مرجع
آخر الزيارات

الذكاء الاصطناعي في الصناعة

866 كلمة•0 مشاهدة•🗒️ منذ 3 أيام
باختصار: يُشير الذكاء الاصطناعي في الصناعة عادةً إلى استخدام تطبيقات الذكاء الاصطناعي في مجالات الصناعة والأعمال. تتناول المقالة 8 أقسام، منها «خصائص البيانات»، «خصائص العمليات والصناعة» و«المجالات التطبيقية».
المحتويات
  1. خصائص البيانات
  2. خصائص العمليات والصناعة
  3. المجالات التطبيقية
  4. التوأم الرقمي
  5. خصائص نموذج التعلم الآلي
  6. التحديات
  7. المنتج
  8. الذكاء الاصطناعي التوليدي في التصميم

في البداية، يُشير الذكاء الاصطناعي في الصناعة عادةً إلى استخدام تطبيقات الذكاء الاصطناعي في مجالات الصناعة والأعمال. بخلاف الذكاء الاصطناعي العام، الذي يُعدّ تخصصًا بحثيًا رائدًا لبناء أنظمة حاسوبية تُنجز مهامًا تتطلب ذكاءً بشريًا، يُعنى الذكاء الاصطناعي الصناعي أكثر بتطبيق هذه التقنيات لمعالجة نقاط الضعف الصناعية لخلق قيمة مضافة للعملاء، وتحسين الإنتاجية، وخفض التكاليف، وتحسين الموقع، والتحليل التنبؤي، واكتشاف الرؤى. أصبحت تقنيات الذكاء الاصطناعي والتعلم الآلي تلعب دورًا هامًا وأساسيا للاستفادة من البيانات في عملية الإنتاج خلال السنوات الأخيرة نتيجةً لعدد من العوامل المختلفة، مثل توفير أجهزة استشعار أكثر كفاءةً، وإتاحة عملية جمع مؤتمتة للبيانات، وتوفير قدرة حوسبة أقوى لأجهزة الحواسب لأداء مهام أكثر تعقيدًا بسرعة أكبر وبتكلفة أقل؛ وتوفير بنية تحتية أسرع للاتصال وخدمات سحابية أكثر سهولة في الوصول لإدارة البيانات وتعهيد قوة الحوسبة. وتعرض الأقسام التالية جوانب أخرى من الموضوع.

خصائص البيانات

وفي هذا السياق، تنبع البيانات التي تُجمع في عمليات الإنتاج بشكل رئيسي من أخذ عينات متكررة من أجهزة الاستشعار لتقدير حالة المنتج أو العملية أو البيئة في العالم الحقيقي. وكثرًا ما تكون قراءات أجهزة الاستشعار عرضة للتشويش، ولا تمثل سوى تقدير للواقع في ظل حالة عدم اليقين. وعادةً ما تتكون بيانات الإنتاج مأخوذة من مصادر بيانات موزعة متعددة، مما ينتج عنه أنماط بيانات متنوعة (مثل الصور المأخوذة من أنظمة مراقبة الجودة البصرية، وقراءات أجهزة الاستشعار المتسلسلة زمنيًا، أو معلومات مقطعية عن العمل والمنتج). يؤدي عدم الاتساق في جمع البيانات إلى انخفاض جودة البيانات، وبذل جهد كبير في دمج البيانات وتنظيفها وإدارتها، كما تتعرض بيانات العملية دائمًا لأشكال مختلفة من الانجراف، كنتيجة للتآكل الميكانيكي والكيميائي لمعدات الإنتاج.

خصائص العمليات والصناعة

وفي هذا السياق، يمكن اعتبار مجال هندسة الإنتاج قطاعًا محافظًا إلى حد ما فيما يتعلق بتبني التقنيات المتقدمة ودمجها في العمليات الحالية. ويعود ذلك إلى متطلبات الموثوقية العالية لأنظمة الإنتاج، نظرًا للضرر الاقتصادي الكبير المحتمل في حال انخفاض فعالية العمليات، مثل التوقفات الإضافية غير المخطط لها أو عدم كفاية جودة المنتج. فضلًا عن مواصفات معدات التشغيل والمنتجات، والتي كثيرًا ما تمنع اعتمادها على نطاق واسع في مختلف العمليات. وإلى جانب الأسباب التقنية، فإن التردد في تبني تقنيات التعلم الآلي عادةً ما يكون مدفوعًا بنقص الخبرة بتقنيات المعلومات وعلوم البيانات في هذا المجال.

المجالات التطبيقية

  • تحليل السوق والاتجاهات
  • الآلات والمعدات
  • اللوجستيات الداخلية
  • عمليات الإنتاج
  • سلاسل التوريد
  • البناء

ومن جهة أخرى، يمكن تقسيم التطبيقات المحتملة للذكاء الاصطناعي والتعلم الآلي في مجالات الصناعة والإنتاج إلى سبعة مجالات تطبيقية، وهي:

التوأم الرقمي

علاوةً على ذلك، التوأم الرقمي هو تمثيل افتراضي ديناميكي لمنتج أو عملية تصنيع في العالم الحقيقي. باستخدام خوارزميات التعلم الآلي، يمكن للمصانع محاكاة خطوط الإنتاج واختبار التعديلات في بيئة رقمية قبل تطبيقها فعلياً. بحسب توقعات Deloitte لعام 2025، فإن المصانع الذكية التي تتبنى "التوأم الرقمي" ستساهم بما يصل إلى 2.2 تريليون دولار في الاقتصاد العالمي، حيث تتيح هذه التقنية تحسين كفاءة الطاقة وتقليل النفايات الصناعية.(1)

