المصانع بالطيار الآلي: لماذا يخشى الذكاء الاصطناعي الضغط على زر البداية

يراقب العالم بافتتان كيفية تنقل المركبات ذاتية القيادة عبر حركة المرور الحضرية الكثيفة، معالجة غيغابايتات من البيانات من الليدار والكاميرات في الوقت الفعلي. قد يعتقد المرء أنه إذا كان بإمكان الخوارزمية نقل شخص بأمان إلى المنزل عبر الاختناقات المرورية، فإن إدارة عملية تكنولوجية مستقرة في مصنع يجب أن تكون لعبة أطفال بالنسبة لها. غير أن الواقع قاسٍ: في أنظمة التحكم بالعمليات الحديثة (SCADA)، يظل الذكاء الاصطناعي يشبه متدربًا حصل على إذن بمراقبة الأجهزة لكن منع من لمس الرافعات. نشهد حالة متناقضة حيث تتخلف الصناعة، رغم امتلاكها ميزانيات ضخمة، عن قطاع المستهلك بعقد كامل من حيث نشر الذكاء الاصطناعي النشط.

السبب الرئيسي لهذا البطء يكمن في اختلاف جوهري في المهام. في حالة السيارة، الخطأ في الذكاء الاصطناعي يعتبر مأساة بمستوى محلي. في حالة مصنع البتروكيماويات أو محطة نووية، قد تؤدي أوامر شبكة عصبية غير صحيحة إلى كارثة بمستوى إقليمي. لهذا السبب يعتمد الصناعيون منذ عقود على منظم PID القديم الجيد والمنطق الصارم، حيث تكون كل خطوة قابلة للتنبؤ وموصوفة بصيغة رياضية. الشبكة العصبية، بطبيعتها، عبارة عن "صندوق أسود". قد تحقق نتائج مثالية في 99% من الحالات، لكن لا أحد يستطيع ضمان أنها في النسبة المئوية المتبقية لن تقرر أن أفضل طريقة لتبريد المفاعل هي إيقاف جميع المضخات.

مع ذلك، فقد حققت التقدم في مجال التشخيص التقني. اليوم، يجري نشر التعلم الآلي بنشاط لمراقبة الأجهزة والمعدات الديناميكية. بدلاً من انتظار تحطم محمل التوربين، تحلل الخوارزميات الاهتزازات الدقيقة والتغييرات في درجة الحرارة والضوضاء الصوتية. إنها تكتشف الشذوذ قبل أسابيع من أن يلاحظه أكثر المشغلين خبرة. يُطلق على ذلك الصيانة التنبؤية—مجال يحقق فيه الذكاء الاصطناعي بالفعل أموالاً حقيقية، مما يوفر ملايين على الإصلاحات غير المخطط لها. هنا يعمل الذكاء الاصطناعي كمستشار مثالي: فهو يسلط الضوء على المشكلة، لكن القرار النهائي بشأن استبدال جزء ما يبقى مع الإنسان.

تتعلق مشكلة الانتقال من التشخيص إلى التحكم أيضًا بجودة البيانات. بخلاف تدفق الفيديو، الذي يمثل بيئة واضحة ومنظمة للذكاء الاصطناعي، فإن البيانات من مستشعرات المصنع غالبًا ما تكون مشوشة أو غير متزامنة أو تختفي تمامًا بسبب فشل الاتصال. لتدريب شبكة عصبية على إدارة عمود تقطير معقد، تحتاج إلى بيانات تاريخية مثالية من سنوات من التشغيل، وهو ما لا تملكه معظم المؤسسات. علاوة على ذلك، تتغير العمليات التكنولوجية باستمرار والمعدات تتآكل وتركيب المواد الخام يتغير. في ظل هذه الظروف، يصبح النموذج الثابت قديمًا بسرعة، وإعادة تدريبه أثناء التشغيل مهمة شديدة التعقيد والمخاطرة.

حاليًا، تحاول الصناعة إيجاد حل وسط في شكل "نماذج هجينة". يحاول المهندسون دمج الفيزياء الكلاسيكية للعمليات مع مرونة التعلم الآلي. في مثل هذه الأنظمة، لا يستبدل الذكاء الاصطناعي المتحكم الرئيسي بل يعدل فقط إعداداته، مما يحسن استهلاك الوقود أو إنتاجية المنتج ضمن نطاق ضيق وآمن. هذا نهج حذر يسمح بالاستفادة من فوائد الشبكات العصبية دون تعريض سلامة المؤسسة للخطر. نحن في مرحلة بناء الثقة: يجب على الذكاء الاصطناعي أن يثبت موثوقيته عبر آلاف سيناريوهات التشخيص قبل أن يُؤتمن على إدارة حتى صمام واحد فقط.

الخلاصة: يظل الذكاء الاصطناعي الصناعي "ميزان حرارة ذكيًا" وليس "دماغ" المصنع. هل نحن مستعدون لتوكيل البنية التحتية الحرجة لخوارزميات لا يمكن التحقق منها بالكامل؟