստատումը։

Պահանջների սահմանում

Առաջարկվող ԱԲ ստուգող գործակալի պահանջները բխել են անմիջապես նախորդ բաժիններում սահմանված արդյունաբերական խնդրից։ Քանի որ նախագծի նպատակն էր մշակել արտադրական գլխավոր BOM-ի ստուգմանն աջակցելու ունակ հայեցակարգի ապացուցում, համակարգից պահանջվում էր ոչ միայն կատարել ցանկալի ստուգման առաջադրանքը, այլև տալ հուսալի, կրկնելի և գործնականում կիրառելի արդյունքներ, որոնք հարմար են ինժեներական միջավայրերի համար։ Սահմանված պահանջներն ուղղորդել են ինչպես լուծման ճարտարապետությունը, այնպես էլ հուշումների նախագծման կրկնողական գործընթացը նախագծի ողջ ընթացքում։

Գործառական պահանջներ

Համակարգը պետք է՝

• Որպես հիմնական մուտք ընդունի արտադրողի մասի համարը (MPN)՝ բաղադրիչի համապատասխան նկարագրության հետ միասին։ • Որոշի տրամադրված MPN-ի հետ կապված բնութագրերը՝ առանց փոփոխելու կամ վերծանելու արտադրողի սկզբնական նույնացուցիչը։ • Համեմատի դուրս բերված բաղադրիչի բնութագրերը տրամադրված նկարագրության հետ և գնահատի դրանց համապատասխանությունը։ • Վերլուծված յուրաքանչյուր «MPN–նկարագրություն» զույգը դասի նախապես սահմանված երեք կատեգորիաներից ճիշտ մեկին՝

o Match – նկարագրությունը ճիշտ է ներկայացնում նշված բաղադրիչը։ o Partial Match – նկարագրությունը հակասական տեղեկատվություն չի պարունակում, բայց պահանջում է հետագա լրացում կամ լրացուցիչ բնութագրում։ o No Match – մեկ կամ մի քանի բնութագրեր հակասում են MPN-ով նույնականացված բաղադրիչին։ • Վերադարձնի դասակարգումը դետերմինիստական ելքային ձևաչափով, որը հարմար է հետագա ավտոմատացված մշակման համար։ • Մշակի մի քանի «MPN–նկարագրություն» զույգեր ավտոմատացված աշխատակարգի միջոցով՝ առանց կատարման ընթացքում ձեռքով միջամտության անհրաժեշտության։

Ոչ գործառական պահանջներ

Համակարգը պետք է՝

Պահանջվող գործառույթներից բացի՝ համակարգից ակնկալվում էր բավարարել որակի մի շարք պահանջներ, որոնք անհրաժեշտ են գործնական արդյունաբերական օգտագործման համար։

Ստուգման գործընթացը պետք է տա համահունչ և հուսալի դասակարգումներ՝ նվազագույնի հասցնելով ելքի ավելորդ փոփոխականությունը, երբ նույնական մուտքերը վերլուծվում են կրկնակի։ Թեև մեծ լեզվական մոդելներն իրենց բնույթով հավանականային են, մշակված հուշումների նախագծման մեթոդաբանությունը պետք է ապահովի, որ գեներացված դասակարգումները մնան կայուն և նախապես սահմանված, ինժեներական տեսանկյունից ընդունելի արդյունքների սահմաններում։

Լուծումը պետք է պահպանի կատարման ողջամիտ ժամանակ, որպեսզի ստուգումը կարողանա արդյունավետ իրականացվել մեծ արտադրական գլխավոր BOM-երի համար՝ առանց ինժեներական աշխատակարգերում չափազանց ուշացումներ առաջացնելու։

Մեկ այլ կարևոր նկատառում էր շահագործման արդյունավետությունը։ Աշխատակարգը պետք է նվազագույնի հասցնի թոքենների ծախսը և API-ի ծախսերը՝ պահպանելով ստուգման որակը, ինչը լուծումը տնտեսապես հարմար է դարձնում կրկնվող արդյունաբերական օգտագործման համար։

Մշակված ճարտարապետությունը պետք է մնա ընդհանուր և ընդլայնելի՝ թույլ տալով նույն ստուգման մեթոդաբանությունը կիրառել բաղադրիչների տարբեր կատեգորիաների նկատմամբ՝ առանց յուրաքանչյուր կատեգորիայի համար ձեռքով մշակված վավերացման կանոնների անհրաժեշտության։

Վերջապես, լուծումը պետք է կիրառի մոդուլային աշխատակարգի ճարտարապետություն, որը թույլ կտա առանձին բաղադրիչները՝ ներառյալ հուշումները, ԱԲ մոդելները, մուտքային աղբյուրները և ելքային մեխանիզմները, փոփոխել կամ փոխարինել միմյանցից անկախ՝ ապագա բարելավումներ ներմուծելիս։

Հետազոտական պահանջներ

Գործող ստուգման համակարգ մշակելուց բացի՝ նախագիծը նպատակ ուներ բացահայտել ԱԲ-ի վրա հիմնված BOM-ի վավերացման ամենաարդյունավետ մոտեցումը։ Հետևաբար, մշակված մեթոդաբանությունը պետք է աջակցեր հուշումների տարբեր տարբերակների, դատողությունների ռազմավարությունների և GPT մոդելների համակարգված փորձարկմանը։

Յուրաքանչյուր լուծում գնահատվել է վավերացման նույն տվյալների հավաքածուով, ինչը թույլ է տվել համեմատել դրա դասակարգման ճշգրտությունը, պատասխանների համահունչությունը, կատարման ժամանակը և շահագործման արդյունավետությունը նույնական պայմաններում։ Այս կրկնողական գնահատման գործընթացը երաշխավորել է, որ վերջնական ստուգող գործակալը մշակվել է կառուցվածքային օպտիմալացման և փորձարարական վավերացման միջոցով, այլ ոչ թե հուշման մեկ իրականացման վրա հենվելով։

Առաջարկվող լուծումը

Առաջարկվող լուծումը ԱԲ-ի վրա հիմնված ստուգող օգնական է, որը նախատեսված է ավտոմատ կերպով վերլուծելու արտադրական գլխավոր նյութերի ցանկերում (BOM) արտադրողի մասերի համարների (MPN) և բաղադրիչների համապատասխան նկարագրությունների միջև համապատասխանությունը։ Համակարգի հիմնական նպատակն է աջակցել ինժեներներին BOM-ի պատրաստման և ստուգման ընթացքում՝ բացահայտելով անհամապատասխան, թերի կամ սխալ նկարագրությունները՝ միաժամանակ կրճատելով պահանջվող ձեռքով վավերացման ծավալը։ Սա ուղղակիորեն համապատասխանում է նախագծի նպատակին՝ մշակել արտադրական գլխավոր BOM-ի տվյալները վերլուծելու, ստուգելու և վավերացնելու խելացի օգնական։

Ի տարբերություն կանոնների վրա հիմնված վավերացման սովորական համակարգերի՝ առաջարկվող լուծումն օգտագործում է մեծ լեզվական մոդելների (LLM) դատողությունների ունակությունները։ Բաղադրիչների հազարավոր տարբեր ընտանիքների համար վավերացման կանոններ ձեռքով ստեղծելու և սպասարկելու փոխարեն՝ համակարգը մեկնաբանում է արտադրողի մասի համարի հետ կապված տեխնիկական տեղեկատվությունը և որոշում, թե արդյոք տրամադրված նկարագրությունը ճշգրիտ է ներկայացնում նշված բաղադրիչը։ Սա հնարավորություն է տալիս ստուգման միասնական մեթոդաբանությունը կիրառել բաղադրիչների կատեգորիաների լայն շրջանակի նկատմամբ՝ առանց բաղադրիչներին հատուկ ծրագրավորման։

Ստուգման գործընթացն իրականացվում է որպես երկու գործակալից բաղկացած հաջորդական ԱԲ աշխատակարգ, որտեղ յուրաքանչյուր գործակալ պատասխանատու է դատողությունների առանձին առաջադրանքի համար։ Առաջին ԱԲ գործակալը պատասխանատու է ներկայացված արտադրողի մասի համարի հետ կապված տեխնիկական բնութագրերը դուրս բերելու և կառուցվածքավորելու համար։ Օգտագործելով հուսալի տեխնիկական աղբյուրներ՝ այն գեներացնում է բաղադրիչի կանոնական ներկայացում, որը ծառայում է որպես ստուգման գործընթացի համար բնութագրերի հղումային հավաքածու։

Երկրորդ ԱԲ գործակալը ստանում է ինչպես դուրս բերված բնութագրերը, այնպես էլ բաղադրիչի սկզբնական նկարագրությունը։ Դրա խնդիրն է համեմատել կառուցվածքավորված բնութագրերը տրամադրված նկարագրության հետ և որոշել, թե արդյոք նկարագրությունը ճշգրիտ է ներկայացնում նույնականացված բաղադրիչը։ Բնութագրերի դուրսբերումը վավերացումից առանձնացնելով՝ համակարգը նվազեցնում է դատողությունների բարդությունը և բարելավում դասակարգման որոշումների համահունչությունը։

Համեմատության արդյունքների հիման վրա երկրորդ ԱԲ գործակալը վերադարձնում է նախապես սահմանված երեք ինժեներական դասակարգումներից մեկը՝

• Match – նկարագրությունը ճիշտ է ներկայացնում արտադրողի մասի համարով նույնականացված բաղադրիչը և հակասական բնութագրեր չի պարունակում։ • Partial Match – նկարագրությունը հակասական տեղեկատվություն չի պարունակում, բայց թերի է կամ պահանջում է լրացուցիչ բնութագրեր՝ ինժեներական փաստաթղթավորման ստանդարտներին համապատասխանելու համար։ • No Match – նկարագրության մեջ պարունակվող մեկ կամ մի քանի բնութագրեր հակասում են արտադրողի մասի համարով նույնականացված բաղադրիչի բնութագրերին։

Այս երեք դասակարգումները սահմանվել են նախագծի սկզբում և հետևողականորեն օգտագործվել են հուշումների մշակման և վավերացման ողջ գործընթացում։ Վավերացման մի քանի դեպքերի համար ընդունելի է համարվել մեկից ավելի դասակարգում, քանի որ նկարագրությունները կարող էին ողջամտորեն տարբեր կերպ մեկնաբանվել՝ առանց ինժեներական մտադրությունը խախտելու։ Հետևաբար, վավերացման մեթոդաբանությունը թույլատրել է նախապես սահմանված այլընտրանքային ընդունելի արդյունքներ ընտրված փորձարկման դեպքերի համար՝ հնարավորություն տալով օբյեկտիվորեն գնահատել մշակված ԱԲ համակարգը։

Առաջարկվող լուծումը նախատեսված է գործելու որպես ինժեներական օգնական, այլ ոչ թե ինքնավար որոշումներ կայացնող համակարգ։ ԱԲ աշխատակարգը կատարում է ստուգման առաջադրանքը և վերադարձնում համապատասխան դասակարգումը՝ ինժեներներին թույլ տալով արագ բացահայտել BOM-ի այն գրառումները, որոնք պահանջում են վերանայում կամ նկարագրության բարելավում։ Ապագա արդյունաբերական ներդրման ժամանակ այս աշխատակարգը կարող է ինտեգրվել գործող ինժեներական ծրագրային ապահովման մեջ, որպեսզի վավերացումը դառնա BOM-ի պատրաստման սովորական գործընթացի մաս։ Նախագծի սկզբնական առաջարկը ERP/MRP համակարգերի հետ ինտեգրումը նշում է որպես հնարավոր ապագա զարգացում՝ այս հայեցակարգի ապացուցման շրջանակներից դուրս։

