هوش مصنوعی صنعتی یعنی به‌کارگیری یادگیری ماشین در فرایندهای واقعی تولید: پیش‌بینی، کیفیت و رفتار فرایند، با وجود محدودیت‌های عملیاتی. تعریف ساده است، اما در عمل هوش مصنوعی صنعتی یک مدل تنها نیست. زنجیره‌ای است که از خودِ فرایند شروع می‌شود و به تصمیمی ختم می‌شود که کارخانه واقعاً اجرا می‌کند. اگر یکی از حلقه‌های این زنجیره ضعیف باشد، دقیق‌ترین مدل هم به تصمیم بهتر نمی‌رسد.
در کارم این زنجیره را در هفت گام می‌بینم.
۱. سامانه: کار در عمل چگونه پیش می‌رود
ابتدا روشن می‌کنم کار در عمل چگونه پیش می‌رود؛ نه فقط آن‌طور که در دستورالعمل‌ها نوشته شده است. مدلی که برای فرایندِ روی کاغذ ساخته شود، در کارخانه به کار نمی‌آید.
۲. داده: از سوابق پراکنده به جریانی قابل‌اتکا
سوابق پراکنده، حسگرها و فایل‌های اکسل باید به یک جریان دادهٔ قابل‌اتکا تبدیل شوند. وقتی اطلاعات برنامه‌ریزی، کیفیت و فرایند در جاهای مختلف نگه داشته می‌شوند، هر تصمیم کند می‌شود و اصلاح آن پرهزینه.
۳. یادگیری ماشین: برآورد آنچه نمی‌توان مستقیم دید
مدل‌هایی می‌سازم که کیفیت، ریسک خرابی و هزینه را با توجه به داده و محدودیت‌های هر فرایند برآورد می‌کنند. در تولید، رفتار فرایند را همیشه نمی‌توان با یک مدل تحلیلی دقیق توصیف کرد؛ مدل‌های آموخته‌شده از دادهٔ عملیاتی این شکاف را پر می‌کنند.
۴. شبیه‌سازی: آزمودن تغییر پیش از اجرا
تغییر را پیش از اجرا روی همزاد دیجیتال می‌آزمایم تا پیامدش روشن‌تر شود. شبیه‌سازی ترکیبی، در کنار مدل‌های آموخته‌شده، جایی برای تحلیل سناریو فراهم می‌کند؛ بدون آنکه خط تولید آزمایشگاه شود.
۵. بهینه‌سازی: توازن میان هزینه، ظرفیت و محدودیت‌ها
برنامه‌ای پیدا می‌کنم که میان هزینه، ظرفیت و محدودیت‌های واقعی توازن برقرار کند. اینجا مدل‌های ریاضی، از MILP تا مدل‌های چندهدفه، محدودیت‌های عملیاتی را به زمان‌بندی و برنامه تبدیل می‌کنند.
۶. عامل هوش مصنوعی: نظارت و استدلال
تصمیم‌های تکراری را به عامل‌های هوش مصنوعی می‌سپارم تا متخصصان روی موارد دشوار تمرکز کنند. عامل وضعیت را می‌خواند، ابزار به کار می‌گیرد و حلقهٔ تصمیم را پیش می‌برد و دلیل پیشنهادش را روشن می‌کند.
۷. تصمیم: اقدامی که کارخانه انجام می‌دهد
خروجی این زنجیره تصمیمی قابل‌اجراست، همراه با دلیلش؛ آماده برای شیفت بعد. تصمیمی که دلیلش روشن نباشد، در عمل اجرا نمی‌شود.
این زنجیره در یک پروژهٔ واقعی
در بهینه‌سازی مبتنی بر یادگیری با هوش مصنوعی عامل‌محور، همین حلقه برای برنامه‌ریزی تولید در صنایع انرژی‌بر ساخته شد: داده‌های فرایند، کیفیت و انرژی برای برآورد رفتار تولید به کار رفت، این برآورد وارد مدل زمان‌بندی MILP شد و یک عامل ناظر تغییر وضعیت را پایش کرد و منطق انتخاب گزینه‌ها را برای برنامه‌ریز توضیح داد. این ابتکار را به‌عنوان مدیر تحقیق و توسعه، از صورت‌بندی مسئله تا رسیدن به سامانهٔ در حال اجرا، هدایت کردم.
از کجا شروع کنیم
لازم نیست هر هفت گام از روز اول ساخته شود. کار را مرحله‌ای پیش می‌برم تا پیش از توسعهٔ کامل، امکان اجرا، کیفیت داده و ارزش عملیاتی راهکار روشن شود. اگر مسئله‌ای در تولید یا عملیات دارید که فکر می‌کنید در این زنجیره جا می‌گیرد، از صفحهٔ مشاوره شروع کنید.