مصانع على الطيار الآلي: لماذا لا يزال الذكاء الاصطناعي بعيدًا عن زر «التشغيل»

يتابع العالم بانبهار كيف تناور السيارات ذاتية القيادة وسط حركة المرور الكثيفة في المدن، وتعالج في الوقت الفعلي غيغابايتات من البيانات القادمة من الليدار والكاميرات. ويبدو للوهلة الأولى أن الخوارزمية القادرة على إيصال إنسان إلى منزله بأمان عبر الازدحام ستجد في إدارة عملية تكنولوجية مستقرة داخل مصنع مهمة سهلة. لكن الواقع قاسٍ: ففي أنظمة التحكم الحديثة (أنظمة التحكم الآلي في العمليات التكنولوجية، أو ما يُعرف بـ«АСУ ТП») لا يزال الذكاء الاصطناعي أشبه بمتدرّب سُمح له بالنظر إلى العدادات ومُنع من لمس الرافعات. وهكذا نواجه مفارقة: فالصناعة، رغم ميزانياتها الضخمة، تتأخر عن القطاع الاستهلاكي بعقد كامل في تبنّي الذكاء الاصطناعي الفاعل.

ويعود السبب الرئيسي لهذا البطء إلى الاختلاف الجوهري بين المهام. ففي حالة السيارة، يظل خطأ الذكاء الاصطناعي مأساة محلية النطاق. أما في مصنع للبتروكيماويات أو في محطة نووية، فقد يؤدي أمر خاطئ من الشبكة العصبية إلى كارثة على مستوى إقليمي. ولهذا يعتمد الصناعيون منذ عقود على وحدة التحكم التقليدية PID والمنطق الصارم، حيث كل خطوة متوقعة وموصوفة بصيغة رياضية. أما الشبكة العصبية فهي بطبيعتها «صندوق أسود». قد تقدم نتيجة مثالية في 99% من الحالات، لكن لا أحد يستطيع أن يضمن أنها في النسبة المتبقية لن تقرر أن أفضل طريقة لتبريد المفاعل هي إيقاف جميع المضخات.

ومع ذلك، بدأ الجليد يذوب في مجال التشخيص التقني. فاليوم يُطبَّق التعلم الآلي على نطاق واسع في مراقبة أجهزة القياس والأتمتة (КИП) والمعدات الديناميكية. فبدلًا من انتظار أن ينفجر محمل التوربين إلى شظايا، تحلل الخوارزميات الاهتزازات الدقيقة وتغيّرات الحرارة والضوضاء الصوتية. وتكتشف الشذوذات قبل أسابيع من أن يلاحظها أمهر فني جولات. هذا ما يسمى بالصيانة التنبؤية، وهي مجال يدرّ فيه الذكاء الاصطناعي أموالًا حقيقية، إذ يوفّر ملايين على الإصلاحات غير المخطط لها. وهنا يؤدي الذكاء الاصطناعي دور المستشار المثالي: يُبرز المشكلة، لكن القرار النهائي باستبدال القطعة يتخذه الإنسان.

ويصطدم الانتقال من التشخيص إلى التحكم أيضًا بجودة البيانات. فعلى عكس بث الفيديو الذي يمثل للذكاء الاصطناعي بيئة مفهومة ومنظمة، كثيرًا ما تكون بيانات الحساسات في المصانع مشوشة أو غير متزامنة، أو تضيع تمامًا بسبب انقطاعات الاتصال. ولتدريب شبكة عصبية على إدارة عمود تقطير معقد، يلزم توافر بيانات تاريخية مثالية عن سنوات من التشغيل، وهي بيانات لا تملكها معظم المنشآت أصلًا. والأكثر من ذلك أن العمليات التكنولوجية تتغير باستمرار، والمعدات تتآكل، وتركيب المواد الخام يتبدل. وفي هذه الظروف يفقد النموذج الثابت صلاحيته بسرعة، بينما تبقى إعادة تدريبه أثناء التشغيل مهمة بالغة الصعوبة والمخاطرة.

وتحاول الصناعة الآن التوصل إلى حل وسط في صورة «النماذج الهجينة». إذ يجرّب المهندسون الجمع بين فيزياء العمليات الكلاسيكية ومرونة التعلم الآلي. ولا يحل الذكاء الاصطناعي في هذه الأنظمة محل وحدة التحكم الرئيسية، بل يكتفي بتعديل قيمها المرجعية (setpoints) لتحسين استهلاك الوقود أو مردود المنتج النهائي ضمن نطاق ضيق وآمن. إنه مسار حذر يتيح الاستفادة من مزايا الشبكات العصبية دون تعريض سلامة المنشأة للخطر. نحن في مرحلة بناء الثقة: على الذكاء الاصطناعي أن يثبت موثوقيته في آلاف سيناريوهات التشخيص قبل أن يُسمح له بالتحكم حتى في صمام واحد.

خلاصة القول: لا يزال الذكاء الاصطناعي الصناعي «محرارًا ذكيًا» وليس «دماغًا» للمصنع. فهل نحن مستعدون لتسليم البنية التحتية الحرجة إلى خوارزميات يستحيل التحقق منها بالكامل؟