# AIV
> Инженерная компания полного цикла для промышленности: компьютерное зрение, промышленный ИИ, поставка AI/ML-оборудования и кастомная разработка под ключ с измеримым результатом.
AIV — инженерная компания полного цикла для промышленных предприятий России: компьютерное зрение для контроля качества, прогноз отказов оборудования (predictive maintenance), on-prem/edge-инфраструктура, интеграция с MES/SCADA/PLC/ERP. Работаем без интеграторов-посредников, с единой ответственностью за результат.
Полная версия базы знаний (весь текст гайдов, глоссария и инструментов) — https://code1.ru/llms-full.txt
## Услуги

- [Модель сотрудничества и цены (прайс-лист)](https://code1.ru/pricing/): Система контроля продаж с ИИ от 80 000 ₽, контроль телефонных звонков через АТС от 50 000 ₽, разработка CRM от 60 000 ₽, интернет-магазин от 150 000 ₽, GEO/AEO от 60 000 ₽; ежемесячное сопровождение от 10 000 ₽/мес, полный состав — 95 000 ₽/мес.
- [Решения Industry 4.0](https://code1.ru/solutions/)
- [Промышленный ИИ](https://code1.ru/industrial-ai/)
- [Умное производство](https://code1.ru/smart-factory/)
- [Компьютерное зрение](https://code1.ru/computer-vision/)
- [Цифровой двойник производства](https://code1.ru/digital-twin/): Модель линии для отладки ИИ-контроля качества без остановки цеха: сценарии дефектов, настройка оптики, проверка гипотез до монтажа.
- [Кастомный инжиниринг](https://code1.ru/custom-engineering/)
- [Разработка и поддержка на 1С-Битрикс](https://code1.ru/bitrix/)
- [Внедрение Битрикс24](https://code1.ru/bitrix24/)
- [Поставки AI/ML-оборудования](https://code1.ru/hardware/)

## База знаний (гайды)

- [Пилот ИИ на производстве: как провести](https://code1.ru/guides/pilot-ii-na-proizvodstve/): Пилотный проект по внедрению ИИ на производстве — это ограниченный по времени и ресурсам эксперимент, который проверяет техническую и экономическую целесообр…
- [Риски внедрения ИИ на производстве](https://code1.ru/guides/riski-vnedreniya-ii/): Внедрение искусственного интеллекта на производстве сопряжено с техническими, организационными и финансовыми рисками.
- [ROI ИИ-проекта на производстве: как посчитать](https://code1.ru/guides/roi-ii-proekta/): Окупаемость ИИ-проекта на производстве определяется как отношение экономии от внедрения к затратам на разработку и эксплуатацию системы.
- [Сколько стоит внедрение ИИ на производстве](https://code1.ru/guides/skolko-stoit-vnedrenie-ii/): Стоимость внедрения ИИ на производстве зависит от масштаба задачи, типа оборудования и глубины интеграции.
- [Внедрение ИИ на производстве: этапы](https://code1.ru/guides/vnedrenie-ii-na-proizvodstve-etapy/): Внедрение искусственного интеллекта на производстве — это поэтапный процесс, включающий аудит текущих процессов, выбор подходящей технологии, интеграцию с су…
- [Виды дефектов продукции и их классификация](https://code1.ru/guides/vidy-defektov-produkcii/): Дефект продукции — это каждое отдельное несоответствие установленным нормам, техническим требованиям или образцу-эталону.
- [Готовность производства к ИИ: чек-лист](https://code1.ru/guides/gotovnost-proizvodstva-k-ii/): Внедрение ИИ на производстве начинается не с покупки камер или обучения нейросети, а с оценки текущей инфраструктуры.
- [Искусственный интеллект на производстве: примеры задач](https://code1.ru/guides/ii-na-proizvodstve-primery/): Искусственный интеллект на производстве решает задачи контроля качества, оптимизации процессов и прогнозирования отказов оборудования.
- [Интеграция ИИ в MES и SCADA](https://code1.ru/guides/integraciya-ii-v-mes-scada/): Интеграция искусственного интеллекта в MES и SCADA-системы позволяет автоматизировать контроль качества, прогнозировать отказы оборудования и оптимизировать…
- [От пилота к промышленному масштабу: ИИ](https://code1.ru/guides/ot-pilota-k-masshtabu-ii/): Масштабирование ИИ-проекта — переход от экспериментальной установки к непрерывной работе на десятках производственных линий.
- [Машинное зрение: обнаружение поверхностных дефектов](https://code1.ru/guides/mashinnoe-zrenie-poverhnostnye-defekty/): Обнаружение поверхностных дефектов с помощью машинного зрения — это автоматизированный процесс анализа изображений изделия, полученных в оптическом диапазоне…
- [Машинное зрение: распознавание маркировки и OCR на линии](https://code1.ru/guides/mashinnoe-zrenie-raspoznavanie-markirovki/): Распознавание маркировки с помощью машинного зрения — это автоматизированный процесс считывания и интерпретации текстовых, штрих-кодовых или DataMatrix-меток…
- [Метрики качества детектора дефектов](https://code1.ru/guides/metriki-kachestva-detektora-defektov/): Метрики качества детектора дефектов — это количественные показатели, оценивающие точность, полноту и эффективность системы машинного зрения при выявлении про…
- [Распознавание дефектов нейросетью](https://code1.ru/guides/raspoznavanie-defektov-nejrosetyu/): Распознавание дефектов нейросетью — это автоматизированный метод контроля качества, при котором искусственный интеллект анализирует изображения или данные се…
- [Синтез дефектов для обучения модели](https://code1.ru/guides/sintez-defektov-dlya-obucheniya/): Синтетические дефекты — искусственно созданные аномалии на цифровых изображениях или 3D-моделях, используемые для обучения нейросетей в задачах дефектоскопии…
- [Аннотация дефектов для обучения модели](https://code1.ru/guides/annotaciya-defektov/): Аннотация дефектов — процесс разметки изображений или данных с целью выделения и классификации дефектов для обучения моделей машинного зрения.
