مشكلة بيانات المصانع التي لا يتحدث عنها المصنّعون في آسيان

العائق الأكثر شيوعًا أمام نشر الذكاء الاصطناعي في قطاع التصنيع بآسيان ليس نقص الميزانية، ولا غياب إرادة الإدارة التنفيذية، ولا توفر الموردين. بل هو حالة البنية التحتية لبيانات المصنع. فمشكلات البنية التحتية لبيانات المصنّعين في آسيان، المتمثلة في أنظمة OT وIT المعزولة، وتسجيل بيانات الاستشعار غير المتسق، وطبقات ERP وMES غير المتصلة، وغياب أطر ملكية البيانات، تمنع الذكاء الاصطناعي من الوصول إلى المدخلات الموثوقة التي يحتاجها للعمل في بيئة الإنتاج. يتناول هذا المقال كل مشكلة على حدة، ويشرح كيف يمكن للمصنّعين معالجتها قبل الاستثمار في أنظمة الذكاء الاصطناعي.

لماذا تُعد بيانات المصنع نقطة البداية

تشترك أنظمة الذكاء الاصطناعي في التصنيع، من نماذج الصيانة التنبؤية إلى خوارزميات فحص الجودة وأدوات تحسين الإنتاج، في متطلب هيكلي واحد: بيانات متسقة، ومُصنّفة، ومستمرة تاريخيًا. وعندما لا تتوفر هذه البيانات بشكل قابل للاستخدام، يتعذر تدريب نظام الذكاء الاصطناعي أو التحقق منه أو مراقبته في بيئة الإنتاج.

أكمل العديد من المصنّعين في آسيان مشاريع تجريبية للذكاء الاصطناعي حققت نتائج واعدة في ظروف مضبوطة. لكن هذه المشاريع التجريبية تفشل بعد ذلك عند التوسع لأن بيئة بيانات الإنتاج الفعلية لا تطابق ما كان متاحًا أثناء المرحلة التجريبية. هذه هي مشكلة بيانات المصنع: لا تظهر إلا عندما تعيق التقدم. ويظهر هذا النمط باستمرار في عمليات نشر الذكاء الاصطناعي في التصنيع عبر آسيان، بما في ذلك البرامج المصممة وفق خارطة طريق الصناعة 4.0 الوطنية في فيتنام.

المشكلات الأربع المحددة

1. أنظمة OT وIT المعزولة

غالبًا ما تكون أنظمة التقنية التشغيلية (OT)، مثل وحدات التحكم المنطقي القابلة للبرمجة وأنظمة SCADA وDCS، وأنظمة تقنية المعلومات (IT)، مثل ERP وMES وWMS، منفصلة سواء من حيث البنية التحتية أو الحدود التنظيمية. فالبيانات المولّدة على أرضية المصنع لا تنتقل تلقائيًا إلى الأنظمة التي تُخزَّن فيها منطق الأعمال والسجلات التاريخية.

في كثير من المصانع في آسيان، يعكس هذا الانفصال قرارات شراء قديمة وخيارات أمنية متعمدة في آنٍ واحد. والنتيجة أن أنظمة الذكاء الاصطناعي المصممة لربط الأداء التشغيلي بنتائج الأعمال لا تملك مسارًا موثوقًا لتلقي المدخلات التي تحتاجها من كلتا الطبقتين في آنٍ واحد.

2. تسجيل بيانات الاستشعار غير المتسق

حتى في حال تركيب أجهزة الاستشعار، غالبًا ما يكون تسجيل البيانات غير متسق. ومن المشكلات الشائعة: معدلات أخذ عينات متغيرة دون توثيق، وأجهزة استشعار تنقطع عن العمل أثناء تبديل الورديات وتسجّل غياب البيانات بدلًا من قيمة فارغة، وفجوات ناتجة عن انقطاعات الشبكة لا تُسجَّل في أي سجل تدقيق، وإعدادات استشعار تتغير عند صيانة المعدات دون أي تحكم في إصدارات هذه التغييرات.

تُنتج أوجه عدم الاتساق هذه بيانات تدريب تحتوي على فجوات خفية وتحولات هيكلية. وقد يبدو نموذج الذكاء الاصطناعي المدرَّب على هذه البيانات جيد الأداء أثناء التطوير، لكنه ينتج مخرجات غير موثوقة في بيئة الإنتاج لأنه تعلّم أنماطًا من بيانات لا تعكس العملية الفعلية بدقة.