Գործնական մշակմանը և գնահատմանն աջակցելու համար հայեցակարգի ապացուցման իրականացումը կառուցվել է աշխատակարգերի ավտոմատացման միջավայրում, որտեղ երկու ԱԲ գործակալներն էլ աշխատում են հաջորդաբար՝ մեկ համակարգված գործընթացի շրջանակում։ Փորձարկման համար օգտագործված վավերացման տվյալների հավաքածուն պահվել է կառուցվածքավորված աղյուսակային ձևաչափով, ինչը հնարավորություն է տվել համակարգված կերպով իրականացնել փորձերը և համեմատել արդյունքները։ Բացի այդ, Microsoft Excel-ի միջերեսն օգտագործվել է որպես օգտատիրոջ գործիք՝ ցույց տալու համար, թե ինչպես կարող են ինժեներները փոխազդել համակարգի հետ ապագա ներդրման սցենարում։ Այս գործիքներն օգտագործվել են բացառապես նախատիպավորման, փորձարկման և գնահատման նպատակներով և վերջնական արտադրական ճարտարապետության պարտադիր բաղադրիչներ չեն։

Այսպիսով, առաջարկվող լուծումը բաղկացած է ԱԲ դատողությունների երկու սերտորեն կապված բաղադրիչներից, որոնք աշխատում են հաջորդաբար՝ առաջին գործակալը պատասխանատու է բնութագրերի դուրսբերման, իսկ երկրորդը՝ վավերացման և դասակարգման համար։ Միասին դրանք կազմում են ԱԲ ստուգման կառուցվածքային աշխատակարգ, որն ապահովում է արտադրական գլխավոր BOM-ի տվյալների համահունչ, ընդլայնելի և ինժեներական պահանջներին համապատասխան գնահատում։

Համակարգի նախագծում

Համակարգը նախագծվել է որպես ԱԲ-ի օժանդակությամբ ստուգման մոդուլային լուծում՝ արտադրական գլխավոր նյութերի ցանկերում (BOM) արտադրողի մասերի համարների (MPN) և բաղադրիչների համապատասխան նկարագրությունների միջև համապատասխանությունը վավերացնելու համար։ Նախագծման հիմնական նպատակն էր ստեղծել ստուգման ընդլայնելի մեթոդաբանություն, որը չի հենվում բաղադրիչների առանձին կատեգորիաների համար ձեռքով սահմանված կանոնների հավաքածուների վրա, այլ օգտագործում է մեծ լեզվական մոդելների (LLM) դատողությունների ունակությունները՝ կառուցվածքավորված և չկառուցվածքավորված ինժեներական տվյալների միջև տեխնիկական համապատասխանությունը գնահատելու համար։

Համակարգի վերջնական նախագիծն իրականացված է որպես երկու գործակալից բաղկացած ԱԲ աշխատակարգ, որը համակարգվում է n8n ավտոմատացման հարթակի միջոցով, ինչը հնարավորություն է տալիս դատողությունների հաջորդական քայլերի կառուցվածքավորված կատարում, LLM մոդելների հետ API հաղորդակցություն և համակարգի բաղադրիչների միջև տվյալների փոխանակում։ Աշխատակարգի վրա հիմնված այս նախագիծն ապահովում է փորձերի վերարտադրելիությունը և թույլ է տալիս մշակման և գնահատման ընթացքում լիարժեք վերահսկել հուշումների կատարումը, մոդելի ընտրությունը և տվյալների գրանցումը։

Համակարգի ընդհանուր նախագիծը

Մշակված ստուգման համակարգը բաղկացած է երկու ԱԲ գործակալից, որոնք կատարվում են հաջորդաբար n8n-ում իրականացված մեկ ավտոմատացված աշխատակարգի շրջանակում։ Աշխատակարգը հանդես է գալիս որպես կենտրոնական համակարգման շերտ, որը պատասխանատու է համակարգի բաղադրիչների միջև տվյալների հոսքի կառավարման, LLM-ին API կանչերի գործարկման և միջանկյալ ու վերջնական արդյունքների պահպանման համար։

Ստուգման գործընթացը սկսվում է, երբ որպես մուտք տրամադրվում են արտադրողի մասի համարը (MPN) և բաղադրիչի համապատասխան նկարագրությունը։ Այս մուտքերը վերցվում են Google Sheets-ում պահվող վավերացման տվյալների հավաքածուից և փոխանցվում n8n աշխատակարգին՝ մշակման համար։

ԱԲ գործակալ 1 – Տվյալների դուրսբերում

Առաջին ԱԲ գործակալը պատասխանատու է տրամադրված MPN-ի հետ կապված տեխնիկական բնութագրերը ստանալու և կառուցվածքավորելու համար։ Դրա դերը վավերացումը չէ, այլ բաց աղբյուրներում համապատասխան և իրական բնութագրեր գտնելը և չկառուցվածքավորված կամ կիսակառուցվածքավորված տեղեկատվությունը բնութագրերի ստանդարտացված ձևաչափի վերածելը։

Այս գործակալի ելքը բաղադրիչի կանոնական ներկայացումն է, որը ներառում է հիմնական տեխնիկական հատկանիշներ, ինչպիսիք են էլեկտրական, մեխանիկական կամ գործառական հատկությունները՝ կախված բաղադրիչի տեսակից։ Այս կառուցվածքավորված ելքը ծառայում է որպես հղումային հիմք համակարգի երկրորդ փուլի համար։

ԱԲ գործակալ 2 – Նկարագրության վավերացում

Երկրորդ ԱԲ գործակալը ստանում է երկու մուտք՝

• ԱԲ գործակալ 1-ի կողմից գեներացված բաղադրիչի կառուցվածքավորված բնութագրերը • Տվյալների հավաքածուում տրամադրված բաղադրիչի սկզբնական նկարագրությունը

Օգտագործելով այս մուտքերը՝ գործակալը կատարում է դուրս բերված բնութագրերի և տրամադրված նկարագրության իմաստային և տեխնիկական համեմատություն։ Նպատակն է որոշել, թե արդյոք նկարագրությունը ճշգրիտ է արտացոլում MPN-ով սահմանված իրական բաղադրիչը։

Այս գնահատման հիման վրա գործակալը նշանակում է նախապես սահմանված երեք ինժեներական դասակարգումներից մեկը՝

• Match – Նկարագրությունը լիովին համապատասխանում է դուրս բերված բնութագրերին։ • Partial Match – Նկարագրությունն ընդհանուր առմամբ ճիշտ է, բայց թերի է կամ բացակայում են հիմնական հատկանիշներ, պահանջում է բարելավում։ • No Match – Նկարագրությունը պարունակում է սխալ կամ հակասական տեխնիկական տեղեկատվություն։

Համակարգը դատողությունների երկու անկախ գործակալի բաժանելը զգալիորեն բարելավել է հուսալիությունը, քանի որ յուրաքանչյուր գործակալ կատարում է մեկ հստակ սահմանված առաջադրանք՝ որոնումն ու վավերացումը մեկ քայլում համատեղելու փոխարեն։

n8n աշխատակարգի կատարում և համակարգի ճարտարապետություն

Երկու գործակալից բաղկացած ամբողջ համակարգն իրականացված և կատարվում է n8n աշխատակարգերի ավտոմատացման հարթակի միջոցով, որը ծառայում է որպես նախատիպի գործառնական հիմք։

Աշխատակարգի վրա հիմնված այս իրականացումն ապահովում է յուրաքանչյուր փորձի լիարժեք հետագծելիություն, ներառյալ հուշումների տարբերակավորումը, մոդելի կազմաձևը, կատարման ժամանակը և թոքենների օգտագործումը։ Այն նաև թույլ է տալիս մշակման ընթացքում արագ կրկնություններ կատարել, քանի որ հուշումների կամ մոդելի կարգավորումների փոփոխությունները կարող են կիրառվել անմիջապես աշխատակարգում՝ առանց համակարգի հիմքում ընկած ճարտարապետությունը փոխելու։

Համակարգի տրամաբանական կատարումն իրականացված է n8n-ում և ներկայացված է Նկար 1-ում։

Նկար 1 – երկու գործակալից բաղկացած ԱԲ ստուգման համակարգն իրականացնող n8n աշխատակարգ

Աշխատակարգը տեսողականորեն ներկայացնում է կատարման ամբողջական շղթան՝ հանգույց առ հանգույց՝

1. «Manual Trigger» – սկսում է կատարումը դրա վրա սեղմելիս։

2. «Extract from Database» – փաստաթղթից վերցնում է «նկարագրություն–մասի համար» զույգերը։

3. «Adjust the Input» – հետագա մշակման համար թողնում է միայն «նկարագրություն–մասի համար» զույգերը։

4. «Pairs Loop» – ցիկլով անցնում է «նկարագրություն–մասի համար» զույգերի վրայով։

5. «Start Time» – սահմանում է կատարման մեկնարկի ժամանակը։

6. «Data Extraction Agent» – ստանում է բաղադրիչի տեխնիկական բնութագիրը։ 6.1. «OpenAI Model» – «Data Extraction Agent»-ի ԱԲ մոդելն ինքը և դրա կարգավորումները։

7. «Description Validating Agent» – համեմատում է նախորդ գործակալից ստացված կանոնական բնութագրերը նկարագրության հետ և վերադարձնում վերջնական պիտակը՝ Match | Partial Match | No Match։ 7.1. «OpenAI Model2» – «Description Validating Agent»-ի ԱԲ մոդելն ինքը և դրա կարգավորումները։

8. «Finish Time» – ելքում տալիս է կատարման ժամանակը։

9. «Parse the Info to Database» – տվյալների բազայում գրանցում է վերջնական պիտակը և կատարման ժամանակը։ փորձարկելի ավտոմատացման համակարգի։

Այս իրականացումն ապահովում է, որ երկու գործակալից բաղկացած տեսական ճարտարապետությունն ուղղակիորեն արտապատկերվի վերարտադրելի և

Վավերացման տվյալների հավաքածու

Համակարգը հենվում է Google Sheets-ում պահվող վավերացման կառուցվածքավորված տվյալների հավաքածուի վրա, որը մշակման և փորձարկման ընթացքում ծառայում է որպես տվյալների կենտրոնական պահոց։

Հավաքածուի յուրաքանչյուր տող ներկայացնում է ստուգման մեկ դեպք, որը բաղկացած է արտադրողի մասի համարից և բաղադրիչի համապատասխան նկարագրությունից։ Գնահատմանը և արդյունավետության հետևմանն աջակցելու համար ներառված են մետատվյալների լրացուցիչ դաշտեր, ինչպես ցույց է տրված Նկար 2-ում։

Նկար 2 – Համակարգի գնահատման համար օգտագործված Google Sheets-ի վավերացման տվյալների հավաքածու

