الذكاء الاصطناعي في التصنيع لا يفشل بسبب النماذج. بل يفشل بسبب عقد البيانات.

رأيت الفيلم نفسه يتكرر في المصانع، وفي فرق تطوير المنتجات، وفي غرف مجالس الإدارة. يطلق فريقٌ تجربة ذكاء اصطناعي واعدة. تبدو لوحة المتابعة الأولى مبهرة. ويتفوق النموذج الأول على خط الأساس. ثم يتوقف المصنع عن الثقة به. تتجاهله الصيانة. تشكك فيه الجودة. وتقول العمليات إن البيانات “ملوثة”. ثم يتعثر البرنامج بصمت.

وجهة نظري مباشرة: نادراً ما يفشل الذكاء الاصطناعي في التصنيع بسبب الخوارزميات. إنه يفشل لأن أحداً لم يكتب عقد البيانات، ولم يموله، ولم يفرضه.

عندما قضيت 11 عاماً في إلكترونيات القدرة متنقلاً بين قيادة الجودة وإدارة المشاريع وهندسة التطبيقات والبحث والتطوير، كان لدى أفضل المصانع أداءً قاسمٌ مشترك: كانوا يتعاملون مع متطلبات المنتج والعملية كعقود لها ملاك وحدود سماح ومسارات تصعيد. ولاحقاً، حين قدتُ العمليات بين الدنمارك وأوكرانيا في مجالي الكهربة وتخزين الطاقة، ظلّت القاعدة نفسها قائمة. أي متطلب لا يُسند لمالك، ولا يُقاس، ولا يُراجع، يتدهور مع الوقت. والبيانات ليست استثناءً.

عقد البيانات ليس وثيقة. إنه اتفاق تشغيلي بين المصنع وكل نظام يلامس الحقيقة. يحدد ما الذي يعنيه “الجيد”، ومن يملكه، وكيف تُدار الاستثناءات، وكيف يُكتشف الانحراف قبل أن يتحول إلى أزمة.

العائق الحقيقي ليس “جودة البيانات”. بل ملكية البيانات.

في معظم المصانع، تُعامل البيانات كعادم: شيء تجمعه لأنك تستطيع. ثم يأتي الذكاء الاصطناعي ويطلب من المصنع أن يبني قراراته على هذا العادم. هذه مشكلة governance، لا مشكلة نمذجة.

في التصنيع، نحن نعرف كيف ندير العقود. نفعل ذلك عبر CTQs (critical to quality) وخطط الضبط وجداول المعايرة وMSA وتدفقات عدم المطابقة. الخطأ هو اعتبار البيانات أصلاً من أصول IT. بالنسبة للذكاء الاصطناعي، البيانات مدخل إنتاج. ويجب أن تخضع للانضباط نفسه الذي نخضع له المردود والهدر والجاهزية.

إليك إعادة الصياغة التي تلقى قبولاً لدى فرق التشغيل ومجالس الإدارة: نظام الذكاء الاصطناعي لديك لا يكون أكثر موثوقية من أضيق حلقة في سلسلة القياس. إذا كان حساسٌ غير مُعاير، أو أُعيد توظيف PLC tag دون ضبط للإصدارات، أو غيّرت نوبةٌ رمزاً يدوياً دون تدريب، فالمشكلة ليست أن النموذج “خاطئ”. بل إن عقد البيانات قد انتُهِك.

ما الذي يجب أن يتضمنه عقد البيانات

• CTQs للبيانات، لا للمنتج فقط: حدِّد مجموعة المتغيرات القليلة التي تقود القرار، وعرّف متطلبات الاكتمال والتوقيت والدقة ووحدات القياس.
• ملاك مُسمّون: مالك تشغيلي واحد لكل CTQ، ومالك تقني واحد لكل pipeline. “الجميع” ليس مالكاً.
• lineage يمكن شرحها على سبورة: من أين تبدأ الإشارة، وكيف تتحول، وأين تُستهلك.
• معالجة استثناءات موحدة: ما الذي يحدث عندما تكون القيمة مفقودة، أو خارج النطاق، أو مكررة، أو متأخرة، أو تم تجاوزها يدوياً.
• ضبط التغيير: كيف تنتقل تغييرات tags وتغييرات الوصفات وترقيات المعدات إلى features والعتبات.