- [Автоматическая классификация дефектов](https://code1.ru/guides/avtomaticheskaya-klassifikaciya-defektov/): Автоматическая классификация дефектов с помощью нейросетей — это процесс идентификации и категоризации производственных дефектов на основе анализа изображени…
- [Дисбаланс классов: когда дефектов мало](https://code1.ru/guides/balansirovka-klassov-defektov/): Машинное обучение для дефектоскопии сталкивается с проблемой дисбаланса классов, когда количество дефектных образцов в разы меньше годных.
- [Датасеты для контроля качества: где взять и как собрать](https://code1.ru/guides/datasety-dlya-kontrolya-kachestva/): Для обучения моделей машинного зрения в дефектоскопии нужны размеченные датасеты с изображениями бракованных и годных изделий.
- [Дефекты металла: обнаружение машинным зрением](https://code1.ru/guides/defekty-metalla-mashinnoe-zrenie/): Машинное зрение выявляет дефекты металла на этапе контроля качества без остановки производственной линии.
- [Методы контроля качества продукции](https://code1.ru/guides/metody-kontrolya-kachestva/): Контроль качества на производстве — это система мероприятий, направленных на проверку соответствия продукции установленным требованиям.
- [Операционный контроль качества на линии](https://code1.ru/guides/operacionnyj-kontrol-kachestva/): Операционный контроль качества на линии — это система проверок соответствия продукции технологическим параметрам, выполняемая непосредственно в процессе прои…
- [Приёмочный контроль готовой продукции](https://code1.ru/guides/priemochnyj-kontrol-kachestva/): Приёмочный контроль готовой продукции — это финальная проверка изделий перед отгрузкой заказчику.
- [Статистический контроль процесса (SPC)](https://code1.ru/guides/statisticheskij-kontrol-processa-spc/): SPC — это метод управления качеством, основанный на сборе и анализе данных в режиме реального времени для обнаружения отклонений от заданных параметров.
- [Входной контроль качества сырья](https://code1.ru/guides/vhodnoj-kontrol-kachestva/): Входной контроль качества сырья — это совокупность процедур проверки соответствия поступающих материалов, полуфабрикатов и комплектующих установленным нормат…
- [Контроль качества на конвейерной линии](https://code1.ru/guides/kontrol-kachestva-na-konvejere/): Сплошная автоматическая проверка каждой единицы продукции — это и есть контроль качества на конвейерной линии.
- [Контроль качества сварных швов](https://code1.ru/guides/kontrol-kachestva-svarki/): Контроль качества сварных швов — это комплекс процедур проверки сплошности, геометрии и структуры соединения, выполненного дуговой, контактной или лазерной с…
- [Контроль качества в фармацевтике](https://code1.ru/guides/kontrol-kachestva-v-farme/): Контроль качества в фармацевтике — это система проверок на всех этапах жизненного цикла лекарственного препарата: от входного сырья до готовой упаковки.
- [Контроль качества в металлообработке](https://code1.ru/guides/kontrol-kachestva-v-metalloobrabotke/): Система проверки металлических деталей включает входной контроль материала, операционный мониторинг параметров и финальную приёмку по чертежу.
- [Контроль качества на пищевом производстве](https://code1.ru/guides/kontrol-kachestva-v-pischeprome/): Контроль качества на пищевом производстве — это системный процесс проверки сырья, параметров технологической среды и готовой продукции на соответствие нормат…
- [Автоматизация ОТК: с чего начать](https://code1.ru/guides/avtomatizaciya-otk/): Начинать автоматизацию отдела технического контроля следует с аудита существующих процессов и выявления «узких горлышек» — участков, где человеческий фактор…
- [Этапы контроля качества на производстве](https://code1.ru/guides/etapy-kontrolya-kachestva/): Контроль качества на производстве — это последовательность проверок, охватывающая входное сырьё, технологические процессы и готовую продукцию.
- [Команда для ИИ-проекта на заводе: кто нужен](https://code1.ru/guides/komanda-dlya-ii-proekta/): ИИ-проект на производстве требует команды из пяти ключевых ролей: инженер по машинному зрению, технолог завода, специалист по интеграции, менеджер проекта и…
- [Контроль качества в производстве электроники](https://code1.ru/guides/kontrol-kachestva-elektroniki/): Система контроля качества в производстве электроники строится на многоуровневой проверке параметров на всех этапах — от входного контроля компонентов до фина…
- [Контроль качества литья](https://code1.ru/guides/kontrol-kachestva-litya/): Контроль качества литья — это система проверок геометрии, структуры и свойств отливок на всех стадиях производства: от заливки металла до финишной механическ…
- [Машинное зрение в робототехнике](https://code1.ru/guides/mashinnoe-zrenie-v-robototehnike/): Зрение превращает робота из программируемого исполнителя в адаптивного агента. Без него манипулятор просто повторяет траекторию, не замечая смещения детали и…
- [Машинное зрение: замер геометрии и размеров](https://code1.ru/guides/mashinnoe-zrenie-zamer-geometrii/): Машинное зрение для измерения геометрии и размеров — это бесконтактный метод контроля, использующий камеры и алгоритмы обработки изображений для вычисления р…
- [Обучение модели машинного зрения под задачу](https://code1.ru/guides/obuchenie-modeli-mashinnogo-zreniya/): Обучение модели машинного зрения для промышленного контроля — это процесс настройки алгоритмов распознавания на размеченных изображениях дефектов и эталонных…
- [Освещение в машинном зрении: типы и выбор](https://code1.ru/guides/osveschenie-v-mashinnom-zrenii/): Правильный свет — это основа стабильной работы любой системы технического зрения. Без него даже дорогая камера и мощный алгоритм дадут сбой на контрастных де…
- [Система машинного зрения: из чего состоит](https://code1.ru/guides/sistema-mashinnogo-zreniya-sostav/): Система машинного зрения — это комплекс аппаратных и программных компонентов, обеспечивающих автоматическое получение, обработку и анализ визуальной информац…
- [Визуальный и измерительный контроль (ВИК): что это и как автоматизируется](https://code1.ru/guides/vizualnyy-i-izmeritelnyy-kontrol/): ВИК — регламентированный метод неразрушающего контроля. Разбираем, что проверяют по регламенту и какую часть можно передать машинному зрению.
