Программные продукты и системы

Введение. Основой философии бережливого производства стала концепция организации эффективной деятельности на принципах производственной системы компаний «Тойота», которая на практике показала устойчивый эффект от устранения потерь и выстраивания потока создания ценности [1]. В дальнейшем подход развивался и адаптировался к новым условиям – от усложнения продуктов до цифровизации и роста доли наукоемких работ, что расширило набор прикладных инструментов [2]. Изначально методы концентрировались на производстве, где более заметны проблемы качества, однако улучшения в этом направлении неизбежно упираются в управ- ленческие процедуры и поддерживающие информационные системы, вследствие чего сложно добиться стабильного результата [3]. Масштабирование бережливого производства внутри организации также требует внимания к человеческому фактору: без понятных правил, обучения и вовлеченности сотрудников внедрение часто остается формальным и не приводит  к должному результату [4]. Со временем концепция бережливого производства трансформировалась в модель бережливого предприятия, распространяя принципы эффективности на всю организацию. В работе [5] на примере межфункциональных процессов (таких как разработка новой продукции) показано, что опти- мизация лишь производственных операций недостаточна: упущения в смежных областях  ведут к потерям и снижают общую эффективность. В настоящее время бережливое производство включает множество методов и инструментов, применяемых на всех уровнях предприятия, формируя единую систему улучшений. Она вышла за пределы заводских цехов, распространившись и на офисные процессы (бережливый офис). Большинство офисных операций не создают прямой ценности для потребителя [6] и рассматриваются как потери, основные виды которых аналогичны производственным: ожидание, лишнее перемещение документов или сотрудников, избыточная обработка и т.п. [7].

Следовательно, появляется задача оптимизации процесса управления конструкторской документацией (КД) как части офисной деятельности по проектированию изделий, который должен не только основываться на методологии проектирования, но и учитывать современные ИТ-тенденции. В условиях роста объемов цифровых данных и усложнения требований  к документации применение моделей интеллектуальной обработки естественного языка  на основе больших языковых моделей (Large Language Models, LLM) способно стать эффективным инструментом сокращения потерь, связанных с ручной проверкой и согласованием КД. В настоящей работе предложен подход, в котором нейросетевые технологии  (в частности, LLM) применяются для автоматизации ряда ключевых операций по созданию и согласованию КД, включая анализ и проверку соответствия нормативным требованиям, формирование типовых замечаний и маршрутизацию электронной КД (ЭКД) между профильными подразделениями. Благодаря этому сокращаются трудозатраты на ручную обработку, снижается вероятность ошибок, а общее время согласования уменьшается, что повышает эффективность процесса управления КД.

Возможности современных LLM

Подобные программы представляют собой языковую модель с массивными параметрами, которая проходит предварительные обучающие задачи (например, моделирование языка в маске и авторегрессионное предсказание) для понимания и обработки человеческого языка, воспроизводя контекстуализированную текстовую семантику и вероятности из больших объемов текстовых данных. Основные особен- ности LLM: глубокое понимание контекста естественного языка, способность генерировать текст, схожий с созданным человеком, контекстная осведомленность (особенно в науко- емких областях), сильная способность следовать инструкциям, что полезно для решения проблем и принятия решений.

Ряд LLM, разработанных относительно недавно, уже приобрел популярность. Известные примеры включают ChatGPT, LLaMA, Dolly 2.0, GigaChat, PaLM, Gemini и Copilot. Сегодня LLM предлагают широкий спектр универсальных приложений в различных областях. В частности, они не только обеспечивают техническую поддержку в задачах обработки языка (например, поисковые системы, поддержка клиентов, перевод), но и находят применение  в более общих сценариях, таких как генерация кода, в здравоохранении (суммаризация медицинских записей/выписок и помощь в клиническом кодировании), в сфере финансов (анализ договоров и отчетности, поддержка комплаенса и KYC/AML) и в образовании (персонализированные объяснения, генерация учебных ма- териалов и поддержка проверки заданий) [8]. Это демонстрирует их адаптивность и потенциал, а также механизм работы с языковыми задачами в различных отраслях [9].

