المنصات المدعومة بالذكاء الاصطناعي تُحوّل كفاءة صناعة العمليات

لماذا تحتاج عمليات صناعة العمليات إلى نموذج تشغيل رقمي جديد

دخلت صناعة العمليات فترة من التغير التشغيلي السريع على نحو غير معتاد. فتتقلب أسعار الطاقة، ولا تزال سلاسل التوريد غير مؤكدة، وتتغير جداول الإنتاج دون إنذار يُذكر، وتستمر المتطلبات التنظيمية في التوسع. وفي الوقت نفسه، يتوقع العملاء تسليمًا موثوقًا، وجودة متسقة، وتأثيرًا بيئيًا أقل.

تؤثر هذه الضغوط في كل مستوى من مستويات مؤسسة الإنتاج. فعلى مديري المصانع حماية الإنتاجية والربحية. وعلى مهندسي العمليات تحقيق الاستقرار في أنظمة إنتاج تزداد تعقيدًا. وعلى فرق الصيانة حل مشكلات المعدات في وقت محدود. وعلى المشغلين اتخاذ قرارات آمنة طوال كل مناوبة.

تظل الأتمتة التقليدية ضرورية في هذه البيئة. فما زالت أنظمة التحكم الموزّع، ووحدات التحكم القابلة للبرمجة، وأنظمة السلامة، وأنظمة تسجيل البيانات التاريخية، ومنصات مراقبة الحالة، توفر أساس عمليات المصنع. إلا أن هذه الأنظمة غالبًا ما تنظم المعلومات حول المعدات، والوسوم، والإنذارات، ووظائف التحكم.

فهي لا تنظم المعلومات دائمًا حول الأسئلة التي يطرحها المشغلون فعلًا.

نادرًا ما يبدأ المشغل باستعلام مثالي ومنظّم لقاعدة بيانات. فقد يسأل المشغل بدلًا من ذلك عن سبب تعطل الضاغط مرارًا أثناء الطقس البارد. وقد يتذكر فنيّ أن عطلًا مشابهًا وقع قبل عامين. وقد يعرف المشرف أن خط إنتاج آخر حل المشكلة نفسها من خلال تعديل تشغيلي غير معتاد.

هذه المعرفة قيّمة، لكنها غالبًا ما تكون مبعثرة بين سجلات المناوبات، وملاحظات الصيانة، ورسائل البريد الإلكتروني، وتقارير الحوادث، وأوامر العمل، وجداول البيانات، والخبرات الشخصية.

تعالج منصات المؤسسات المدعومة بالذكاء الاصطناعي هذه الفجوة. فهي تربط بيانات الآلات المنظّمة بالمعرفة التشغيلية غير المنظّمة. وتساعد فرق الإنتاج على تحديد الأحداث ذات الصلة، ومقارنة الحوادث السابقة، واسترجاع الاستجابات المثبتة دون البحث يدويًا في سجلات متفرقة.

لا يحل هذا النهج محل بنية الأتمتة الحالية. بل ينشئ طبقة ذكاء تشغيلي فوقها.

تجمع أقوى المنصات المعلومات من أنظمة التحكم، وأنظمة إدارة الأصول، وتطبيقات الصيانة، وأنظمة المختبرات، وأدوات تخطيط الإنتاج، واتصالات المشغلين. ثم تعرض هذه المعلومات عبر واجهات مصممة لاتخاذ قرارات تشغيلية فعلية.

يجب على المؤسسات التي تخطط لهذا التحول أن تحافظ مع ذلك على أساس موثوق للتحكم. فلا يمكن لطبقة ذكاء حديثة أن تعوّض عن أجهزة قياس غير مستقرة، أو إنذارات غير مكتملة، أو تصميم شبكات رديء، أو سجلات صيانة غير متسقة. ويمكن للقراء الذين يقيّمون أساس التحكم الذي تستند إليه هذه المشاريع مراجعة بنى ومكوّنات أنظمة التحكم الموزّع (DCS) المستخدمة في منشآت العمليات.

الشكل 1. تربط العمليات الرقمية الفعالة بين معلمات المعدات، وسياق العملية، والمعرفة العملية لدى القوى العاملة.

التقلبات تجعل المعرفة التشغيلية أكثر قيمة

يجب على شركات العمليات الاستجابة لظروف العمل والتشغيل المتغيرة بسرعة. وتقدم أسعار الغاز الطبيعي مثالًا واضحًا على ذلك. فقد يؤدي ارتفاع مفاجئ في الأسعار إلى تغيير أولويات الإنتاج، واستراتيجيات الطاقة، وأهداف التشغيل في جميع أنحاء المنشأة.

وقد يتغير طلب السوق بسرعة أيضًا. فقد يحتاج مصنع ما إلى إنتاج دفعات أصغر، أو تغيير درجات المنتجات بوتيرة أكبر، أو تشغيل المعدات خارج نمط إنتاجها التقليدي. ويضيف كل تغيير تفاعلات إضافية بين العمليات.

يضيف الابتكار التكنولوجي طبقة أخرى من التعقيد. فالمصانع تدير الآن أنظمة التشغيل الآلي التقليدية إلى جانب الشبكات الصناعية، والخدمات السحابية، والحوسبة الطرفية، وضوابط الأمن السيبراني، والتحليلات المتقدمة، وتطبيقات الدعم عن بُعد.

لا تنشأ التعقيدات من عدد التقنيات فحسب، بل تنشأ أيضًا من العلاقات بينها.

قد يبدأ اضطراب العملية على شكل مشكلة ميكانيكية. ثم قد يؤثر في قراءات الأجهزة، وحلقات التحكم، وجودة المنتج، ومعدلات الإنتاج في المراحل السابقة. وقد يظهر الإنذار المرئي بعيدًا عن السبب الأصلي.

لذلك تحتاج فرق الإنتاج إلى ما هو أكثر من رسائل الإنذار الفردية. إنها تحتاج إلى السياق.

يوضح السياق ما حدث قبل إطلاق إنذار. فهو يحدد الظروف البيئية، وأنشطة الصيانة، وتغييرات المنتج، وإجراءات المشغلين، وسلوك المعدات. كما يربط الحدث الحالي بأحداث تاريخية مماثلة.

تمتلك العديد من المصانع هذه المعلومات بالفعل. لكن المشكلة تكمن في سهولة الوصول إليها.

قد يوجد حل سابق داخل سجل صيانة. وقد تظهر ملاحظة مفيدة أخرى في تقرير وردية. وربما وثّق مشغل سابق سبب المشكلة في مذكرة غير رسمية. ومع ذلك، قد لا يعثر فريق الوردية الحالية على هذه السجلات مطلقًا أثناء وقوع حادث فعلي.

قد تكون تكلفة هذا الإخفاق كبيرة. فقد يظل الإنتاج متوقفًا بينما يكرر الموظفون خطوات استكشاف الأخطاء وإصلاحها التي لم تنجح أثناء حوادث سابقة. وقد يستبدل أفراد الصيانة مكونات سليمة. وقد يعيد المشغلون تشغيل المعدات من دون فهم الحالة الكامنة وراء المشكلة.

يمكن لكل دقيقة إضافية أن تزيد خسائر الإنتاج، وتستهلك موارد الصيانة، وترفع المخاطر التشغيلية.

تجعل الأنظمة المدعومة بالذكاء الاصطناعي إعادة استخدام المعرفة التاريخية أسهل. ويمكنها التعرّف على أوجه التشابه بين السجلات المصاغة بعبارات مختلفة. كما يمكنها تحديد المعدات ذات الصلة، وظروف التشغيل، والأعراض، والإجراءات التصحيحية. ثم يمكنها عرض المعلومات ذات الصلة قبل أن تستنفد الفرق وقتًا ثمينًا.