- [Контроль качества продукции: методы и точки автоматизации](https://code1.ru/guides/kontrol-kachestva-produkcii-metody/): Входной, операционный, приёмочный контроль, SPC — какие методы контроля качества продукции есть и что из них разумно автоматизировать первым.
- [Техническое зрение vs машинное зрение: в чём разница](https://code1.ru/guides/tehnicheskoe-zrenie-vs-mashinnoe-zrenie/): «Техническое зрение» и «машинное зрение» — почти всегда одно и то же. Разбираем происхождение терминов и когда разница действительно имеет значение.
- [Брак на производстве: как считать и снижать](https://code1.ru/guides/brak-na-proizvodstve-kak-schitat-i-snizhat/): Формулы расчёта процента брака, какие причины встречаются чаще всего и как их находить раньше — до того как деталь ушла с линии.
- [3D-машинное зрение на производстве](https://code1.ru/guides/3d-mashinnoe-zrenie/): Трёхмерное машинное зрение — это технология автоматического анализа геометрии объектов по данным глубины, получаемым с лазерных сканеров, стереокамер или стр…
- [Алгоритмы машинного зрения: обзор для инженера](https://code1.ru/guides/algoritmy-mashinnogo-zreniya/): Алгоритмы машинного зрения — это математические инструкции, преобразующие цифровое изображение в решение о качестве детали.
- [Машинное зрение для малого производства](https://code1.ru/guides/mashinnoe-zrenie-dlya-malogo-proizvodstva/): Машинное зрение для малого производства — это автоматизированная система контроля качества, которая с помощью камер, освещения и алгоритмов ИИ анализирует пр…
- [Машинное зрение: контроль комплектности и сборки](https://code1.ru/guides/mashinnoe-zrenie-kontrol-sborki/): Машинное зрение для контроля сборки — это автоматизированная проверка наличия, положения и правильности установки всех компонентов изделия с использованием к…
- [Точность машинного зрения: ложные срабатывания и пропуски](https://code1.ru/guides/mashinnoe-zrenie-tochnost-i-oshibki/): Точность системы машинного зрения определяется двумя встречными вероятностями: пропуском дефекта (false negative) и ложным срабатыванием (false positive).
- [ПО для цифровых двойников: обзор подходов](https://code1.ru/guides/po-dlya-cifrovyh-dvojnikov/): Программное обеспечение для цифровых двойников — это среда исполнения виртуальной модели, которая обеспечивает сбор телеметрии, её обработку и обратную связь…
- [Создание цифрового двойника: этапы](https://code1.ru/guides/sozdanie-cifrovogo-dvojnika/): Создание цифрового двойника технологического процесса — это последовательное развёртывание модели от сбора данных до замкнутого контура управления, где кажды…
- [Технология цифровых двойников: как устроена](https://code1.ru/guides/tehnologiya-cifrovyh-dvojnikov/): Цифровой двойник — это виртуальная модель физического объекта или процесса, которая синхронизирована с реальным прототипом в режиме времени, близком к реальн…
- [Уровни зрелости цифрового двойника](https://code1.ru/guides/urovni-zrelosti-cifrovogo-dvojnika/): Цифровой двойник производственного процесса проходит несколько стадий развития: от простой 3D-модели станка до самообучающейся системы, прогнозирующей качест…
- [Внедрение цифрового двойника на производстве](https://code1.ru/guides/vnedrenie-cifrovogo-dvojnika/): Цифровой двойник внедряется поэтапно: начиная с аудита одного участка, затем строится имитационная модель, настраиваются каналы данных и проводится калибровк…
- [Цифровой двойник технологического процесса](https://code1.ru/guides/cifrovoj-dvojnik-processa/): Цифровой двойник технологического процесса — это динамическая программная модель, которая отражает состояние реального производства в каждый момент времени н…
- [Цифровой двойник производства: что это и зачем](https://code1.ru/guides/cifrovoj-dvojnik-proizvodstva/): Цифровой двойник производства — это динамическая цифровая модель, которая зеркально отображает физические процессы, оборудование и потоки материалов в реальн…
- [ROI цифрового двойника: как считать окупаемость](https://code1.ru/guides/cifrovoj-dvojnik-roi/): Окупаемость цифрового двойника рассчитывается через сопоставление стоимости владения системой (лицензии, вычислительные мощности, интеграция, обслуживание) и…
- [Цифровой двойник и симуляция: в чём разница](https://code1.ru/guides/cifrovoj-dvojnik-vs-simulyaciya/): Цифровой двойник — это динамическая цифровая копия физического объекта, которая обновляется в реальном времени с помощью данных с сенсоров.