У всех рассмотренных моделей при вне- дрении в определенную предметную область можно выделить два существенных ограничения: результаты могут быть чрезмерно обобщенными без дополнительного дообучения;  в силу требований безопасности и суверенитета данных невозможна прямая интеграция иностранных продуктов в стратегические отрасли экономики РФ. Таким образом, возникла идея применения LLM к управлению разработкой КД на основе интеграции методологии бережливого производства на примере промышленного предприятия. В данном исследовании использовалась модель Alpaca-LoRA, которая позволила адаптировать LLM под специфические требования ЭКД.

Для эффективного применения LLM в уп- равлении КД необходимо учитывать, что сам процесс согласования документации в PLM-системах подвержен различным видам потерь, характерных для административных и инженерных процессов. Прежде чем интегрировать автоматизированные инструменты, важно детально проанализировать эти потери и определить узкие места, которые могут быть устранены методами бережливого производства.

Бережливое производство и бизнес-процесс управления ЭКД

При устранении потерь в управлении разработкой КД проектное конструкторское бюро можно рассматривать как бережливый офис.  В этом контексте применяются инструменты  и методы бережливого производства, направленные на повышение качества и эффективности работы. К ключевым практикам относятся, в частности, непрерывное улучшение и организационные методы вроде 5S и стандартизации процессов, позволяющие минимизировать потери на всех уровнях. Главная цель – последовательно устранять операции, не добавляющие ценности. В контексте разработки КД ценность достигается, когда итоговый документ утвержден и полностью соответствует требованиям нормативно-технической документации.

Прежде чем внедрять принципы бережливого производства, необходимо оценить текущее состояние процесса и зафиксировать, где именно возникают задержки, возвраты и лишние операции [10]. Теория бережливого производства различает условно неизбежные потери и устранимые неэффективности, так называе- мые потери первого и второго рода [11]. Потери первого рода зачастую неизбежны и не могут быть полностью устранены (например, необходимость транспортировки деталей или оформления обязательных документов), тогда как потери второго рода (лишнее ожидание, брак и т.п.) подлежат выявлению и сокращению сложными мерами. Классический подход выделяет семь видов потерь: перепроизводство, ожидание, лишнее движение, транспортировка, избыточная обработка, избыточные запасы и дефекты продукции [12]. Позднее был добавлен восьмой вид – неиспользованный потенциал сотрудников, отражающий упущения в применении знаний и навыков персонала. Для выявления первых семи видов в управлении КД рассмотрим базовый бизнес-процесс согласования ЭКД в PLM-системе (совокупность электронного чертежа и ассоциативно связанной с ним электронно-геометрической модели), наиболее распространенный на практике.

Типовой процесс согласования ЭКД включает порядка двадцати последовательных этапов (рис. 1), через которые проходит документ. Разработчик инициирует процесс, вручную назначая проверяющих на первом этапе, после чего ЭКД поочередно проходит технический, технологический, метрологический и другие виды контроля. Маршрут согласования в PLM-системе задается шаблоном процесса с предписанными ролями, однако выбор конкретных проверяющих лиц из оргструктуры предприятия возлагается на разработчика. Назначив ответственных и отправив документ на первый контроль, разработчик теряет возможность редактировать ЭКД. Статус документа меняется, затем он переходит к следующему исполнителю. На каждом этапе любой из проверяющих может обнаружить ошибку: ЭКД с перечнем замечаний возвращается разработчику для исправления, после чего документ вновь проходит цикл согласования с первого этапа.

С появлением новых видов ЭКД (например, детальных 3D-моделей) требования к документации значительно усложнились, и объем проверок возрос. Так, для твердотельной модели недостаточно корректной геометрии, необходимо соблюдать правила оформления эскизов, вспомогательной геометрии, слоев, цветов  и других атрибутов. Имеющихся средств автоматической проверки (например, встроенного электронного нормоконтроля) не хватает для того, чтобы конструктор обнаруживал все ошиб- ки при самопроверке. Это увеличивает число итераций и затягивает процесс согласования, приводя к потерям времени [13, 14].

Подходы бережливого производства позволяют выявить основные потери в существующем процессе. Для этого используются кросс-функциональные диаграммы состояния как есть и нового целевого состояния. Формализация процесса согласования ЭКД в PLM-системе помогает рассматривать процесс с точки зрения его результативности от входных данных до желаемого результата на выходе.

