Problems and prospects for using artificial intelligence technologies to assess occupational risks at machine‑building enterprises

Машиностроение традиционно относится к отраслям с повышенным уровнем производственного травматизма и профессиональных заболеваний. По оценкам Международной организации труда, совокупные экономические потери от неудовлетворительных условий труда в промышленности достигают 4% мирового ВВП, что обусловливает высокую значимость эффективного управления профессиональными рисками. Современная парадигма безопасности труда требует перехода от реактивного подхода к проактивному, основанному на предвидении и предупреждении инцидентов.

Беспрецедентное развитие технологий искусственного интеллекта (ИИ) открывает принципиально новые возможности для автоматизации процессов идентификации опасностей, анализа и прогнозирования профессиональных рисков на машиностроительных предприятиях. Спектр предлагаемых решений варьируется от экспертных чат-ботов на основе больших языковых моделей до адаптивных нейро-нечетких сетей и мультимодальных систем, совмещающих визуальное распознавание опасных ситуаций с нормативным анализом. Тем не менее, вопрос о возможности полноценной замены человека при выполнении оценки профессиональных рисков остается дискуссионным.

Для выявления релевантных работ выполнен систематизированный обзор научных публикаций в базах Scopus, Web of Science, eLibrary и РИНЦ за период 2020–2026 гг. с использованием ключевых слов: «искусственный интеллект», «оценка профессиональных рисков», «машиностроение», «промышленная безопасность», «нейронные сети».

В ряде исследований посвященых применению нейросетевых методов для экспресс-оценки рисков показано, что нейромодели анализа риска демонстрируют характеристики абсолютной и относительной погрешности, сопоставимые с членом экспертного консилиума, а регрессионный анализ обучающей выборки дает существенно худшие результаты по сравнению с нейросетевым подходом.

В Иркутском национальном исследовательском техническом университете С.С. Тимофеевой с соавторами проведено прямое сравнение результатов оценки профессиональных рисков с использованием чат-бота на базе ИИ и экспертной оценки. Установлено, что чат-бот идентифицировал в среднем 10–11 видов рисков, тогда как эксперты выявили 16–17 видов, а средний уровень риска, определенный чат-ботом, оказался практически в 1,5 раза ниже экспертного.

Коллективом Пермского национального исследовательского политехнического университета разработана методология оценки персонифицированного профессионального риска на основе адаптивной нейро-нечеткой сети распознавания образов. Апробация на данных 175 000 параметров условий труда подтвердила высокую прогностическую способность (совпадение с реализовавшимися рисками у 87–89% работников).

В обзоре Li et al. систематизированы достижения, вызовы и будущие направления применения ИИ для обеспечения безопасности в промышленных системах высокого риска. Авторы подчеркивают, что будущая ценность ИИ зависит не только от прогностической эффективности, но и от качества валидации, прозрачности и контролируемого человеком внедрения.

Исследование Müller et al предлагает фреймворк автоматизированной оценки промышленной безопасности, сочетающий генерацию с дополненной выборкой (Retrieval-Augmented Generation, RAG) с мультимодальными большими языковыми моделями. Применительно к коллаборативной роботизированной ячейке достигнуты хорошие показатели обнаружения опасностей, однако подчеркивается, что человеческий контроль сохраняет критическое значение.

Плюсы применения ИИ для оценки профессиональных рисков:

1. Высокая скорость обработки данных

ИИ-системы способны обрабатывать сотни страниц документации и тысячи единиц данных за минуты, что многократно превосходит возможности человека при первичном анализе больших массивов информации;

2. Снижение субъективности и когнитивных искажений

ИИ не подвержен таким когнитивным искажениям, как «ошибка привыкания» и «эффект нормальности», что позволяет выявлять систематические расхождения между нормативными требованиями и фактическим состоянием производственной среды;

3. Прогностические возможности на основе исторических данных

          Нейросетевые модели способны аппроксимировать сложные нелинейные зависимости между факторами производственной среды и вероятностью реализации рисков, что обеспечивает более высокую точность прогноза по сравнению с традиционными регрессионными методами.

Минусы и фундаментальные ограничения ИИ:

1. Неполнота идентификации опасностей

Внешние исследования демонстрируют, что чат-бот идентифицирует в 1,76 раза меньше видов рисков по сравнению с экспертами. Это объясняется тем, что ИИ оперирует только той информацией, которая явно содержится в запросе или обучающей выборке, и не способен к самостоятельному выявлению неочевидных опасностей, требующих интуитивного понимания производственного процесса;

2. Занижение уровня риска в условиях неопределенности

Средний уровень риска, определенный ИИ, оказался в 4,6 раза ниже экспертного, что создает опасность недооценки критических рисков и недостаточности мер управления;

3. «Черный ящик» и непрозрачность

Сложные модели ИИ функционируют как «черный ящик»: специалист получает готовую оценку без возможности проследить цепочку рассуждений, что недопустимо для задач, результаты которых влияют на жизнь и здоровье работников;

4. Неспособность к контекстной интерпретации

ИИ лишен прямого доступа к неформализуемой производственной среде, не может оценить невербальные сигналы, эмоциональное состояние работников, неформальные практики выполнения операций, которые могут содержать ключевую информацию о скрытых рисках;

5. Проблемы валидации и качества данных

Модели ИИ чувствительны к качеству обучающих данных. Ошибки или смещения в данных приводят к ошибочным выводам, а процедуры верификации для систем ИИ в области безопасности труда находятся на начальном этапе;

6. Юридическая ответственность

Возникает принципиальный вопрос о субъекте юридической ответственности за последствия решений, принятых на основе рекомендаций ИИ.