- [Какие данные нужны для цифрового двойника](https://code1.ru/guides/dannye-dlya-cifrovogo-dvojnika/): Цифровому двойнику для работы необходимы три категории сведений: геометрические параметры объекта, физико-механические свойства материалов и технологические…
- [Цифровой двойник и промышленный IoT](https://code1.ru/guides/cifrovoj-dvojnik-i-iot/): Цифровой двойник в связке с промышленным интернетом вещей (Industrial IoT, IIoT) — это система, где данные с тысяч сенсоров непрерывно питают расчётную модел…
- [Цифровой двойник производственной линии](https://code1.ru/guides/cifrovoj-dvojnik-liniya/): Цифровой двойник производственной линии — это не одна модель станка, а связанная экосистема расчётных блоков, отражающих работу всех участков потока: от пода…
- [Цифровой двойник оборудования](https://code1.ru/guides/cifrovoj-dvojnik-oborudovaniya/): Цифровой двойник оборудования — это динамическая программная модель, которая в реальном времени отражает состояние, поведение и характеристики физического аг…
- [Цифровой двойник предприятия](https://code1.ru/guides/cifrovoj-dvojnik-predpriyatiya/): Цифровой двойник предприятия — это единая динамическая модель, объединяющая оборудование, технологические процессы, логистику и персонал в виртуальном простр…
- [Цифровой двойник: примеры применения в промышленности](https://code1.ru/guides/cifrovoj-dvojnik-primery/): Цифровой двойник — это динамическая виртуальная модель физического объекта, процесса или системы, которая обновляется в реальном времени за счёт данных с сен…
- [Как составить ТЗ на систему технического зрения для ОТК: разделы, критерии приёмки, чеклист](https://code1.ru/guides/tz-na-sistemu-tehnicheskogo-zreniya-otk/): Структура технического задания на vision-контроль качества: как задать критерии приёмки (FAR/FRR, скорость, разрешение дефекта), описать датасет, железо и интеграцию с MES/PLC так, чтобы пилот прошёл приёмку, а не завис на «доработках».
- [Типичные ошибки при внедрении машинного зрения в ОТК и как их избежать](https://code1.ru/guides/oshibki-vnedreniya-mashinnogo-zreniya/): Разбор восьми ошибок, на которых чаще всего спотыкаются пилоты vision-контроля: от разрешения без привязки к дефекту и нестабильного света до отсутствия критериев приёмки и реакции на вердикт.
- [Типичные ошибки при выборе edge-вычислителя для AI-пилота на производстве](https://code1.ru/guides/oshibki-vybora-edge-vychislitelya/): Семь ошибок при подборе edge-платы под инференс на линии: выбор по TOPS вместо реальной модели, игнор теплового режима и питания, отсутствие драйверов, облачная зависимость и забытый план обновления.
- [Типичные ошибки при подключении промышленных датчиков к AI-контуру](https://code1.ru/guides/oshibki-podklyucheniya-datchikov-ai/): Семь ошибок при заводке датчиков в AI-мониторинг: недостаточная частота опроса для вибрации, наводки и земляные петли, отсутствие калибровки и меток времени, дыры в данных и молчание при обрыве.
- [Типичные ошибки при автоматизации приводами и робототехникой под AI-контур](https://code1.ru/guides/oshibki-avtomatizacii-privody-robototehnika/): Семь ошибок при связке приводов и роботов с AI-решением: игнор задержки в контуре, отсутствие аппаратной блокировки безопасности, обратной связи по положению и поведения при отказе распознавания.
- [Чеклист интеграции камеры машинного зрения перед запуском пилота](https://code1.ru/guides/cheklist-integracii-kamery-mashinnogo-zreniya/): Пошаговый чеклист перед запуском пилота машинного зрения: механика и оптика, свет и защита от засветки, поток данных и синхронизация, вычислитель, интеграция вердикта и приёмочные условия.
- [Чеклист интеграции edge-вычислителя в цеховую сеть перед запуском](https://code1.ru/guides/cheklist-integracii-edge-vychislitelya/): Чеклист заведения edge-вычислителя в цех: питание и тепловой режим, сеть и сегментация, драйверы и рантайм модели, удалённое обновление с откатом, мониторинг состояния и поведение при отказе.
- [Чеклист интеграции IIoT-датчиков в систему мониторинга цеха](https://code1.ru/guides/cheklist-integracii-datchikov-iiot/): Чеклист заведения IIoT-датчиков в мониторинг: выбор протокола под дальность и объём, питание и автономность, радиопокрытие, синхронное время, единый формат данных, безопасность и поведение при обрыве.
- [Чеклист запуска предиктивного обслуживания на производственной линии](https://code1.ru/guides/cheklist-zapuska-prediktivnogo-obsluzhivaniya/): Чеклист запуска предиктивного обслуживания: базовые данные исправного оборудования, размещение и частота датчиков, разметка реальных отказов, горизонт прогноза, интеграция с ТОиР и работа с ложными тревогами.
- [Как составить ТЗ на edge-вычислитель для AI на производстве](https://code1.ru/guides/tz-na-edge-vychislitel/): Структура ТЗ на edge-вычислитель: описать модель и требуемый FPS, тепловой режим и питание точки установки, интерфейсы, требование локального инференса, серийность, обновление и критерии приёмки.
- [Как составить ТЗ на систему предиктивного обслуживания оборудования](https://code1.ru/guides/tz-na-prediktivnoe-obsluzhivanie/): Структура ТЗ на предиктивное обслуживание: что предсказываем и с каким горизонтом, метрики приёмки на реальных отказах, требования к данным и датчикам, интеграция с ТОиР и порядок приёмки на исторических отказах.