تغيّر هذه القدرة قيمة وثائق المصنع الموجودة. فلم تعد التقارير القديمة مجرد أرشيفات ثابتة، بل أصبحت موردًا تشغيليًا نشطًا.

من المعلومات المخزنة إلى معرفة قابلة للاستخدام في المصنع

لا تعاني معظم المؤسسات الصناعية من نقص كامل في البيانات. بل تعاني من تشتت البيانات، وعدم اتساق المصطلحات، ومحدودية أساليب الاسترجاع.

قد يسجّل مرفق كبير آلاف الأحداث التشغيلية كل شهر. وقد تشمل هذه السجلات الإنذارات، وأوامر العمل، وتعليقات المشغّلين، وانحرافات العمليات، وأحداث الجودة، ونتائج فحوصات الصيانة.

يستخدم كل مصدر بنية مختلفة.

يسجّل نظام حفظ البيانات القيمَ المتسلسلة زمنيًا. ويسجّل نظام إدارة الصيانة المحوسب أعمال الأصول. ويسجّل سجل الوردية الملاحظات. ويسجّل نظام الجودة حالات الانحراف ونتائج المختبر. ويسجّل نظام الإنذارات تغيّرات الحالة وعمليات الإقرار بها.

تصف هذه الأنظمة المصنع نفسه من وجهات نظر مختلفة.

تتطلب أدوات إعداد التقارير التقليدية عادةً من المستخدمين معرفة مكان تخزين المعلومات ذات الصلة. وقد تتطلب أيضًا كلمات مفتاحية دقيقة، أو أرقام المعدات، أو نطاقات زمنية، أو فئات التقارير.

ويفرض هذا الشرط قيدًا خطيرًا أثناء الأحداث غير المخطط لها.

قد لا يعرف المشغّل الذي يواجه انقطاعًا في الإنتاج المصطلحات الصحيحة للصيانة. وقد لا يعرف فني الصيانة اسم العملية المستخدم لدى فريق التشغيل. وقد يصف ورديتان الأعراض المتطابقة باستخدام كلمات مختلفة تمامًا.

فعلى سبيل المثال، قد يكتب أحد المشغّلين أن مضخةً ما كانت غير مستقرة. وقد يسجّل مشغّل آخر تدفقًا متذبذبًا. وقد يصف فنيٌّ ضغط شفط متقطعًا. وقد يصنّف مهندس عمليات الحدث نفسه على أنه تجويف.

قد يتعامل البحث التقليدي بالكلمات المفتاحية مع تلك السجلات على أنها غير مرتبطة ببعضها.

يمكن لنظام بحث ذكي تحليل معناها. وقد يدرك أن الأوصاف تتعلق بنمط التشغيل نفسه. كما يمكنه فحص الوسوم المرتبطة، والعلاقات بين المعدات، وأوامر العمل، والظروف الجوية، وحالات الإنتاج.

وهذا يحوّل البحث من وظيفة لاسترجاع المستندات إلى أداة مساعدة على الاستدلال التشغيلي.

لا يحتاج النظام إلى تحديد الإجابة النهائية بشكل مستقل. تتمثل مسؤوليته الأولى في إظهار الأدلة الأكثر صلة.

يمكن للمشغّلين عندئذٍ مراجعة الأحداث السابقة، ومقارنة الظروف، وتحديد ما إذا كانت الاستجابة المعتمدة تنطبق. ويمكن للمهندسين التحقق من السبب المشتبه فيه باستخدام بيانات العملية. كما تستطيع فرق الصيانة فحص المعدات قبل تنفيذ أعمال غير ضرورية.

والنتيجة هي عملية اتخاذ قرارات أسرع وأكثر انضباطًا.

الذكاء الاصطناعي المتمحور حول الإنسان يُبقي المسؤولية في موضعها الصحيح

يجب ألا يبعد الذكاء الاصطناعي الأشخاص عن قرارات الإنتاج الحساسة. بل ينبغي أن يحسّن المعلومات المتاحة لهم.

ويكتسب هذا التمييز أهمية خاصة في معالجة المواد الكيميائية، وتوليد الطاقة، والنفط والغاز، والصناعات الدوائية، والمعادن، وإنتاج الأغذية، ومعالجة المياه. فقد تؤثر القرارات في هذه البيئات على سلامة العاملين، والامتثال البيئي، وجودة المنتجات، والمعدات المكلفة.

لا يمكن لخوارزمية أن تتحمل المسؤولية القانونية أو التشغيلية عن منشأة.

قد يحدد نمطًا. وقد يقدّر نتيجة محتملة. وقد يوصي باستجابة مبكرة. ومع ذلك، يجب على الموظفين المؤهلين تقييم التوصية ضمن سياق التشغيل الحالي.

لذلك يبدأ الذكاء الاصطناعي المتمحور حول الإنسان بتقسيم واضح للأدوار.

ينفذ نظام الأتمتة تحكمًا حتميًا. وتنفذ أنظمة السلامة وظائف حماية محددة. أما التطبيقات المدعومة بالذكاء الاصطناعي فتحلل المعلومات وتكشف العلاقات المحتملة. ويحتفظ المشغلون والمهندسون بسلطة اتخاذ القرار.

تتجنب هذه البنية سوء فهم مهمًا. فلا يحتاج الذكاء الاصطناعي إلى صلاحية تحكم غير مقيّدة لخلق قيمة.

تعمل العديد من التطبيقات المفيدة في دور استشاري. فهي تحلل البيانات للقراءة فقط، وسجلات الإنتاج، والإنذارات، واتصالات المناوبات. ثم تقدم معلومات مرتبة حسب الأولوية أو توصيات.

كما يدعم هذا الترتيب الاعتماد التدريجي. إذ يمكن للشركة أن تبدأ بالبحث، واسترجاع المعرفة، وإعداد التقارير. وبذلك تبني الثقة قبل النظر في تطبيقات تنبؤية أكثر تقدمًا.

الثقة ضرورية، لأن المشغلين يرفضون سريعًا الأنظمة التي تقدم توصيات غير ملائمة أو غير مفسّرة.

ينبغي لمساعد الذكاء الاصطناعي العملي أن يوضح سبب عرضه لنتيجة ما. وعليه تحديد الحادثة ذات الصلة، والظروف المتطابقة، وسجل المعدات، والإجراء التصحيحي السابق. ويجب أن يتمكن المستخدمون من فحص الأدلة الأساسية.

لا يتطلب توضيح آلية اتخاذ القرار كشف كل التفاصيل الرياضية. بل يتطلب توفير سياق تشغيلي كافٍ لشخص مؤهل كي يقيّم التوصية.

تتعامل التطبيقات الأكثر نجاحًا مع المشغلين بوصفهم مشاركين في تصميم النظام. فمصطلحاتهم، وسير عملهم، واحتياجاتهم من المعلومات، وملاحظاتهم تشكل التطبيق النهائي.

تُحسّن هذه المشاركة ملاءمة النظام. كما أنها تقلل الانطباع بأن الرقمنة تُفرض دون فهم واقع المنشأة.

الشكل 2. يدعم الذكاء الاصطناعي المتمحور حول الإنسان العاملين في المنشأة، مع احتفاظ المشغلين بالتحكم والمسؤولية.

لماذا لا يستطيع منطق «إذا-فإن» البسيط استيعاب كل الاضطرابات

لطالما اعتمدت الأتمتة الصناعية على المنطق الحتمي. ولا تزال قواعد «إذا-فإن» مناسبة لتتابعات التحكم، ودوائر التعشيق، وشروط السماح، وإجراءات الحماية.

ومع ذلك، لا تتوافق المعرفة التشغيلية دائمًا مع بنية حتمية.

قد يعتمد انقطاع الإنتاج على الطقس، وخصائص المواد الخام، وحالة المعدات، وإجراءات المشغلين، والانحرافات السابقة في العملية. وقد لا تحدث هذه العلاقات بالترتيب نفسه في كل مرة.

