Смотреть урок

Дополнительные файлы из урока

Разбираем с Фёдором enterprise-задачу, под которую обычно закладывают команду, большой бюджет и долгий цикл: распознавание инженерных чертежей по ЕСКД и сборка из них карты приёмки для производства. Фёдор проходит весь путь вслух — от разового эксперимента с Gemini, который дал вау-эффект за вечер, до облачного MVP на Google Vision и полностью локальной версии на связке eDOCr, Tesseract, Keras и дообученной Qwen. Отдельно и подробно разбирается дообучение: как собирается датасет из вырезок чертежа с описаниями, сколько нужно примеров, чем слои LoRA отличаются от запекания в веса и по каким признакам видно переобучение. В середине эфира — живая демонстрация интерфейса и ответы на вопросы про допуски, ГОСТы и отраслевую специфику. В конце Фёдор рассказывает, как подступается к задачам, в которых у него нет экспертизы, и показывает смежные кейсы: томографические снимки, чертежи мебели через SketchUp и Blender с MCP, подбор автозапчастей агентом и автономный агент поддержки. Запись для тех, кто смотрит в сторону сложных B2B- и enterprise-задач и хочет понять, где там место вайбкодингу.

Оглавление с таймкодами:

0:00:00–0:09:14 Вступление Тимура о том, почему он сам обходил стороной заказы на обработку чертежей и почему модели слабо ориентируются в узких инженерных темах. Знакомство с Фёдором: больше 20 лет в автоматизации бизнеса, два проекта по распознаванию — чертежи деталей и электротехнические чертежи зданий, второй собран вообще без единой строчки кода руками, примерно на 300 долларов токенов.
0:09:14–0:13:45 Задача клиента: печать металлических деталей и ручная приёмка по характеристикам с чертежа. Почему готовые решения не справляются: чертежи рисуют по-разному, характеристики уезжают в техтребования, шрифты и подписи у каждого инженера свои. Оценка от подрядной конторы на всю систему была больше пяти миллионов рублей. Первый эксперимент: чертёж и короткий промпт с указанием ГОСТа в Gemini 2.5, скрипт сборки таблицы, вау-эффект и решение делать MVP.
0:13:45–0:17:13 Ресёрч готовых решений, находка открытого проекта eDOCr на Tesseract и Keras. Первый облачный MVP на Google Vision и Gemini: Python, FastAPI, интерфейс на Streamlit с перетаскиванием маркеров и отправкой фрагментов на дообучение.
0:17:13–0:19:34 Требование сделать систему локальной из-за NDA клиента на детали, включая импланты. Связка eDOCr и Qwen заводится на восьмигигабайтной видеокарте: сама модель занимает 4 гигабайта, ещё 4 остаются на работу. Простой чертёж распознаётся за две-три минуты, качество выросло с 70…