- [Как составить ТЗ на систему IIoT-мониторинга цеха](https://code1.ru/guides/tz-na-iiot-monitoring-ceha/): Структура ТЗ на IIoT-мониторинг цеха: какие параметры и с какой периодичностью снимаем, протокол связи и радиопокрытие, автономность узлов, единый формат и время, безопасность, интеграция и критерии приёмки.
- [Машинное зрение против ручного ОТК: когда автоматизировать контроль, а когда нет](https://code1.ru/guides/mashinnoe-zrenie-vs-ruchnoy-otk/): Честное сравнение машинного зрения и ручного ОТК по объёму, тонкости дефекта, скорости, цене пропуска и стабильности: таблица критериев и пороги, при которых автоматизация окупается, а при которых человек остаётся выгоднее.
- [Edge против облака для AI на производстве: как выбрать, где считать модель](https://code1.ru/guides/edge-vs-oblako-dlya-ai/): Сравнение edge и облака для промышленного AI по задержке, автономности от связи, безопасности данных, стоимости и обновляемости: таблица и пороги выбора, включая гибридную схему обучение в облаке, инференс на месте.
- [Предиктивное обслуживание против планового ТОиР: сравнение экономики стратегий](https://code1.ru/guides/prediktivnoe-vs-planovoe-toir/): Сравнение трёх стратегий обслуживания — реактивной, плановой по регламенту и предиктивной по состоянию: таблица, экономика каждой и пороги, за которыми переход на предиктив окупается, а где плановый ТОиР остаётся рациональным.
- [Робототехника в AI-линии: сценарии применения и как считать окупаемость](https://code1.ru/guides/robototehnika-v-ai-linii-scenarii/): Сценарии связки робототехники с AI-зрением на линии — сортировка, отбраковка, укладка, подача — и как считать окупаемость: где робот с распознаванием даёт отдачу, а где остаётся дорогой игрушкой.
- [Синтетические данные для контроля качества: сколько реальных дефектов нужно нейросети в 2026](https://code1.ru/guides/sinteticheskie-dannye-dlya-kontrolya-kachestva/): Разбор диффузионного синтеза, domain randomization и VAE для генерации дефектов по 7 источникам: сколько реальных примеров нужно на самом деле и как поставщики округляют академические цифры.
- [Vision-Language модели в контроле качества: что работает в 2026, а что маркетинг](https://code1.ru/guides/vlm-v-kontrole-kachestva/): Разбор VLM и мультимодальных LLM в промышленном ОТК по 6 источникам: где академические бенчмарки расходятся с обещаниями поставщиков и когда VLM реально оправдан.
- [Компьютерное зрение в контроле качества: как AI снижает брак на 60–80%](https://code1.ru/guides/kompyuternoe-zrenie-v-kontrole-kachestva/): Практический разбор внедрения vision AI в OTK производства. Реальные цифры, архитектура систем, ROI и типичные ошибки.
- [Edge Computing на производстве: почему 38 мс решают всё](https://code1.ru/guides/edge-computing-na-proizvodstve/): Зачем выносить вычисления на edge вместо облака. Латентность, отказоустойчивость, стоимость и реальная архитектура industrial edge-узла.
- [ROI Industrial AI: как посчитать окупаемость AI-внедрения на заводе](https://code1.ru/guides/roi-industrial-ai-kak-schitat/): Методология расчёта ROI для AI-проектов на производстве. Формулы, типовые статьи экономии, реалистичные сроки окупаемости.
- [Как внедрить AI на заводе, не останавливая производство](https://code1.ru/guides/kak-vnedrit-ai-ne-ostanoviv-proizvodstvo/): Пошаговый план AI-внедрения без остановки линий. Пилот за 11 недель, параллельная работа, точки входа и критерии успеха.
- [Предиктивное обслуживание: как AI предсказывает поломки оборудования](https://code1.ru/guides/predictive-maintenance-kak-ai-predskazyvaet-polomki/): Как работает predictive maintenance на базе AI. Датчики, модели, пороговые значения и переход от планового ТО к обслуживанию по состоянию.
- [Как выбрать промышленную камеру для машинного зрения](https://code1.ru/guides/kak-vybrat-promyshlennuyu-kameru/): Разбираем параметры выбора промышленной камеры: затвор, интерфейс, крепление, битность. Конкретные критерии под задачи ОТК и инспекции в потоке.
- [Двигатели и приводы для автоматизации: питание, IP-защита, редуктор](https://code1.ru/guides/dvigateli-i-privody-dlya-avtomatizacii/): Как выбрать привод под задачу: AC vs DC питание, степени защиты IP, передаточные числа редуктора, типичные ошибки при подборе.
- [Edge AI на производстве: плата для пилота — NPU, GPU-модуль или IPC](https://code1.ru/guides/edge-ai-platy-dlya-pilota-npu-gpu/): Прототип, пилот или production: как выбрать класс AI-железа, почему CAN важнее Wi-Fi, как подключить к МЭС/SCADA без дополнительных шлюзов.
- [Промышленный компьютер для МЭС/SCADA: монтаж, питание, хранение](https://code1.ru/guides/ipc-dlya-mes-scada-v-cehu/): DIN-rail vs Panel vs VESA, диапазоны питания DC/AC, industrial SSD vs HDD с реальными MTBF, DDR4/DDR5 при -40°C — критерии выбора IPC для цеха.
- [RF-антенны для промышленного IIoT: LoRa, GNSS, Cellular, Wi-Fi](https://code1.ru/guides/rf-antenny-dlya-promyshlennogo-iiot/): Как выбрать антенну под протокол IIoT: технология, VSWR, поляризация, тип монтажа и коннекторы. Практические критерии для цеховых условий.