На основе мнемосхемы (рис. 1) были разработаны функциональные модели, отражающие текущее и целевое состояния процесса согласования ЭКД типа «Электронная модель детали». На рисунке 2 представлен фрагмент модели  целевого состояния процедуры технического контроля, выполняемой ролью «Проверяющий». В рамках этой процедуры описана поэтапная последовательность проверок модели (графической и атрибутивной частей), связанных  с ее созданием в САПР.

В зависимости от содержания ЭКД в шаблоне процесса назначаются согласующие лица из различных подразделений оргструктуры предприятия, что позволяет формировать индивидуальный маршрут согласования для каждого документа. Однако ручное назначение проверяющих лиц может привести к избыточной обработке ЭКД, к потерям определенного вида, вследствие чего появляется необходимость в исключении этих потерь.

Для таких целей предлагается использовать нейронную сеть с языковой моделью Alpaca-LoRA, способной анализировать технические требования, определять ключевые термины  и автоматически устанавливать связи между ними и подразделениями организационной структуры, через которые должен проходить маршрут согласования. Для реализации этого процесса необходимо подготовить набор дан- ных (датасет) для глубокого обучения. Пример технических требований к нему представлен  в таблице 1. Эти данные будут использоваться для обучения модели, что позволит нейросети эффективно автоматизировать назначение проверяющих лиц, исключая избыточную ручную обработку и сокращая потери времени в процессе согласования.

На рисунке 3 представлена блок-схема, демонстрирующая процесс идентификации связей между атрибутами и подразделениями организационной структуры, используемая в LLM. Она отражает логику автоматического назначения подразделений, ответственных за согласование, на основе анализа атрибутов документа.

Модель Alpaca-LoRA

Основные сведения. Данная модель базируется на архитектуре трансформера – современной нейросетевой структуре, использующей механизм самовнимания для обработки последовательностей текста. Каждый слой трансфор- мера включает блок полносвязной нейросети  и многоголовое внимание, которое позволяет параллельно учитывать различные контекстуальные зависимости, что особенно важно при анализе сложных технических текстов:

где Q, K и V – матрицы запросов, ключей и значений соответственно; dk – размерность клю- чей. Функция активации softmax распределяет веса внимания на основе сходства между запро- сами и ключами, а выход блока представляет собой взвешенную сумму значений. Результаты нескольких голов внимания конкатенируются и проходят линейное преобразование,  после чего применяются метод нормализации RMSNorm и нелинейная функция активации GeLU. Для учета порядка слов используются ротационные позиционные эмбеддинги, что улучшает обработку относительных позиций токенов. При этом входной текст токенизируется алгоритмом SentencePiece (словарь ~32 000 токенов), затем последовательность токенов пошагово проходит через блоки трансформера. Благодаря авторегрессионному подходу модель генерирует связные ответы, а контекстное окно модели LLaMA-7B (2 048 токенов) обеспечивает достаточный объем памяти для сложных технических описаний.

Дообучение модели. Для эффективного дообучения крупномасштабной модели используется метод низкоранговой адаптации (LoRA). Вместо обновления всех параметров исходные веса W0 замораживаются, а адаптация осуществляется посредством двух низкоранговых матриц A и B в каждом слое. Следовательно, новые значения матрицы весов W с учетом поправки к исходным весам описываются уравнением

где  – исходная матрица;  и  – обучаемые матрицы, при выбирае-мом , для существенного умень- шения числа обучаемых параметров. Изначально A инициализируется по распределению Гаусса, а B – нулевой матрицей, то есть DW = B × A = 0 в начале обучения. В процессе обучения правка (обновление) весов вычисляется по соотношению

                               (1)

где x – вход слоя;  – масштабирующий множитель, регулирующий вклад адаптации. Параметр α задается константой: при его уменьшении модель опирается на исходные веса, а при увеличении более значимую роль играют дообученные параметры. После обучения ито- говый вес получается простым сложением , что не замедляет процесс вывода.