Ստորև՝ Աղյուսակ 1-ում, ներկայացված է Նկար 2-ի սյունակների բաշխումը՝

Աղյուսակ 1 – Google Sheets-ի տվյալների հավաքածուի սյունակների բաշխում

Տվյալների հավաքածուն (Նկար 2) կազմվել է այնպես, որ ներառի դեպքերի լայն շրջանակ, այդ թվում՝

• Լիովին ճիշտ նկարագրություններ • Մասնակիորեն ամբողջական նկարագրություններ • Սխալ կամ հակասական նկարագրություններ

Այս բազմազանությունն ապահովում է, որ համակարգը գնահատվի դասակարգման բոլոր հնարավոր արդյունքներով և արտացոլի BOM-ի վավերացման գործընթացներում հանդիպող իրատեսական ինժեներական պայմանները։

Բացի այդ, հավաքածուի որոշ գրառումներ ներառում են «Desired Output»-ի երկու ընդունելի արժեք։ Սա արտացոլում է այն փաստը, որ բաղադրիչների որոշ նկարագրություններ ինժեներական տեսանկյունից կարող են մեկնաբանվել մեկից ավելի վավեր եղանակով։ Նման դեպքերում երկու դասակարգումներն էլ (օրինակ՝ Match և Partial Match) համարվում են ընդունելի՝ կախված մեկնաբանման մանրամասնության աստիճանից և փաստաթղթավորման ստանդարտներից։ Այս մոտեցումը ներմուծվել է սահմանային կամ երկիմաստ դեպքերում ԱԲ համակարգի արդար գնահատում ապահովելու համար։

Օգտատիրոջ միջերես

Մշակված ԱԲ ստուգող գործակալի հետ փոխազդելու գործնական միջերես ապահովելու համար մշակվել է Microsoft Excel-ի հատուկ հավելված։ Գրքույկը ոչ միայն աղյուսակ է, այլև պարունակում է Excel-ի մակրոներով իրականացված ամբողջական ծրագիր, որը ինժեներներին հնարավորություն է տալիս կազմաձևել ԱԲ գործակալը, գործարկել ստուգման գործընթացը և դիտել գեներացված դասակարգումները՝ առանց հիմքում ընկած իրականացման աշխատակարգի հետ անմիջական փոխազդեցության։

Հավելվածը բաղկացած է երկու հիմնական թերթից՝ Settings և BOM, որոնցից յուրաքանչյուրը ստուգման գործընթացում կատարում է որոշակի դեր։

Settings թերթը (տե՛ս Նկար 3) պարունակում է ԱԲ-ի կատարման համար անհրաժեշտ կազմաձևելի պարամետրերը։ Այս պարամետրերը որոշում են, թե ինչպես է ԱԲ գործակալը կատարում ստուգումը, և ներառում են՝

• OpenAI API բանալի. • GPT մոդելի ընտրություն. • Թոքենների առավելագույն սահմանաչափ. • Հարցման ժամանակի սահմանաչափ. • Ստուգման հուշում։

Հավելվածի միջոցով կատարվող ստուգման բոլոր հարցումներն օգտագործում են այս թերթում սահմանված կազմաձևը։ Այս նախագիծը ինժեներներին հնարավորություն է տալիս փոխել ԱԲ մոդելները, ճշգրտել կատարման պարամետրերը կամ գնահատել հուշումների տարբեր տարբերակներ՝ առանց ծրագրի հիմքում ընկած տրամաբանությունը փոխելու, ինչը հավելվածը հարմար է դարձնում ինչպես փորձարարական գնահատման, այնպես էլ համակարգի ապագա կազմաձևման համար։

Նկար 3 – Excel-ի վրա հիմնված ԱԲ ստուգման միջերեսի Settings թերթը։

BOM թերթը (տե՛ս Նկար 4) ծառայում է որպես հիմնական գործառնական միջերես։ Այն թույլ է տալիս օգտատիրոջը մուտքագրել արտադրողի մասի համարը և բաղադրիչի համապատասխան նկարագրությունը, որոնք կվավերացվեն ԱԲ գործակալի կողմից։ Անհրաժեշտ մուտքը տրամադրելուց հետո ինժեները սկսում է ստուգման գործընթացը՝ սեղմելով RUN կոճակը։ Այնուհետև հավելվածը կատարում է ԱԲ ստուգման աշխատակարգը՝ օգտագործելով Settings թերթում նշված կարգավորումները, և վերջնական ինժեներական դասակարգումը (Match, Partial Match կամ No Match) վերադարձնում է անմիջապես գրքույկում։

Նկար 4 – Excel-ի վրա հիմնված ԱԲ ստուգման միջերեսի BOM թերթը։

Մշակման ներկա փուլում հավելվածը յուրաքանչյուր կատարման ժամանակ աջակցում է մեկ «MPN–նկարագրություն» զույգի ստուգմանը։ Հետևաբար, RUN կոճակը սեղմելիս մշակվում է BOM թերթի միայն մեկ տող։ Այս սահմանափակումն ընդունելի է համարվել հայեցակարգի ապացուցման իրականացման համար, քանի որ նախագծի հիմնական նպատակն էր վավերացնել ԱԲ ստուգման մեթոդաբանությունը, այլ ոչ թե մշակել արտադրության համար պատրաստ ինժեներական հավելված։ Հետագա մշակումը կընդլայնի հավելվածը՝ BOM-ի բազմաթիվ գրառումների փաթեթային մշակմանն աջակցելու համար, ինչը թույլ կտա ամբողջական արտադրական գլխավոր BOM-երը վավերացնել ավտոմատ կերպով՝ մեկ կատարմամբ։

Նախագծի բնութագրեր

Առաջարկվող ԱԲ ստուգման համակարգը նախագծվել է մոդուլային, կազմաձևելի և ընդլայնելի։ Բնութագրերի դուրսբերումը և նկարագրության վավերացումը երկու անկախ ԱԲ գործակալների միջև բաժանելով՝ դատողությունների գործընթացը դառնում է ավելի կառուցվածքավորված՝ միաժամանակ թույլ տալով յուրաքանչյուր գործակալ օպտիմալացնել անկախ։

Համակարգը նաև կազմաձևելի է Excel-ի միջերեսի միջոցով, որտեղ այնպիսի պարամետրեր, ինչպիսիք են GPT մոդելը, հուշումը, թոքենների առավելագույն սահմանաչափը և հարցման ժամանակի սահմանաչափը, կարող են փոփոխվել՝ առանց հիմքում ընկած հավելվածը փոխելու։ Սա աջակցում է ապագա փորձարկումներին և նոր ԱԲ մոդելներին հարմարվելուն։

Վերջապես, թեև ներկայիս հայեցակարգի ապացուցումը միաժամանակ վավերացնում է մեկ «MPN–նկարագրություն» զույգ, ընդհանուր նախագիծը հիմք է ստեղծում ապագա բարելավումների համար, ներառյալ ամբողջական արտադրական գլխավոր BOM-երի փաթեթային վավերացումը և արդյունաբերական ինժեներական համակարգերի հետ ինտեգրումը։

Իրականացում

Առաջարկվող ԱԲ ստուգման համակարգի իրականացումը հետևել է մշակման դուրս բերված մեթոդաբանության, որը հիմնված է շարունակական փորձարկման և հուշումների նախագծման վրա։ Մեկ ԱԲ գործակալ նախագծելու և դրա արդյունավետությունը գնահատելու փոխարեն՝ համակարգը աստիճանաբար բարելավվել է իրականացման մի քանի փուլերի ընթացքում։ Յուրաքանչյուր փուլ փոփոխություններ էր ներմուծում աշխատակարգում, հուշման կառուցվածքում, դատողությունների ռազմավարությունում կամ ԱԲ մոդելում, որից հետո թարմացված իրականացումը գնահատվում էր վավերացման նույն տվյալների հավաքածուով։

Նախատիպը մշակվել է n8n աշխատակարգերի ավտոմատացման հարթակում, որը ծառայել է որպես համակարգման միջավայր և ԱԲ ստուգման գործընթացի կատարման շարժիչ։ Աշխատակարգը կառավարել է տվյալների ստացումը, ԱԲ-ի կատարումը, պատասխանների մշակումը, կատարման ժամանակի չափումը և արդյունքների պահպանումը՝ թույլ տալով իրականացման յուրաքանչյուր փոփոխություն գնահատել նույնական պայմաններում։ Նախագծի ողջ ընթացքում վավերացման տվյալների հավաքածուն պահելու համար օգտագործվել է Google Sheets-ը, իսկ մշակված Microsoft Excel հավելվածը տրամադրել է ԱԲ գործակալը կազմաձևելու և գործարկելու օգտատիրոջ միջերեսը։

Նախատիպի իրականացում

Սկզբնական իրականացումը բաղկացած էր մեկ ԱԲ գործակալից, որը պատասխանատու էր ստուգման ամբողջական գործընթացի կատարման համար (տե՛ս Նկար 5)։ Կատարման ընթացքում աշխատակարգը վավերացման տվյալների հավաքածուից վերցնում էր «MPN–նկարագրություն» զույգը, այն ստուգման հուշման հետ միասին փոխանցում ԱԲ գործակալին, չափում կատարման ժամանակը և վերադարձված դասակարգումը պահպանում հետագա վերլուծության համար։

Նկար 5 – Սկզբնական n8n աշխատակարգ՝ 1 գործակալով

n8n աշխատակարգն ավտոմատացրել է ամբողջ փորձարարական գործընթացը՝ ապահովելով, որ հուշման յուրաքանչյուր տարբերակ և ԱԲ մոդել գնահատվեն նույնական մուտքային տվյալներով և կատարման պայմաններով։ Սա վերացրել է ձեռքով միջամտությունը փորձարկման ընթացքում և ապահովել միատեսակ միջավայր իրականացման արդյունքները համեմատելու համար։

Հուշումների մշակում

Իրականացման ընթացքում հիմնական ուշադրության կենտրոնում էին հուշումների նախագծումը և մոդելի վարքագծի ճշգրտումը։ Կրկնողական բարելավումները կենտրոնացած էին լեզվական մոդելի կողմից տրամադրվող հրահանգների կատարելագործման և դրա պատասխանների կայունության վերահսկման վրա։

Առաջին հուշումը (տե՛ս Նկար 6) հաստատել է ստուգման հիմնական մեթոդաբանությունը՝ հրահանգելով ԱԲ-ին արտադրողի մասի համարից դուրս բերել բաղադրիչի բնութագրերը, համեմատել դրանք տրամադրված նկարագրության հետ և վերադարձնել նախապես սահմանված երեք դասակարգումներից մեկը։ Փորձարարական գնահատումը ցույց է տվել, որ այս իրականացումն ուներ երեք հիմնական սահմանափակում՝

• ելքի սխալ ձևաչափավորում. • դատողությունների ցածր որակ. • կրկնակի կատարումների միջև պատասխանների փոփոխականություն։

Հուշման առաջին իրականացումը ցույց է տվել հաջողության ընդամենը 18.75% մակարդակ GPT-4o-mini-ով և 34.375% GPT-4o-ով, ինչը ցույց է տվել հուշման էական կատարելագործման անհրաժեշտությունը։

