В целлюлозно-бумажной промышленности обучение новых рабочих имеет некоторые сложности: теоретические знания из учебников не всегда совпадают с реальными производственными задачами, а на сотрудников, ответственных за ввод в должность, ложится дополнительная нагрузка в виде подготовки необходимых материалов.

Кейсом решения проблемы поделился Денис Жирнов на Федеральной отраслевой конференции «ЦБП-­2035: отраслевая стратегия технологического, кадрового и устойчивого развития».

Обычно разработка обучающих программ занимает 2–3 месяца – это затрудняет оперативное закрытие вакансий и увеличивает период адаптации персонала. Компания ОБФ решила эту проблему, превратив корпоративную базу знаний в генератор готовых учебных материалов. Результат: время ввода в должность сократилось на 60-­70%, а эксперты теперь только проверяют готовые материалы, а не пишут их с нуля.

От чат-бота к обучающему конвейеру

«Всё началось с внутреннего чат-бота на основе RAG­системы*, который ускорил технологический поиск для инженеров с месяцев до минут.

Мы разработали чат-бот на основе внутренней документации компании, базы знаний, которая на этот момент насчитывает более тысячи источников», – рассказывает Денис Жирнов, главный специалист по системному анализу технологии производства.

Следующим шагом стало создание обучающих материалов для рабочих. Система анализирует должностные инструкции, инструкции по охране труда и оборудованию, извлекает ключевые «точки контроля» и автоматически превращает их в презентации с понятным языком, видеопримерами и наглядной связью между обязанностями и последствиями ошибок.

«Скорость разработки этих материалов у нас сокращается с 2-­3 месяцев до 1-2 недель. Ускорение существенное – более чем в 8 раз», – подчёркивает спикер.

Принципы создания обучающих материалов

В основе подхода – шесть факторов, главный из которых адаптация под аудиторию – производственный персонал. Система сама подстраивает сложность материала под уровень образования и опыта рабочего. Далее идут:

- Точки контроля – из инструкций выделяются конкретные параметры, за которые отвечает сотрудник (например, контроль качества бумажного полотна, влажность, температурный режим).

- Формирование ответственности – каждый пункт инструкции связывает операцию с последствием ошибки: «Вы отвечаете за контроль натяжения бумажного полотна. Нарушение ведёт к обрыву, простою, браку».

- Мотивация через обязанности – работнику демонстрируют его роль в технологической цепочке и влияние на конечное качество продукции для клиента.

- Видеопримеры – реальные операции с разбором типичных ошибок с возможностью замедленного просмотра.

- Модульность – сотрудник осваивает только новые знания при переходе на повышенный разряд, не повторяя уже изученное.

Что дал проект

Очевидные результаты:

- Время ввода в должность сократилось на 60-­70% (с 2-­3 месяцев до 3­-4 недель).

- Эксперты тратят в 4-­6 раз меньше времени на разработку, занимаясь только валидацией готовых материалов.

- Модульная система позволяет выстроить чёткий карьерный трек: базовый разряд – повышенный – экспертный уровень (наставник) + общий курс по технологии производства.

Информационная безопасность

Поскольку система работает с внутренними чувствительными данными, компания разместила её в облаке на сервере в закрытом контуре. «В перспективе – использование решения Сбера GigaCowork­-плат­формы, которая обеспечивает безопасность хранения данных, является нашим отечественным продуктом», – отмечает Денис Жирнов.

Главный вывод

«ИИ не заменяет экспертов, он расширяет их возможности, расширяет их продуктивность», – резюмирует спикер. Проект уже доказал свою эффективность: разработано более 8 презентаций для разных профессий, и компания готова делиться опытом с HR-­сообществом и учебными заведениями, чтобы вместе строить мост между знаниями состоявшихся в профессии людей и карьерным стартом новичков.

*RAG-­система – (от англ. Retrieval­Augmented Generation) – это архитектурный подход в искусственном интеллекте, который объединяет механизм поиска информации во внешней базе знаний и генеративную языковую модель. Система сначала извлекает релевантные фрагменты из документов (инструкций, нормативов, базы знаний) по запросу пользователя, а затем модель формулирует ответ, опираясь исключительно на эти фрагменты, а не на свои внутренние «память» или обучающие данные. Это гарантирует фактическую точность, актуальность и полную проверяемость каждого ответа, позволяет оперативно обновлять знания без переобучения модели.

Опубликовано в "Лесной Регион" №14(385)