انتقل إلى المحتوى الرئيسي
قاعدة المعرفة

لماذا يفشل الذكاء الاصطناعي في المصانع دون بيانات تشغيلية مترابطة

DBR77 Team7 دقائق للقراءة

في هذه الصفحة

يفشل الذكاء الاصطناعي في المصانع دون بيانات تشغيلية مترابطة لأن النموذج لا يستطيع أن يرتّب أو يتنبأ أو يوصي إلا بناءً على ما يراه. وفي معظم المصانع، توجد الحقائق التي يحتاجها في أنظمة منفصلة، بمعرّفات آلات مختلفة، وأسباب توقف مفقودة، ودون أي سجل لما فعله الناس بعد ذلك. قبل أن يستطيع الذكاء الاصطناعي المساعدة، يحتاج المصنع إلى أحداث آلات موثوقة، ونموذج مشترك للأصول والأوامر، وسجلات مغلقة للإجراءات، ومسار يعيد كل توصية إلى شخص يستطيع التصرف بناءً عليها.

غالبًا ما تُنفق ميزانية الذكاء الاصطناعي قبل أن يتحقق أحد من البيانات، ثم يُلام النموذج على مشكلة تقع في مرحلة سابقة.

لماذا تتعثر تجارب الذكاء الاصطناعي في المصانع

معدل الفشل مرتفع في كل القطاعات. تشير دراسة أجرتها RAND عام 2024، استندت إلى مقابلات مع 65 من مهندسي الذكاء الاصطناعي وباحثيه، إلى أن أكثر من 80% من مشاريع الذكاء الاصطناعي تفشل وفق بعض التقديرات، أي ضعف معدل فشل مشاريع تقنية المعلومات التي لا تتضمن ذكاءً اصطناعيًا. ومن بين الأسباب الجذرية الخمسة التي تذكرها أن المؤسسة تفتقر إلى البيانات اللازمة لتدريب نموذج فعال، ووصف 30 من أصل 50 ممن قوبلوا من القطاع مشكلات مستمرة في جودة البيانات.

وتطرح Gartner نقطة مشابهة من جانب البيانات. فهي تتوقع أن تتخلى المؤسسات حتى عام 2026 عن 60% من مشاريع الذكاء الاصطناعي غير المدعومة ببيانات جاهزة للذكاء الاصطناعي، وأن 63% من المؤسسات إما لا تملك ممارسات إدارة البيانات المناسبة للذكاء الاصطناعي، أو لا تعرف هل تملكها.

وفي المصنع، يحصل عالم البيانات عادةً على ملف تصدير لمرة واحدة: قيم الحساسات من نظام، وأوامر العمل من نظام آخر، والهالك من جدول بيانات. يحقق النموذج نتائج جيدة على ذلك التاريخ، ثم يُشغَّل فعليًا فلا يغيّر شيئًا، لأن البيانات اللحظية لا تطابق ملف التصدير، والمخرجات تصل إلى بريد إلكتروني لا مسؤول عنه.

ينبّه نموذج مبني على بيانات اهتزاز مُصدَّرة إلى تآكل في محمل الضاغط 2.

مقارنة لتحذير واحد بشأن محمل ضاغط يعالجه نموذج على بيانات مُصدَّرة ثم تدفق مترابط

خمسة أنواع من البيانات يحتاجها الذكاء الاصطناعي التشغيلي

يحتاج الذكاء الاصطناعي التشغيلي إلى أن يعرف إلى ماذا تنتمي القيمة، وماذا فعل الناس حيالها، وماذا حدث بعد ذلك.