- [Освещение для машинного зрения: спектр, напряжение, тип подсветки](https://code1.ru/guides/osveschenie-dlya-mashinnogo-zreniya/): Как подсветка влияет на выявляемость дефекта: выбор спектра (White/Blue/Red/IR), питание 24В, угол освещения под материал и задачу.
- [Датчики газа и влажности: выбор по точности, интерфейсу и питанию](https://code1.ru/guides/datchiki-gaza-i-vlazhnosti-vybor/): I²C vs Sensibus, точность ±1.8–5%, питание 2.1–5.5В, время отклика. Как выбрать датчик Sensirion для промышленного мониторинга.
- [Платы разработки: разрядность АЦП, питание и форм-фактор](https://code1.ru/guides/platy-razrabotki-vybor-acp-pitanie/): Когда хватает 10 бит, а когда нужны 16; питание 3.3/5/24В без риска сжечь плату; ток нагрузки и форм-фактор под встраивание.
- [Промышленный SSD vs HDD: MTBF, ресурс, температурный режим](https://code1.ru/guides/promyshlennyy-ssd-vs-hdd/): MTBF до 3 000 000 ч, TLC vs MLC, расширенный диапазон -40°C, SSD vs HDD в цеху. Как выбрать накопитель для IPC.
- [Компоненты робототехники: приводы, платы управления, интерфейсы](https://code1.ru/guides/komponenty-robototehniki-vybor/): Длина и гибкость приводов, питание 5–36В, интерфейсы UART/Analog/Gravity, ультразвук 40 кГц. Подбор компонентов от прототипа до серии.
- [ROI пилота AI на производстве: как посчитать окупаемость до старта](https://code1.ru/guides/roi-pilota-ai-na-proizvodstve/): Что включать в затраты и выгоды, горизонт окупаемости, пример расчёта CV-системы, как защитить проект перед советом директоров.
- [CoaXPress vs GigE vs 5GigE vs USB 3.0: интерфейс камеры для CV](https://code1.ru/guides/coaxpress-gige-usb-vybor-interfeysa/): Пропускная способность, длина кабеля, нагрузка на сеть. Как выбрать интерфейс камеры под скорость линии и число камер.
- [Как интегрировать AI-модуль в МЭС/SCADA: протоколы и архитектура](https://code1.ru/guides/integraciya-ai-v-mes-scada/): RS485 и CAN для связи с ПЛК, DIN-rail монтаж, edge vs облако, хранение данных. Как добавить AI к существующей автоматике.
- [Предиктивное обслуживание: датчики и система мониторинга](https://code1.ru/guides/predictive-maintenance-datchiki-podklyuchenie/): Что измерять, как подключить датчики по I²C/RS485, edge-инференс, хранение истории. Переход от планового ТО к предиктивному.

## Глоссарий

- [AI-инспекция дефектов](https://code1.ru/glossary/ai-inspekciya-defektov/): **AI-инспекция дефектов** — метод автоматизированного контроля качества, при котором модель компьютерного зрения выполняет детекцию брака на изделиях в процессе производства. Система принимает на вход изображения или видеопоток с камер, расположенных над конвейером или на роботизированных манипуляторах, и классифицирует каждый объект как годный или дефектный. В отличие от традиционной дефектоскопии, основанной на пороговых методах и ручных правилах, инспекция дефектов с использованием искусственного интеллекта обучается на размеченных примерах. Это позволяет выявлять сложные, нерегулярные и ранее не заданные явным образом типы нарушений.
- [Edge computing на производстве](https://code1.ru/glossary/edge-computing/): Периферийные вычисления — модель организации вычислительных процессов, при которой обработка, фильтрация и первичный анализ данных выполняются на устройствах, расположенных вблизи источников данных: контроллерах, программируемых логических контроллерах, промышленных ПК, шлюзах. В отличие от облачных систем, данные не передаются на удалённые серверы в полном объёме — на облако отправляются лишь агрегированные результаты или критические уведомления. Основная цель — обеспечить реакцию в реальном времени без задержек передачи и сохранить работоспособность локальных систем при временном обрыве связи с внешними сетями.
- [Inline-контроль качества](https://code1.ru/glossary/inline-kontrol-kachestva/): Inline-контроль качества — это система проверки параметров изделий и операций непосредственно на производственной линии в режиме реального времени, без остановки конвейера и без отбора образцов в лабораторию. В отличие от выборочного пост-фактум контроля, она фиксирует отклонения сразу после их появления, исключает накопление брака и позволяет управлять процессом, а не только регистрировать его результат.
- [MES — система управления производством](https://code1.ru/glossary/mes/): MES (Manufacturing Execution System, система управления производством) — исполнительная система уровня цеха, занимающая промежуточное положение между ERP-системой предприятия и производственным оборудованием. Она собирает данные с машин, станков и операторских постов в реальном времени, формирует сменные задания и передаёт фактические показатели выполнения заказов обратно в ERP. Без MES данные о ходе производства поступают в учётную систему с задержкой и нередко вручную.
- [MLOps на производстве](https://code1.ru/glossary/mlops/): MLOps — совокупность методов и практик, обеспечивающих жизненный цикл моделей машинного обучения в промышленной эксплуатации: от разработки и развёртывания до непрерывного мониторинга, версионирования и переобучения. В производственной среде MLOps регламентирует интеграцию обученной модели в контур управления линией, проверку прогнозов на соответствие реальным данным и обновление алгоритмов без остановки технологических процессов. Подход распространяет принципы DevOps на машинное обучение, добавляя задачи управления данными, проверки дрейфа признаков и оценки бизнес-эффекта от каждой новой версии модели. Назначение MLOps на производстве — сделать модели устойчивым, контролируемым и измеримым инструментом, а не одноразовым прототипом.