إذا لم تستطع الإجابة عن هذه النقاط خلال 10 دقائق، فلا تُوسع النموذج. أصلح العقد أولاً.

توسيع الذكاء الاصطناعي مسألة نشر داخل المصنع، لا نشر لفريق data science

تُموَّل معظم برامج الذكاء الاصطناعي كما لو كانت ابتكاراً، وتُدار كما لو كانت IT. التصنيع لا يعمل بهذه الطريقة. المصانع تنفذ ما يرتبط بـ KPI الخاصة بها، ويُراجع وفق إيقاعها التشغيلي، ويملكه أشخاص لديهم صلاحية تغيير العملية.

عندما كنتُ CEO لوحدة أعمال في المباني الذكية وأتمتة المنازل، بنينا حساسات واتصالات وتحكماً عبر دول متعددة. لم تكن التقنية هي الجزء الأصعب أبداً. الأصعب كان تعريف معنى “سلامة الإشارة” عبر أسواق مختلفة ومركّبين وإصدارات firmware وإصدارات السحابة. إذا لم توحّد الاستثناءات، فلن يكون لديك منتج؛ سيكون لديك عروض تجريبية.

في المصنع، “الاستثناءات” ليست حالات طرفية. إنها يوم اعتيادي. حساس يتعطل. خط يتوقف. دفعة تُقسّم. تبدأ حلقة إعادة تشغيل/إعادة عمل. إذا كان ذكاؤك الاصطناعي يفترض بيانات نظيفة ومتواصلة، فهو غير مصمم للتصنيع. يجب أن يشفّر عقد البيانات واقع المصنع، لا واقع المختبر.

تسلسل نشر يبدأ من المشغّل

1. اختر قراراً واحداً، لا نموذجاً واحداً. مثال: “إيقاف الدفعة أو إطلاقها”، “جدولة الصيانة هذا الأسبوع أم الأسبوع المقبل”، “خفض ذروة الطاقة دون كسر takt”.
2. عرّف الحد الأدنى من الحقيقة القابلة للاعتماد: CTQs اللازمة لاتخاذ القرار بأمان.
3. قِس الاستثناءات واظهرها: القيم المفقودة، التجاوزات اليدوية، أعطال الحساسات، التأخر في الوصول. اجعل الاستثناءات مرئية وعدّها.
4. اربط التمويل بـ KPI: خفض الهدر، first-pass yield، OEE، التوقف غير المخطط، الطاقة لكل وحدة. إذا لم يشعر المصنع بالأثر، فلن يحافظ عليه.
5. انشر مع kill switch: يجب أن يكون المصنع قادراً على العودة إلى معيار العمل السابق دون ضجيج.

لهذا أحب التفكير بعقلية قوائم التحقق. كتبت عن هذه الذهنية في معمارية الذكاء الاصطناعي كقائمة تحقق من منظور المشغّل. المعمارية ليست رسماً. إنها تسلسل التزامات يصمد عند الاحتكاك بالواقع.

CTQs للبيانات: تعامل مع القياس كمتطلب منتج

في الجودة، لا نتجادل حول ما إذا كان القياس “كافياً” بصورة مجردة. نحدد حدود السماح، ونتحقق من صلاحية المنهج، ونراجع الانحراف. افعل الشيء نفسه لمدخلات الذكاء الاصطناعي.

قالب عملي لـ CTQs البيانات

• التعريف: الاسم، وحدة القياس، تردد العينة، ونظام المصدر المعتمد (PLC، MES، SCADA، ERP، LIMS).
• النطاق المقبول وقيود الفيزياء: ما القيم المستحيلة أو غير الآمنة.
• نافذة الحداثة: متى يصبح “التأخر” تأخراً يبطل القرار.
• عتبة الاكتمال: ما نسبة القيم المفقودة التي يمكن تحملها قبل كتم مخرج النموذج.
• قاعدة المطابقة/التسوية: ماذا يحدث عندما يختلف MES وERP، أو عندما يتعارض إدخال يدوي مع قراءة آلية.
• إيقاع التدقيق: من يراجعه أسبوعياً، وما الذي يطلق إجراءً تصحيحياً.