Նկար 6 – Առաջին հուշում Նկար 7 – Ութերորդ հուշում

Հուշումների փոփոխություններից բացի՝ փորձարկումների ընթացքում համակարգված կերպով ճշգրտվել է GPT-4o մոդելի ջերմաստիճանի պարամետրը։ Ջերմաստիճանի ավելի ցածր արժեքներ օգտագործվել են դետերմինիզմը բարելավելու և դասակարգման արդյունքների փոփոխականությունը նվազեցնելու համար, հատկապես այն դեպքերում, երբ նկատվել են անհամահունչ դատողություններ։ Այս ճշգրտումը նպաստել է արդյունքների կայունության բարելավմանը մշակման հետագա փուլերում։

Հուշումների հետագա տարբերակները կենտրոնացած էին դատողությունների գործընթացի աստիճանական բարելավման վրա։ Իրականացված փոփոխությունները ներառում էին՝

• երկիմաստ UNSURE վիճակի փոխարինում NOT STATED-ով. • TRUE/FALSE/NOT STATED համեմատման հստակ տրամաբանության ներմուծում. • ելքի ձևաչափի սահմանափակումների խստացում. • Partial Match-ի համար քանակական որոշումների կանոնների սահմանում. • երկիմաստությունը նվազեցնելու համար դատողությունների լրացուցիչ կանոնների ներմուծում. • ընտրանքի ջերմաստիճանի զրոյի սահմանում՝ պատասխանների համահունչությունը բարելավելու համար։

Հուշման յուրաքանչյուր փոփոխություն գնահատվել է վավերացման ամբողջական տվյալների հավաքածուով՝ նախքան լրացուցիչ փոփոխություններ ներմուծելը։ Այս կրկնողական գործընթացը հնարավորություն է տվել օբյեկտիվորեն գնահատել իրականացման յուրաքանչյուր որոշման ազդեցությունը։

Նախագծի կեսին ութերորդ հուշմամբ (տե՛ս Նկար 7) հասանք 96.875% ճշգրտության։ Սակայն այն այդ ճշգրտությամբ աշխատում էր միայն GPT-5 մոդելի հետ համատեղ, ինչը օգտագործումը դարձնում էր չափազանց թանկ և զգալիորեն ավելացնում կատարման ժամանակը։ Եթե առաջին հուշմամբ GPT-4o մոդելով 1 «MPN–նկարագրություն» զույգի կատարման միջին ժամանակը ~1 վ 346 մվ էր, ապա ութերորդ հուշմամբ GPT-5-ով այն տևում էր ~16 վ 651 մվ։ Ուստի դրանից հետո հուշման բարելավումը կենտրոնացավ այնպիսի հուշման նախագծման վրա, որն աշխատի նույնքան լավ, որքան այս մեկը, բայց ավելի էժան և պակաս բարդ մոդելով։

Վերջում ունեինք 2 հուշում 2 ԱԲ գործակալի համար՝ Data Extraction Agent և Description Validating Agent (տե՛ս Նկարներ 8.1 և 8.2)։

Նկար 8.1 – Վերջնական հուշում (Data Extraction Agent) Նկար 8.2 – Վերջնական հուշում (Description Validating Agent)

Այստեղ Data Extraction Agent-ն օգտագործել է GPT-4.1-mini մոդելը, իսկ Description Validating Agent-ը՝ GPT-5.4-mini-ն։

Փորձարարական գնահատումը ցույց է տվել, որ բնութագրերի դուրսբերումը և նկարագրության վավերացումը մեկ հուշման մեջ համատեղելը հաճախ հանգեցնում էր սխալ կամ թերի կանոնական բնութագրերի, ինչը հետագայում ազդում էր վերջնական դասակարգման վրա։ Այս պարտականությունները երկու մասնագիտացված ԱԲ գործակալների միջև բաժանելը պարզեցրեց յուրաքանչյուր մոդելի կողմից կատարվող դատողությունները և հնարավորություն տվեց երկու առաջադրանքներն էլ օպտիմալացնել անկախ։ Այս ճարտարապետական փոփոխությունը դարձավ իրականացման ընթացքում ներմուծված ամենանշանակալի բարելավումներից մեկը։ Եվ հենց այս գաղափարը թույլ տվեց հասնել 96.875% ճշգրտության ավելի էժան և պարզ մոդելներով՝ կրճատելով կատարման և՛ արժեքը, և՛ ժամանակը, որը հասավ ~8 վ 528 մվ-ի։

ԱԲ մոդելների գնահատում

Տարբեր ԱԲ մոդելների գնահատումը չի կատարվել որպես առանձին փուլ հուշումների մշակումից հետո, այլ որպես կրկնողական օպտիմալացման գործընթացի անբաժանելի մաս։ Իրականացման ողջ ընթացքում հուշման կառուցվածքը և ընտրված GPT մոդելը շարունակաբար ճշգրտվել և գնահատվել են միասին՝ ստուգման առաջադրանքի համար ամենաարդյունավետ համադրությունը որոշելու համար։

Մշակման ընթացքում ուսումնասիրվել են OpenAI-ի մի քանի մոդելներ, ներառյալ GPT-4o-mini, GPT-4o, GPT-5, GPT-5.4-mini, ինչպես նաև հիբրիդային կազմաձևեր, որոնք համատեղում են տարբեր մոդելներ բնութագրերի դուրսբերման և վավերացման համար։ Յուրաքանչյուր կազմաձև փորձարկվել է վավերացման նույն տվյալների հավաքածուով՝ թույլ տալով ուղղակիորեն համեմատել դասակարգման ճշգրտությունը, կատարման ժամանակը, թոքենների ծախսը և պատասխանների համահունչությունը։

Գործնականում հուշումների փոփոխությունները հաճախ ներմուծվում էին ի պատասխան մոդելի դիտարկված վարքագծի։ Օրինակ՝ ավելի թույլ մոդելները պահանջում էին ավելի խիստ սահմանափակված հուշումներ՝ դատողությունների երկիմաստությունը նվազեցնելու համար, մինչդեռ ավելի ուժեղ մոդելները թույլ էին տալիս հրահանգների ավելի ճկուն կառուցվածքներ։ Նմանապես, մոդելի փոփոխությունները երբեմն ներմուծվում էին հուշումների փորձարկման ընթացքում բացահայտված սահմանափակումները փոխհատուցելու համար, ինչպես անհամահունչ դատողությունները կամ բնութագրերի անբավարար դուրսբերումը։ Հուշումների նախագծման և մոդելի ընտրության միջև այս սերտ կապը մշակման գործընթացի հիմնական առանձնահատկությունն էր։

Փորձարկումների հետագա փուլերում ընտրված մոդելային կազմաձևերի համար միացվել է նաև վեբ որոնման գործառույթը՝ գնահատելու համար, թե արդյոք արտաքին տեղեկատվության ստացումը կարող է բարելավել բնութագրերի ճշգրտությունը։ Թեև դա երբեմն բարելավում էր

փաստական ամբողջականությունը, այն նաև փոփոխականություն էր մտցնում պատասխանների կառուցվածքում և ավելացնում կատարման ժամանակը, ինչը նվազեցնում էր դրա պիտանիությունը ստուգման վերահսկվող աշխատակարգի համար։

Ընդհանուր առմամբ, փորձերը ցույց տվեցին, որ մոդելի արդյունավետությունը և հուշումների նախագծումը սերտորեն փոխկապակցված են։ Թեև ավելի առաջադեմ մոդելներն ընդհանուր առմամբ բարելավում էին դատողությունների որակը, համակարգի վերջնական արդյունավետությանը հասել ենք միայն մոդելի հնարավորությունները համապատասխան կառուցված հուշումների հետ խնամքով համաձայնեցնելու միջոցով։ Այսպիսով, հուշումների նախագծումը և մոդելի ընտրությունը պետք է դիտարկվեն որպես օպտիմալացման միասնական խնդիր, այլ ոչ թե նախագծման անկախ քայլեր։ Ստորև տե՛ս Աղյուսակ 2-ը, որը ցույց է տալիս, թե ինչպես են ԱԲ մոդելները փոխվել հուշման բարելավմանը զուգընթաց, և այդ փոփոխությունների արդյունքները։

Աղյուսակ 2 – Հուշման և ԱԲ մոդելի կրկնողական փոփոխությունների արդյունքների աղյուսակ

Իրականացման ամփոփում

Իրականացումը մեկ գործակալով ստուգման պարզ աշխատակարգից վերածվել է երկու գործակալից բաղկացած մոդուլային ԱԲ համակարգի՝ հուշումների համակարգված նախագծման և շարունակական փորձարարական գնահատման միջոցով։ Առանձին փոփոխությունների վրա հենվելու փոխարեն՝ իրականացման յուրաքանչյուր փոփոխություն վավերացվել է նույն տվյալների հավաքածուով և համեմատվել արդյունավետության քանակական չափանիշներով։ Այս կրկնողական մոտեցումը հնարավորություն է տվել աստիճանաբար բարելավել դատողությունների որակը, պատասխանների համահունչությունը, կատարման ժամանակը և հաշվողական արդյունավետությունը՝ ի վերջո հանգեցնելով հուսալի հայեցակարգի ապացուցման, որը հարմար է արտադրական գլխավոր BOM-ի ԱԲ-ի օժանդակությամբ ստուգման համար։

Վավերացում և փորձարկում

Մշակված ԱԲ ստուգման համակարգը վավերացվել է կառուցվածքային փորձարարական մեթոդաբանությամբ, որը նախատեսված էր գնահատելու ինչպես գեներացված դասակարգումների ճշտությունը, այնպես էլ իրականացված լուծման գործառնական արդյունավետությունը։ Իրականացման յուրաքանչյուր փոփոխություն, ներառյալ հուշումների փոփոխությունները, ԱԲ մոդելի ընտրությունը և ճարտարապետական բարելավումները, գնահատվել է վավերացման նույն տվյալների հավաքածուով՝ ապահովելով, որ իրականացման տարբեր փուլերի արդյունքները կարողանան օբյեկտիվորեն համեմատվել։

Վավերացման մեթոդաբանություն

Վավերացման գործընթացը հիմնված էր նախապես սահմանված տվյալների հավաքածուի վրա, որը բաղկացած էր ներկայացուցչական «արտադրողի մասի համար (MPN)–բաղադրիչի նկարագրություն» զույգերից։ Յուրաքանչյուր գրառում ներառում էր փորձարկումներից առաջ սահմանված ակնկալվող ինժեներական դասակարգում՝ թույլ տալով ԱԲ ստուգող գործակալի գեներացրած արդյունքները համեմատել ցանկալի արդյունքների հետ։

Վավերացման մի քանի դեպքերի համար որպես ճիշտ ընդունվել են երկու տարբեր դասակարգումներ։ Այս դեպքերը ներկայացնում էին նկարագրություններ, որոնք կարող էին ողջամտորեն մեկնաբանվել կամ որպես Match, կամ որպես Partial Match՝ առանց նախատեսված ինժեներական պահանջները խախտելու։ Հետևաբար, գնահատման մեթոդաբանությունը երկու նախապես սահմանված արդյունքներն էլ համարել է վավեր՝ ապահովելով, որ գնահատումն արտացոլի գործնական ինժեներական դատողությունը, այլ ոչ թե պարտադրի անհարկի խիստ դետերմինիստական վարքագիծ։

Ստացված արդյունքների նկատմամբ վստահությունը բարձրացնելու համար յուրաքանչյուր իրականացում կատարվել է երկու անգամ՝ վավերացման ամբողջական տվյալների հավաքածուով։ Կրկնակի կատարումը թույլ է տվել ոչ միայն չափել դասակարգման ճշգրտությունը, այլև գնահատել պատասխանների համահունչությունը՝ բացահայտելով, թե արդյոք նույնական մուտքերը նույն կատարման պայմաններում տալիս են նույնական ելքեր։

