نظام قائم على LLM يختصر إعداد بطاقات المراقبة في مصنع من ساعتين إلى 5 دقائق

تُظهر حالة عملية من مصنع للمعادن أن النماذج اللغوية الكبيرة لم تعد تكتفي بالإجابة عن الأسئلة، بل صارت قادرة على أن تتولى عن المهندسين جزءًا من الروتين التنظيمي الثقيل. فقد جرى تدريب النظام على قراءة نسخ ممسوحة ضوئيًا من معايير GOST السوفياتية وإعداد بطاقات المراقبة تلقائيًا خلال 3–5 دقائق بدل أكثر من ساعتين من العمل اليدوي. وبحسب تقدير صاحب المشروع، يوفّر ذلك من حيث الجهد حجم مهام يعادل عمل ثلاثة تقنيين.

كانت المشكلة عملية جدًا. يعمل في المنشأة ذات الدورة الإنتاجية الكاملة نحو 3200 شخص، وتتجاوز قائمة المنتجات 4500 صنف وهي في نمو مستمر. وكان على التقني، لكل صنف، أن يفتح وثيقة GOST أو OST أو أي وثيقة معيارية أخرى، ويبحث فيها عن الجداول والملاحظات المطلوبة، ويعوّض بالمعاملات مثل درجة الفولاذ وقطر القطعة الخام والمجموعة، ثم يملأ يدويًا أكثر من 40 معامل مراقبة. وتكمن الصعوبة في أن عدد الوثائق يزيد على المئتين، وأن جزءًا كبيرًا منها موجود على شكل مسوحات PDF غير مريحة تعود إلى العهد السوفياتي.

كانت الفكرة الأولى استخدام محلّل نصوص (parser) تقليدي، لكنها سقطت سريعًا. فصيغ المعايير شديدة التباين: ففي وثيقة تقع القيم المطلوبة في صفوف الجداول، وفي أخرى تختبئ في الملاحظات، وفي ثالثة تتناثر في النص مع إحالات إلى أقسام أخرى. ولا يصلح أسلوب الاستخراج بالقالب الثابت هنا، لأن المهمة تتطلب فهم معنى الوثيقة، لا بنيتها البصرية فحسب. لذلك اتجه صاحب المشروع إلى LLM، وبنى مخططًا يتلقى فيه النموذج ملف PDF للمعيار ومعاملات الصنف ومجموعة قواعد تحدد كيفية استخراج كل معامل مراقبة.

وبدت الفرضية التالية منطقية: إعداد موجّه واحد موحّد لجميع الوثائق المعيارية. وقد أعطى هذا النهج نتيجة جيدة في الاختبار الأول. فبحسب صاحب المشروع، حدّد Claude Sonnet 4.6 في وضع thinking 85% من المعاملات بشكل صحيح لأحد معايير GOST، مقابل 72% لـ GPT 5.4. لكن الشمولية انهارت في الوثائق اللاحقة. فقد ارتبكت النماذج في الجداول المتداخلة، وأخطأت في تفسير الشروط الحدّية مثل «لا يقل عن» و«لا يزيد عن»، وأغفلت أحيانًا ثوابت أو روابط بين الأقسام. واتضح أن النهج العام الأنيق أسوأ هنا من بنية أضيق لكنها قابلة للتحكم.

وُلد الحل العملي بعد تحليل قائمة المنتجات وفق مبدأ باريتو. فتبيّن أن 80% من أصناف المصنع تغطيها نحو 18% من معايير GOST. وللمرحلة التجريبية اختير 20 وثيقة هي الأكثر استخدامًا، وأُعدّ لكل منها موجّه مستقل بقواعد محددة: أين يُبحث عن المعامل، وفي أي جدول أو قسم يرد، وكيف تُفسَّر الحالات الخلافية. وكان النظام يتلقى ملف PDF وخصائص المنتج، ويُرجع جدولًا يتضمن المعامل وقيمته وإحالة إلى موضعه في المعيار. وعند ظهور خطأ، كان صاحب المشروع يرسل لقطة شاشة في المحادثة، ويعرض الإجابة الصحيحة، ويطلب تحديث القاعدة بحيث لا يتكرر الخلل. واستغرق الضبط تسع جولات و14 يوم عمل، وبعدها صار استخراج المعاملات للمعايير المختارة يعمل دون أخطاء.

ويجري الآن نقل المشروع من الوضع التجريبي إلى وضع أنسب للإنتاج. فتُنقل القواعد من الموجّهات إلى جدول Excel، ليتمكن التقنيون من تعديل المنطق بأنفسهم دون الخوض في هندسة الموجّهات (prompt engineering). ولم يعد النموذج يتلقى ملف PDF ومعاملات المنتج فحسب، بل جدول القواعد هذا أيضًا، ويُخرج بيانات بصيغة صالحة للتحميل في النظام المعلوماتي الداخلي للمنشأة. وتجعل هذه الطبقة الحل قابلًا للتوسع: إذ يمكن إضافة معايير جديدة تدريجيًا دون ربط الدعم كله بمطوّر واحد.

والخلاصة الرئيسية من هذه الحالة بسيطة: في الصناعة تعمل LLM بشكل أفضل كأداة مضبوطة بعناية لفئة محددة من الوثائق، لا بوصفها «ذكاءً شاملًا لكل الحالات». فإذا بدأت من أكثر المعايير تكرارًا، وألزمت النموذج بذكر مصدر كل معامل، وتركت القواعد قابلة للتعديل من المتخصصين في المجال، يتحول الذكاء الاصطناعي من عرض توضيحي إلى آلية إنتاجية ذات اقتصاديات واضحة. وقد يتكرر هذا النهج بسهولة لا في المعادن وحدها، بل في الهندسة الميكانيكية والبناء والكيمياء والأدوية والطاقة، أي في كل مكان لا يزال فيه الناس ينقلون البيانات يدويًا من اللوائح التنظيمية إلى أنظمة العمل.