Цифровая трансформация обувной промышленности повышает требования к скорости разработки моделей, точности конструкторских данных и управлению материальными потерями на раскройных операциях. При этом классические системы автоматизированного проектирования в значительной степени упрощают построение конструкции и деталей, а также выпуск документации, но ограниченно поддерживают гибкое проектирование, анализ производственных данных и контроль качества. В работе предложена методика внедрения модулей искусственного интеллекта в процесс конструкторско-технологической подготовки производства обуви: от обработки 3D-данных колодки или стопы и построения конструкции деталей до технологий компьютерного зрения для оценки качества материалов и совершенствования алгоритмов раскроя с учетом дефектов материалов и их технологических ограничений. Описаны источники данных, правила их унификации и подготовки, архитектура решения, показатели эффективности, а также принципы верификации и протоколирования данных для воспроизводимости результатов. Методика предназначена для поэтапного расширения существующих на предприятии систем автоматизированного проектирования, без их замены. Внедрение методики на опытном производстве показало увеличение коэффициента использования материала на 4,4 % и сокращение времени подготовки данных для раскроя на 14,3 %.
The digital transformation of the footwear industry is increasing the demands on the speed of model development, the accuracy of design data, and the management of material waste in cutting operations. However, classical computer-aided design (CAD) systems largely automate the construction of patterns and components, as well as the output of documentation, but they offer limited support for flexible design, production data analysis, and quality control. This paper proposes a methodology for integrating artificial intelligence modules into the design and technological pre-production process for footwear: ranging from the processing of 3D last or foot data and the construction of component patterns, to computer vision technologies for assessing material quality and improving nesting algorithms while accounting for material defects and their technological constraints. The paper describes the data sources, the rules for their unification and preparation, the solution architecture, performance indicators, as well as the principles of data verification and logging to ensure the reproducibility of results. The methodology is intended for the gradual enhancement of existing enterprise CAD systems, without replacing them. The implementation of this methodology in a pilot production run demonstrated an increase in the material utilization rate by 4.4% and a reduction in data preparation time for cutting by 14.3%.