- [OEE — общая эффективность оборудования](https://code1.ru/glossary/oee/): **OEE (Overall Equipment Effectiveness, общая эффективность оборудования)** — сводная метрика, характеризующая, насколько полно производственная установка использует свой плановый фонд времени. Показатель объединяет три составляющие — доступность, производительность и качество — в единое число, пригодное для сравнения оборудования, цехов и периодов.
- [ROI AI-внедрения](https://code1.ru/glossary/roi-ai-vnedreniya/): Показатель возврата инвестиций, рассчитываемый как отношение суммарного экономического эффекта от внедрения искусственного интеллекта к совокупным затратам на проект. На производстве этот показатель позволяет принимать обоснованные решения о целесообразности автоматизации конкретных участков и сравнивать альтернативные технические решения по единому критерию.
- [SCADA](https://code1.ru/glossary/scada/): SCADA представляет собой программно-аппаратный комплекс для сбора телеметрии с промышленного оборудования, визуализации данных и дистанционного управления технологическими процессами в реальном времени. Диспетчеризация через такую систему позволяет операторам контролировать распределённые объекты с единого рабочего места без физического присутствия у каждой установки. Комплекс агрегирует сигналы от ПЛК, датчиков и исполнительных механизмов, отображает мнемосхемы процесса и фиксирует события в архиве.
- [TCO — совокупная стоимость владения](https://code1.ru/glossary/tco/): **TCO (Total Cost of Ownership, совокупная стоимость владения)** — метрика, выражающая полные затраты на решение за весь его жизненный цикл: от первоначального приобретения и внедрения до вывода из эксплуатации. На производстве TCO применяется для объективного сравнения альтернатив, когда цена закупки не отражает реальную стоимость. Дешёвое оборудование или программный комплекс нередко оказывается дороже в обслуживании и поддержке.
- [Анализ временных рядов телеметрии](https://code1.ru/glossary/analiz-vremennyh-ryadov/): Анализ временных рядов телеметрии — метод обработки упорядоченных во времени показаний датчиков с целью выявления закономерностей, аномалий и прогноза состояния оборудования. Телеметрия формирует непрерывный поток сигналов — температуру, давление, вибрацию, ток — и превращает его в структурированный временной ряд. Это позволяет перейти от реактивного обслуживания к предиктивному, основанному на фактическом состоянии узла, а не на регламенте.
- [Выход годного (yield)](https://code1.ru/glossary/vyhod-godnogo/): **Выход годного (yield)** — доля единиц продукции, признанных годными по результатам контроля качества, от общего количества запущенных в производство. Метрика характеризует эффективность технологического процесса: чем ниже yield, тем выше потери на брак, переработку и утилизацию. Показатель служит основным KPI для систем технического зрения на производственных линиях.
- [Детекция аномалий](https://code1.ru/glossary/detekciya-anomalij/): Детекция аномалий (anomaly detection) — метод выявления нештатных режимов оборудования и технологических процессов, при котором модель обнаруживает отклонения от нормального поведения системы без заранее заданных правил. Алгоритм обучается исключительно на данных штатной работы, фиксируя эталонные паттерны вибрации, температуры, тока или оптического сигнала. Каждое новое наблюдение затем оценивается на соответствие усвоенному «нормальному» состоянию, и при превышении порога отклонения выдается сигнал.
- [Инференс на краю (edge inference)](https://code1.ru/glossary/edge-inferens/): Edge inference — этап жизненного цикла модели машинного обучения, на котором обученная нейросеть выполняется непосредственно на оборудовании производственной линии, а не в облачной инфраструктуре или удалённом серверном кластере. В отличие от тренировочной фазы, требующей больших вычислительных мощностей и массивных наборов данных, инференс оптимизирован для быстрого прохождения одного прямого прохода через сеть с фиксированными весами. На производстве этот подход применяется для принятия решений по каждому кадру, сигналу или измерению в реальном времени, без задержек, связанных с передачей данных на удалённые узлы и обратно. Такая архитектура интегрирует искусственный интеллект непосредственно в контур управления технологическим процессом.
- [Компьютерное зрение](https://code1.ru/glossary/kompyuternoe-zrenie/): Технология, позволяющая промышленным системам извлекать значимую информацию из цифровых изображений и видеопотоков, имитируя зрительное восприятие человека на уровне принятия решений. В производственном контексте применяется для инспекции, подсчёта, измерения и распознавания объектов непосредственно на линии без остановки процесса. Преобразует визуальные данные в структурированную информацию — координаты, категории, отклонения, — которая затем используется системами управления для корректировки хода производства.
- [Латентность инференса](https://code1.ru/glossary/latentnost-inferensa/): Латентность инференса — это временной интервал между поступлением входного сигнала (кадра, измерения, события) на вход модели и выдачей результата её работы, готового для использования в управляющем контуре. В производственных системах компьютерного зрения и контроля эта метрика определяет, насколько быстро система способна реагировать на текущее состояние обрабатываемого объекта. Для процессов отбраковки и позиционирования латентность является критическим параметром: превышение допустимого порога приводит к тому, что решение приходит с опозданием и не может быть применено к тому же объекту.
