دليل الجاهزية للذكاء الاصطناعي لكبير مسؤولي التقنية في التصنيع: من أين تبدأ عندما تكون بياناتك غير جاهزة

لا يستطيع معظم المصنّعين نشر الذكاء الاصطناعي لأن بياناتهم غير جاهزة، لا لأن تقنيتهم خاطئة. يبدأ الطريق نحو الجاهزية للذكاء الاصطناعي في التصنيع بإصلاح طبقة البنية التحتية للبيانات: اتصال أجهزة الاستشعار، وتوحيد البيانات، ونموذج بيانات موحد يمكن لأنظمة الذكاء الاصطناعي قراءته فعليًا. ابدأ من هناك قبل تقييم أي أدوات ذكاء اصطناعي.

لماذا تبدأ الجاهزية للذكاء الاصطناعي في التصنيع بالبيانات لا بالنماذج

الخطأ الأكثر شيوعًا في مشاريع الذكاء الاصطناعي في التصنيع هو تقييم موردي الذكاء الاصطناعي قبل تقييم نضج البيانات. تتطلب نماذج التعلم الآلي بيانات سلاسل زمنية نظيفة وموسومة على نطاق واسع. تُنتج معظم بيئات المصانع بيانات في صوامع منفصلة: وحدات تحكم منطقي قابل للبرمجة لا تتواصل مع نظام تنفيذ التصنيع، ونظام تنفيذ تصنيع لا يتزامن مع تخطيط موارد المؤسسات، وبيانات جودة تعيش في جداول بيانات.

قبل أن يتمكن أي نموذج ذكاء اصطناعي من تحديد الشذوذ، أو التنبؤ بالأعطال، أو تحسين الإنتاجية، تحتاج بنية البيانات تلك إلى التوحيد. طبقة الذكاء الاصطناعي هي الميل الأخير، لا نقطة البداية.

مشكلات البيانات الثلاث التي تعيق الذكاء الاصطناعي في التصنيع

عبر عمليات التصنيع في آسيان، تؤخر ثلاث مشكلات بيانات باستمرار نشر الذكاء الاصطناعي.

الأولى هي الاتصال. تُنتج المعدات القديمة بيانات تشغيلية لكنها لا تكشف عنها من خلال واجهات قياسية. إن إعادة التأهيل لبروتوكول OPC-UA، وطبقات الحوسبة الطرفية، ونشر بوابات إنترنت الأشياء هي شروط مسبقة، لا إضافات اختيارية.

الثانية هي التوحيد. تستخدم البيانات من الآلات المختلفة، والموردين المختلفين، وخطوط الإنتاج المختلفة وحدات مختلفة، وطوابع زمنية مختلفة، واصطلاحات تسمية حقول مختلفة. تُنتج نماذج الذكاء الاصطناعي المدرَّبة على بيانات غير موحدة تنبؤات غير موثوقة.

الثالثة هي الوسم. يتطلب اكتشاف الشذوذ والصيانة التنبؤية بيانات تاريخية موسومة. يمتلك معظم المصنّعين سجلات أعطال في سجلات الصيانة لم تُربط أبدًا ببيانات الاستشعار التي سبقتها.

تقييم الجاهزية للذكاء الاصطناعي الذي ينبغي على كل كبير مسؤولي تقنية في التصنيع إجراؤه

يحدد تقييم منظم للجاهزية للذكاء الاصطناعي المشكلات الواجب إصلاحها وبأي ترتيب. يغطي أربعة مجالات: الاتصال، وجودة البيانات، والبنية المعمارية، وقدرة الفريق.

تقييم الاتصال

ارسم خريطة لكل مصدر بيانات في أرضية الإنتاج: وحدات التحكم المنطقي القابل للبرمجة، وأنظمة التحكم الإشرافي وجمع البيانات، ونظام تنفيذ التصنيع، وأنظمة فحص الجودة، وأجهزة الاستشعار البيئية. لكل منها، وثّق ما إذا كانت البيانات متاحة عبر واجهة برمجة تطبيقات، وما هو تردد الاستطلاع، وما إذا كانت تُستوعب حاليًا في نظام مركزي. أي مصدر لا يمكن الوصول إليه أو يمكن الوصول إليه فقط عبر التصدير اليدوي يُعد فجوة اتصال.

تقييم جودة البيانات

لكل مصدر بيانات متصل، قيّم الاكتمال (ما هي نسبة القراءات المتوقعة الموجودة)، والدقة (عدد مرات وقوع القراءات خارج النطاقات المعقولة فيزيائيًا)، والاتساق (ما إذا كانت الوحدات واصطلاحات التسمية متطابقة عبر المصادر).