3. انقطاع الاتصال بين ERP وMES

تتابع أنظمة تنفيذ التصنيع (MES) ما يحدث على أرضية المصنع: أوامر العمل، وكميات الإنتاج، وحالات تعليق الجودة، وأوقات توقف الآلات. أما أنظمة تخطيط موارد المؤسسات (ERP) فتتابع طبقة الأعمال: المخزون، والمشتريات، والمالية، وطلبات العملاء.

في العديد من عمليات التصنيع في آسيان، تم شراء أنظمة MES وERP في أوقات مختلفة، ومن موردين مختلفين، مع أعمال تكامل مخصصة لم تُصان بشكل مستمر. والنتيجة أن بيانات النظامين لا يمكن ربطها بشكل موثوق. فالمصنّع الذي يريد تدريب نظام ذكاء اصطناعي لربط معايير الإنتاج بنتائج التكلفة يواجه مشكلة أساسية في مواءمة البيانات قبل أن يبدأ أي عمل على النموذج.

4. غياب ملكية البيانات

في كثير من المصانع، لا يمتلك أحد البيانات فعليًا. فرق الهندسة تمتلك المعدات، وفرق تقنية المعلومات تمتلك الشبكات، وفرق العمليات تمتلك الإجراءات، وفرق المالية تمتلك التقارير. وعند بدء أي مشروع للذكاء الاصطناعي، غالبًا ما لا توجد إجابة واضحة عن الجهة المسؤولة عن جودة البيانات، والوصول إليها، وحوكمتها.

هذه ليست مشكلة تقنية، بل مشكلة في التصميم التنظيمي تتجلى في صورة قيد تقني. فمن دون تحديد ملكية واضحة للبيانات، تبقى مشكلات جودة البيانات دون معالجة، وتتعطل طلبات الوصول، ولا يوجد هيكل المساءلة اللازم للحفاظ على تشغيل نظام الذكاء الاصطناعي في بيئة الإنتاج.

كيف ترتبط هذه المشكلات ببعضها

هذه المشكلات الأربع ليست مستقلة عن بعضها. فأنظمة OT وIT المعزولة تجعل من الصعب فرض تسجيل متسق لبيانات الاستشعار. وسجلات الاستشعار غير المتسقة تجعل مطابقة ERP وMES غير موثوقة. وغياب ملكية البيانات يعني أن لا أحد يعالج الفجوات عند اكتشافها. والنتيجة عجز متراكم في البنية التحتية للبيانات يتضخم كلما ولّد المصنع مزيدًا من البيانات.

المصنّعون الذين يحاولون معالجة هذه المشكلات فقط بعد أن يكون مشروع الذكاء الاصطناعي قيد التنفيذ بالفعل يواجهون تأخيرات كبيرة. فالعمل اللازم على البنية التحتية يستغرق وقتًا، عادة عدة أشهر للوصول إلى موثوقية أساسية للبيانات، ولا يمكن اختصاره بإضافة مزيد من موردي التقنية.

من أين تبدأ

نقطة البداية العملية هي إجراء تدقيق للبنية التحتية للبيانات قبل اختيار أي مورد للذكاء الاصطناعي. ينبغي أن يرسم هذا التدقيق خريطة لجميع مصادر البيانات حسب النوع والمالك ومعدل أخذ العينات وموقع التخزين، ويحدد أين يمكن ربط بيانات OT وIT وأين لا يمكن ذلك، ويوثّق جميع الفجوات المعروفة في سجلات الاستشعار التاريخية، ويسند ملكية بيانات مؤقتة إلى أدوار محددة.

لا يتطلب هذا التدقيق خبرة في الذكاء الاصطناعي، بل يتطلب معرفة هندسية وتشغيلية مقترنة بتقييم صادق للوضع الحالي. والمصنّعون الذين يُنجزون هذا التدقيق قبل التعامل مع موردي الذكاء الاصطناعي يقللون من خطر التغييرات المكلفة في نطاق المشروع بعد بدئه.

