التعلّم الآلي في المصنع: لماذا لا تُنتج أتمتة الفوضى سوى مزيد من الفوضى

تخيّل أنك قرّرت بناء جدول عمل مثالي لمصنع ضخم، لكن بدلًا من الأساس المتين لا تملك سوى رمال متحركة من ملاحظات مكتوبة على المناديل وتقديرات متخيَّلة لرؤساء ورش العمل على مدى السنوات العشر الماضية. في هذا الفخ بالذات يقع كثير من مديري تقنية المعلومات حين يظنون أن التعلّم الآلي عصا سحرية قادرة على حساب كثافة العمل في الإنتاج فورًا. من الناحية النظرية يبدو كل شيء جميلًا: نغذّي النموذج ببيانات الطلبيات السابقة، فيعطينا الزمن المثالي لكل عملية. أما عمليًا فيتضح أن الذكاء الاصطناعي لا يخطئ فحسب، بل يخطئ بثقة مخيفة، فيضاعف الفوضى التي تراكمت عبر عقود.

مشكلة حساب كثافة العمل في الصناعات الهندسية ليست مسألة رياضيات فحسب، بل مسألة بقاء للشركة. فكل شيء يعتمد على هذه الأرقام: من تكلفة القطعة الواحدة إلى حمل الآلات والسعر النهائي للعميل. وتقليديًا يتولى هذه المهمة مختصو تقدير الزمن المعياري (النورمانيون)، لكن عملهم كثيرًا ما يكون ذاتيًا وبطيئًا. والرغبة في استبدالهم بخوارزمية مفهومة، لكنها تتجاهل قاعدة جوهرية في التعامل مع البيانات: مدخلات رديئة تعني مخرجات رديئة. فإذا كانت بياناتك التاريخية لا تعكس زمن العمل الفعلي، بل الزمن الذي «رسمه» رئيس الورشة في التقرير للحصول على مكافأة، فإن نموذج ML سيتعلّم «الرسم» لا الحساب.

حين يبدأ فريق من المتحمسين تدريب النماذج على بيانات «قذرة»، سرعان ما يكتشف أن الخوارزميات الكلاسيكية تبدأ في «الهلوسة». فالنماذج الاحتمالية بارعة في إيجاد أنماط حيث لا وجود لها، أو — وهو الأسوأ — في اعتبار الأخطاء المنهجية حقيقة. والنتيجة «مسرّع للأخطاء». فحيث كان الإنسان قد يشكّ لدى رؤية رقم غريب، يبتلعه النظام الآلي ببساطة ويعطي نتيجة تبدو رصينة لكنها لا تمتّ بصلة إلى واقع الورشة. وهذا يخلق وهم السيطرة، وهو وهم يكلّف الشركة أكثر مما يكلّفها غياب الأتمتة تمامًا.

لماذا يحدث ذلك؟ لقد نشأت في الصناعة فجوة خطيرة بين من يكتبون الشيفرة ومن يقفون عند الآلة. فعلماء البيانات كثيرًا ما ينظرون إلى المصنع كمجموعة جداول في قاعدة بيانات SQL، دون التفكير في كيفية وصول هذه الأرقام إليها. وقد وصلت عبر أيدي أشخاص كانت لهم حوافزهم ومخاوفهم وكسلهم. وإذا لم تكن في الشركة ثقافة لجمع بيانات نظيفة ولا منهجية موحّدة لتقدير الزمن المعياري، فإن أي محاولة لإضافة الذكاء الاصطناعي فوق ذلك ليست سوى وسيلة مكلفة لذرّ الرماد في عيون الإدارة. أنت لا تحلّ المشكلة، بل تحفظها بصيغة رقمية.

لن يتحقق الاختراق الحقيقي في الذكاء الاصطناعي الصناعي حين نبتكر بنية جديدة للمحوّلات (transformers)، بل حين تدرك الشركات أهمية «نظافة العمليات». فقبل تدريب النموذج، لا بدّ من بناء نظام رقابة موضوعي، وإبعاد العامل البشري عن تسجيل الزمن، وربما التخلص من 90% من النفايات الرقمية المتراكمة. وهذا عمل ممل وطويل وناكر للجميل، ولا يمكن تسويقه بوصفه «اختراقًا ابتكاريًا»، لكنه هو بالذات ما يفصل الحلول العاملة عن العروض التقديمية الجميلة التي لن تغادر أبدًا حدود المشروع التجريبي.

الخلاصة: التعلّم الآلي لا يعالج العمليات المعوجّة، بل يضاعفها. فهل أنتم مستعدون للاعتراف بأن بياناتكم مجرد نفايات قبل أن تنفقوا الملايين على أتمتتها؟