ستكون كتابة قاعدة منفصلة لكل مجموعة ممكنة من التوليفات أمرًا غير عملي. وستصبح مجموعة القواعد صعبة الصيانة، وقد تفشل أيضًا عند ظهور اختلاف جديد.

يقدم الذكاء الاصطناعي أسلوبًا مختلفًا. فهو يفحص المعلومات التاريخية ويحدد الأنماط عبر العديد من المتغيرات. ويمكنه ترتيب الأحداث المتشابهة حتى عندما تختلف الأوصاف والتسلسلات والظروف.

لنتناول خطًا افتراضيًا لمعالجة السوائل أثناء التشغيل في فصل الشتاء.

يتوقف الخط بعد سلسلة من انحرافات التدفق والضغط. ويتبع فريق المناوبة إجراء إعادة الضبط القياسي. وتُفحص الأجهزة، ثم تُعاد المضخة إلى التشغيل. لكن العملية تفشل مجددًا.

تشير الأعراض الظاهرة إلى عدة أسباب محتملة. فقد تدل على مشكلة في الصمام، أو تدهور المضخة، أو خطأ في جهاز القياس، أو تقييد في التدفق.

يصل أخصائي إنتاج متمرس ويتذكر حادثًا مشابهًا. خلال فترة برد سابقة، تجمد جزء من خط خارجي تجمدًا جزئيًا. وقد غيّر التضيق المادة الداخلة إلى العملية. وأدى ذلك التغيير لاحقًا إلى تشغيل غير مستقر في موضع آخر من خط الإنتاج.

يكمن التفسير الأساسي في اللغة البشرية. فهو يربط بين الظروف الجوية وسلوك المواد واستجابة المعدات والعواقب المتأخرة للعملية.

قد يكتشف منطق الإنذارات التقليدي كل انحراف على حدة، لكنه قد لا يفسر العلاقة بينها.

يمكن لمنصة مدعومة بالذكاء الاصطناعي البحث في سجلات المناوبات السابقة، وملاحظات الصيانة، والبيانات البيئية. كما يمكنها تحديد الحادث السابق المرتبط بالتجمد وعرضه على الفريق الحالي.

لم تحل المنصة محل المهندس، بل سرّعت الوصول إلى معرفته السابقة.

هذا الفرق محوري في الذكاء الاصطناعي الصناعي.

غالبًا ما تأتي القيمة الفورية الأكبر من تحسين الوصول إلى الخبرة البشرية، لا من إنشاء مصانع ذاتية التشغيل بالكامل.

مثال عملي على الاستجابة لحادث

تخيل مصنعًا للمواد الكيميائية المتخصصة يشغّل عدة خطوط إنتاج متوازية. ويضم كل خط مضخات، ومبادلات حرارية، وصمامات تحكم، وأجهزة تحليل، ومعدات لنقل الدُفعات.

يبدأ أحد خطوط الإنتاج المتوازية بالتعرض لإنذارات ضغط مرتفع متكررة أثناء إنتاج مواصفة محددة. وتختفي الإنذارات بعد غسل الخط. ثم تعود خلال حملة الإنتاج التالية.

الافتراض الأولي هو أن صمام التحكم عالق. ويفحص فريق الصيانة المشغّل ومحدِّد الموضع. ولا يُعثر على أي مشكلة ميكانيكية.

يستبدل الفريق بعد ذلك مرسل الضغط. وتتعرض الدفعة التالية للإنذار نفسه.

من دون منصة استخبارات مشتركة، قد يستمر التحقيق عبر الاجتماعات وجداول البيانات وعمليات البحث المنفصلة في الأنظمة. وقد تكرر عدة أقسام التحليل السابق من دون معرفة ما اكتشفه الآخرون.

تغيّر المنصة المتكاملة سير العمل.

يبحث المشغل عن اسم المعدات ويصف العَرَض بلغة عادية. ويعرض النظام عدة سجلات ذات صلة. يتعلق أحد السجلات بخط إنتاج مختلف. بينما يأتي سجل آخر من تقرير انحراف في الجودة أُنشئ قبل ثمانية عشر شهرًا.

يشير التقرير السابق إلى أن مورد المادة الخام غيّر نطاق اللزوجة. وظلت المادة ضمن مواصفات الشراء. غير أنها أثرت في انتقال الحرارة أثناء إنتاج إحدى درجات المنتج.

أدى تغير منحنى درجة الحرارة إلى زيادة اللزوجة بالقرب من صمام التحكم. ثم أنتجت المقاومة الأعلى سلوك الضغط الملحوظ.

يقارن الفريق الحالي بين دفعات المواد الخام، واتجاهات درجات الحرارة، وموضع الصمام، وبيانات الضغط. وتدعم الأدلة التفسير السابق.

يضبط قسم الهندسة تسلسل التسخين ضمن حدود التشغيل المعتمدة. كما يراجع قسم المشتريات مواصفة المادة الخام مع المورد.

يوضح هذا المثال عدة مزايا مهمة.

ربط النظام المعلومات عبر خطوط الإنتاج. وربط أحد أعراض المعدات بسجل جودة. كما حدد علاقة في العملية لم يكشفها استكشاف الأعطال الذي يركز على المعدات.

كما حال ذلك دون استبدال مكوّنات إضافية.

تأتي القيمة المالية من أكثر من مجرد تقليل فترة التوقف. إذ يتجنب المصنع قطع الغيار غير الضرورية، ويقلل عمالة الصيانة، ويحمي جودة المنتج، ويحسن مواصفات الشراء المستقبلية.

الشكل 3. يمكن للذكاء الاصطناعي تقديم خيارات استجابة قائمة على الأدلة من خلال ربط الأعراض الحالية بخبرات سابقة في المصنع.

يغيّر البحث الذكي طريقة استفادة فرق المناوبات من الخبرة

يُعد البحث الذكي من أكثر نقاط البداية العملية للذكاء الاصطناعي الصناعي. فهو يعالج مشكلة فورية دون الحاجة إلى تحكم ذاتي.

تمتلك مؤسسات الإنتاج بالفعل سنوات من الخبرة التشغيلية. ويتمثل التحدي في استرجاع الخبرة الصحيحة عند الحاجة إليها.

يمكن لتطبيق بحث ذكي معالجة الاستعلامات بلغة طبيعية. كما يمكنه تحليل علاقات المعدات، والطوابع الزمنية، ومناطق العملية، وتسلسلات الإنذارات، وسياق المستندات.

يتيح ذلك للمستخدم البحث حسب المعنى بدلًا من الصياغة المطابقة تمامًا.

لنفترض أن موظفين اثنين وصفا الحدث نفسه بشكل مختلف. كتب أحدهما أن الخط توقف بعد عدم استقرار ظروف التغذية. وكتب الآخر أن العملية توقفت تلقائيًا بعد تذبذب ضغط الدخول.

قد يسجل شخص ثالث أن مضخة النقل الواقعة في المنبع فقدت قوة السحب.

يمكن لمنصة ذكية ربط هذه الأوصاف من خلال سياق العملية المشترك. وقد تحدد مجموعة المعدات نفسها، أو النمط الزمني نفسه، أو حالة التشغيل نفسها.

يمكن للمنصة بعد ذلك إرجاع الحوادث ذات الصلة وترتيبها حسب مدى الصلة.

يكتسب الترتيب أهمية لأن قواعد البيانات الصناعية قد تحتوي على آلاف المطابقات المحتملة. ولا يحتاج المستخدمون إلى كل سجل يتضمن كلمة مألوفة، بل إلى السجلات الأكثر احتمالًا لدعم القرار الحالي.

قد تشمل عوامل الترتيب المفيدة هوية المعدة، ووحدة العملية، ووضع التشغيل، والظروف البيئية، ودرجة المنتج، وتسلسل الإنذارات، وسجل الصيانة، ونتائج الإجراء التصحيحي.