تعمل Gradion مع المصنّعين في آسيان على تجهيز البنية التحتية للبيانات قبل نشر الذكاء الاصطناعي. فقد قامت فرقنا الهندسية برسم خريطة لبنى OT وIT في البيئات الصناعية في جميع أنحاء المنطقة، وتفهم القيود المحددة التي تظهر في المنشآت التي لم تُصمم أصلًا مع مراعاة تكامل البيانات. وعبر مشاريع الذكاء الاصطناعي في التصنيع في فيتنام ومنطقة آسيان الأوسع، كان أكثر ما يتكرر ملاحظته هو أن جاهزية البيانات تحدد الجدول الزمني للمشروع أكثر من اختيار النموذج أو موارد الحوسبة.

الأسئلة الشائعة

ما هي مشكلة بيانات المصنع التي تمنع المصنّعين في آسيان من نشر الذكاء الاصطناعي؟

تشير مشكلة بيانات المصنع إلى مجموعة من تحديات البنية التحتية التي تمنع أنظمة الذكاء الاصطناعي من الحصول على بيانات موثوقة ومتسقة تحتاجها للعمل في بيئة الإنتاج. وتتمثل المشكلات الأساسية في أنظمة OT وIT المعزولة، وتسجيل بيانات الاستشعار غير المتسق، وانقطاع الاتصال بين ERP وMES، وغياب أطر ملكية البيانات. وتشيع هذه المشكلات في قطاع التصنيع بآسيان لأن المصانع بُنيت على مدى عقود بأنظمة تم شراؤها بشكل مستقل، ونادرًا ما صُمم تكامل البيانات منذ البداية.

كم من الوقت يستغرق إصلاح البنية التحتية لبيانات المصنع قبل نشر الذكاء الاصطناعي؟

تعتمد المدة الزمنية على شدة الفجوات القائمة ومدى تعقيد بيئة المصنع. فالبيئات البسيطة ذات الفجوات المعتدلة في التكامل تحتاج عادة إلى ثلاثة إلى ستة أشهر للوصول إلى موثوقية أساسية للبيانات. أما العمليات المعقدة متعددة المواقع التي تضم أنظمة OT قديمة وتطبيقات ERP مجزأة، فقد تحتاج إلى وقت أطول. ويوفر تدقيق البنية التحتية للبيانات الذي يُجرى في بداية العملية تقديرًا أكثر دقة لمنشأة معينة.

هل يمكن للمصنّعين نشر الذكاء الاصطناعي في جزء من المصنع أثناء إصلاح البنية التحتية للبيانات في أجزاء أخرى؟

نعم، في بعض الحالات. يمكن نشر نماذج الصيانة التنبؤية لفئات معدات محددة باستخدام بيانات الاستشعار من تلك الأصول وحدها، دون الحاجة إلى تكامل كامل بين OT وIT. غير أن أنظمة الذكاء الاصطناعي التي تتطلب بيانات متعددة الوظائف، مثل ربط معايير الإنتاج بالتكلفة والجودة وبيانات المشتريات، لا يمكن نشرها بشكل موثوق حتى تُحل فجوات التكامل الأساسية.

ما الفرق بين OT وIT في سياق التصنيع؟

تشير التقنية التشغيلية (OT) إلى الأجهزة والبرمجيات التي تراقب وتتحكم في المعدات المادية: وحدات التحكم المنطقي القابلة للبرمجة (PLC)، وأنظمة التحكم الموزعة (DCS)، ومنصات SCADA. أما تقنية المعلومات (IT) فتشير إلى أنظمة الأعمال التي تدير البيانات والعمليات على المستوى التنظيمي: ERP، وMES، وWMS، ومنصات إدارة علاقات العملاء (CRM). وفي معظم المصانع، تطورت هاتان الطبقتان بشكل منفصل، ما يتطلب عملًا متعمدًا للتكامل من أجل مشاركة البيانات بشكل موثوق.

من ينبغي أن يتولى حوكمة البيانات في منظمة تصنيعية؟

تعمل حوكمة البيانات في التصنيع على أفضل وجه عندما تُسند الملكية على مستويين. فعلى مستوى الأصول، ينبغي أن تمتلك فرق الهندسة أو العمليات إعدادات الاستشعار، وسجلات المعايرة، ومعايير تسجيل البيانات لمعدات محددة. وعلى مستوى المؤسسة، ينبغي أن تمتلك وظيفة تقنية المعلومات أو الوظيفة الرقمية سياسات الوصول إلى البيانات، وبنية التكامل، ومراقبة جودة البيانات. ودون وجود المستويين معًا، تُحدَّد مشكلات جودة البيانات لكنها لا تُحل، لأن المسؤولية تظل غير واضحة.