Для КОМПАС-3D сделали AI-фильтр, который не дает выдумывать методы

В инженерных задачах обычного чат-бота мало: ему нужно не просто понять запрос, а попасть в нужный метод API и не начать фантазировать. Для этого между человеком и AI предложили поставить отдельную компактную модель-помощника, которая переводит формулировку задачи в правильный элемент КОМПАС-3D.

Зачем это нужно

В работе с CAD-системами ошибка в названии метода или свойства может стоить времени, нервов и лишних правок. Особенно это заметно, когда AI-агент пытается помочь инженеру, но вместо точного ответа подсовывает похожий, но неверный вариант.

Новая идея в том, чтобы AI не полагался только на общие знания, а сначала проходил через узкий фильтр, обученный на реальных задачах КОМПАС-3D. Это полезно разработчикам, инженерам и компаниям, которые хотят автоматизировать рутину без риска получить красивый, но неправильный код.

Что сделали на практике

Команда собрала около 200 тысяч пар вида «формулировка задачи → элемент КОМПАС API» и специально добавила сложные отрицательные примеры: одноименные методы из разных интерфейсов, соседние get/set одной сущности и кандидаты, которые базовая модель по ошибке ставила на первое место.

После дообучения компактная модель на 34 млн параметров стала работать заметно лучше. По запросам, где метод описывается задачей, а не названием, точность в топ-5 выросла с 5,8% до 79,6%, а обучение заняло меньше пяти часов на одной видеокарте.

Почему это надежнее обычного ответа ИИ

Поиск подходящего метода — только первый шаг. Дальше кандидатов проверяют через граф типов, берут константы из настоящих DLL, сверяют код с компилятором и даже проверяют спорные случаи экспериментами в живом CAD через песочницу.

Такой подход снижает шанс, что AI выдаст догадку за факт. Для бизнеса это значит меньше ошибок в автоматизации, а для сотрудников — больше доверия к подсказкам и меньше ручной проверки. Похожие сценарии можно использовать и в других инструментах, если нужна аккуратная работа с внутренними API и документацией.

Частые вопросы

Зачем нужна отдельная маленькая модель, если уже есть большой AI?

Большая модель может хорошо объяснять и генерировать текст, но в узких инженерных задачах ей часто не хватает точности. Маленькая модель здесь работает как фильтр: помогает выбрать правильный метод и отсечь похожие, но неверные варианты.

Что дает такой подход обычному пользователю или сотруднику компании?

Он ускоряет рутинные операции, уменьшает число ошибок и делает AI-подсказки полезнее в реальной работе. Это особенно важно там, где цена неверного ответа выше, чем просто потерянное время.

Можно ли применить такую схему не только в CAD?

Да, принцип подходит для любых сложных систем с API, справочниками и внутренними правилами. Особенно хорошо он работает там, где важно не просто сгенерировать ответ, а точно попасть в нужный объект или команду.