هوش مصنوعی صنعتی چیست و چرا سریع‌تر از نیروی کار رشد می‌کند

هوش مصنوعی در کارخانه ها؛ وقتی ماشین ها از آدم ها جلو می زنند

هوش مصنوعی صنعتی، اتوماسیون صنعتی، تحلیل داده های تولید و نگهداری پیش بینانه دیگر اصطلاحات شیک و دور از دسترس نیستند. این فناوری ها همین حالا وارد کارخانه ها، پالایشگاه ها، انبارها و خطوط مونتاژ شده اند. مسئله اینجاست که سرعت پیاده سازی آن ها از آمادگی نیروی کار بیشتر شده و خیلی از کارکنان هنوز نمی دانند چطور باید با این ابزارهای تازه کنار بیایند.

شرکت ها هم حق دارند عجله کنند. کاهش توقف خط تولید، تشخیص سریع خرابی، کنترل دقیق تر کیفیت و مصرف کمتر انرژی، همگی وسوسه کننده اند. ولی اگر سازمان فقط نرم افزار بخرد و آدم ها را نادیده بگیرد، نتیجه احتمالا یک سیستم گران قیمت است که گوشه کارخانه خاک می خورد یا درست استفاده نمی شود.

مطالعه مقاله قبلی در دسته بندی خانه هوشمند با عنوان همگام سازی نور فیلیپس Hue با تلویزیون بدون نیاز به HDMI.

هوش مصنوعی صنعتی دقیقا چه کاری انجام می دهد؟

برخلاف هوش مصنوعی عمومی که ممکن است متن تولید کند یا به سوال ها جواب بدهد، نسخه صنعتی آن برای کارهای مشخص و حساس ساخته می شود. مثلا داده های حسگر یک موتور را بررسی می کند، احتمال خرابی را می سنجد یا ایرادهای بسیار ریز یک قطعه را در تصویر پیدا می کند.

در محیط صنعتی، یک پیش بینی اشتباه ممکن است به توقف تولید، آسیب تجهیزات یا حتی خطر ایمنی منجر شود. به همین دلیل، دقت، پایداری و امکان توضیح تصمیم ها اهمیت زیادی دارد. اینجا دیگر یک پاسخ «تقریبا درست» کافی نیست؛ سیستم باید در شرایط واقعی و زیر فشار هم قابل اعتماد بماند.

داده ها از حسگرها، دوربین ها، دستگاه های قدیمی و سامانه های مدیریت تولید جمع آوری می شوند. الگوریتم با بررسی این اطلاعات، الگوهایی را پیدا می کند که شاید از چشم انسان دور بمانند. برای نمونه، تغییر بسیار جزئی در صدا یا لرزش یک دستگاه می تواند نشانه خرابی قریب الوقوع باشد.

این قابلیت همان چیزی است که نگهداری پیش بینانه را جذاب می کند. به جای اینکه دستگاه طبق یک تقویم ثابت سرویس شود یا بعد از خرابی سراغش برویم، سیستم زمان مناسب تعمیر را پیشنهاد می دهد. این روش هزینه را پایین می آورد و جلوی خوابیدن ناگهانی خط تولید را می گیرد.

چرا پذیرش فناوری این قدر سریع شده است؟

فشار رقابتی یکی از مهم ترین دلایل است. کارخانه ها باید با مواد اولیه گران تر، زنجیره تامین نامطمئن و توقع بالاتر مشتریان کنار بیایند. مدیران هم دنبال راهی هستند که با منابع محدود، محصول بیشتر و باکیفیت تری تولید کنند.

از طرف دیگر، حسگرها ارزان تر شده اند و پردازش داده در لبه شبکه یا همان Edge Computing پیشرفت کرده است. حالا لازم نیست تمام اطلاعات حساس کارخانه به یک مرکز داده دور ارسال شود. تحلیل می تواند نزدیک دستگاه و تقریبا در لحظه انجام شود.

راهکارهای آماده نیز کار را راحت تر کرده اند. قبلا توسعه یک سامانه هوش مصنوعی صنعتی به تیم بزرگی از متخصصان داده نیاز داشت. امروز پلتفرم های نرم افزاری، مدل های از پیش آموزش دیده و ابزارهای کم کد اجازه می دهند یک پروژه آزمایشی خیلی سریع راه بیفتد.

