ينتقل الذكاء الاصطناعي الصناعي من التجريب إلى الواقع التشغيلي

تطور الذكاء الاصطناعي التوليدي بسرعة من تقنية موجهة للمستهلكين إلى أداة استراتيجية للمؤسسات الصناعية. وتستكشف شركات التصنيع ومصانع المعالجة والمؤسسات كثيفة الأصول الآن كيفية استخدام نماذج اللغة الكبيرة (LLMs) لتبسيط الوصول إلى البيانات، وتسريع استكشاف الأخطاء وإصلاحها، وتحسين اتخاذ القرارات التشغيلية.

ومع ذلك، تطرح البيئات الصناعية تحديات نادرًا ما تواجهها عمليات نشر الذكاء الاصطناعي التقليدية. إذ تولّد أنظمة الإنتاج كميات هائلة من البيانات الآنية، بينما تحد متطلبات الأمن السيبراني الصارمة من كيفية مشاركة المؤسسات للمعلومات التشغيلية ومعالجتها.

ونتيجة لذلك، يركّز قادة القطاع بصورة متزايدة على معماريات تجمع بين الذكاء الاصطناعي التوليدي والبيانات الصناعية المهيكلة، بدلًا من الاعتماد على نماذج اللغة العامة وحدها.

العقبة الأكبر ليست النموذج، بل البيانات

تفترض العديد من المؤسسات الصناعية أن نشر نموذج لغوي كبير قوي يؤدي تلقائيًا إلى رؤى موثوقة. لكن جودة البيانات الأساسية وسياقها يحددان في الواقع ما إذا كان نظام الذكاء الاصطناعي سيصبح مساعدًا هندسيًا قيّمًا أم مصدرًا للمخاطر التشغيلية.

لماذا تخلق الهلوسات مخاطر صناعية

يمكن لأنظمة الذكاء الاصطناعي التوليدي إنتاج استجابات تبدو مقنعة لكنها تتضمن معلومات غير دقيقة. وتصبح هذه الهلوسات مشكلة خاصة في البيئات الصناعية، حيث تعتمد قرارات الصيانة أو تعديلات العمليات أو تقييمات أداء الأصول على بيانات واقعية.

على خلاف الاستفسارات العامة على الإنترنت، تتطلب الأسئلة الصناعية غالبًا الوصول إلى سجلات العمليات الخاصة وسجلات المعدات وسجلات الإنذارات والوثائق الفنية. وعندما تظل مصادر البيانات هذه غير متاحة أو منفصلة، قد تسد أنظمة الذكاء الاصطناعي فجوات المعلومات بافتراضات.

تربط منصات الذكاء الاصطناعي الصناعية نماذج اللغة بصورة متزايدة بمصادر البيانات التشغيلية مباشرةً لتحسين دقة الاستجابات.

حماية المعلومات التشغيلية الحساسة

لا يزال تسرب البيانات مصدر قلق رئيسيًا آخر. وتدير المنشآت الصناعية ملكية فكرية ومواصفات هندسية ووصفات للعمليات وسجلات إنتاج ومعلومات عن العملاء، ولا يجوز كشفها للأنظمة الخارجية.

بالنسبة إلى قطاعات مثل توليد الطاقة والنفط والغاز والمعالجة الكيميائية والتصنيع، تتطلب سياسات الأمن السيبراني رقابة صارمة على كيفية انتقال البيانات التشغيلية بين الشبكات والتطبيقات.

لا يزال التحكم في الوصول أمرًا أساسيًا

يجب أن تتضمن عمليات نشر الذكاء الاصطناعي الحديثة آليات المصادقة والتفويض والتدقيق. ويحتاج المستخدمون المختلفون إلى مستويات رؤية مختلفة استنادًا إلى مسؤولياتهم التشغيلية.

قد يحتاج مهندسو المصانع إلى الوصول إلى معلومات تفصيلية عن العمليات، بينما يحتاج التنفيذيون إلى مقاييس أداء مجمّعة. وتضمن آليات التحكم الفعّالة في الوصول أن تقدم أنظمة الذكاء الاصطناعي معلومات مفيدة دون المساس بالأمان.

تظهر الرسوم البيانية المعرفية كأساس بالغ الأهمية

يتضمن أحد الأساليب الواعدة إنشاء رسوم بيانية معرفية صناعية تنظّم المعلومات من مصادر تشغيلية متعددة وتضفي عليها سياقًا.

تربط الرسوم البيانية المعرفية الأصول وأجهزة الاستشعار والوثائق والإنذارات وسجلات الصيانة ومتغيرات العمليات ضمن بنية بيانات موحّدة. ويتيح رسم هذه العلاقات لأنظمة الذكاء الاصطناعي فهم ليس نقاط البيانات الفردية فحسب، بل أيضًا كيفية تفاعل المعدات والعمليات.

بالنسبة إلى البيئات الصناعية التي تستخدم أنظمة التحكم الموزعة ومنصات الأتمتة المتقدمة، تحسّن البيانات ذات السياق موثوقية الرؤى التي ينشئها الذكاء الاصطناعي بدرجة كبيرة.

غالبًا ما تقرن المؤسسات التي تحدّث البنية التحتية القديمة هذه المبادرات بترقيات أنظمة التحكم DCS ومنصات العمليات الرقمية لديها لتحسين إمكانية الوصول إلى البيانات على مستوى المؤسسة.