Сам алгоритм обучения LoRA сводится  к выполнению следующих шагов: инициализация , прямой проход (1), обратный проход (обновляются только A и B, то есть градиенты рассчитываются только для них, W0 остается фиксированным)  и повторение трех предыдущих шагов для всех обучающих батчей до сходимости.

Автоматизированная маршрутизация ЭКД в интегрированной LLM-системе является одной из ключевых составляющих научной новизны. После анализа технической документации LLM извлекает набор признаков  (например, тип документа, наличие ключевых терминов, структурные элементы) и временные оценки этапов обработки  Маршрутизация определяется функцией

где R – оптимальный маршрут согласования (определенная последовательность ответственных подразделений); θ – параметры модели маршрутизации, обучаемые на исторических данных; f – функция, связывающая признаки документа и временные метрики с маршрутом согласования. Следовательно, целевая функция для оптимизации маршрутизации может быть записана как

                       (2)

где Ti – время, затраченное на каждый i-й этап обработки документации (с  где N – количество этапов обработки; wi – весовой коэффициент, отражающий важность  сокращения времени на этапе i; E(R, X) – функция ошибки, характеризующая риск возникновения повторных итераций или несоответствия маршрута документу; λ – коэффициент, балансирующий влияние времени и качества маршрутизации. Оптимальный маршрут R* выбирается как  где argmin – функция вычисления аргумента R, соответствующая минимальному значению J(R). Интеграция данной функции в LLM осуществляется следующим образом.

1. Извлечение признаков X. После обработки документа LLM выделяет ключевые структурные элементы и терминологию.

2. Оценка временных метрик T. Для каждого этапа обработки (предобработка, анализ, постобработка) модель либо использует зара- нее определенные нормативы, либо рассчитывает время на основе исторических данных.

3. Определение маршрута. Функция f (X, T; q) на основе обученной модели определяет оптимальный маршрут R, минимизирующий целевую функцию J(R).

Обучение и качество модели. Для обучения нейросети была сформирована выборка из 600 примеров, включающих типовые технические требования (табл. 2) и соответствующие маршруты согласования и замечания. Эти примеры охватывают различные варианты ЭКД,  от простых чертежей до сложных 3D-моделей. При этом 80 % (480 примеров) использовались для обучения модели Alpaca-LoRA, а 20 %  (120 примеров) – для тестирования, на котором оценивалось качество ее работы.

Маршруты в обучающей выборке подбирались с учетом минимизации функции J(R) (2), что обеспечивало баланс между временем обработки и вероятностью ошибок. Это эквивалентно задаче поиска argmin J(R). Таким образом, модель обучалась на примерах маршрутов, уже оптимизированных по данной целевой функции, что позволяло ей лучше адаптиро- ваться к выбору эффективных решений в реальных условиях. Определен оптимальный маршрут как argmin J(R), этот критерий использовался при разметке обучающей выбор- ки, что гарантировало предварительную оптимизацию всех маршрутов для обучения с точки зрения баланса времени и риска ошибок. При этом оптимальный маршрут R* выбран как минимум функции J(R), учитывающей баланс временных и качественных параметров согласования. Для обеспечения соответствия обученной модели целевой функции J(R) на этапе обучения LLM использовались маршруты, заранее подобранные с учетом данной оптимизации. Это позволило Alpaca-LoRA не просто повторять исторические маршруты, а выдавать решения, соответствующие критерию оптимального согласования.

В ходе верификации анализировались две основные задачи: маршрутизация ЭКД, где оценивались точность и полнота, и формирование замечаний, для которого использовалась метрика чувствительности.

Итоговые усредненные показатели выглядят следующим образом: точность маршрутизации – 86 %; полнота маршрутизации – 84 %; чувствительность при формировании замечаний – 85 % (доля корректно выявленных моделью замечаний из всех фактических несоответствий); показатель удовлетворенности ответом – 83 % (получен на основе опроса 10 профильных экспертов, оценивавших, насколько сгенерированный LLM ответ соответствует их требованиям по точности, полноте и качеству). Исходя из полученных экспериментальных данных реализованная модель Alpaca-LoRA не только определяет корректный маршрут согласования (с достаточно высокими точностью и полнотой), но и эффективно выявляет ошибки в КД, формируя качественные замечания, что подтверждается итоговой положительной оценкой экспертов.