كما ينبغي للنظام أن يميّز بين الاستجابات الناجحة والمحاولات غير الناجحة.

إن ملاحظة صيانة تفيد باستبدال جهاز لا تثبت أن الاستبدال حل المشكلة. وينبغي للمنصة أن تفحص السجلات اللاحقة وسلوك العملية.

يمنع ذلك الفرق من تكرار إجراء سابق لمجرد أنه ظهر في تقرير.

يمكن للبحث الذكي أيضًا أن يكشف فجوات المعرفة. فإذا احتوت حوادث كثيرة على استنتاجات غير مكتملة، يمكن للإدارة تحسين معايير إعداد التقارير. وإذا حصلت المشكلات المتطابقة على أوصاف مختلفة، يمكن للمنظمة تعزيز الإرشادات المتعلقة بالمصطلحات.

لذلك يصبح البحث أداة لاستكشاف الأعطال وأداة لتحسين جودة المعرفة في آنٍ واحد.

يؤدي التعلم الآلي والبرمجة التقليدية أدوارًا مختلفة

تبدأ البرمجة التقليدية بقواعد يحددها الأشخاص. ويحدد المبرمج المدخلات والشروط والمخرجات المطلوبة.

تظل هذه الطريقة أساسية للوظائف الصناعية القابلة للتنبؤ. فيجب أن يتبع تسلسل تشغيل المحرك منطقًا موثّقًا. كما يجب أن تُنفّذ وظيفة الإيقاف وفق تصميم سلامة خضع للاختبار.

يؤدي التعلم الآلي غرضًا مختلفًا.

بدلًا من تحديد كل علاقة يدويًا، يزوّد المهندسون الخوارزمية بالبيانات والأهداف. ويحدد алгоритم الأنماط التي تساعد على تمييز النتائج ذات الصلة.

على سبيل المثال، قد يفحص النموذج الاهتزاز ودرجة الحرارة والحمل وظروف التشحيم وسجل الصيانة وساعات التشغيل. وقد يحدد مجموعات من العوامل المرتبطة بتدهور سابق في المعدات.

يمكن للنموذج بعد ذلك تقدير احتمال تطور حالة مماثلة.

هذه التقديرات ليست حقائق مطلقة، بل مخرجات احتمالية تستند إلى البيانات المتاحة.

لذلك يجب على الفرق الصناعية أن تفهم مستوى الثقة، وحدود البيانات، ونطاقات التشغيل. فقد يَضعف أداء نموذج دُرّب أثناء الإنتاج الطبيعي خلال بدء التشغيل. وقد لا ينطبق نموذج طُوّر لضاغط واحد على تصميم آخر.

يعتمد التعلم الآلي أيضًا على التسميات والنتائج التاريخية. فإذا صنّفت سجلات الصيانة الأعطال تصنيفًا غير صحيح، فقد يتعلم النموذج علاقات مضللة.

لهذه الأسباب، يتطلب نشر الذكاء الاصطناعي تعاونًا بين اختصاصيي البيانات وخبراء المجال.

يفهم اختصاصيو البيانات بنية النماذج والتحقق ومقاييس الأداء. ويفهم مهندسو العمليات أوضاع التشغيل والتفاعلات بين العمليات. ويفهم مختصو الصيانة آليات الأعطال. ويفهم المشغلون ما يحدث فعليًا أثناء نوبات العمل.

لا تمتلك أي مجموعة واحدة الصورة الكاملة.

يجمع التنفيذ الفعّال هذه الرؤى معًا منذ البداية.

تحدد جودة البيانات قيمة الذكاء الاصطناعي الصناعي

تُعد البيانات متطلبًا أساسيًا للذكاء الاصطناعي. فالكمية مهمة، لكن الجودة أهم.

قد يجمع المصنع ملايين نقاط البيانات، مع افتقاره رغم ذلك إلى سياق موثوق. وقد تكون قيم المستشعرات غير مكتملة. وقد تكون الطوابع الزمنية غير متسقة. وقد تختلف أسماء المعدات بين الأنظمة. وقد تحتوي أوامر العمل على أوصاف مبهمة.

لا تستطيع منصة الذكاء الاصطناعي تصحيح كل نقاط الضعف الهيكلية تلقائيًا.

تبدأ جودة البيانات من أجهزة القياس. ويجب أن تكون المستشعرات مناسبة للتطبيق. كما يجب الحفاظ على ممارسات المعايرة. ويجب تحديد القيم منخفضة الجودة. ويجب أن يظل تزامن الوقت متسقًا عبر الأنظمة.

وتتسم البيانات السياقية بالأهمية نفسها.

لا تحمل قيمة درجة الحرارة معنى يُذكر من دون هوية المعدات، ووحدة العملية، ووضع التشغيل، ودرجة المنتج، والطابع الزمني. ويكون الإنذار أكثر فائدة عند ربطه بأولويته، وتغيرات حالته، والإقرار به، وظروف العملية المحيطة.

وتتطلب السجلات التي يُدخلها البشر اهتمامًا أيضًا.

ينبغي أن تحدد سجلات الورديات المعدّة المتأثرة ومنطقة العملية المعنية. وينبغي أن تميّز تقارير الصيانة بين الأعراض والإجراءات والنتائج والأسباب المؤكدة. وينبغي أن توضح سجلات الحوادث ما إذا كانت الإجراءات التصحيحية ناجحة.

لا تحتاج المؤسسات إلى لغة موحّدة تمامًا قبل البدء. إذ يمكن لمعالجة اللغة الطبيعية التعامل مع التباين. ومع ذلك، لا يمكن استعادة السياق المفقود بالكامل بصورة موثوقة.

ينبغي أن تستعرض مراجعة عملية لجاهزية البيانات عدة مجالات.

أولًا، ينبغي تحديد الأنظمة التي تحتوي على معرفة تشغيلية مفيدة. ثانيًا، ينبغي تقييم إمكانية الوصول والملكية. ثالثًا، ينبغي تقييم اتساق التسمية وجودة الطوابع الزمنية. رابعًا، ينبغي فحص متطلبات الأمن السيبراني والاحتفاظ بالبيانات.

وينبغي أن تحدد المراجعة أيضًا المعلومات الحساسة. فقد تحتوي بعض ملاحظات الصيانة على بيانات شخصية. وقد تتضمن سجلات الإنتاج تركيبات سرية. وقد تكشف سجلات الوصول عن بُعد تفاصيل أمنية.

يجب أن تحدد حوكمة البيانات المعلومات التي يمكن لتطبيق ذكاء اصطناعي معالجتها، كما يجب أن تحدد من يمكنه الاطلاع على كل نتيجة.

لا تعرقل الحوكمة القوية الابتكار، بل تضع حدودًا آمنة للنشر المستدام.

يُنشئ التواصل التفاعلي بين الورديات قاعدةَ معرفة حية

تعتمد عمليات الورديات على التواصل. ويجب نقل حالات المعدات، والقيود التشغيلية المؤقتة، وأنشطة الصيانة، ومخاوف الجودة، وأولويات الإنتاج من فريق إلى آخر.

غالبًا ما تؤدي السجلات الورقية وجداول البيانات المنعزلة إلى فقدان المعلومات. وقد تبقى الملاحظات المهمة مع فريق الوردية المغادر. وقد لا تُدوَّن المحادثات غير الرسمية في سجل دائم.

يمكن لمنصة مؤسسية توفير نظرة تشغيلية مشتركة. وقد تعرض أداء المنشأة، وأوامر العمل النشطة، والحوادث، والتعليمات المؤقتة، والمخاطر التي لم تُحل.

يمكن لفرق النوبات تسجيل الإدخالات ضمن سير عمل رقمي متسق. ويمكن أن يتضمن كل إدخال الوقت، والمعدات، ومنطقة العملية، والأولوية، والمرفقات، ومسؤولية المتابعة.