نوع البياناتمثالأين توجد غالبًا اليومما الذي يفشل في غيابها
أحداث الآلاتالحالات، والأعداد، وأسباب التوقف، وقيم الحالة الفنيةPLC وSCADA وأداة منفصلة لإنترنت الأشياءيرى النموذج أرقامًا لكنه لا يرى التوقفات أو الأسباب
السياقمعرّف الأصل، وأمر العمل، والمنتج، ودفعة المواد، والوردية، والدورMES وERP وجداول البياناتلا يمكن ربط التحذير بأمر أو بدفعة
الإجراءات والنتائجأوامر العمل، والفحوصات، وحالات عدم المطابقة، وملاحظات الإغلاقCMMS ونماذج الجودة والورقلا يتعلم النموذج أبدًا أي النصائح نجحت
الخطةالجدول، وتغييرات التجهيز، وتوافر الموادAPS وERP والملف الخاص بالمخطِّطيُقترح الإصلاح الجيد في أسوأ توقيت
المعرفة العمليةإجراءات التشغيل القياسية (SOP)، وسجلات الصيانة، والأسباب الجذرية السابقةالمجلدات المشتركة، والملفات الورقية، وعقول الناسالإجابات عامة، لا تخص مصنعك

جودة التصنيف مهمة بقدر الحجم. ففي دراسة أجرتها جامعة Chalmers على بيانات OEE الخام من 23 شركة و884 آلة، تعذّر تصنيف ما يقرب من نصف الخسائر المسجلة لأن فئات الخسائر كانت مفقودة أو موصوفة بشكل سيئ. والنموذج المدرَّب على "غير معروف" لا يتعلم شيئًا مفيدًا. ولمعرفة إشارات الآلات التي تستحق الجمع أصلًا، راجع ما البيانات التي يجب جمعها من الآلات.

لماذا يهم التدفق أكثر من الحجم

تجيب مصانع كثيرة عن مشكلة البيانات ببحيرة بيانات، تساعد في إعداد التقارير لكنها تجمع البيانات دون أن تعيد قرارًا إلى أرض المصنع. يحتاج الذكاء الاصطناعي التشغيلي إلى حلقة: يدخل الحدث، وتخرج التوصية، ويقبلها شخص أو يرفضها، ويُسجَّل الإجراء، وتعود النتيجة كبيانات جديدة.

مثال توضيحي: يشغّل مصنع أربعة ضواغط هواء. ينبّه نموذج تنبؤي، مبني على بيانات اهتزاز مُصدَّرة، إلى تآكل في محمل الضاغط 2، ويرسل ملف PDF أسبوعيًا إلى مدير الصيانة. نظام CMMS منفصل، لذا لا يربط أحد التحذير بأمر عمل. يستبدل فني المحمل يوم الخميس أثناء توقف مخطط، ويكتب على الورق "ضجيج، استُبدل المحمل". وبعد ثلاثة أسابيع، لا يستطيع أحد أن يقول هل كان النموذج محقًا أم مبكرًا أم محظوظًا، فتتراجع الثقة به.

في تدفق مترابط، يفتح التحذير نفسه توصية مرتبطة بمعرّف الأصل. يوافق المخطِّط عليها كأمر عمل، ويغلقها الفني مع النتائج وصورة، ويعود الإغلاق إلى النموذج كنتيجة مصنّفة. النموذج هو نفسه في النسختين، لكن النسخة المترابطة وحدها تتلقى نتائج مصنّفة يستطيع أن يتعلم منها.

اختبار جاهزية لخط واحد

أجرِ اختبار نعم أو لا هذا على خط واحد قبل أن تشتري أو تبني أي ذكاء اصطناعي.

  1. قائمة أصول واحدة. للآلة نفسها المعرّف نفسه في بيانات الآلات والصيانة والإنتاج.
  2. للتوقفات أسباب. "غير معروف" حصة صغيرة من دقائق التوقف، وقائمة الأسباب مستقرة منذ أسابيع.
  3. الأحداث تحمل سياقها. يمكن ربط التوقف أو العيب بأمر ومنتج ودفعة مواد ووردية دون بحث يدوي.
  4. تُغلق الإجراءات في نظام. لأوامر العمل وإجراءات الجودة سجل إغلاق يبيّن ما الذي تم، لا مجرد حالة.
  5. لكل مخرج مسؤول. لكل نوع من التوصيات دور محدد بالاسم يتلقاه ووقت محدد للرد.
  6. هناك طريق للعودة. تُخزَّن نتيجة الإجراء حيث يستطيع النموذج قراءتها.