Пилотное эмпирическое сравнение на примере участка машиностроительного предприятия.

Для проведения эмпирических сравнений расчетов человека-эксперта и искусственного интеллекта, на примере участка механической обработки машиностроительного предприятия, с целью проверки проведён пилотный эксперимент. Объектом исследования выбраны участки механической обработки, включающие шесть характерных рабочих мест:

1. Токарный обрабатывающий центр с ЧПУ Doosan Puma 1500;
2. Токарно-винторезный станок 16К20;
3. Токарный станок с ЧПУ СА600С20Ф3;
4. Вертикально-фрезерный станок 6Б75В;
5. Настольно-сверлильный станок ГС2116;
6. Обдирочно-шлифовальный станок Д961/3.

Методика предусматривала:

— составление подробного описания каждого рабочего места с указанием оборудования, оснастки, режущего инструмента, применяемых СОЖ и реальных организационных условий (включая неформальные практики, отклонения от требований инструкций);

— независимую оценку профессиональных рисков двумя способами: с помощью большой языковой модели ChatGPT-4o (запрос формировался по единому шаблону с просьбой перечислить все возможные опасности и присвоить уровень риска по 5-балльной шкале) и силами экспертной комиссии из двух аттестованных специалистов службы охраны труда, предварительно обследовавших участок.

Результаты сравнения приведены в таблице 1.

Таблица 1

Результаты пилотного эксперимента

Показатель	ИИ (ChatGPT-4o)	Экспертная группа
Общее число идентифицированных видов рисков	17	30
Средний уровень риска (по 5-балльной шкале)	2,88	3,77
Коэффициент конкордации (совпадение перечней)	0,567	–
Доля рисков с уровнем «высокий» и «очень высокий»	17,6%	46,7%

Качественный анализ расхождений показал, что система ИИ систематически пропускала опасности, связанные с:

— неформальными практиками работы, укоренившимися в поведении персонала (удержание заготовки руками при сверлении на ГС2116, проверка размеров на ходу станка на 6Б75В, обход блокировок на Doosan 1500);

 — фактическим состоянием защитных устройств (отсутствие или отведение экранов, зазоры у подручников на Д961/3, неисправность местного освещения);

— нештатным складированием легковоспламеняющихся материалов вблизи точила;

— эргономическими перегрузками, возникающими из-за недоступности средств механизации в конце смены (установка тяжёлых заготовок на 16К20);

— недооценкой редко реализующихся, но тяжёлых сценариев (разрыв шлифовального круга, возгорание масляной СОЖ).

Эксперты, напротив, учитывали прецеденты и фактическую организацию труда, что и обусловило выявление более широкого спектра опасностей и присвоение более высоких категорий риска. Результаты согласуются с данными работы и подтверждают, что на текущем этапе ИИ демонстрирует как неполноту идентификации опасностей, так и тенденцию к занижению уровня риска в условиях неполноты и неформализованности исходных данных.

Задаваясь вопросом почему ИИ не может заменить человека на современном этапе, следует учитывать принципиальные различия между искусственным интеллектом и человеком-экспертом в таблице 2.

Таблица 2

Сравнительный анализ возможностей ИИ и человека-эксперта

Критерий	Искусственный интеллект	Человек-эксперт
Полнота идентификации рисков	Выявляет ограниченный перечень опасностей 17 против 30)	Выявляет более широкий спектр опасностей
Точность оценки уровня риска	Тенденция к занижению уровня риска (средний балл 2,88 против 3,77)	Более адекватная оценка тяжести риска
Контекстная чувствительность	Не способен улавливать неявные факторы риска	Учитывает организационную культуру и неформальные практики
Интерпретируемость	Результат выдается без обоснования («черный ящик»)	Эксперт может аргументировать каждое решение
Юридическая ответственность	Не определена	Четко установлена законодательством
Работа в нестандартных ситуациях	Ограничена рамками обучающей выборки	Способность к креативным решениям
Производительность при больших данных	Высокая скорость и масштабируемость	Ограничена физиологическими возможностями
Подверженность когнитивным искажениям	Свободен от искажений	Подвержен эффектам привыкания и усталости

Представленное сравнение демонстрирует, что преимущества ИИ и человека лежат в принципиально разных плоскостях — ИИ эффективен в задачах быстрого анализа больших массивов данных, но уступает в контекстной интерпретации, полноте идентификации рисков и обосновании принимаемых решений.

Проведенный анализ позволяет сформулировать следующие выводы:

Технологии ИИ обладают значительным потенциалом для повышения эффективности оценки профессиональных рисков на машиностроительных предприятиях, особенно в задачах прогнозирования, обработки больших массивов данных и снижения влияния человеческого фактора.

Результаты исследований показывают, что на современном этапе ИИ-системы демонстрируют систематические ограничения: неполноту идентификации опасностей, тенденцию к занижению уровня риска, отсутствие прозрачности и контекстной чувствительности.

Полноценная замена человека-эксперта в процессе оценки профессиональных рисков в настоящее время невозможна в силу фундаментальных различий в природе человеческого и машинного интеллекта, а также нерешенности вопросов юридической ответственности.

Оптимальной стратегией является человеко-центрированная модель, в которой ИИ выступает в качестве инструмента поддержки принятия решений, а окончательная оценка и ответственность за нее сохраняется за квалифицированным специалистом.

Перспективными направлениями дальнейших исследований являются разработка методологии валидации ИИ-систем в области безопасности труда, создание интерпретируемых моделей, а также формирование нормативно-правовой базы, регулирующей применение ИИ при оценке профессиональных рисков.