يدعم هذا الهيكل متطلبات التدقيق، كما يجعل المعلومات قابلة للبحث.

تنمو قاعدة المعرفة مع كل إدخال مفيد. وتصبح المشكلة التي حُلّت اليوم إرشادات لنوبة عمل مستقبلية.

يمكن أن يحقق الاستخدام بين المواقع قيمة إضافية. فقد تقارن شركة تدير عدة منشآت متشابهة الأحداث عبر المواقع. وقد يكون أحد المواقع قد حل بالفعل مشكلة تبدو جديدة في موقع آخر.

تكون هذه القدرة مفيدة بشكل خاص لأساطيل المعدات الموحّدة. فقد تستخدم عدة منشآت الضاغط نفسه، أو منصة التحكم نفسها، أو المحلل نفسه، أو نظام السلامة نفسه.

ومع ذلك، تحتاج المشاركة بين المواقع إلى سياق. فقد لا ينطبق حل من منشأة ما مباشرةً على إعدادات عملية في منشأة أخرى. وينبغي أن تعرض المنصة المعلومات باعتبارها دليلًا، لا تعليمات تلقائية.

كما تصبح عمليات تسليم النوبات أكثر كفاءة عندما تظل المشكلات التي لم تُحل مرئية.

يمكن للفريق القادم رؤية الإنذارات التي حدثت، والإجراءات التي جرت محاولتها، ومهام الصيانة التي ما تزال مفتوحة. ويمكنه مراجعة اتجاهات العملية قبل تولي المسؤولية.

يضيف البحث الذكي طبقة أخرى؛ إذ يمكنه تحديد عمليات تسليم سابقة تضمنت أعراضًا مشابهة. كما يمكنه إظهار استراتيجيات الاستجابة التي حققت نتائج مستقرة.

الهدف العام هو الاستمرارية.

ينبغي أن تظل المعرفة الإنتاجية متاحة عند انتقال الأشخاص بين نوبات العمل أو الأقسام أو جهات العمل.

السياق في الوقت الفعلي يحسّن الكفاءة والسلامة معًا

تصبح المعرفة التاريخية أكثر قوة عند ربطها بظروف المنشأة الحالية.

قد تحدد المنصة حادثة سابقة، لكن الحدث الحالي قد يختلف عنها بطرق مهمة. وتتيح البيانات في الوقت الفعلي للفريق مقارنة هذه الاختلافات.

على سبيل المثال، قد يكون توقف مضخة سابق قد حدث أثناء تحميل مرتفع. أما التوقف الحالي فقد يحدث أثناء بدء التشغيل. وقد يبدو تسلسل الإنذارات متشابهًا، لكن سياق التشغيل يغيّر السبب المرجح.

يمكن للتكامل في الوقت الفعلي عرض قيم العملية الحالية، وحالات الإنذارات، وتوافر المعدات، ووضع الإنتاج. كما يمكنه عرض تصاريح الصيانة النشطة أو تغييرات الإعدادات الأخيرة.

يقلل هذا السياق من خطر تطبيق حل قديم بشكل أعمى.

يمكن أن تأتي فوائد السلامة أيضًا من تحسين تدفق المعلومات.

قد يتلقى المشغّلون تحذيرًا مبكرًا من الظروف المتطورة. وقد تتعرف فرق الصيانة على الأعراض المتكررة قبل وصول المعدات إلى حالة حرجة. وقد يحدد المشرفون المشكلات التي لم تُحل عبر نوبات عمل متتالية.

يجب ألا يتجاوز الذكاء الاصطناعي إجراءات السلامة المعتمدة، بل ينبغي أن يعزز الوعي بالظروف المحيطة بها.

يجب أن تظل أي توصية تؤثر في التشغيل متسقة مع الإجراءات المعتمدة، وحدود التشغيل، ومتطلبات إدارة التغيير، ووظائف السلامة الآلية.

ينبغي للمنصة أيضًا أن تحدد الحالات التي تكون فيها المعلومات غير مؤكدة. ولا ينبغي لها عرض النتائج منخفضة الثقة على أنها أسباب مؤكدة.

يشجع توضيح مستوى عدم اليقين على إجراء التحقق المناسب.

الشكل 4. يساعد سياق التشغيل في الوقت الفعلي الفرق على تقييم التوصيات وحماية سلامة المصنع.

بناء بنية المعلومات التي تقف وراء الذكاء الاصطناعي

يعتمد تطبيق الذكاء الاصطناعي على البنية التي تربط أنظمة المصنع. ويجب أن تجمع هذه البنية المعلومات دون تعطيل وظائف التحكم الحرجة.

يفصل التصميم الشائع بين بيئات التحكم والعمليات والمؤسسة من خلال مناطق شبكة مُدارة. وتنتقل البيانات عبر واجهات معتمدة، أو مؤرخات، أو بوابات، أو منصات طرفية.

تظل أنظمة التحكم مسؤولة عن التشغيل الحتمي. وتتلقى منصة الذكاء الاصطناعي بيانات مختارة للتحليل والعرض.

يقلل هذا الفصل من المخاطر. كما يتيح لفرق الأمن السيبراني تطبيق ضوابط الوصول، والمراقبة، وقيود تدفق البيانات.

تظل موثوقية الاتصالات الصناعية مهمة في جميع أنحاء البنية. وقد تؤدي البيانات المفقودة، أو البوابات غير المستقرة، أو عدم اتساق مزامنة الوقت إلى تقليل دقة التحليل.

يمكن للمؤسسات التي توسّع نطاق الاتصال بالمصنع الاطلاع على مكونات الاتصالات والشبكات الصناعية المتاحة والمستخدمة لربط وحدات التحكم، ووحدات الإدخال والإخراج البعيدة، والبوابات، والمنصات الإشرافية.

ينبغي أن تحدد البنية عدة مسارات للمعلومات.

ينقل أحد المسارات بيانات العمليات المتسلسلة زمنيًا. وينقل مسار آخر الإنذارات والأحداث. وقد تنقل مسارات إضافية سجلات الصيانة، وأوامر الإنتاج، ونتائج المختبر، واتصالات الورديات.

يجب أن يحافظ النظام على هوية المصدر. وينبغي أن يعرف المستخدمون ما إذا كانت التوصية مستمدة من بيانات المؤرخ، أو أمر عمل، أو ملاحظة مشغل، أو وثيقة هندسية.

تدعم سلسلة نسب البيانات الثقة والتدقيق. كما تساعد المهندسين على التحقيق في النتائج غير الصحيحة.

قد تكون المعالجة الطرفية مفيدة عندما تكون سعة النطاق الترددي محدودة أو عندما يتعذر إخراج البيانات من الموقع. وقد توفر المعالجة السحابية قدرة حوسبية قابلة للتوسع وتحليلًا مركزيًا عبر المواقع.

تستخدم العديد من المؤسسات نموذجًا هجينًا.

تُجرى عملية جمع البيانات والمعالجة المسبقة الفورية بالقرب من المصنع. ثم تُنقل المعلومات المعتمدة إلى منصة مركزية لإجراء تحليل أوسع.

يعتمد التصميم الصحيح على سياسات الأمن السيبراني، ومتطلبات زمن الاستجابة، وحجم البيانات، والالتزامات التنظيمية، واتصال الموقع.

يجب تصميم الأمن السيبراني ضمن المنصة

يزيد الذكاء الاصطناعي الصناعي من الاتصال واستخدام البيانات. ولذلك ينشئ اعتبارات إضافية تتعلق بالأمن السيبراني.

المبدأ الأول هو الحد الأدنى من الصلاحيات. وينبغي ألا يحصل التطبيق التحليلي إلا على صلاحيات الوصول اللازمة لأداء وظيفته.