إن أتقنت هذا، سيثق المصنع بالنظام لأنه يتصرف كعملية مضبوطة. وإن لم تفعل، ستتحول كل شذوذ إلى جدل، والجدل لا يتوسع.

governance فعّالة: اجعل الاستثناءات وlineage والحوافز مرئية

لا أحب مسرحية governance. لجان تناقش المبادئ فيما المشغلون يطفئون الحرائق لا تغيّر النتائج. governance الفعالة هي نظام تشغيل: يحول قضايا البيانات إلى تذاكر وملاك ومواعيد نهائية ومنعٍ تراكمي.

هذا هو السؤال الحاكم الذي استخدمته في أدوار قيادية: “عندما يخطئ النموذج، من الذي يُوقَظ؟” إذا كانت الإجابة غير واضحة، فالنظام غير قابل للحكم.

الحد الأدنى من طبقة governance لذكاء اصطناعي في التصنيع

• لوحة مؤشرات موحّدة: تبنّي الذكاء الاصطناعي مرتبط بـ KPI المصنع، إضافة إلى صحة عقد البيانات (معدل الاستثناءات، خروقات الحداثة، أحداث schema drift).
• lineage قابلة للتدقيق: ليس بدافع الامتثال أولاً، بل لأجل استكشاف الأعطال الساعة 2 صباحاً.
• إجراء معياري للتجاوزات: عندما يتجاوز المشغلون مخرجات الذكاء الاصطناعي، عليهم اختيار سببٍ مُرمّز. ليس لمراقبتهم، بل للتعلم المنهجي.
• انضباط الإصدارات: تغييرات features وتحديثات النماذج تُعامل بالجدية نفسها لتغييرات firmware في الأنظمة المضمنة.
• ميزانية تتناسب مع المسؤولية: إذا كانت العمليات تمتلك الـ KPI، فعليها أن تشارك ملكية ميزانية الحساسات والتكامل وصيانة pipelines.

هنا أيضاً يصبح الذكاء الاصطناعي التطبيقي واقعاً. في مشاريعي مثل Shopeno وIBHQ، أفكر في الذكاء الاصطناعي كسلوك منتج، لا كتجربة علمية. يجب أن يتدهور المنتج بأناقة، وأن يشرح نفسه، وأن يخلق مسار تدقيق. المصانع تحتاج الخصائص نفسها، لكن برهانات أعلى وحلقات تغذية راجعة أضيق.

من منظور مجلس الإدارة: موّل عقد البيانات كما تموّل الاعتمادية

إذا كنت عضواً في مجلس إدارة أو تملك الـ P&L، فإليك الفخ الذي يجب تجنبه: تموّل مبادرة ذكاء اصطناعي كمشروع، ثم تتوقع قيمة تراكمية. لكن عقد البيانات الأساسي نظام حيّ. يحتاج إلى صيانة، تماماً مثل الصيانة الوقائية للمعدات.

رأيي: تعامل مع عقد البيانات كعمل اعتمادية. يجب أن يكون له backlog وإيقاع متابعة وقصة عائد واضحة مرتبطة بـ KPI المصنع. إن لم يُموَّل، سيصبح “مشكلة الجميع” ولن يكون وظيفة أحد.

إذا أردت تشخيصاً بسيطاً لهذا الربع، فاطلب ثلاثة أرقام في مراجعة العمليات القادمة:

• معدل الاستثناءات: كم مرة ترى pipeline الذكاء الاصطناعي مدخلات مفقودة أو متأخرة أو غير صالحة.
• Mean time to innocence: مدى سرعة قدرة الفريق على إثبات ما إذا كانت المشكلة في الحساس أو التكامل أو التحويل أو النموذج.
• حلقة تعلم التجاوزات: نسبة التجاوزات التي تؤدي إلى تحديث في العقد، أو تحديث في التدريب، أو تغيير في العملية.

إذا كانت هذه الأرقام مجهولة، فالعنق الزجاجي ليس النموذج. إنه العقد.

الخلاصة بسيطة. توقف عن سؤال: “هل النموذج دقيق؟” وابدأ بسؤال: “هل عقد البيانات قابل للإنفاذ؟” يتوسع الذكاء الاصطناعي في التصنيع عندما تُعامل البيانات كحقيقة تشغيلية لها CTQs وملاك وlineage واستثناءات موحدة. ما عدا ذلك يبقى تجربة.