Վավերացման չափանիշներ

Յուրաքանչյուր իրականացման արդյունավետությունը գնահատվել է չորս քանակական չափանիշով։

Դասակարգման հաջողության մակարդակը չափել է վավերացման այն գրառումների տոկոսը, որոնց համար գեներացված ելքը համընկել է նախապես սահմանված ընդունելի դասակարգումներից մեկի հետ։

Կատարման ժամանակը չափել է մեկ «MPN–նկարագրություն» զույգը վավերացնելու համար պահանջվող միջին ժամանակը՝ պատկերացում տալով մշակված համակարգի գործնական օգտագործելիության մասին։

Հուշման թոքենների ծախսը ներկայացնում է յուրաքանչյուր կատարման ընթացքում մշակված հուշման թոքենների մոտավոր քանակը։ Քանի որ մեծ լեզվական մոդելների հետ հաղորդակցությունն ուղղակիորեն ազդում է շահագործման ծախսի վրա, թոքենների օգտագործումը նախագծի ողջ ընթացքում վերահսկվել է որպես օպտիմալացման կարևոր չափանիշ։

Պատասխանների համահունչությունը գնահատել է, թե արդյոք վավերացման նույն տվյալների հավաքածուի կրկնակի կատարումները տալիս են նույնական դասակարգումներ։ Այս չափանիշը հատկապես կարևոր էր հուշումների մշակման վաղ փուլերում, երբ որոշ ԱԲ մոդելներ ցուցաբերում էին ոչ դետերմինիստական վարքագիծ։

Փորձարարական գնահատում

Վավերացումը կատարվել է շարունակաբար՝ իրականացման ողջ ընթացքում։ Հուշման, աշխատակարգի կամ ԱԲ մոդելի յուրաքանչյուր էական փոփոխությունից հետո մշակվել է վավերացման ամբողջական տվյալների հավաքածուն, և ստացված չափանիշները գրանցվել են։

Փորձարարական գնահատումն ուսումնասիրել է մշակված լուծման մի քանի կողմեր, այդ թվում՝

• GPT-ի տարբեր մոդելների համեմատություն. • հուշումների նախագծման ազդեցությունը դատողությունների որակի վրա. • ընտրանքի ջերմաստիճանի ազդեցությունը պատասխանների համահունչության վրա. • մեկ և երկու գործակալով ճարտարապետությունների համեմատություն. • հուշման չափի ազդեցությունը կատարման ժամանակի և թոքենների ծախսի վրա։

Յուրաքանչյուր փորձի համար նույն տվյալների հավաքածուի օգտագործումը երաշխավորել է, որ դիտարկված արդյունավետության տարբերությունները պայմանավորված են իրականացման փոփոխություններով, այլ ոչ թե փորձարկման տվյալների տարբերություններով։ Տարբեր մոդելներով և հուշումներով կրկնությունների արդյունքները ներկայացված են վերևում՝ Աղյուսակ 2-ում։

Վավերացման արդյունքներ

Փորձարարական արդյունքները ցույց են տալիս հստակ բարելավում իրականացման ողջ ընթացքում։ Մեկ ԱԲ գործակալի և հուշման առաջին տարբերակի վրա հիմնված սկզբնական իրականացումը GPT-4o-mini-ով հասել է դասակարգման հաջողության 18.75% մակարդակի, իսկ GPT-4o-ով՝ 34.375%-ի, ինչը ցույց էր տալիս, որ և՛ հուշման նախագծումը, և՛ դատողությունների մեթոդաբանությունը էական կատարելագործում էին պահանջում։

Հուշումների համակարգված նախագծումը, դատողությունների տրամաբանության կատարելագործումը, GPT-ի մի քանի մոդելների գնահատումը և երկու գործակալով ճարտարապետության ներմուծումը աստիճանաբար բարելավել են ստուգման համակարգի արդյունավետությունը։ Վերջնական իրականացումը, որը կիրառում է առանձին Data Extraction (տվյալների դուրսբերման) և Description Validation (նկարագրության վավերացման) գործակալներ՝ GPT-4.1-mini-ի և GPT-5.4-mini-ի հետ միասին, հասել է վավերացման 96.875% ճշգրտության՝ հուշման չափը կրճատելով մոտավորապես 580 թոքենի և մեկ վավերացման համար պահանջելով միջինը մոտավորապես 8.5 վայրկյան։

Արդյունքները նաև ցույց են տալիս, որ միայն մոդելի հնարավորությունների մեծացումը չի երաշխավորել ընդհանուր արդյունավետության բարելավում։ Մի քանի միջանկյալ իրականացումներ հանգեցրել են ավելի բարձր հաշվողական ծախսի կամ կատարման ավելի երկար ժամանակի՝ առանց դասակարգման ճշգրտության համամասնական բարելավման։ Լավագույն ընդհանուր արդյունավետությունը ստացվել է միայն օպտիմալացված հուշումները, մոդելի համապատասխան ընտրությունը և երկու գործակալով ստուգման մեթոդաբանությունը համատեղելուց հետո։

Վավերացման ամփոփում

Վավերացման գործընթացը հաստատել է, որ մշակված ԱԲ ստուգման մեթոդաբանությունը կարող է ճշգրիտ որոշել արտադրողի մասերի համարների և բաղադրիչների նկարագրությունների միջև համապատասխանությունը ինժեներական օրինակների ներկայացուցչական հավաքածուի վրա։ Ավելին, փորձարարական արդյունքները ցույց են տալիս, որ հուշումների համակարգված նախագծումը, ԱԲ մոդելի խնամքով ընտրությունը և ճարտարապետական կատարելագործումը կարող են զգալիորեն բարելավել ինչպես դասակարգման ճշգրտությունը, այնպես էլ շահագործման արդյունավետությունը։ Ձեռք բերված 96.875% վավերացման ճշգրտությունը վկայում է, որ առաջարկվող մոտեցումն ամուր հիմք է ստեղծում ապագա արդյունաբերական ներդրման և հետագա զարգացման համար։

Ներդրման նկատառումներ

Թեև մշակված ԱԲ ստուգման համակարգն իրականացվել է որպես հայեցակարգի ապացուցում, դրա ճարտարապետությունը նախագծվել է՝ հաշվի առնելով ապագա արդյունաբերական ներդրումը։ Առաջարկվող լուծումը կարող է ինտեգրվել գործող ինժեներական աշխատակարգերում՝ արտադրական գլխավոր նյութերի ցանկերի (BOM) պատրաստման և վավերացման ընթացքում ինժեներներին օգնելու համար՝ կրճատելով ձեռքով ստուգման համար պահանջվող ժամանակը և միաժամանակ բարելավելով բաղադրիչների նկարագրությունների համահունչությունը։

Գործնական ներդրումը կպահանջի ինտեգրում գործող ինժեներական ծրագրային ապահովման հետ, ինչպիսիք են ERP, MRP կամ արտադրանքի կյանքի ցիկլի կառավարման (PLM) համակարգերը։ Արտադրողի մասերի համարները և նկարագրությունները ձեռքով մուտքագրելու փոխարեն՝ ԱԲ գործակալը կարող է այս տեղեկատվությունը ստանալ անմիջապես կազմակերպության ինժեներական տվյալների բազայից և գեներացված դասակարգումը վերադարձնել համապատասխան համակարգին։ Նման ինտեգրումը հնարավորություն կտա ավտոմատ ստուգում իրականացնել BOM-ի ստեղծման կամ վերանայման ժամանակ՝ առանց ներկայիս ինժեներական աշխատակարգը էապես փոխելու։

Քանի որ մշակված լուծումը հենվում է OpenAI API-ի միջոցով հասանելի մեծ լեզվական մոդելների վրա, ներդրումը պահանջում է նաև API-ի հավատարմագրերի, ցանցային կապի և մուտքի թույլտվությունների պատշաճ կառավարում։ API բանալիները պետք է անվտանգ պահվեն և կառավարվեն՝ ապահովելով, որ ԱԲ ստուգման ծառայությանը մուտք ունենան միայն լիազորված օգտատերերն ու հավելվածները։

Վավերացման արդյունքները ցույց են տալիս, որ մշակված համակարգն ունակ է մեկ «MPN–նկարագրություն» զույգը ստուգել մոտավորապես 8.5 վայրկյանում՝ ապահովելով դասակարգման 96.875% ճշգրտություն։ Թեև այս արդյունավետությունը հարմար է ինժեներական վավերացման առաջադրանքների համար, խոշոր արտադրական միջավայրերում ներդրումը կարող է պահանջել փաթեթային մշակում, որը կներմուծվի ապագայում, որպեսզի արդյունավետորեն վավերացվեն հարյուրավոր կամ հազարավոր բաղադրիչներ պարունակող ամբողջական արտադրական գլխավոր BOM-երը։

Նախագծի ընթացքում ընդունված մոդուլային ճարտարապետությունը նաև աջակցում է համակարգի ապագա սպասարկմանը և զարգացմանը։ ԱԲ մոդելների, հուշումների նախագծման կամ ստուգման չափանիշների փոփոխությունները կարող են իրականացվել՝ առանց ստուգման ընդհանուր մեթոդաբանությունը սկզբունքորեն փոխելու։ Այս ճկունությունը համակարգին թույլ է տալիս հարմարվել մեծ լեզվական մոդելների ապագա զարգացումներին և փոփոխվող ինժեներական պահանջներին՝ պահպանելով ստուգման հաստատված աշխատակարգը։

Ընդհանուր առմամբ, մշակված հայեցակարգի ապացուցումը ցույց է տալիս, որ արտադրողի մասերի համարների և բաղադրիչների նկարագրությունների ԱԲ-ի օժանդակությամբ ստուգումը տեխնիկապես իրագործելի է և գործնական հիմք է ստեղծում ապագա արդյունաբերական իրականացման համար։ Հաջող ներդրումը հիմնականում կախված կլինի գործող ինժեներական համակարգերի հետ ինտեգրումից, ԱԲ ծառայությունների անվտանգ կառավարումից և մեծածավալ վավերացման առաջադրանքների համար արդյունավետության շարունակական օպտիմալացումից։

Արդյունքներ և օգուտներ

Նախագիծը հաջողությամբ ցույց է տվել, որ մեծ լեզվական մոդելները կարող են կիրառվել որպես խելացի ինժեներական օգնականներ արտադրական գլխավոր նյութերի ցանկերում (BOM) արտադրողի մասի համարի (MPN) և բաղադրիչի նկարագրության համապատասխանության ստուգման համար։ Հուշումների համակարգված նախագծման, ԱԲ մոդելների գնահատման և ճարտարապետական կատարելագործման միջոցով մշակված հայեցակարգի ապացուցումը սահմանափակ արդյունավետությամբ սկզբնական իրականացումից վերածվել է ամուր ստուգման համակարգի, որն ունակ է հասնել դասակարգման բարձր ճշգրտության։