Таким образом, интегрированная LLM и ана- лизирует технические требования, и автоматически маршрутизирует документ, позволяя  сократить общее время согласования и минимизировать риск ошибок. Эта комплексная  модель автоматизированной маршрутизации является одной из основных научных новаций предлагаемого подхода и обеспечивает высокую эффективность бизнес-процессов в PLM-системах. В качестве демонстрации ее работы реализован прототип (https://chat.elforecasting. com/), в котором интегрирована LLM с разработанным алгоритмом автоматизированной маршрутизации, оптимизирующим процесс согласования документации.

Апробация применения LLM  для технического контроля  проверки ЭКД

Рассмотрим применение принципа планирование-действие-проверка-корректировка (Plan-Do-Check-Act, PDCA) к процессу проверок технического контроля (рис. 4). Целевое состояние заключается в выполнении всех указанных проверок в максимально короткие сроки с минимальным количеством ошибок. Все выявленные несоответствия должны фиксироваться в виде замечаний для последующей отправки разработчику.

После выполнения всех этапов на этапе Check LLM получает на вход цифровую модель изделия (http://www.swsys.ru/uploaded/image/ 2026-1/Primer.html) и соответствующий чек-лист требований (табл. 1).

Каждый элемент модели проверяется по правилам, зафиксированным в датасете. По результатам анализа LLM выявляет отклонения, используя алгоритмы сравнения с нормативными значениями, и в случае несоответствия генерирует текст замечания, следуя шаблонам.

Модель анализирует список найденных ошибок и исторические данные по затраченному времени на согласование и, выявляя узкие места, рекомендует меры по сокращению потерь.

Для реализации данного процесса необходимо

– разбить его на этапы, определить их последовательность и продолжительность;

– изучить его характеристики;

– установить его индикаторы (норматив времени для выполнения каждой проверки);

– установить индикаторы результата (фактическое время, затраченное на проведение проверки).

Условия эксперимента. Плановые нормы времени на каждый этап (табл. 2) установлены на основе действующих нормативов предприятия и статистики ручного выполнения этих операций. В частности, значение 45 мин. отражает среднее время полного цикла согласования без использования LLM (традиционный процесс). Для оценки устойчивости результата эксперимент проводился на нескольких примерах ЭКД. Во всех случаях применение LLM сокращало общее время до 26 мин. в среднем. Альтернативные подходы (например, только внедрение принципов бережливого производства без LLM) показывали меньший эффект, время сокращалось приблизительно лишь  до 30 мин., что подтверждает преимущество нейросетевого метода. Каждое значение фактического времени в таблице 2 является средним по результатам нескольких прогонов процесса, что снижает влияние случайных факторов.

Полученные данные указывают на зна- чительное сокращение времени выполнения,  а следовательно, на высокую эффективность процесса. Например, процедура № 12, касающаяся незапланированных потерь на получение консультаций по работе в информационной  системе, заняла 5 минут, что свидетельствует  о наличии затрат времени, не заложенных в план. Существуют возможности для анализа причин этих потерь и их минимизации в будущем.

Таким образом, принцип PDCA с использованием LLM позволит устранить потери в техническом контроле. Более того, применение LLM в рабочем процессе повышает его эффективность на 57,78 %, что означает сокращение времени согласования на 42,22 %. Результаты анализа потерь приведены в таблице 3, а выработанные решения по их устранению – в модели нового целевого состояния (http://www. swsys.ru/uploaded/image/2026-1/3.jpg). Оптимизированный процесс включает шесть основных этапов вместо прежних двадцати. Это означает, что за счет объединения дублирующихся и лиш- них операций общее число шагов согласования сокращается, и вероятность многократных итераций возврата документа на доработку значительно уменьшается.

Заключение

Рассмотрев эволюцию бережливого производства, можно отметить ее распространение от производственных процессов к непроизводственным, от основных до вспомогательных. Методы и подходы бережливого производства сегодня применимы ко всем бизнес-процессам предприятий полного производственного цикла. В рамках данного исследования продемонстрирована возможность использования LLM на этапе разработки и согласования КД.