لماذا أصبحت بنية التوليد المعزَّز بالاسترجاع هي البنية المفضلة

برز التوليد المعزَّز بالاسترجاع (RAG) كإحدى أكثر الطرق العملية لنشر الذكاء الاصطناعي التوليدي في البيئات الصناعية.

بدلًا من الاعتماد فقط على المعلومات التي تعلّمها النموذج أثناء تدريبه، تسترجع RAG بيانات المؤسسة ذات الصلة قبل إنشاء الاستجابة. ويستند هذا النهج إلى المعلومات التشغيلية الحالية بدلًا من التنبؤات الإحصائية.

تربط بنية RAG نماذج اللغة بمصادر بيانات مؤسسية موثوقة قبل إنشاء الاستجابات.

وبالنسبة إلى المهندسين، يعني ذلك طرح أسئلة باللغة الطبيعية مع تلقي إجابات مستمدة مباشرةً من قواعد البيانات التشغيلية وأنظمة المؤرخات وسجلات الصيانة والوثائق الفنية.

والنتيجة هي دقة محسّنة، وحوكمة أقوى، وانخفاض كبير في معدلات الهلوسة.

تمتد التطبيقات الصناعية عبر مجالات تشغيلية متعددة

يمتد تأثير الذكاء الاصطناعي ذي السياق إلى ما هو أبعد بكثير من مجرد استرجاع المعلومات.

مراقبة أداء الأصول

يمكن للمهندسين تحديد السلوك غير الطبيعي للمعدات من خلال الاستعلام عن الاتجاهات التاريخية وسجلات الصيانة وبيانات العمليات في الوقت نفسه. وتدعم هذه الإمكانية مبادرات الصيانة التنبؤية وتقلل وقت التشخيص.

يمكن للمنشآت التي تستخدم تقنيات حماية الآلات أن تدمج أيضًا التحليل المدعوم بالذكاء الاصطناعي مع حلول المراقبة المتقدمة، مثل أنظمة حماية الآلات Bently Nevada 3500، لتحسين موثوقية الأصول والرؤية التشغيلية.

استكشاف الأعطال التشغيلية وإصلاحها

يمكن لموظفي الصيانة تحديد موقع الوثائق وسجلات الإنذارات وسجلات الأداء المرتبطة بمعدات محددة بسرعة. ويقلل ذلك الوقت المستغرق في البحث عبر الأنظمة غير المترابطة.

تحسين الإنتاج

يحصل المشغلون على رؤى آنية تساعد على تحسين الإنتاجية، وتقليل الهدر، وتحديد أوجه القصور في العمليات قبل أن تؤثر في أهداف الإنتاج.

تُثبت Aker BioMarine قيمة الذكاء الاصطناعي الصناعي ذي السياق

تقدم Aker BioMarine، الشركة العالمية الرائدة في صيد الكريل ومعالجته، مثالًا مقنعًا على كيفية تمكين الذكاء الاصطناعي الصناعي من تحويل العمليات.

قبل تنفيذ منصة حديثة للبيانات الصناعية، كان المهندسون يجمعون المعلومات التشغيلية يدويًا ويجرون تحليلات دورية. وقد حدّت هذه العملية من الرؤية وأخّرت اتخاذ القرارات.

تدعم تقنيات الذكاء الاصطناعي الصناعي الآن اتخاذ القرارات التشغيلية في بيئات بحرية وصناعية معقدة.

ومن خلال دمج البيانات التشغيلية والوثائق التقنية ومعلومات الأصول في منصة موحدة، مكّنت الشركة المهندسين من الوصول إلى الرؤى بسرعة أكبر وتخصيص مزيد من الاهتمام لتحسين العمليات.

تم نشر مصادر بيانات متصلة من السفن العاملة في القارة القطبية الجنوبية إلى مرافق المعالجة، مما أتاح رؤية أوسع عبر العملية بأكملها.

تتيح بيئات البيانات الصناعية المتصلة رؤية آنية تمتد من الأصول البحرية إلى مرافق الإنتاج البرية.

مستقبل الذكاء الاصطناعي الصناعي يعتمد على بيانات موثوقة

تركز مؤسسات كثيرة على اختيار أحدث نموذج للذكاء الاصطناعي، لكن القرار الأهم يتعلق بإنشاء أساس موثوق للبيانات. ومن المرجح أن تحقق الشركات الصناعية التي تستثمر في بنى بيانات ذات سياق، وضوابط وصول آمنة، وسير عمل مدعوم بتقنية RAG، فوائد تشغيلية قابلة للقياس.

لن يحل الذكاء الاصطناعي التوليدي محل المهندسين أو المشغلين أو أخصائيي الصيانة. بل سيساعدهم على التعامل مع بيئات البيانات المتزايدة التعقيد واتخاذ قرارات أسرع وأكثر استنارة.

رأي المؤلف: يدخل القطاع الصناعي مرحلة جديدة من تبنّي الذكاء الاصطناعي. ويتراجع الحماس المبكر تجاه نماذج اللغة الكبيرة لصالح استراتيجيات تنفيذ عملية تتمحور حول جودة البيانات والسياق التشغيلي. ومن المرجح أن تحقق المؤسسات التي تعطي الأولوية لرسوم المعرفة وبنى RAG اليوم ميزة تنافسية كبيرة مع نضوج الذكاء الاصطناعي الصناعي خلال العقد المقبل.