خصائص نموذج التعلم الآلي

ومن ناحية أخرى، تُعتبر نماذج التعلم الآلي أنظمةً غامضة نظرًا لتعقيدها وعدم شفافية علاقة المدخلات بالمخرجات، وهو ما يقلل من قابلية فهم سلوك النظام، وبالتالي من قدرة مشغلي المصنع على قبوله. ونظراً لغياب الشفافية وعشوائية هذه النماذج، لا يُمكن إثبات صحة وظائفها بشكل قاطع، مما يُعقّد عملية اعتماد معدات الإنتاج. ونظراً لسلوكها التنبؤي غير المُقيّد، فإن نماذج التعلم الآلي تُصبح عُرضةٌ للبيانات الخاطئة أو المُتلاعب بها، مما يُهدد موثوقية نظام الإنتاج بسبب افتقارها إلى المتانة والسلامة. إلى جانب ارتفاع تكاليف التطوير والنشر، تُسبب انجرافات البيانات تكاليف صيانة عالية، وهو أمرٌ غير مُجدٍ مقارنةً بالبرامج الحتمية البحتة.

التحديات

من جانب آخر، على عكس الأنظمة الافتراضية بالكامل، والتي تنتشر فيها تطبيقات التعلم الآلي على نطاق واسع اليوم، تتميز عمليات الإنتاج الواقعية بالتفاعل بين العالمين الافتراضي والمادي، إذ تُسجل البيانات باستخدام أجهزة استشعار وتُعالج على كيانات حاسوبية، وإذا لزم الأمر، تُترجم الإجراءات والقرارات إلى العالم المادي من خلال المشغلات أو على أيدي مشغلين بشريين. وهو ما يُشكل تحديات كبيرة لتطبيق التعلم الآلي في أنظمة هندسة الإنتاج. ترجع هذه التحديات إلى مواجهة خصائص العمليات والبيانات ونماذج التعلم الآلي في حد ذاتها، مثل متطلبات الموثوقية العالية في مجال الإنتاج، واحتمالية المخاطرة ونسب الخسائر العالية، وتعدد مصادر البيانات غير المتجانسة، وعدم شفافية وظيفة نموذج التعلم الآلي. تعيق كُل هذه التحديات التبني السريع للتعلم الآلي في عمليات الإنتاج في العالم الحقيقي.

وفي هذا السياق، تتضمن بيانات الإنتاج على وجه الخصوص مجموعة متنوعة من الوسائط والدلالات ومعايير والجودة، كما تتسم أنظمة الإنتاج بالديناميكية وعدم اليقين والتعقيد، إلى جانب أن مشكلات الهندسة والتصنيع دائمًا ما تكون غنية بالبيانات، ولكنها شحيحة المعلومات. ونظرًا لتنوع حالات الاستخدام وخصائص البيانات، فمن الضروري وجود مجموعات بيانات خاصة بالمشكلة، وهو أمر يصعب الحصول عليه، مما يعيق كلًا من الممارسين والباحثين الأكاديميين في هذا المجال.

المنتج

في هذا الإطار، ويمكن تقسيم كل مجال تطبيقي إلى فئات تطبيقية محددة تصف آليات محددة لاستخدام لذكاء الاصطناعي والتعلم الآلي في الإنتاج. ترتبط بعض المجالات التطبيقية ارتباطًا مباشرًا بعمليات الإنتاج، بينما يغطي بعضها الآخر مجالات ما قبل أو بعد الإنتاج مثل الخدمات اللوجستية أو بناء المصانع. وتُعد الروبوتات التعاونية أحد أهم الأمثلة على الاستخدام التطبيقي للذكاء الاصطناعي والتعلم الآلي لدعم التصميم والابتكار في عمليات الإنتاج، حيث يُمكن للأذرع الروبوتية التعاونية تعلم الحركة والمسار الذي يوضحه المشغلون البشريون لأداء المهام المحددة. وكذلك تُعد الصيانة التنبؤية والوقائية باستخدام التعلم الآلي القائم على البيانات من بين الأمثلة التطبيقية النموذجية في مجال تطبيقات الآلات والمعدات.

الذكاء الاصطناعي التوليدي في التصميم

ومن ناحية أخرى، لم يعد دور الذكاء الاصطناعي مقتصرًا على الأتمتة، بل امتد ليشمل الابتكار عبر "التصميم التوليدي". يقوم المهندسون بتحديد المعايير (مثل الوزن، القوة، التكلفة)، ليقوم الذكاء الاصطناعي بإنشاء آلاف النماذج التصميمية المثالية. يُتوقع بحلول عام 2025 أن يزداد الاعتماد على "وكلاء الذكاء الاصطناعي" (AI Agents) الذين يعملون بشكل مستقل لتنسيق العمليات المعقدة داخل المصنع، مما يقلل من التدخل البشري في المهام الروتينية.(2)

ما رأيك في هذه المقالة؟

📝 هل في هذه المقالة خطأ؟

إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.