قد تحتاج منصة بحث ذكية إلى صلاحية قراءة سجلات المناوبات، وأوامر العمل، وبيانات العمليات المختارة. لكنها لا تحتاج عادةً إلى صلاحية تعديل منطق وحدات التحكم.

ينبغي لإدارة الهوية أن تحدد من يمكنه البحث عن المعلومات، وعرضها، وتصديرها، وإدارتها. وقد يختلف مستوى الوصول بين المشغلين، والمهندسين، والمتعاقدين، والمحللين في الشركة.

ينبغي أن تحمي تجزئة الشبكة مناطق التحكم الحرجة. وينبغي أن تستخدم عمليات نقل البيانات واجهات خاضعة للرقابة. كما ينبغي أن تتبع الاتصالات عن بُعد ممارسات المصادقة والمراقبة المعتمدة.

يتطلب أمن النماذج أيضًا اهتمامًا خاصًا.

قد يحاول مهاجم التلاعب بالبيانات، أو تغيير معلومات التدريب، أو إرسال محتوى مضلل. وقد تؤثر الوثائق ضعيفة الضبط في نتائج البحث والتوصيات.

ينبغي للمؤسسات التحقق من صحة الأنظمة المصدر ومراقبة التغييرات غير المعتادة. كما ينبغي لها الحفاظ على التحكم في إصدارات النماذج، والمطالبات، والفهارس، وقواعد المعرفة.

ينبغي أن تسجل سجلات التدقيق الإجراءات الإدارية الرئيسية. ويجب أن تعرف الفرق متى تغير النموذج، وما البيانات التي استُخدمت، ومن وافق على النشر.

ينبغي أن تستمر مراجعات الأمن السيبراني بعد التنفيذ. فقد تؤدي عمليات التكامل الجديدة، ومصادر البيانات، ومجموعات المستخدمين إلى تغيير ملف المخاطر.

لذلك يجب أن يظل الأمن جزءًا من دورة حياة المنصة.

حوكمة المعرفة تمنع الالتباس الرقمي

يمكن للذكاء الاصطناعي استرجاع المعلومات بسرعة، لكن السرعة وحدها لا تضمن الدقة.

قد تحتوي السجلات الصناعية على إجراءات قديمة، أو استنتاجات غير مكتملة، أو حلول مؤقتة. ويجب على نظام التوصيات التمييز بين المصادر الموثوقة والمصادر غير الرسمية.

تحدد حوكمة المعرفة هذه الفروق.

ينبغي أن تحظى إجراءات التشغيل المعتمدة بحالة مختلفة عن التعليقات غير الرسمية. وينبغي أن تتمتع تقارير السبب الجذري المُتحقق منه بسلطة أكبر من ملاحظة مبكرة لاستكشاف الأعطال وإصلاحها.

يمكن للمنصة عرض نوع المصدر، وحالة الاعتماد، والتاريخ، والمراجعة، والمالك. كما يمكنها تحذير المستخدمين عند انتهاء صلاحية إحدى الوثائق.

ينبغي للمؤسسات أن تحدد كيف تتحول المعرفة الجديدة إلى معرفة موثوقة.

قد يسجل أحد المشغلين ملاحظة. وقد يحقق فريق الهندسة فيها. وقد يؤكد فريق الصيانة حالة المعدة. وقد يوافق المشرف على الإجراء التصحيحي النهائي.

ينبغي للمنصة أن تحافظ على هذا التسلسل.

وهذا يمنع التعامل مع كل عبارة على أنها موثوقة بالقدر نفسه.

تُعد الملاحظات ضرورية أيضًا. ينبغي أن يتمكن المستخدمون من تصنيف النتيجة على أنها ذات صلة، أو قديمة، أو غير صحيحة. ويمكن لخبراء الموضوع بعد ذلك مراجعة المحتوى المتنازع عليه.

بمرور الوقت، تُحسّن هذه الملاحظات جودة الاسترجاع. كما تحدد المجالات التي تحتاج فيها الوثائق إلى تحسين.

ينبغي أن تظل ملكية المعرفة واضحة. وينبغي أن يكون لكل مجال من مجالات العمليات، أو فئة من فئات المعدات، أو فئة من فئات الإجراءات فريق مسؤول.

من دون مسؤولية واضحة، يتراكم المحتوى الرقمي من دون مراجعة، وتصبح النتيجة أرشيفًا آخر يصعب التعامل معه.

قياس القيمة التشغيلية بما يتجاوز دقة الذكاء الاصطناعي

ينبغي قياس مشروعات الذكاء الاصطناعي الصناعي من خلال النتائج التشغيلية. فالنموذج الدقيق تقنيًا تكون قيمته محدودة عندما لا يحسن العمل في المصنع.

تعتمد القياسات المفيدة على التطبيق.

وفي الاستجابة للحوادث، قد تتابع المؤسسات متوسط زمن تحديد المشكلة، ومتوسط زمن الإصلاح، وتكرار الأعطال المتكررة، ومدة فقدان الإنتاج.

وفيما يتعلق بالتواصل بين الورديات، قد يتابعون بنود تسليم المهام غير المحلولة، والإجراءات المتأخرة، ونقص معلومات السجلات، وأنشطة استكشاف الأخطاء وإصلاحها المتكررة.

وفي دعم الصيانة، قد يتابعون استبدال المكونات دون حاجة، وأعمال الطوارئ، وأوامر العمل المتكررة، ووقت التشخيص.

كما أن أداء البحث مهم أيضًا. ويمكن للفرق قياس مدى عثور المستخدمين على السجلات ذات الصلة، والسرعة التي يصلون بها إلى المعلومات المفيدة، وما إذا كانت التوصيات تدعم الحل النهائي.

يُعد اعتماد المستخدمين مؤشرًا مهمًا آخر.

إذا توقف المشغلون عن استخدام النظام، فينبغي للمنظمة أن تبحث في السبب. قد تكون النتائج واسعة النطاق أكثر من اللازم. وقد تعيق الواجهة سير العمل. وربما تكون البيانات قديمة. وقد لا يفهم المستخدمون منطق ترتيب النتائج.

لا ينبغي اعتبار انخفاض معدل الاعتماد مقاومةً للتغيير تلقائيًا؛ فقد يكشف عن مشكلة في التصميم.

ينبغي أن يشمل التقييم المالي الخسائر التي تم تجنبها، وانخفاض تكاليف العمالة، وتحسن الإنتاج، وانخفاض استهلاك مواد الصيانة. ومع ذلك، لا تتطلب كل فائدة تحويلًا ماليًا فوريًا.

كما أن تحسين الاحتفاظ بالمعرفة، وتعزيز عمليات تسليم المهام، واتخاذ قرارات أكثر أمانًا، يخلق قيمة طويلة الأجل.

ينبغي أن تجمع بطاقة الأداء المتوازن بين العوامل التقنية والتشغيلية والمالية والبشرية.

البدء بحالة استخدام صناعية محددة

تفشل العديد من برامج الذكاء الاصطناعي لأنها تبدأ بمنصة بدلًا من مشكلة.

تشتري الشركة برمجيات متقدمة ثم تبحث عن استخدامات محتملة لها. وغالبًا ما ينتج عن هذا النهج عروض توضيحية تفتقر إلى قيمة تشغيلية مستدامة.

يبدأ النهج الأفضل بمشكلة متكررة في المصنع.

ينبغي أن تكون المشكلة مهمة بما يكفي لتبرير اتخاذ إجراء. كما ينبغي أن تتوفر لها معلومات تاريخية يسهل الوصول إليها ومسؤولية تشغيلية واضحة.

تُعد أعطال المعدات المتكررة، وصعوبة تسليم المهام بين الورديات، وبطء التحقيق في الحوادث، وتشتت المعرفة المتعلقة بالصيانة أمثلة مناسبة.