Նախագծի արդյունքները

Նախագծի ամենանշանակալի արդյունքներից մեկը մշակման ընթացքում դասակարգման արդյունավետության բարելավումն էր։ Մեկ գործակալով սկզբնական իրականացումը GPT-4o-mini-ով հասել է 18.75%, իսկ GPT-4o-ով՝ 34.375% հաջողության մակարդակի։ Հուշումների հաջորդական կատարելագործումները, մոդելների գնահատումը և երկու գործակալով ճարտարապետության ներմուծումը աստիճանաբար բարձրացրել են համակարգի արդյունավետությունը։ Վերջնական իրականացումը, որը բաղկացած է մասնագիտացված Data Extraction Agent-ից (տվյալների դուրսբերման գործակալ) և Description Validation Agent-ից (նկարագրության վավերացման գործակալ), հասել է վավերացման 96.875% ճշգրտության՝ պահպանելով մեկ ստուգման համար մոտավորապես 8.5 վայրկյան միջին կատարման ժամանակ և հուշման չափը կրճատելով մոտավորապես 580 թոքենի։

Քանակական բարելավումներից բացի՝ նախագիծը ցույց է տվել հուշումների նախագծման արդյունավետությունը՝ որպես օպտիմալացման համակարգված գործընթաց։ Միայն ավելի ու ավելի հզոր լեզվական մոդելների վրա հենվելու փոխարեն՝ արդյունավետության զգալի աճ է ձեռք բերվել հուշման կառուցվածքի, դատողությունների տրամաբանության և աշխատակարգի

նախագծման խնամքով կատարելագործման միջոցով։ Փորձերը հաստատել են, որ հուշման նախագծումն էական ազդեցություն ունի ինչպես դասակարգման ճշգրտության, այնպես էլ պատասխանների համահունչության վրա։

Մեկ այլ կարևոր արդյունք էր երկու գործակալով ստուգման մոդուլային մեթոդաբանության մշակումը։ Բնութագրերի դուրսբերումը նկարագրության վավերացումից առանձնացնելը պարզեցրել է յուրաքանչյուր ԱԲ գործակալի դատողությունները և հնարավորություն տվել երկու առաջադրանքներն էլ անկախ օպտիմալացնել։ Այս ճարտարապետական մոտեցումը ավելի արդյունավետ է եղել, քան մեկ գործակալով սկզբնական իրականացումը, և ճկուն հիմք է ստեղծում համակարգի ապագա բարելավումների համար։

Աղյուսակ 3 – Սկզբնական և վերջնական արդյունքների համեմատություն

Ավելին, կատարման միջին ժամանակը ~16 վ 651 մվ-ից կրճատվել է ~8 վ 528 մվ-ի՝ համեմատած gpt-5 մոդելով ութերորդ հուշման օգտագործման հետ, որը տալիս էր նույն հաջողության մակարդակը։ Թեև ներկայիս տարբերակը պահանջում է ավելի շատ հուշման թոքեններ, քան gpt5-ով ութերորդ հուշումը, իրական արժեքն այժմ ավելի ցածր է, քանի որ ներկայումս օգտագործվող մոդելները շատ ավելի էժան են։ Այսպիսով, նախագծի ընթացքում մենք զգալիորեն կրճատեցինք կատարման ժամանակը և արժեքը՝ առանց ճշգրտության որևէ կորստի։

Նախագծի օգուտները

Մշակված ԱԲ ստուգման համակարգն առաջարկում է մի շարք գործնական օգուտներ ինժեներական կազմակերպությունների համար, որոնք պատասխանատու են արտադրական գլխավոր BOM-երի վարման համար։

Նախ՝ համակարգը կրճատում է բաղադրիչների նկարագրությունները ստուգելու համար պահանջվող ձեռքով աշխատանքի ծավալը։ Արտադրողի մասերի համարները տեխնիկական փաստաթղթերի հետ առանձին-առանձին համեմատելու փոխարեն՝ ինժեներները ստանում են ավտոմատ գնահատում, որը ցույց է տալիս, թե արդյոք տրամադրված նկարագրությունը համապատասխանում է նշված բաղադրիչին, թե պահանջում է լրացուցիչ վերանայում։ Սա կարող է զգալիորեն կրճատել կրկնվող վավերացման գործողությունների վրա ծախսվող ժամանակը։

Երկրորդ՝ առաջարկվող մեթոդաբանությունը նպաստում է ինժեներական փաստաթղթավորման ավելի մեծ համահունչության։ Յուրաքանչյուր «MPN–նկարագրություն» զույգի նկատմամբ ստուգման նույն տրամաբանությունը կիրառելով՝ ԱԲ գործակալը նվազեցնում է սուբյեկտիվ տարբերությունները, որոնք կարող են առաջանալ, երբ ձեռքով ստուգումը կատարում են մի քանի ինժեներ։ Սա նպաստում է BOM տվյալների որակի և ստանդարտացման բարելավմանը։

Նախագիծը նաև ցույց է տալիս, որ մեծ լեզվական մոդելները կարող են հաջողությամբ կիրառվել ինժեներական ստուգման այնպիսի առաջադրանքներում, որոնք պահանջում են տեխնիկական բնութագրերի մեկնաբանում, այլ ոչ թե բանալի բառերի պարզ համընկնում։ Ի տարբերություն կանոնների վրա հիմնված վավերացման սովորական համակարգերի՝ մշակված լուծումը կարող է դատողություններ անել բաղադրիչների նկարագրությունների լայն բազմազանության վերաբերյալ՝ առանց բաղադրիչների յուրաքանչյուր կատեգորիայի համար ձեռքով սահմանված վավերացման կանոնների անհրաժեշտության։

Վերջապես, նախագծի ընթացքում մշակված մոդուլային ճարտարապետությունը հիմք է ստեղծում ապագա արդյունաբերական ներդրման համար։ ԱԲ ստուգման մեթոդաբանությունը կարող է ինտեգրվել գործող ինժեներական ծրագրային ապահովման հետ և հետագայում ընդլայնվել՝ վավերացման լրացուցիչ հնարավորությունների, ավելի մեծ տվյալների հավաքածուների և ամբողջական արտադրական գլխավոր BOM-երի փաթեթային մշակման աջակցության համար։ Հետևաբար, նախագիծը գործնական հիմք է դնում արդյունաբերական միջավայրերում ԱԲ-ի օժանդակությամբ ինժեներական ստուգման ապագա համակարգերի համար։

Մարտահրավերներ և քաղված դասեր

ԱԲ ստուգման համակարգի մշակումը ներառել է մի շարք տեխնիկական և մեթոդաբանական մարտահրավերներ, որոնք էապես ազդել են վերջնական լուծման վրա։ Այս մարտահրավերները հաղթահարելը պահանջել է շարունակական փորձարկումներ

հուշումների նախագծման, ԱԲ մոդելի ընտրության, աշխատակարգի նախագծման և համակարգի ճարտարապետության ոլորտներում։ Նախագծի ընթացքում քաղված դասերը վճռորոշ դեր են խաղացել վերջնական իրականացմանը հասնելու գործում։

Մարտահրավերներ

Նախագծի ընթացքում հանդիպած հիմնական մարտահրավերներից մեկը ԱԲ-ի հուսալի և համահունչ դատողությունների ապահովումն էր։ Թեև սկզբնական իրականացումը հաջողությամբ հաստատել էր ստուգման աշխատակարգը, գեներացված դասակարգումները հաճախ անհամահունչ էին և ոչ միշտ էին հետևում նախատեսված որոշումների տրամաբանությանը։ Կրկնակի կատարումները երբեմն նույնական մուտքերի համար տալիս էին տարբեր ելքեր, ինչը համակարգը ոչ պիտանի էր դարձնում ինժեներական ստուգման առաջադրանքների համար, որտեղ վերարտադրելիությունը կարևորագույն է։

Մեկ այլ էական մարտահրավեր էր հուշումների նախագծումը։ Այնպիսի հուշումների նախագծումը, որոնք հետևողականորեն կուղղորդեին լեզվական մոդելին ճիշտ մեկնաբանելու տեխնիկական բնութագրերը, զգալիորեն ավելի բարդ դարձավ, քան սկզբում ակնկալվում էր։ Հուշման ձևակերպման փոքր փոփոխությունները հաճախ նկատելի փոփոխություններ էին առաջացնում գեներացված դասակարգումների որակում։ Հետևաբար, հուշումների մշակումը դարձավ օպտիմալացման կրկնողական գործընթաց, որը պահանջում էր ծավալուն փորձարկումներ և օբյեկտիվ գնահատում։

Լրացուցիչ դժվարություն էր հուշումը բավականաչափ խիստ, կառուցվածքավորված և ընդհանրացվող դարձնելը՝ բաղադրիչների լայն բազմազանության հետ աշխատելու համար՝ միաժամանակ պահպանելով ճշգրտությունը։ Քանի որ նախագծի շրջանակը դիտավորյալ լայն էր, համակարգը պետք է ունակ լիներ մշակելու շատ տարբեր տեսակի իրեր՝ պարզ մեխանիկական մասերից մինչև ավելի բարդ էլեկտրոնային բաղադրիչներ։ Սա լարվածություն էր ստեղծում հուշման նախագծման մեջ ճկունության և խստության միջև։ Օրինակ՝ հուշման վաղ տարբերակները մոդելին չափազանց մեծ մեկնաբանողական ազատություն էին տալիս, ինչը հանգեցնում էր դեպքերի, երբ ռեզիստորը սխալմամբ վավերացվում էր որպես կոնդենսատոր՝ չափազանց ընդհանրական դատողությունների պատճառով։ Ընդհակառակը, երբ հուշումը դարձվում էր չափազանց սահմանափակող՝ կոնկրետ բանալի բառերի կամ օրինաչափությունների վրա չափազանց շեշտ դնելով, օրինակ՝ «voltage rating» կամ «material type» տերմինների ճշգրիտ համընկնում պարտադրելով, համակարգը դառնում էր պակաս հարմարվող և չէր կարողանում ընդհանրացնել այն բաղադրիչների վրա, որոնք բացահայտ չէին պարունակում այդ հատկանիշները։ Հավասարակշռության հասնելը պահանջեց բաղադրիչների բոլոր տեսակների համար համընդհանուր կարևոր հիմնական բնութագրերի խնամքով որոշում՝ խուսափելով մոդելը ոլորտին հատուկ ենթադրություններով չափից ավելի սահմանափակելուց։

Լրացուցիչ մարտահրավեր առաջացավ բնութագրերի դուրսբերման համար օգտագործվող արտաքին տվյալների աղբյուրների հուսալիությունից։ Մի քանի դեպքերում տարբեր հեղինակավոր աղբյուրներ նույն արտադրողի մասի համարի համար տալիս էին հակասական կամ անհամահունչ տեխնիկական արժեքներ։ Սա հանգեցնում էր իրավիճակների, երբ Data Extraction Agent-ը (տվյալների դուրսբերման գործակալը) ստանում էր սխալ կամ երկիմաստ բնութագրեր, ինչը հետագայում ազդում էր վավերացման վերջնական արդյունքի վրա։ Այս անհամապատասխանությունները պայմանավորված չէին ԱԲ մոդելով, այլ հիմքում ընկած հղումային տվյալների փոփոխականությամբ։ Թեև այս խնդիրը մասամբ մեղմվեց հուշման կատարելագործման և խաչաձև ստուգման տրամաբանության միջոցով, այն մնում է տարբեր արտաքին տվյալների աղբյուրների վրա հենվելու բնորոշ սահմանափակում։ Ակնկալվում է, որ այս մարտահրավերին հետագայում կանդրադառնան նախագծի ապագա փուլերում՝ աղբյուրների առաջնահերթության բարելավված սահմանման և վստահության գնահատման մեխանիզմների միջոցով։