Внедрение LLM позволило существенно сократить время выполнения ключевых этапов процесса согласования ЭКД: общее время выполнения процедур уменьшилось на 42,22 %, что привело к увеличению эффективности рабочего процесса на 57,78 %.

Кроме того, использование интегрированной методологии бережливого производства совместно с LLM способствует минимизации основных видов потерь, включая простои, избыточную обработку и ошибки, связанные  с ручным выполнением ряда задач. Оптимизация структуры процесса, достигнутая за счет объединения дублирующихся и лишних этапов (сокращение числа шагов согласования до шести), значительно снижает вероятность повторных итераций возврата документа на доработку.

Таким образом, предложенный нейросетевой метод управления разработкой КД способствует значительному улучшению эффективности, снижению потерь и оптимизации бизнес-процессов предприятия. Интеграция нейросетевых технологий в процессы управления жизненным циклом изделий (PLM-системы) обеспечивает более высокий уровень автоматизации и точности, что особенно важно для сложных наукоемких изделий с длительным циклом производства.

Список литературы

1. Gkournelos C., Konstantinou C., Makris S. An LLM-based approach for enabling seamless Human-Robot collaboration in assembly. CIRP Annals, 2024, vol. 73, no. 1, pp. 9–12. doi: 10.1016/j.cirp.2024.04.002.
2. Zhang C., Xu Q., Yu Y. et al. A survey on potentials, pathways and challenges of large language models in new-generation intelligent manufacturing. Robotics and Computer-Integrated Manufacturing, 2025, vol. 92, art. 102883.
   doi: 10.1016/j.rcim.2024.102883.
3. Братченко С.А. Бережливое производство: особенности внедрения в России // Управленческие науки в современном мире. 2018. Т. 1. № 1. С. 242–248.
4. Hizam A.S., Mohamed N., Nelfiyanti. Study of SME employees’ awareness level on lean manufacturing and ergonomics implementation in Malaysian and Indonesian production environments. Heliyon, 2024, vol. 10, no. 18, art. e38216. doi: 10.1016/j.heliyon.2024.e38216.
5. Кузнецов А.Н. Проблемы внедрения бережливого производства на предприятии и способы их решения // Микроэкономика. 2024. № 2. С. 51–61.
6. Похабов Ю.П. Проектирование сложных изделий с малой вероятностью отказов в условиях Индустрии 4.0 // Онтология проектирования. 2019. Т. 9. № 1. С. 24–35.
7. Lai N.Y.G., Foo W.C., Tan C.S. et al. Understanding learning intention complexities in lean manufacturing training for innovation on the production floor. J. of Open Innovation: Technology, Market, and Complexity, 2022, vol. 8, no. 3, art. 110. doi: 10.3390/joitmc8030110.
8. Foguesatto C.R., Frare A.B., Wegner D. et al. You will never stand alone: The role of inter-organizational collaboration and technological turbulence in shaping small business' digital maturity. J. of High Technology Management Research, 2024, vol. 35, no 2, art. 100518. doi: 10.1016/j.hitech.2024.100518.
9. Liu L., Meng J.J., Yang Y.L. LLM technologies and information search. J. YET, 2024, vol. 2, pp. 269–277. doi: 10.1016/j.ject.2024.08.007.
10. Leng J., Guo J., Xie J. et al. Review of manufacturing system design in the interplay of Industry 4.0 and Industry 5.0 (Part I): Design thinking and modeling methods. J. of Manufacturing Sys., 2024, vol. 76, pp. 158–187.
    doi: 10.1016/j.jmsy.2024.07.012.
11. Лелюхин В.Е., Колесникова О.В., Лисичкин П.П. Автоматизация управления разработкой и сопровождением конструкторской документации // Ученые записки КнАГТУ. 2017. Т. 1. № 3. С. 67–74.
12. Shannon N., Trubetskaya A., Iqbal J., McDermott O. A total productive maintenance & reliability framework for an active pharmaceutical ingredient plant utilising design for lean six sigma. Heliyon, 2023, vol. 9, no. 10, art. e20516. doi: 10.1016/j.heliyon.2023.e20516.
13. Огородов В.А., Сапожников А.Ю., Маврина А.С., Лютов А.Г. Интеллектуальная поддержка процесса согласования графической КД в PLM-системе // Молодежный вестн. УГАТУ. 2019. № 2. С. 100–104.
14. Gama M.d.S.B., Bonamigo A. Sustainable lean manufacturing as Long-Term strategy: Performance framework development and prioritization. J. of Strategy and Management, 2024, vol. 17, no. 2, pp. 205–221. doi: 10.1108/JSMA-05-2023-0104.