ينبغي أن تكون للمشروع الأول حدود محددة. وقد تكون وحدة إنتاج واحدة، أو فئة واحدة من المعدات، أو اضطراب متكرر واحد كافية.

يؤدي تحديد نطاق واضح إلى تبسيط إعداد البيانات وزيادة تفاعل المستخدمين، كما يسهل قياس القيمة.

ينبغي لفريق المشروع توثيق سير العمل الحالي قبل إدخال الذكاء الاصطناعي.

كيف يتعرف الموظفون على المشكلة؟ ما الأنظمة التي يبحثون فيها؟ من الذي يشارك؟ كم يستغرق التشخيص؟ ما السجلات التي تكون مفقودة عادةً؟

يمنع هذا الخط الأساسي تقديم ادعاءات مبهمة بشأن التحسين.

يمكن للفريق بعد ذلك تصميم سير العمل المدعوم بالذكاء الاصطناعي؛ وينبغي أن يعرف المستخدمون موضع ظهور التوصيات وكيفية فحص الأدلة وكيفية تسجيل النتائج.

ينبغي أن تُجرى التجربة مع مستخدمين حقيقيين أثناء العمل المعتاد؛ فالاختبار المخبري وحده لا يمكنه محاكاة ضغط الورديات أو نقص المعلومات أو الأولويات المتنافسة.

ينبغي أن تؤدي الملاحظات إلى تعديلات سريعة؛ فقد تتطلب مرشحات البحث والمصطلحات والترتيب وتصميم الشاشة عدة مراجعات.

الهدف ليس إثبات أن الذكاء الاصطناعي يعمل من حيث المبدأ، بل تحسين عملية صناعية محددة.

خارطة طريق مرحلية لنشر الحل في المصنع

يمكن أن يتقدم التنفيذ العملي عبر عدة مراحل من النضج.

تنشئ المرحلة الأولى سجلات رقمية؛ إذ تصبح سجلات الورديات والحوادث وأوامر العمل متاحة عبر واجهات متسقة.

تربط المرحلة الثانية السجلات عبر الأنظمة؛ إذ تتيح هويات المعدات والطوابع الزمنية ومناطق العمليات للمستخدمين الانتقال بين المعلومات ذات الصلة.

تقدم المرحلة الثالثة بحثاً ذكياً؛ إذ تساعد معالجة اللغة الطبيعية والترتيب الدلالي المستخدمين في العثور على أحداث مماثلة.

تضيف المرحلة الرابعة توصيات سياقية؛ إذ تقارن المنصة ظروف التشغيل الحالية بالنتائج التاريخية.

تقدم المرحلة الخامسة تطبيقات تنبؤية؛ إذ تحدد النماذج الظروف التي بدأت في التطور وتوفر إنذاراً مبكراً.

قد تدعم المرحلة السادسة التحسين ضمن حلقة مغلقة في حدود معتمدة بعناية.

لا تحتاج كل مؤسسة إلى بلوغ المرحلة النهائية؛ فقد تكون هناك قيمة كبيرة بالفعل في تطبيقات البحث والتواصل وتقديم المشورة.

ينبغي أن تشمل كل مرحلة الحوكمة والأمن السيبراني والتحقق وتدريب المستخدمين.

ينبغي ألا يحدث التوسع إلا بعد أن يحقق المستوى السابق أداءً موثوقاً.

يقلل هذا النهج المرحلي من المخاطر التقنية، كما يتيح للقوى العاملة بناء الثقة تدريجياً.

ينبغي لقيادة المصنع أن توضح أن تبني الذكاء الاصطناعي برنامج لتحسين العمليات، وليس مجرد نشر لتقنية المعلومات.

يجب أن تتشارك فرق العمليات والصيانة والهندسة والسلامة والجودة والأمن السيبراني والإدارة المسؤولية.

تدريب المشغلين على تقييم توصيات الذكاء الاصطناعي

يحتاج الموظفون إلى أكثر من تعليمات استخدام البرمجيات؛ فهم يحتاجون إلى فهم عملي لكيفية إنتاج التوصيات والمواضع التي قد تفشل فيها.

ينبغي أن يوضح التدريب أن الذكاء الاصطناعي يحدد الأنماط، لكنه لا يمتلك وعياً كاملاً بالمصنع.

ينبغي أن يتعلم المستخدمون فحص المصادر والطوابع الزمنية وسياق المعدات ومؤشرات مستوى الثقة. وينبغي لهم مقارنة التوصيات بظروف العملية الحالية.

يمكن لسيناريوهات التدريب استخدام حوادث تاريخية فعلية. ويمكن للفرق مراجعة نتائج المنصة ومناقشة ما إذا كانت الأدلة المقترحة ستدعم القرار السابق.

يطور هذا التمرين مهارات التقييم النقدي.

كما ينبغي أن يعرف الموظفون كيفية الإبلاغ عن النتائج غير الصحيحة. وتشجع عملية التغذية الراجعة البسيطة على التحسين المستمر.

يجب على المديرين تجنب معاقبة المستخدمين على التشكيك في النظام. فالشك الصحي يحسن السلامة.

وفي الوقت نفسه، ينبغي للفرق تجنب رفض التوصيات دون مراجعة. فقد تحدد المنصة علاقات لا تكون واضحة على الفور.

السلوك المنشود هو التقييم المنضبط.

يفحص المشغلون الأدلة. ويؤكد المهندسون منطق العملية. ويتحقق فريق الصيانة من حالة المعدات. ثم يقرر الشخص المسؤول الإجراء.

يجمع سير العمل هذا بين سرعة الآلة وحكم الإنسان.

حماية المعرفة المتوارثة أثناء تغير القوى العاملة

تعتمد العديد من المنشآت الصناعية على موظفين لديهم عقود من الخبرة العملية. ويتعرف هؤلاء المتخصصون على أصوات وأنماط وظروف تشغيل دقيقة لا توثَّق بالكامل.

يهدد التقاعد وتنقل القوى العاملة تلك المعرفة.

غالبًا ما يعتمد نقل المعرفة التقليدي على التوجيه غير الرسمي. وتظل هذه الطريقة قيّمة، لكنها صعبة التوسع. كما أنها تعتمد على عمل الموظفين معًا لفترة كافية.

يمكن للمنصات الرقمية دعم نهج أكثر منهجية.

يمكن للموظفين ذوي الخبرة تسجيل تفسيرات الأحداث، ومنطق استكشاف الأعطال وإصلاحها، والعلاقات بين العمليات. ويمكن ربط المقابلات بسجلات المعدات، وربط الدروس بالاتجاهات التاريخية الفعلية.

يمكن للذكاء الاصطناعي بعد ذلك أن يجعل استرجاع هذه المعلومات أسهل.

الهدف ليس تحويل كل تجربة إلى إجراء صارم. فبعض المعارف مشروطة، ويجب أن تظل مرتبطة بالظروف التي جعلتها صالحة.

فعلى سبيل المثال، قد لا يكون تعديل التشغيل ناجحًا إلا أثناء إنتاج درجة محددة من المنتج. وقد يكون الحل البديل للصيانة مؤقتًا. وقد ينطبق نمط الاهتزاز فقط عند حمل معين.

يحمي السياق المستخدمين المستقبليين من التعميم المفرط.

لذلك، ينبغي أن يتضمن توثيق المعرفة العَرَض، وحالة التشغيل، ومنطق الاستدلال، والإجراء، والنتيجة، والقيود.

ينشئ هذا الهيكل ذاكرة تقنية أقوى للمؤسسة.

موضع الذكاء الاصطناعي التوليدي ضمن عمليات التشغيل

يقدم الذكاء الاصطناعي التوليدي إمكانات إضافية للمنصات الصناعية. إذ يمكنه تلخيص أنشطة الورديات، وشرح العلاقات، وإعداد مسودات تقارير الحوادث، والإجابة عن الأسئلة باستخدام وثائق المصنع المعتمدة.