Համապատասխան ԱԲ մոդելների ընտրությունը նույնպես մարտահրավեր էր։ Նախագծի ողջ ընթացքում գնահատվել են GPT-ի մի քանի մոդելներ՝ դատողությունների ունակության, կատարման ժամանակի և հաշվողական ծախսի միջև ամենահարմար հավասարակշռությունը որոշելու համար։ Փորձերը ցույց տվեցին, որ ավելի նոր կամ ավելի մեծ լեզվական մոդելներն ինքնաբերաբար ավելի լավ ստուգման արդյունքներ չեն տալիս։ Փոխարենը, ընդհանուր արդյունավետությունը կախված էր ընտրված մոդելի, հուշման նախագծման և աշխատակարգի ճարտարապետության փոխազդեցությունից։

Մեկ գործակալով իրականացումից երկու գործակալով ճարտարապետության անցումը լրացուցիչ բարդություն ներմուծեց իրականացման մեջ։ Աշխատակարգը անկախ Data Extraction և Description Validation գործակալների բաժանելը պահանջեց հուշումների վերանախագծում, աշխատակարգի վերակառուցում և տեղեկատվության հուսալի ելքային ձևաչափի սահմանում՝ դատողությունների երկու փուլերի միջև փոխանցելու համար։ Սակայն այս ճարտարապետական փոփոխությունն ի վերջո դարձավ ստուգման ճշգրտության զգալի բարելավմանը նպաստած հիմնական գործոններից մեկը։

Քաղված դասեր

Նախագիծը ցույց տվեց, որ հուշումների նախագծումը ԱԲ-ի օժանդակությամբ ինժեներական հավելվածների մշակման հիմնարար կողմն է։ Լեզվական մոդելին տրամադրվող հրահանգների որակը մեծ ազդեցություն ուներ ստուգման արդյունավետության վրա, և ելքը պարզվեց ավելի զգայուն հուշման աննշան փոփոխությունների նկատմամբ, քան սկզբում սպասվում էր, իսկ հուշման համակարգված կատարելագործումն անհրաժեշտ դարձավ հուսալի արդյունքների հասնելու համար։

Մեկ այլ կարևոր դաս էր այն, որ արդյունավետ ԱԲ համակարգերը, հնարավորության դեպքում, պետք է բարդ առաջադրանքները բաժանեն դատողությունների ավելի փոքր, հստակ սահմանված քայլերի։ Բնութագրերի դուրսբերումը նկարագրության վավերացումից առանձնացնելը նվազեցրեց

յուրաքանչյուր ԱԲ գործակալի վրա դրված բարդությունը, պարզեցրեց հուշումների օպտիմալացումը և հանգեցրեց էապես ավելի ճշգրիտ և համահունչ դասակարգումների, քան մեկ գործակալով սկզբնական մոտեցումը։

Նախագիծը նաև ընդգծեց օբյեկտիվ փորձարարական գնահատման կարևորությունը։ Իրականացման յուրաքանչյուր փոփոխություն նույն տվյալների հավաքածուով և նախապես սահմանված հաջողության չափանիշներով վավերացնելով՝ բարելավումները հնարավոր էր չափել քանակապես՝ սուբյեկտիվ դիտարկումների վրա հենվելու փոխարեն։ Այս կրկնողական մեթոդաբանությունը հնարավորություն տվեց մշակման ողջ ընթացքում կայացնել հիմնավորված ինժեներական որոշումներ և ապահովեց, որ յուրաքանչյուր փոփոխություն դրական ներդրում ունենա համակարգի ընդհանուր արդյունավետության մեջ։

Վերջապես, նախագիծը ցույց տվեց, որ ԱԲ-ի վրա հիմնված ինժեներական գործիքների մշակումը պահանջում է արդյունավետության մի քանի գործոնների հավասարակշռում։ Թեև վերջնական իրականացումը ներմուծեց ավելի բարձր հաշվողական ծախս և կատարման ավելի երկար ժամանակ, քան սկզբնական նախատիպը, այս փոխզիջումներն արդարացված էին դասակարգման ճշգրտության և ստուգման հուսալիության էական բարելավմամբ։ Այս փորձն ընդգծեց, որ ԱԲ համակարգի հաջող նախագծումը պետք է ճշգրտությունը, համահունչությունը, արդյունավետությունը և գործնական օգտագործելիությունը դիտարկի որպես փոխլրացնող նպատակներ, այլ ոչ թե օպտիմալացնի արդյունավետության մեկ չափանիշ։

Տնտեսական և արդյունաբերական ազդեցություն

Թեև մշակված ԱԲ ստուգման համակարգը ներկայումս հայեցակարգի ապացուցում է, նախագիծը ցույց է տալիս արդյունաբերական ինժեներական միջավայրերում կիրառման զգալի ներուժ։ Ավտոմատացնելով արտադրողի մասի համարի (MPN) և բաղադրիչի նկարագրության համապատասխանության ստուգումը՝ առաջարկվող լուծումը կարող է բարելավել արտադրական գլխավոր նյութերի ցանկի (BOM) պատրաստման արդյունավետությունը և որակը՝ միաժամանակ կրճատելով ինժեներների կողմից կատարվող կրկնվող ձեռքով ստուգման ծավալը։

Մշակված ԱԲ գործակալը նախատեսված է աջակցելու, այլ ոչ թե փոխարինելու ինժեներական որոշումների կայացմանը։ Ավտոմատ կերպով բացահայտելով անհամապատասխան, թերի կամ հնարավոր սխալ նկարագրությունները՝ համակարգը ինժեներներին հնարավորություն է տալիս կենտրոնացնել իրենց ուշադրությունը վերանայում պահանջող գրառումների վրա՝ յուրաքանչյուր «MPN–նկարագրություն» զույգ ձեռքով ստուգելու փոխարեն։ Այս մոտեցումը կարող է բարձրացնել ինժեներական արտադրողականությունը, հատկապես հարյուրավոր կամ հազարավոր բաղադրիչներ պարունակող մեծ արտադրական գլխավոր BOM-երի հետ աշխատելիս։

Առաջարկվող ստուգման մեթոդաբանությունը նաև նպաստում է ինժեներական փաստաթղթավորման համահունչության բարելավմանը։ Քանի որ յուրաքանչյուր «MPN–նկարագրություն» զույգ գնահատվում է ԱԲ-ի վրա հիմնված ստուգման նույն գործընթացով, առանձին ինժեներների միջև սուբյեկտիվ տարբերությունները կարող են նվազել՝ հանգեցնելով բաղադրիչների ավելի ստանդարտացված և հուսալի նկարագրությունների։ Ավելի համահունչ BOM տվյալները կարող են բարելավել ինժեներական թիմերի միջև հաղորդակցությունը և նվազեցնել փաստաթղթավորման սխալների տարածման հավանականությունը արտադրանքի մշակման և արտադրության հետագա փուլեր։

Տնտեսական տեսանկյունից կրկնվող ստուգման գործողությունների ավտոմատացումը կարող է կրճատել BOM-ի վավերացման համար պահանջվող ինժեներական ջանքերը և նվազեցնել անհամապատասխան կամ անճշտ նկարագրությունների պատճառով ձեռքով վերամշակման անհրաժեշտությունը։ Թեև այս նախագծի շրջանակը չէր ներառում ծախսերի և օգուտների քանակական վերլուծություն, ձեռք բերված 96.875% ստուգման ճշգրտությունը ցույց է տալիս, որ մշակված մեթոդաբանությունն ունակ է հուսալի ինժեներական աջակցություն ապահովել և ամուր հիմք է ստեղծում ապագա արդյունաբերական ներդրումներում դրա տնտեսական ազդեցությունը գնահատելու համար։ Նվազեցված ինժեներական ջանքերը և խնայված ժամանակը թույլ են տալիս կրճատել նոր արտադրանքի շուկա դուրս բերման ժամանակը՝ դրանով իսկ նպաստելով ինժեներական ընկերության ավելի բարձր մրցունակությանը։

Նախագծի մեկ այլ կարևոր արդյունք է այն ցուցադրումը, որ մեծ լեզվական մոդելները կարող են հաջողությամբ կիրառվել ինժեներական ստուգման գործնական առաջադրանքներում։ Ի տարբերություն կանոնների վրա հիմնված սովորական համակարգերի, որոնք բաղադրիչների տարբեր կատեգորիաների համար պահանջում են ձեռքով մշակված վավերացման կանոններ, մշակված ԱԲ գործակալը կիրառում է դատողությունների ընդհանուր մեթոդաբանություն, որը կարող է հարմարեցվել բաղադրիչների լայն շրջանակին։ Այս ճկունությունը նվազեցնում է համակարգն ընդլայնելու համար պահանջվող ջանքերը և մեծացնում դրա կիրառելիությունը տարբեր ինժեներական ոլորտներում։

Վերջապես, մշակված լուծման մոդուլային նախագիծն աջակցում է գործող ինժեներական ծրագրային միջավայրերի, ինչպիսիք են ERP, MRP կամ արտադրանքի կյանքի ցիկլի կառավարման (PLM) համակարգերը, հետ ապագա ինտեգրմանը։ Կազմաձևելի Excel միջերեսի և ԱԲ-ի վրա հիմնված ստուգման մեթոդաբանության հետ միասին՝ նախագիծը գործնական հիմք է ստեղծում ապագա արդյունաբերական իրականացման համար և ցույց է տալիս ԱԲ-ի օժանդակությամբ ստուգման ներուժը՝ արտադրական գլխավոր BOM-ի կառավարման արդյունավետությունը, համահունչությունը և որակը բարելավելու գործում։

Նորարարություն

Այս նախագծի նորարարությունը կայանում է մեծ լեզվական մոդելների (LLM) կիրառման մեջ՝ որպես խելացի ինժեներական օգնականներ արտադրական գլխավոր նյութերի ցանկերում (BOM) արտադրողի մասերի համարների (MPN) և բաղադրիչների նկարագրությունների միջև համապատասխանությունը ստուգելու համար։ Թեև LLM-ները լայնորեն օգտագործվում են ընդհանուր զրուցային առաջադրանքների համար, այս նախագիծը ցույց է տալիս դրանց կիրառումը ինժեներական ստուգման մասնագիտացված խնդրի նկատմամբ, որն ավանդաբար հենվում է ձեռքով վերանայման և ինժեներական փորձառության վրա։

Հիմնական նորարարությունը երկու գործակալով ստուգման ճարտարապետության մշակումն է։ Ստուգման բոլոր առաջադրանքները մեկ ԱԲ մոդելին հանձնարարելու փոխարեն՝ մշակված մեթոդաբանությունը գործընթացը բաժանում է երկու մասնագիտացված ԱԲ գործակալների միջև։ Առաջին գործակալը պատասխանատու է արտադրողի մասի համարի հետ կապված կանոնական բնութագրերը դուրս բերելու համար, իսկ երկրորդն անկախ վավերացնում է տրամադրված բաղադրիչի նկարագրությունը այդ բնութագրերի նկատմամբ։ Այս մոդուլային մոտեցումը պարզեցնում է դատողությունների գործընթացը, բարելավում է ստուգման ճշգրտությունը և հնարավորություն է տալիս յուրաքանչյուր փուլ օպտիմալացնել անկախ։