References

1. Gkournelos, C., Konstantinou, C., Makris, S. (2024) ‘An LLM-based approach for enabling seamless human-robot collaboration in assembly’, CIRP Annals, 73(1), pp. 9–12. doi: 10.1016/j.cirp.2024.04.002.
2. Zhang, C., Xu, Q., Yu, Y. et al. (2025) ‘A survey on potentials, pathways and challenges of large language models in new-generation intelligent manufacturing’, Robotics and Computer-Integrated Manufacturing, 92, art. 102883. doi: 10.1016/j.rcim.2024.102883.
3. Bratchenko, S.A. (2018) ‘Lean Production: Implementation specificity in Russia’, Managerial Sci. in the Modern World, 1(1), pp. 242–248 (in Russ.).
4. Hizam, A.S., Mohamed, N., Nelfiyanti (2024) ‘Study of SME Employees’ awareness level on lean manufacturing and ergonomics implementation in Malaysian and Indonesian production environments’, Heliyon, 10(18), art. e38216. doi: 10.1016/j.heliyon.2024.e38216.
5. Kuznetsov, A.N. (2024) ‘Problems of implementing lean production in the enterprise and ways to solve them’, Microeconomics, (2), pp. 51–61 (in Russ.).
6. Pokhabov, Yu.P. (2019) ‘Designing complex products with small probability of failure in the context of Industry 4.0’, Ontology of Designing, 9(1), pp. 24–35 (in Russ.).
7. Lai, N.Y.G., Foo, W.C., Tan, C.S. et al. (2022) ‘Understanding learning intention complexities in lean manufacturing training for innovation on the production floor’, J. of Open Innovation: Technology, Market, and Complexity, 8(3), art. 110. doi: 10.3390/joitmc8030110.
8. Foguesatto, C.R., Frare, A.B., Wegner, D. et al. (2024) ‘You will never stand alone: The role of inter-organizational collaboration and technological turbulence in shaping small business' digital maturity’, J. of High Technology Management Research, 35(2), art. 100518. doi: 10.1016/j.hitech.2024.100518.
9. Liu, L., Meng, J.J., Yang, Y.L. (2024) ‘LLM technologies and information search’, J. YET, 2, pp. 269–277. doi: 10.1016/j.ject.2024.08.007.
10. Leng, J., Guo, J., Xie, J. et al. (2024) ‘Review of manufacturing system design in the Interplay of Industry 4.0 and Industry 5.0 (Part I): Design thinking and modeling methods’, J. of Manufacturing Sys., 76, pp. 158–187.
    doi: 10.1016/j.jmsy.2024.07.012.
11. Lelyukhin, V.E., Kolesnikova, O.V., Lisichkin, P.P. (2017) ‘Automation control of design document development and support’, Scholarly Notes of Komsomolsk-na-Amure State Technical University, 1(3), pp. 67–74 (in Russ.).
12. Shannon, N., Trubetskaya, A., Iqbal, J., McDermott, O. (2023) ‘A total productive maintenance & reliability framework for an active pharmaceutical ingredient plant utilizing design for lean six sigma’, Heliyon, 9(10), art. e20516. doi: 10.1016/j.heliyon.2023.e20516.
13. Ogorodov, V.A., Sapozhnikov, A.Yu., Mavrina, A.S., Lyutov, A.G. (2019) ‘Intellectual support for the coordination of graphic design documentation in the PLM-system’, Molodezhny Vestnik UGATU, (2), pp. 100–104 (in Russ.).
14. Gama, M.d.S.B., Bonamigo, A. (2024) ‘Sustainable lean manufacturing as Long-Term strategy: Performance framework development and prioritization’, J. of Strategy and Management, 17(2), pp. 205–221. doi: 10.1108/JSMA-05-2023-0104.