همین سادگی ظاهری گاهی دردسرساز می شود. اجرای یک نمونه نمایشی با پیاده سازی واقعی در کل کارخانه فرق دارد. مدلی که روی یک دستگاه عالی جواب می دهد، ممکن است روی دستگاه مشابهی با عمر، تنظیمات یا شرایط محیطی متفاوت دچار خطا شود.

فاصله فناوری و نیروی کار از کجا می آید؟

خرید فناوری معمولا از آموزش کارکنان سریع تر است. بودجه خرید تجهیزات تایید می شود، قرارداد بسته می شود و داشبورد تازه بالا می آید؛ اما اپراتوری که باید هر روز از آن استفاده کند، شاید فقط در یک جلسه کوتاه معرفی حضور داشته باشد.

بعضی کارکنان هم نگران حذف شغلشان هستند. وقتی مدیریت درباره کاهش هزینه ها حرف می زند، طبیعی است که عبارت اتوماسیون صنعتی برای عده ای ترسناک باشد. اگر شرکت شفاف توضیح ندهد، مقاومت شکل می گیرد و حتی بهترین ابزار هم با استقبال روبه رو نمی شود.

مشکل دیگر، کمبود مهارت های ترکیبی است. متخصص داده شاید مدل سازی را عالی بلد باشد، اما از رفتار یک کوره صنعتی چیزی نداند. در مقابل، تکنسین باسابقه دستگاه را مثل کف دستش می شناسد، ولی با داده کاوی و مدل های یادگیری ماشین آشنا نیست.

راه حل واقعی، کنار هم قرار دادن این دو گروه است. تجربه عملی کارکنان باید وارد فرایند طراحی مدل شود. الگوریتم بدون دانش محیط کار، فقط مجموعه ای از محاسبات است و ممکن است درباره اتفاقی هشدار بدهد که برای اپراتور کاملا عادی محسوب می شود.

آموزش فقط یک دوره آنلاین نیست

آموزش موثر باید به شغل روزمره افراد ربط داشته باشد. اپراتور لازم نیست دانشمند داده شود، ولی باید بفهمد هشدار سیستم از کجا آمده، چه زمانی قابل اعتماد است و در صورت مشاهده نتیجه عجیب چه واکنشی نشان دهد.

مدیران نیز به آموزش نیاز دارند. آن ها باید فرق میان یک پروژه آزمایشی جذاب و یک راهکار مقیاس پذیر را بشناسند. توقع غیرواقعی از فناوری، هم بودجه را هدر می دهد و هم اعتماد کارکنان به پروژه های بعدی را از بین می برد.

بهتر است آموزش به صورت مرحله ای انجام شود. اول یک مسئله مشخص انتخاب شود، بعد کارکنان همان بخش در طراحی و ارزیابی مشارکت کنند. وقتی نتیجه ملموس باشد، مثلا توقف های ناگهانی کمتر شوند، پذیرش فناوری در بخش های دیگر هم راحت تر خواهد شد.

چرا هوش مصنوعی قرار نیست کارخانه را بی نیاز از انسان کند؟

فضای واقعی تولید پر از موقعیت هایی است که در داده های آموزشی دیده نشده اند. تغییر کیفیت مواد اولیه، گرمای غیرعادی محیط یا تعمیر غیراستاندارد یک قطعه می تواند مدل را گیج کند. انسان باتجربه معمولا از روی نشانه های پراکنده می فهمد چیزی سر جایش نیست.

برای همین، هدف بهتر این است که ماشین نقش دستیار را داشته باشد، نه رئیس بی چون وچرا. سیستم داده ها را بررسی کند، هشدار بدهد و چند پیشنهاد ارائه کند؛ اما تصمیم های حساس با نظارت فرد متخصص گرفته شوند.

این همکاری باعث می شود کارکنان وقت کمتری صرف بررسی های تکراری کنند. مثلا دوربین های هوشمند می توانند هزاران محصول را اسکن کنند و موارد مشکوک را کنار بگذارند. بازرس انسانی هم به جای خیره شدن مداوم به خط، فقط نمونه های علامت گذاری شده را بررسی می کند.

در چنین مدلی، شغل ها لزوما حذف نمی شوند، بلکه تغییر می کنند. بخشی از کارهای دستی و خسته کننده کم می شود و نیاز به تحلیل، نظارت و حل مسئله بالا می رود. البته این تغییر بدون برنامه بازآموزی می تواند بعضی کارکنان را عقب بیندازد؛ نکته ای که نباید ساده از کنارش رد شد.