إذا كانت أربع إجابات أو أكثر "لا"، فاصرف الربع القادم على البيانات والتدفق، لا على النماذج. وغالبًا ما يكون أسرع طريق هو ربط الأنظمة القائمة؛ ويبيّن مقال كيف توحّد أنظمة MES وWMS وQMS وCMMS دون استبدال كل شيء كيف يتم ذلك.

كيف يعمل ذلك في DBR77 IRIS

يشغّل DBR77 IRIS الإنتاج والصيانة والجودة والمستودع والتخطيط على نموذج بيانات مشترك واحد، لذا تكون أحداث الآلات والأوامر والفحوصات وأوامر العمل مترابطة أصلًا عندما يقرؤها الذكاء الاصطناعي. تأتي بيانات الآلات من DBR77 IIoT: تُفحص بيانات القياس الواردة مقابل مخططات محددة وتُوحَّد صيغتها، وتُلحق الأجهزة بالمحطات، ويربط IRIS CMMS كل محطة بالأصل الخاص بها.

يعمل مساعد IRIS انطلاقًا من هذا السجل المشترك. فهو يجيب عن الأسئلة من بيانات المصنع اللحظية ومن قواعد معرفة مبنية على وثائق آلاتك وسجل صيانتها وعملياتك ومنتجاتك، وكل رقم في إجابته يأتي من أداة قرأت بياناتك. وتعرض توصيات Data & AI الأساس الذي بُنيت عليه درجتها، ويقرر شخص ما يُفعل بكل منها، ويسجّل IRIS نتيجة التوصيات المطبَّقة. وحيث يكون تاريخ الأعطال شحيحًا، يستطيع DBR77 DT توليد بيانات محاكاة. وبعد توفر هذا الأساس، يعرض مقال ما الذي يستطيع الذكاء الاصطناعي فعله حقًا في عمليات المصنع اليوم ما يستطيع الذكاء الاصطناعي فعله وما لا يستطيعه.

الأسئلة الشائعة

هل نحتاج إلى بحيرة بيانات قبل أن نبدأ بالذكاء الاصطناعي؟

ليس للعمليات. يحتاج الذكاء الاصطناعي التشغيلي إلى أحداث لحظية مترابطة، وسياق، وإجراءات مغلقة على الخطوط التي تريد فيها نتائج.

كم من البيانات التاريخية يحتاج النموذج؟

يعتمد ذلك على حالة الاستخدام. يمكن أن يبدأ ترتيب المشكلات المفتوحة أو الإجابة عن الأسئلة من إجراءات التشغيل القياسية ببيانات تاريخية قليلة. أما التنبؤ بالأعطال النادرة فيحتاج إلى أمثلة مصنّفة، ولهذا تهم سجلات الإغلاق منذ اليوم الأول.

هل يمكننا استخدام البيانات التي لدينا بالفعل؟

عادةً نعم، بمجرد ربطها. لدى معظم المصانع البيانات الخام؛ أما ما ينقصها فهو معرّف أصل واحد، وأسباب نظيفة، وسجلات إغلاق.

هل يجب أن تغادر بياناتنا المصنع؟

لا، إذا كانت سياساتك تمنع ذلك. يمكن تشغيل IRIS في سحابة خاصة أو في مركز بياناتك، وفي وضع SaaS تُحفظ بيانات كل مصنع منفصلة عن غيره. واتفق خلال المرحلة التجريبية على المكان الذي يعمل فيه النموذج اللغوي المستخدم في مساعد IRIS.

الخلاصة

قبل أن تموّل نموذجًا، أجرِ اختبار الجاهزية ذا النقاط الست على خط واحد. إذا كانت أربع إجابات أو أكثر "لا"، فاصرف الربع القادم على ربط الأنظمة القائمة، وتنظيف أسباب التوقف، وإغلاق الإجراءات في نظام. ثم امنح كل نوع من التوصيات مسؤولًا وطريقًا للعودة، حتى يتعلم النموذج مما فعله الناس.

المصادر