تقييم البنية المعمارية

قيّم ما إذا كانت بنيتك المعمارية الحالية تشمل بحيرة بيانات موحدة أو مستودع بيانات يجمّع بيانات الإنتاج، وقاعدة بيانات سلاسل زمنية قادرة على التعامل مع بيانات استشعار عالية التردد، وخط أنابيب بيانات يعمل دون تدخل يدوي.

تقييم قدرة الفريق

الجاهزية للذكاء الاصطناعي ليست مجرد مشكلة تقنية. قيّم ما إذا كان فريقك الهندسي يضم مهندسي بيانات قادرين على بناء خطوط الأنابيب وصيانتها، وما إذا كان موظفو التشغيل يفهمون كيفية التحقق من صحة توصيات الذكاء الاصطناعي في ضوء الخبرة المجالية.

من أين تبدأ عندما تكون بياناتك غير جاهزة

يكتشف معظم المصنّعين فجوات كبيرة في تقييم الجاهزية. تسلسل المعالجة أمر مهم.

ابدأ بخط إنتاج واحد

محاولة إصلاح البنية التحتية للبيانات عبر مصنع بأكمله في آن واحد تفشل. ابدأ بخط إنتاج واحد يمتلك معدات حديثة نسبيًا، ومقاييس ناتج قابلة للقياس بوضوح، وفريق تشغيل متفاعل. ابنِ الاتصال والتوحيد والوسم لذلك الخط. أثبت النموذج. ثم وسّع.

ابنِ خط أنابيب البيانات قبل نموذج الذكاء الاصطناعي

إن إغراء تشغيل مشاريع إثبات مفهوم للذكاء الاصطناعي على بيانات خام غير مكتملة ينتج نتائج مضللة. سيؤدي نموذج مدرَّب على فجوات وقراءات غير موحدة إلى أداء ضعيف في الإنتاج، ما يُفقد برنامج الذكاء الاصطناعي مصداقيته قبل أن يحصل على اختبار عادل. أصلح خط الأنابيب أولاً.

ادمج القدرة الهندسية، لا الأدوات فقط

تتطلب الجاهزية للذكاء الاصطناعي في التصنيع قدرة هندسية تستمر بعد المشروع الأولي. الفريق القادر على صيانة خطوط الأنابيب، وإعادة تدريب النماذج، وتصحيح أخطاء الشذوذ أكثر قيمة من أي اختيار أداة محدد. ابنِ أو ادمج تلك القدرة منذ البداية.

الأسئلة الشائعة

كيف يعرف المصنّعون ما إذا كانت بياناتهم جاهزة للذكاء الاصطناعي؟

سيحدد تقييم جاهزية البيانات عبر الاتصال والجودة والبنية المعمارية وقدرة الفريق فجوات محددة. معظم المصنّعين غير جاهزين، وهذه مشكلة هندسية قابلة للحل، لا سبب لتأجيل التخطيط للذكاء الاصطناعي.

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

عادةً ما تستغرق المعالجة المركزة على خط إنتاج واحد من ثلاثة إلى ستة أشهر. تعتمد المعالجة على مستوى المصنع بأكمله على عدد مصادر البيانات وتعقيد الأنظمة القائمة.

ما هو أكبر خطأ يرتكبه المصنّعون عند بدء مشاريع الذكاء الاصطناعي؟

البدء بتقييم مورد ذكاء اصطناعي قبل تقييم جاهزية البيانات. التسلسل الصحيح هو: تقييم البيانات، وإصلاح البنية التحتية، ثم تقييم أدوات الذكاء الاصطناعي في ضوء بيانات حقيقية.

هل يمكن للمصنّعين تشغيل مشاريع ذكاء اصطناعي أثناء إصلاح بنيتهم التحتية للبيانات؟

نعم، مع حدود نطاق واضحة. يمكن أن تستمر التجارب التجريبية للذكاء الاصطناعي على مجموعة بيانات نظيفة ومعزولة بينما تستمر معالجة البنية التحتية الأوسع بالتوازي. تجنّب تشغيل ذكاء اصطناعي بمستوى الإنتاج على بيانات غير جاهزة.

ما القدرة الهندسية التي يحتاجها المصنّع للحفاظ على نشر الذكاء الاصطناعي؟

كحد أدنى: مهندسو بيانات قادرون على صيانة خطوط الأنابيب، وخبير مجالي قادر على التحقق من صحة مخرجات النموذج في ضوء الواقع التشغيلي. تتغير أدوات الذكاء الاصطناعي؛ يجب أن تكون القدرة على تقييمها وصيانتها داخلية.