يمكن لهذه الوظائف تقليل الجهد الإداري. كما يمكنها مساعدة المستخدمين على التنقل في المكتبات التقنية الكبيرة.

ومع ذلك، يتطلب المحتوى التوليدي ضوابط قوية.

قد ينتج نموذج لغوي بيانًا مقنعًا لكنه ناقص أو غير صحيح. ولذلك يجب أن يرى المستخدمون الصناعيون المصادر الداعمة.

يوفر التوليد المعزز بالاسترجاع نهجًا مفيدًا. يسترجع النظام أولًا معلومات المصنع المعتمدة، ثم يستخدم تلك المعلومات لإنشاء استجابة.

ينبغي أن تتضمن الاستجابة مراجع إلى الإجراءات، أو أوامر العمل، أو الاتجاهات، أو سجلات الحوادث. وبذلك يمكن للمستخدمين التحقق من الإجابة.

يجب ألا تعتمد الإجراءات المهمة أبدًا على بيان مُولَّد غير مدعوم.

ينبغي للمنظمات أيضًا التحكم في الوثائق التي يمكن للنموذج استخدامها. فقد تؤدي مسودات الإجراءات، والأدلة القديمة، والمحتوى غير المرتبط من الإنترنت إلى توصيات غير آمنة.

يمكن أن يدعم تسجيل المطالبات والاستجابات عمليات التدقيق. وينبغي أن تحظى المعلومات الحساسة بالحماية المناسبة.

يعمل الذكاء الاصطناعي التوليدي بأفضل صورة كواجهة للمعرفة الموثوقة. ولا ينبغي أن يتحول إلى مصدر غير خاضع للرقابة للسلطة التقنية.

أخطاء التنفيذ الشائعة

تحدّ عدة أخطاء متكررة من نجاح مشروعات الذكاء الاصطناعي الصناعي.

الخطأ الأول هو اختيار هدف واسع للغاية. فتحسين المصنع بأكمله باستخدام الذكاء الاصطناعي ليس حالة استخدام قابلة للإدارة.

الخطأ الثاني هو تجاهل جودة البيانات. فلا تستطيع النماذج المتقدمة تعويض نقص السياق وعدم موثوقية السجلات.

الخطأ الثالث هو استبعاد المشغلين. فقد لا يتوافق النظام المصمم دون الاستناد إلى مدخلات العاملين بنظام الورديات مع سير العمل الفعلي.

الخطأ الرابع هو قياس دقة النموذج فقط. وتشمل القيمة التشغيلية زمن الاستجابة، ومعدل التبني، وتكرار الأعطال، وفعالية الصيانة.

الخطأ الخامس هو إخفاء الأدلة خلف التوصيات. يحتاج المستخدمون إلى مصادر يمكن تتبعها.

الخطأ السادس هو ربط المنصة بعمق مفرط قبل بناء الثقة. وعادةً ما توفر تطبيقات تقديم المشورة نقطة بداية أكثر أمانًا.

الخطأ السابع هو التعامل مع الأمن السيبراني على أنه مراجعة نهائية. فمتطلبات الأمن تؤثر في البنية منذ البداية.

الخطأ الثامن هو عدم صيانة المنصة. فقد تؤدي تغييرات المعدات، وتعديلات العمليات، والوثائق الجديدة إلى خفض الأداء.

الخطأ التاسع هو تقديم الذكاء الاصطناعي بوصفه بديلًا عن الخبرة. تخلق هذه الرسالة مقاومةً، وتسيء فهم الدور الأقوى للتقنية.

الخطأ العاشر هو اعتبار كل إجراء تاريخي صحيحًا. تحتوي السجلات السابقة على محاولات فاشلة لاستكشاف الأعطال وإصلاحها، إضافةً إلى حلول مؤقتة.

يجب أن تميّز المنصة المُدارة جيدًا بين الدليل والإثبات.

المستقبل هو تشغيل بشري بمساعدة الآلة

ستظل صناعة العمليات تعتمد على أشخاص مؤهلين. فأنظمة الإنتاج معقدة ومتغيرة وحساسة للغاية من ناحية السلامة، بحيث لا يمكن أن تختفي المسؤولية داخل خوارزمية.

ومع ذلك، ينبغي ألا يقضي الأشخاص وقتًا ثمينًا في البحث داخل سجلات منفصلة أثناء الأحداث العاجلة.

يمكن للمنصات المدعومة بالذكاء الاصطناعي تقليل هذا العبء. فهي تنظم معارف المصنع، وتربط الأحداث التاريخية، وتعرض الأدلة ذات الصلة عند الحاجة.

ستجمع الأنظمة الأعلى قيمة بين عدة قدرات.

وستلتقط الاتصالات التفاعلية بين الورديات. وستربط سياقَي العمليات والصيانة. وستدعم البحث باللغة الطبيعية. وستحافظ على إمكانية تتبع المصادر. وستتعلم من ملاحظات المستخدمين.

كما ستحترم الحدود التشغيلية.

ستواصل أنظمة التحكم أداء الوظائف الحتمية. وستواصل أنظمة السلامة حماية المعدات والعاملين. وسيوفر الذكاء الاصطناعي طبقة إضافية من التحليل ودعم اتخاذ القرار.

ينشئ هذا المزيج تشغيلًا بشريًا بمساعدة الآلة.

تعالج الآلة كميات كبيرة من المعلومات. وتتعرف على العلاقات بين السجلات. وتسترجع الخبرات ذات الصلة بسرعة أكبر مما يستطيع الشخص البحث يدويًا.

يقيّم الإنسان الأدلة. ويفهم الإنسان أولويات المصنع الحالية. ويراعي الإنسان تبعات السلامة والإنتاج والصيانة والامتثال التنظيمي.

يمكن لهذه القدرات مجتمعةً تحسين كفاءة الإنتاج من دون إضعاف المساءلة.

تحويل تاريخ المصنع إلى ميزة تشغيلية

ينتج كل مصنع للعمليات معرفة جديدة كل يوم. يلاحظ المشغلون السلوك غير الطبيعي. ويكتشف الفنيون آليات الأعطال. ويختبر المهندسون التحسينات. وينسق المشرفون الاستجابات عبر الورديات.

يختفي جزء كبير من هذه المعرفة داخل أنظمة غير مترابطة.

توفر المنصات المؤسسية المدعومة بالذكاء الاصطناعي وسيلة للحفاظ عليها وإعادة استخدامها. فهي تحول السجلات التاريخية إلى مورد نشط لاتخاذ القرارات.

تمتد الفرصة إلى ما هو أبعد من تسريع البحث.

يمكن للمصانع تقليل عمليات استكشاف الأخطاء وإصلاحها المتكررة. ويمكنها تحسين استمرارية العمل بين الورديات. كما يمكنها تحديد مواطن الضعف المتكررة، وتعزيز تخطيط الصيانة، والحفاظ على الخبرات أثناء تغير القوى العاملة.

كما يمكنها أن تنشئ علاقة أكثر اتساقًا بين البيانات والحكم البشري.

يتطلب النجاح أكثر من تثبيت البرمجيات. فهو يتطلب بيانات أتمتة موثوقة، وبنية معلومات مدروسة، وضوابط للأمن السيبراني، وحوكمة للمعرفة، ومشاركة مستمرة من القوى العاملة.

ينبغي للمؤسسات أن تبدأ بمشكلة تشغيلية واضحة. وعليها أن تقيس النتائج الفعلية. ولا ينبغي لها التوسع إلا بعد أن يثق المستخدمون بالنظام والأدلة التي يستند إليها.

مستقبل عمليات التشغيل ليس خيارًا بين البشر والآلات.

إنها شراكة منضبطة تجعل فيها الآلات المعرفة أسهل استخدامًا، بينما يظل البشر مسؤولين عن المصنع.