اعتماد به مدل از خود مدل مهم تر است

اگر یک الگوریتم مدام هشدار اشتباه بدهد، اپراتورها خیلی زود نادیده اش می گیرند. حتی اگر عملکرد آن بعدا بهتر شود، برگرداندن اعتماد از دست رفته کار راحتی نیست. بنابراین بهتر است سامانه ابتدا در مقیاس محدود و کنار روش فعلی آزمایش شود.

توضیح پذیری هم اهمیت دارد. کارکنان باید بدانند چرا سیستم احتمال خرابی را بالا اعلام کرده است؛ مثلا افزایش دما، تغییر الگوی لرزش یا افت فشار. نمایش یک عدد بدون زمینه، برای تصمیم گیری در محیط حساس کافی نیست.

کیفیت داده چالش دیگری است. اطلاعات ناقص، حسگرهای کالیبره نشده و ثبت های نامنظم می توانند خروجی را خراب کنند. حتی پیشرفته ترین مدل هم نمی تواند از داده های بد، نتیجه ای جادویی بیرون بکشد. قبل از هر پروژه باید زیرساخت جمع آوری و پاک سازی داده مرتب شود.

امنیت سایبری نیز نباید به مراحل آخر موکول شود. اتصال تجهیزات قدیمی به شبکه، سطح حمله را بزرگ تر می کند. دسترسی ها باید محدود باشند، داده ها رمزگذاری شوند و برای قطع ارتباط یا عملکرد اشتباه سیستم، برنامه جایگزین وجود داشته باشد.

مسیر درست برای اجرای هوش مصنوعی در صنعت

شروع کوچک معمولا عاقلانه تر است. سازمان باید مسئله ای را انتخاب کند که هم ارزش اقتصادی مشخصی دارد و هم داده کافی برای آن موجود است. پیش بینی خرابی یک تجهیز مهم یا کاهش ضایعات یک خط، گزینه های خوبی برای شروع هستند.

معیار موفقیت هم باید از ابتدا روشن باشد. صرف اینکه یک مدل دقت بالایی دارد، به معنی موفقیت تجاری نیست. کاهش زمان توقف، کم شدن مصرف انرژی، افزایش کیفیت محصول و تعداد هشدارهای درست، معیارهای واقعی تری محسوب می شوند.

کارکنان خط تولید باید از همان روز اول در پروژه حضور داشته باشند. آن ها می توانند محدودیت هایی را نشان دهند که در گزارش ها دیده نمی شوند. این مشارکت علاوه بر بهتر کردن مدل، احساس مالکیت ایجاد می کند و ترس از فناوری را کاهش می دهد.

پس از اجرای آزمایشی، نوبت پایش مداوم است. مدل ها همیشگی نیستند و با تغییر تجهیزات یا فرایند تولید افت می کنند. داده های تازه باید بررسی شوند و در صورت نیاز، آموزش دوباره انجام شود. هوش مصنوعی صنعتی یک محصول نصب کردنی و تمام شده نیست؛ بیشتر شبیه فرایندی زنده است.

آینده متعلق به کارخانه های انسان محور است

برنده های واقعی لزوما شرکت هایی نیستند که بیشترین ابزار را می خرند. سازمانی جلو می افتد که فناوری را با تجربه انسانی، آموزش مستمر و فرایندهای روشن ترکیب کند. سرعت بالا خوب است، اما حرکت سریع در مسیر اشتباه فقط فاصله تا مقصد را بیشتر می کند.

رشد سریع الگوریتم ها نشان می دهد صنعت وارد دوره تازه ای شده است. بااین حال، ماشین ها به تنهایی نمی توانند پیچیدگی محیط تولید را مدیریت کنند. قضاوت انسانی، شناخت زمینه و مسئولیت پذیری همچنان بخش جدایی ناپذیر تصمیم ها باقی می مانند.

اگر سرمایه گذاری روی نیروی کار هم زمان با خرید نرم افزار و تجهیزات انجام شود، شکاف مهارتی کمتر خواهد شد. در این حالت، اتوماسیون نه یک تهدید مبهم، بلکه ابزاری برای ایمن تر، دقیق تر و ساده تر کردن کارهاست.

در نهایت، مسئله مسابقه میان انسان و ماشین نیست. سوال اصلی این است که چطور می توان توانایی هر دو را کنار هم گذاشت. کارخانه ای که جواب این سوال را پیدا کند، نه تنها بهره وری بالاتری خواهد داشت، بلکه برای تغییرات بعدی هم آماده تر است.

برای دریافت جدیدترین اخبار تکنولوژی با مجله هوش مصنوعی با ما همراه باشید