Նախագծի մեկ այլ նորարարական կողմը հուշումների նախագծման համակարգված կիրառումն է՝ որպես ինժեներական օպտիմալացման մեթոդաբանություն։ Հուշումները որպես ստատիկ հրահանգներ դիտարկելու փոխարեն՝ նախագիծը հետևել է մշակման կրկնողական գործընթացի, որտեղ հուշումների փոփոխությունները նախագծվել, իրականացվել և օբյեկտիվորեն գնահատվել են նախապես սահմանված վավերացման տվյալների հավաքածուի միջոցով։ Այս կառուցվածքային մոտեցումը ցույց տվեց, որ հուշման խնամքով նախագծումը և աշխատակարգի ճարտարապետությունը կարող են ավելի մեծ ազդեցություն ունենալ համակարգի արդյունավետության վրա, քան միայն հիմքում ընկած ԱԲ մոդելի փոփոխությունը։

Վերջապես, նախագիծը ցույց է տալիս ԱԲ-ն գործող ինժեներական աշխատակարգերում ինտեգրելու գործնական մեթոդաբանություն։ Ինժեներական դատողությունը փոխարինելու փոխարեն՝ մշակված համակարգը գործում է որպես որոշումների աջակցման խելացի գործիք, որն օգնում է ինժեներներին՝ ավտոմատ կերպով բացահայտելով բաղադրիչների անհամապատասխան կամ թերի նկարագրությունները։ Մարդակենտրոն այս մոտեցումը ցույց է տալիս, թե ինչպես կարող է ԱԲ-ն ներառվել արդյունաբերական ինժեներական գործընթացներում՝ արդյունավետությունը բարելավելու համար՝ պահպանելով ինժեների վերահսկողությունը և պատասխանատվությունը։

Եզրակացություններ

Այս նախագիծն ուսումնասիրել է մեծ լեզվական մոդելների (LLM) կիրառումը արտադրական գլխավոր նյութերի ցանկերում (BOM) արտադրողի մասի համարի (MPN) և բաղադրիչի նկարագրության համապատասխանության ավտոմատացված ստուգման համար։ Հիմնական նպատակն էր մշակել ԱԲ-ի վրա հիմնված ստուգող գործակալ, որն ունակ է օգնել ինժեներներին՝ որոշելով, թե արդյոք տրամադրված բաղադրիչի նկարագրությունը ճիշտ է համապատասխանում արտադրողի մասի համարով նշված բաղադրիչին։

Մշակված լուծումը զարգացել է կրկնողական ինժեներական գործընթացի միջոցով, որը ներառել է հուշումների նախագծում, մի քանի ԱԲ մոդելների գնահատում, աշխատակարգի կատարելագործում և ճարտարապետական բարելավումներ։ Վերջնական իրականացումն ընդունել է երկու գործակալով ճարտարապետություն, որտեղ մեկ ԱԲ գործակալը դուրս է բերում բաղադրիչի կանոնական բնութագրերը, իսկ երկրորդ ԱԲ գործակալը վավերացնում է տրամադրված նկարագրությունը այդ բնութագրերի նկատմամբ։ Այս մոտեցումը զգալիորեն բարելավել է ստուգման գործընթացի հուսալիությունը և համահունչությունը՝ համեմատած մեկ գործակալով սկզբնական իրականացման հետ։

Փորձարարական վավերացումը ցույց տվեց, որ վերջնական համակարգը մշակված վավերացման տվյալների հավաքածուի վրա հասել է դասակարգման 96.875% ճշգրտության։ Նախագիծը նաև ցույց տվեց, որ հուշումների նախագծումը և աշխատակարգի ճարտարապետությունը էական ազդեցություն ունեն համակարգի արդյունավետության վրա, և որ խնամքով նախագծված ԱԲ աշխատակարգերը կարող են զգալի բարելավումների հասնել՝ առանց միայն ավելի ու ավելի հզոր լեզվական մոդելների վրա հենվելու։

Տեխնիկական ձեռքբերումներից զատ՝ նախագիծը ցույց է տալիս արհեստական բանականության ներուժը՝ աջակցելու ինժեներական գործունեությանը, որն ավանդաբար պահանջում է ձեռքով ստուգում և փորձագիտական գիտելիք։ Ավտոմատացնելով կրկնվող վավերացման առաջադրանքները՝ միաժամանակ ինժեներներին պահելով որոշումների կայացման գործընթացում, մշակված մեթոդաբանությունը գործնական հիմք է ստեղծում արտադրական գլխավոր BOM-երի ԱԲ-ի օժանդակությամբ ապագա ստուգման համար։

Ընդհանուր առմամբ, նախագիծը հաջողությամբ հասել է իր նպատակներին և ցույց է տվել, որ մեծ լեզվական մոդելները կարող են արդյունավետորեն կիրառվել ինժեներական ստուգման առաջադրանքներում։ Մշակված հայեցակարգի ապացուցումը հիմք է ստեղծում հետագա հետազոտությունների և ապագա արդյունաբերական իրականացման համար, ներառյալ ամբողջական BOM-երի փաթեթային մշակումը, գործող ինժեներական ծրագրային ապահովման հետ ինտեգրումը և ԱԲ մոդելների ու ստուգման մեթոդաբանությունների շարունակական օպտիմալացումը։

Ապագա բարելավումներ

Թեև մշակված ԱԲ ստուգման համակարգը հաջողությամբ ցույց է տալիս արտադրողի մասի համարի (MPN) և բաղադրիչի նկարագրության համապատասխանության ԱԲ-ի օժանդակությամբ ստուգման իրագործելիությունը, հետագա զարգացման մի քանի հնարավորություն կա։

Հիմնական բարելավումներից մեկը Microsoft Excel հավելվածի ընդլայնումն է՝ մի քանի «MPN–նկարագրություն» զույգերի փաթեթային մշակմանն աջակցելու համար։ Ներկայիս հայեցակարգի ապացուցումը յուրաքանչյուր կատարման ժամանակ վավերացնում է մեկ գրառում, մինչդեռ արտադրության համար պատրաստ իրականացումը պետք է ավտոմատ կերպով մշակի ամբողջական արտադրական գլխավոր նյութերի ցանկերը (BOM)՝ ինժեներներին թույլ տալով մեկ գործողությամբ ստուգել հարյուրավոր բաղադրիչներ։

Ապագա աշխատանքի մեկ այլ ոլորտ է ԱԲ ստուգման աշխատակարգի շարունակական օպտիմալացումը։ Թեև վերջնական իրականացումը հասել է դասակարգման 96.875% ճշգրտության, հետագա հետազոտությունները կարող են ուսումնասիրել հուշումների նախագծման այլընտրանքային ռազմավարություններ, ավելի նոր մեծ լեզվական մոդելներ և աշխատակարգի լրացուցիչ օպտիմալացումներ՝ կատարման ժամանակը, թոքենների ծախսը և շահագործման ծախսը նվազեցնելու համար՝ պահպանելով կամ բարելավելով ստուգման ճշգրտությունը։

Վավերացման տվյալների հավաքածուն կարող է նաև ընդլայնվել՝ ներառելով զգալիորեն ավելի մեծ թվով «MPN–նկարագրություն» զույգեր, որոնք ներկայացնում են բաղադրիչների տեսակների և նկարագրության ոճերի ավելի լայն բազմազանություն։ Ավելի համապարփակ տվյալների հավաքածուն հնարավորություն կտա ավելի լայնորեն գնահատել մշակված մեթոդաբանությունը և ավելի մեծ վստահություն կապահովի դրա արդյունավետության նկատմամբ տարբեր ինժեներական կիրառություններում։

Ապագա զարգացման ևս մեկ ոլորտ է բնութագրերի դուրսբերման գործընթացի հուսալիության բարելավումը։ Գործնականում նույն արտադրողի մասի համարի համար արտադրողի տեխնիկական անձնագրերում, դիստրիբյուտորների կատալոգներում և այլ վստահելի տեխնիկական աղբյուրներում կարող է հասանելի լինել տարբեր տեղեկատվություն։ Ապագա հետազոտությունները պետք է կենտրոնանան այնպիսի մեթոդաբանության մշակման վրա, որը բացահայտում և առաջնահերթություն է տալիս ամենահուսալի տեղեկատվությանը՝ նախքան այն վավերացման համար օգտագործելը։ Դա կարող է ներառել մի քանի վստահելի աղբյուրների գնահատում, յուրաքանչյուր աղբյուրին վստահության տարբեր մակարդակների նշանակում և ամենաճշգրիտ բնութագրերի ընտրություն։ Նման մոտեցումը կբարձրացնի ԱԲ ստուգման գործընթացի հուսալիությունը և խստությունը՝ ապահովելով, որ վավերացումը հիմնված լինի հասանելի ամենավստահելի տեխնիկական տեղեկատվության վրա։

Ապագա զարգացումը պետք է կենտրոնանա նաև արդյունաբերական ինժեներական համակարգերի հետ ինտեգրման վրա։ Որպես ինքնուրույն հավելված գործելու փոխարեն՝ ԱԲ ստուգման մեթոդաբանությունը կարող է ներառվել ERP, MRP կամ արտադրանքի կյանքի ցիկլի կառավարման (PLM) համակարգերում՝ հնարավորություն տալով ավտոմատ ստուգում իրականացնել BOM-ի ստեղծման, փոփոխման կամ հաստատման գործընթացներում։

Վերջապես, կարևոր բարելավում կլինի համակարգին հնարավորություն տալը գեներացնել բաղադրիչների բարելավված նկարագրություններ, երբ հայտնաբերվում է «Partial Match» արդյունք։ Նման դեպքերում ԱԲ-ն ոչ միայն կբացահայտի անհամապատասխանությունները, այլև կվերաշարադրի կամ կճշգրտի նկարագրությունը՝ այն ստուգված բնութագրերին լիովին համապատասխանեցնելու համար։ Դա համակարգը զուտ ստուգողական գործիքից կվերածի կիսաավտոմատ փաստաթղթավորման օգնականի՝ օգնելով ինժեներներին ավելի արդյունավետ ուղղել և ստանդարտացնել BOM-ի գրառումները։ Այս բարելավումները կընդլայնեն համակարգի դերը՝ որպես արտադրական գլխավոր BOM-ի կառավարման համար ԱԲ-ի օժանդակությամբ համապարփակ ինժեներական գործիք։

Հավելվածներ

ԱԲ գործակալի քայլ առ քայլ մշակումը ներկայացված է ստորև նշված ֆայլում՝ https://docs.google.com/document/d/15FG3hX0K5stU9fB41bmJZ9hU0-MyUobprgoXJlrZqjE/edit?usp=sharing

Նախագծի ակտիվներ

«MPN–նկարագրություն» դեպքի ուսումնասիրությունը ներկայացված է ստորև նշված փաստաթղթում՝ https://docs.google.com/spreadsheets/d/1xoq9UxTsZMycjPUqZesr9N1aT1dujryVbpAI2hhDfpc/edit?usp=sharing

n8n աշխատակարգը ներկայացված է ստորև նշված json ֆայլում. պատճենեք և տեղադրեք ձեր n8n-ում՝

Part Number Checking AI Agent __ YEA Engineering.json