Vytěžování atestů v hutnictví: proč se to vyplatí automatizovat

Proč jsou atesty obtížné - i pro zkušeného člověka

Materiálový certifikát (MTC, EN 10204) vypadá na první pohled jako standardní dokument. V praxi to ale není. Důvody:

• Různí dodavatelé, různé formáty. Každá huť má jiný layout, jiná pole, jiné pojmenování. Operátor se musí orientovat v desítkách šablon.
• Různé jazyky. CZ, DE, EN, IT - často kombinace v jednom dokumentu. Překlad technických termínů je svoje disciplína.
• Multi-certifikátové PDF. Jeden PDF obsahuje několik certifikátů za sebou. Musí se rozdělit na jednotlivé dokumenty.
• Rozsáhlé datové struktury. Chemická analýza (15+ prvků), mechanické vlastnosti, tepelné zpracování, technické zkoušky, čísla taveb, rozměry, váhy, markings.
• Validace proti normě. Hodnoty musí projít limity v normě podle třídy oceli a tloušťky materiálu. Normy mají podmíněná pravidla a výjimky.
• Poznámky, které mění limity. Normy obsahují pravidla typu „pokud poměr Al/N ≥ 2, platí výjimka". Tohle musí mít operátor v hlavě, nebo to dohledávat.

Kombinace všech těchto vrstev znamená, že atest nedokáže zpracovat junior ani průměrný účetní. Potřebujete někoho, kdo rozumí materiálu, normám a specifikám jednotlivých dodavatelů. A takoví lidé jsou drazí a těžko zastupitelní.

Co s tím dnes dělá AI workflow

Správně navržené workflow tuhle práci dramaticky zjednodušuje. Krok za krokem:

1. Příjem a detekce

Certifikáty přicházejí několika kanály - web upload, e-mail (IMAP s filtrem na subject), dávkový import složky. Workflow všechny kanály sjednotí do jedné fronty. Pokud PDF obsahuje více certifikátů, automaticky se rozdělí. Detekuje se dodavatel - systém podle formátu, hlavičky a typických markerů pozná, od koho certifikát přišel, a použije pro něj specifická pravidla.

2. AI extrakce všech sekcí

Model vytěžuje strukturovaná data ze všech částí certifikátu: hlavičková pole, rozměry a váhy, čísla taveb, kompletní chemická analýza, mechanické vlastnosti, tepelné zpracování, technické zkoušky i textové poznámky v tabulkách. Jeden standardní certifikát se zpracuje za 30–45 sekund.

3. Validace proti normě

Systém má načtené technické normy se záznamy podle třídy oceli a tloušťky. Každá chemická hodnota i mechanická vlastnost z atestu se automaticky porovná s mezními hodnotami normy. Výsledek: operátor rovnou vidí, co prošlo a co ne - a u každé odchylky má odkaz na konkrétní pasáž normy.

4. Aplikace výjimek z poznámek

Toto je místo, kde AI workflow výrazně pomáhá i zkušeným lidem. Poznámky v normách obsahují podmíněná pravidla, která mění limity - „pokud poměr prvků…", „pro určité třídy platí výjimka", „pro tloušťku pod X mm platí jiný limit". Systém tyhle výjimky aplikuje automaticky a u každé odchylky řekne, která poznámka ji povolila. Operátor nemusí mít celou normu v hlavě.

5. QA scoring a severita

Ke každému certifikátu systém vygeneruje skóre 0–100 a seznam varování v třech úrovních:

• HIGH - fyzikálně nemožná hodnota, vážný nesoulad.
• MEDIUM - podezřelá hodnota, vyžaduje lidskou kontrolu.
• LOW - chybějící volitelné pole, drobnost.

Certifikáty nad 95 bodů bez HIGH/MEDIUM varování jsou kandidáty na auto-approve - operátor je může pustit dál jedním kliknutím. Problémové jdou na podrobnou kontrolu.

6. Kontrola operátorem

Zbytek práce se z přepisování posunul na validaci. Operátor vedle formuláře vidí PDF pro ověření zdroje, odchylky jsou barevně zvýrazněné, pohyb mezi certifikáty z klávesnice. Zkušenější lidé se otevřou jen k tomu, co vyžaduje pozornost.

7. Strukturovaný export do ERP

Potvrzená data jdou přímo do importního formátu ERP - bez mezikroků a ručního kopírování. Podle systému to bývá XML, JSON nebo volání API.

Reálný dopad: měřitelná čísla

U firmy Favex, obchodníka s hutním materiálem, kterému tohle workflow provozujeme, se z denní rutiny 4+ hodiny stala záležitost dohledu:

• 4+ hodiny denně ušetřené manuální práce
• 30–45 sekund průměrný čas zpracování standardního textového certifikátu (oproti minutám ručního přepisu)
• 95 %+ přesnost extrakce na klíčových polích u standardních textových PDF
• 16+ dodavatelů s automatickou detekcí a specifickými pravidly
• Auditní stopa u každého dokumentu
• Škálovatelnost - nárůst objemu nevyžaduje nárůst lidí

Detail případovky - architektura, všechny funkce a jak se systém učí z oprav - najdete v plné případové studii.

Pro koho to dává smysl

Tohle není řešení pro firmu, která zpracuje 20 atestů měsíčně. Tam je manuální kontrola levnější. Pro koho to ale dává smysl:

• Obchodníci s hutním materiálem přijímající stovky certifikátů měsíčně.
• Výrobci pro automotive, strojírenství, energetiku s vlastním nákupem hutního materiálu.
• Kovozpracující firmy s požadavky na dohledatelnost v celém řetězci.
• Zkušebny a certifikační orgány, které zpracovávají vstupní dokumentaci.
• Velké strojírenské koncerny s dodavatelskou dokumentací v desítkách kategorií.

Co řešíte před nasazením

Pokud o automatizaci uvažujete, tři věci si ujasněte dřív, než začnete:

1. Jaký objem a z jakých kanálů certifikáty chodí? Tohle určuje, jestli se vyplatí nasazení. Pod nízkým objemem je manuální kontrola efektivnější.
2. Jaký ERP používáte a v jakém formátu chce data? Export do ERP je polovina projektu - nestačí jen extrakce.
3. Které normy jsou pro vás kritické a máte je v digitální podobě? Načíst normu do systému je jednorázová práce. Ale musí být dostupná.

Nad tím už je otázka infrastruktury (cloud vs. privátní cloud v ČR vs. on-prem) a integrace. Tu řešíme v rámci auditu, kde konkrétní architekturu navrhujeme až po pochopení dat a požadavků.

Co si z toho odnést

Automatizace vytěžování atestů není věc, o které se mluví v AI keynotech. Je to ale jeden z use casů s velmi čistou návratností v průmyslu - konkrétní objem ruční práce, měřitelná přesnost, přímý dopad na to, kolik seniorních lidí potřebujete pro daný provoz.

Pokud ve vaší firmě denně někdo přepisuje stovky certifikátů do ERP a validuje je proti normám, existuje cesta, jak tuhle práci zmenšit o řád - a zároveň zvýšit konzistenci, dohledatelnost a odolnost procesu proti absencím. Není to experiment, běží to v produkci.