EventRAG: как научить RAG искать первопричину во времени, а не в тексте

В сфере искусственного интеллекта произошло заметное событие. Завод теряет деньги не в момент поломки, а пока инженер ищет ответ на вопрос «почему». Заменить подшипник — полчаса; понять, что подшипник убила заявка на ТО, отложенная два месяца назад, — часы, и именно эти часы стоят дороже всего. По данным Siemens, незапланированный простой обходится 500 крупнейшим компаниям мира в $1,4 трлн в год, а средний крупный завод теряет 27 часов в месяц.

Казалось бы, вот задача для корпоративного RAG-ассистента. Но обычный RAG здесь проваливается структурно: он ищет похожее по тексту, а первопричина цехового инцидента почти никогда не похожа на симптом. Аларм «потеря мастеринга оси» и наряд «замена батарей энкодера», отложенный 67 дней назад из-за отсутствия ЗИП, — для семантического поиска это разные вселенные.

Технические детали

В итоге ассистент уверенно советует «перемастерить ось и продолжить» — симптом снят, причина осталась, при следующем отключении питания линия встанет снова. Разбираю EventRAG — архитектуру, которая учит RAG работать с потоками событий из PLC, MES, Historian и CMMS: каждое событие получает явный временной якорь, поверх строится причинный граф знаний, а поиск идёт от симптома назад по причинным связям — и вытягивает настоящий корень с последнего места выдачи выше всех отвлекающих сигналов. Внутри — полный разбор живого по типажу инцидента на роботе-паллетайзере Hyundai Hi5-N00 со всеми расчётами, AR-HUD для инженера, прозрачная экономика внедрения, двадцать схем и position paper, с которым мы участвуем в ISPR 2026 в Сараево.

Все допущения и модельные цифры честно помечены.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.