- [Машинное зрение в контроле качества](https://code1.ru/glossary/mashinnoe-zrenie-otk/): Автоматическая инспекция продукции с применением промышленных камер, оптических систем и алгоритмов компьютерного зрения. Технология замещает ручной контроль детерминированной, повторяемой оценкой каждого изделия в потоке. Выявляет дефекты, отклонения геометрии и нарушения целостности поверхности без участия оператора. Интегрируется на этапах промежуточного или финального контроля, обеспечивая сортировку годных и бракованных единиц в реальном времени.
- [Пилотный проект (PoC)](https://code1.ru/glossary/pilotnyj-proekt/): Пилотный проект (PoC, Proof of Concept) — ограниченное внедрение технологии или процесса на отдельном участке производства, предназначенное для проверки гипотезы об эффективности решения до принятия решения о масштабировании. PoC позволяет оценить реальные эффекты и риски в рабочих условиях без вложений, сопоставимых с полным развёртыванием. Ограниченный масштаб даёт измеримые данные о производительности, качестве и нагрузке на персонал.
- [Предиктивное обслуживание](https://code1.ru/glossary/predictive-maintenance/): Предиктивное обслуживание (predictive maintenance) — подход к организации ТОиР, при котором решение о вмешательстве в оборудование принимается не по календарному плану, а на основе фактического технического состояния, определяемого по телеметрии. Цель — выполнять обслуживание ровно тогда, когда это действительно необходимо, устраняя как преждевременные остановки, так и аварийные отказы. В основе лежит непрерывный мониторинг параметров и прогнозирование остаточного ресурса до возникновения отказа.
- [Промышленный интернет вещей (IIoT)](https://code1.ru/glossary/iiot/): **Промышленный интернет вещей (IIoT)** — сеть взаимосвязанных датчиков, контроллеров и исполнительных устройств на производстве для непрерывного сбора, обмена и первичной обработки данных. Технология оцифровывает физические параметры оборудования и среды — температуру, вибрацию, ток, давление, положение механизмов — и передаёт их на верхние уровни управления для аналитики и оптимизации. В отличие от бытового интернета вещей, промышленный IIoT функционирует в условиях жёстких требований к надёжности, времени отклика и кибербезопасности. Ошибки в передаче данных приводят к остановке линии или аварийным ситуациям.
- [Разметка данных](https://code1.ru/glossary/razmetka-dannyh/): **Разметка данных (data labeling)** — процесс присвоения меток объектам исходного датасета: изображениям, видеокадрам, сигналам с датчиков, временным рядам PLC, текстовым журналам событий. Метка задаёт класс дефекта, идентификатор детали или состояние оборудования. Без размеченной обучающей выборки невозможно обучить модель машинного зрения или предиктивной аналитики — алгоритму не с чем сравнивать предсказания.
- [Срок окупаемости (payback)](https://code1.ru/glossary/srok-okupaemosti/): Период, за который накопленная экономия от внедрения проекта полностью покрывает первоначальные затраты на его реализацию. На производстве этот показатель служит первичным критерием оценки целесообразности капитальных вложений в автоматизацию, системы машинного зрения, промышленный ИИ и модернизацию оборудования.
- [ТОиР](https://code1.ru/glossary/toir/): **ТОиР** (техническое обслуживание и ремонт) — система организационных и технических мероприятий, направленных на поддержание оборудования в работоспособном состоянии и восстановление его после отказов. На производстве ТОиР определяет, когда и как выполняются осмотры, регламентные работы, замена изнашиваемых узлов и устранение неисправностей. От качества этой системы напрямую зависят доступность оборудования, себестоимость продукции и безопасность персонала.
- [Цифровизация цеха](https://code1.ru/glossary/cifrovizaciya-ceha/): Перевод производственных процессов в структурированный поток данных: сбор показателей с оборудования, мониторинг состояния линий и аналитика отклонений в реальном времени. Результат — измеримая, фиксируемая картина происходящего в цехе, служащая фундаментом для систем автоматизации и промышленного ИИ. Каждое значимое событие на производстве — остановка станка, выход параметра за допуск, смена оператора — превращается в запись в базе данных. Цех перестаёт быть «чёрным ящиком»: решения принимаются на основе зафиксированных данных, а не устных рапортов.
- [Цифровой двойник](https://code1.ru/glossary/cifrovoj-dvojnik/): Цифровой двойник — это виртуальная модель физического объекта, оборудования или производственного процесса, синхронизированная с реальным состоянием через поток данных с датчиков и контроллеров. Модель воспроизводит поведение оригинала в реальном времени или с опережением, позволяя прогнозировать отказы, оценивать последствия изменений режимов и обучать алгоритмы машинного зрения без остановки линии.

## Инструменты

- [Калькулятор экономии от снижения брака](https://code1.ru/tools/ekonomiya-ot-braka/): Экономия от снижения брака машинным зрением — это денежный эффект, который предприятие получает при замене или дополнении ручного контроля качества автоматизированной системой технического зрения.
- [Калькулятор окупаемости пилота](https://code1.ru/tools/okupaemost-pilota/): Окупаемость пилотного проекта по внедрению ИИ — показатель, характеризующий период, за который суммарный экономический эффект от применения системы машинного зрения, автоматизации или предиктивной…
- [Калькулятор ROI AI-внедрения](https://code1.ru/tools/roi-ai-vnedreniya/): ROI (Return on Investment) при внедрении ИИ на производстве — отношение чистой экономической выгоды от проекта к совокупным затратам на его реализацию.

## Компания

- [О компании](https://code1.ru/company/)
- [Портфолио](https://code1.ru/portfolio/)
- [Кейсы внедрения](https://code1.ru/case-studies/)
- [Контакты](https://code1.ru/contact/)

## Optional

- [Политика конфиденциальности и обработки персональных данных](https://code1.ru/privacy/)