الذكاء الاصطناعي في الأتمتة الصناعية: بناء الذكاء بدءاً من طبقة الأجهزة

الواقع المادي للذكاء الاصطناعي الصناعي

يشهد المشهد الصناعي حاليًا تحولاً جذريًا نحو التصنيع “المستقل والمرن والخالي من العيوب”، مدفوعًا بالتقارب بين الذكاء الاصطناعي وإنترنت الأشياء والحوسبة الطرفية. ووفقًا لتحليلات السوق الأخيرة، لا يمكن إنكار الزخم الذي يشهده السوق: وتتوقع شركة Precedence Research أن يصل حجم سوق الذكاء الاصطناعي العالمي إلى $2.46 تريليون بحلول عام 2030، مع توسع قطاع التصنيع وحده بمعدل نمو سنوي مركب يبلغ 27.81T3T3T (المصدر: بحوث الأسبقية). هذه الطفرة ليست مجرد تخمينات؛ بل تغذيها مكاسب الكفاءة الملموسة. تشير تقارير IoT Analytics إلى أن الصيانة التنبؤية (PdM) تمثل الآن 321 تيرابايت 3 تيرابايت من استثمارات الذكاء الاصطناعي الصناعي، وهي قادرة على تقليل وقت تعطل المعدات بمقدار 20-501 تيرابايت 3 تيرابايت (المصدر: تحليلات إنترنت الأشياء). وعلاوة على ذلك، أدى اعتماد مراقبة الجودة المرئية القائمة على الذكاء الاصطناعي إلى رفع معدلات اكتشاف العيوب إلى أكثر من 95%، في حين أن الذكاء الاصطناعي التوليدي يُحدث ثورة في سير عمل التصميم، وفي بعض الحالات يضغط دورات التطوير من أسابيع إلى أيام فقط.

مع انتقال المصانع من أنظمة تجريبية أحادية النقطة إلى أنظمة “الذكاء الاصطناعي + التوأم الرقمي” الشاملة، يبدو أن الوعد بخط إنتاج ذاتي التحسين في متناول اليد. على الرغم من أن هذا يشير إلى مستقبل مؤتمت بشكل متزايد، إلا أن ما يتم تجاهله في كثير من الأحيان في المناقشة الحالية للذكاء الاصطناعي للأتمتة الصناعية هو حقيقة أساسية بسيطة للغاية: البرمجيات والأجهزة تعتمد على بعضها البعض.

لمعرفة حالات الاستخدام وحالة تطور الذكاء الاصطناعي في المجال الصناعي، يمكنك الرجوع إلى المدونات التالية:

حتمية البرمجيات

قبل الغوص في الصواميل والمسامير، يجب أن نعترف بالقوة التحويلية لطبقة البرمجيات. في المصنع الذكي الحديث، تعمل البرمجيات في المصنع الذكي الحديث بمثابة الجهاز العصبي المركزي، وتشمل كل شيء بدءاً من نماذج الذكاء الاصطناعي والتعلم الآلي التي تقود الرؤية الحاسوبية إلى خوارزميات الصيانة التنبؤية التي تتنبأ بفشل المعدات. ويمتد ذلك إلى التوائم الرقمية المستخدمة لمحاكاة سير العمل ومنطق الحوسبة المتطورة المعقدة المطلوبة لاتخاذ القرارات في الوقت الحقيقي. هذا النظام البيئي الرقمي مسؤول عن معالجة تدفقات البيانات المعقدة وتنفيذ التدفق المنطقي الدقيق لخط الإنتاج بأكمله.

ولكن نادراً ما يكون الانتقال إلى مصنع معرّف بالبرمجيات سلساً. غالبًا ما يواجه المصنعون تصادمًا ثقافيًا وتقنيًا عميقًا: “عقلية الأجهزة” تعطي الأولوية للاستقرار طويل الأجل ونادراً ما يكون الانتقال إلى مصنع معرّف بالبرمجيات سلسًا. غالبًا ما يواجه المصنعون تصادمًا ثقافيًا وتقنيًا عميقًا: “عقلية الأجهزة” تعطي الأولوية للاستقرار طويل الأجل والمنتجات النهائية، بينما تتطلب “عقلية البرمجيات” التكرار السريع والتسليم المستمر. هذا الاختلاف الجوهري يخلق احتكاكاً عندما يتوجب على مهندسي PLC التقليديين التعاون مع مطوري السحابة، مما يكشف عن وجود فجوة كبيرة في المهارات. علاوة على ذلك، غالبًا ما تجد الشركات صعوبة في التكيف مع دورات عائد الاستثمار طويل الأجل للاستثمار في البرمجيات أثناء التنقل بين سيادة البيانات المعقدة والالتزامات الأمنية.

ونظراً للصعوبة الهائلة في توظيف المواهب المختلطة التي تتقن كلاً من بروتوكولات التحكم الصناعي والتطوير السحابي الأصلي، يجب ألا تحاول الشركات المصنعة السير في هذا المسار بمفردها. بدلاً من ذلك، فإن النهج الأكثر عملية هو الشراكة مع مزودي حلول البرمجيات الصناعية المتخصصين. فبدلاً من بناء فريق داخلي من الصفر، استفد من خبرات شركات التكامل الراسخة التي يمكنها سد الفجوة بين تكنولوجيا المعلومات والتكنولوجيا التشغيلية.

ومع ذلك، فإن الذكاء الاصطناعي ليس سحراً. إنه نظام منطقي يعتمد فقط على كميات هائلة من البيانات. ستفشل الأتمتة الذكية في حالة عدم دقة أجهزة الاستشعار الموجودة على خطوط الإنتاج، أو عدم استقرار مصدر الطاقة. ولإنشاء مصنع ذكي، ليس من الضروري توظيف عالم كمبيوتر على الفور، بل البدء بفحص دقيق للصواميل والمسامير وأجهزة الاستشعار والمفاتيح التي تجعل الخط يعمل.

لماذا تفشل الخوارزميات بدون مدخلات دقيقة

لدى علم الحاسوب بديهية أساسية، مبدأ GIGO: قمامة داخل، قمامة خارج. على الرغم من أن هذه الفكرة قديمة قدم تاريخ الحوسبة، إلا أنها لم تكن أكثر قابلية للتطبيق مما هي عليه في عصر التعلم الآلي ومزج قدرات الذكاء الاصطناعي. الفرق الأساسي بين البرمجة الحتمية الكلاسيكية والذكاء الاصطناعي الاحتمالي الحالي هو حساسية البيانات. يعتمد البرنامج التقليدي لوحدة التحكم المنطقي القابل للبرمجة (PLC) على مسار منطقي صارم؛ فهو ثنائي وقوي ومتسامح إلى حد ما.

يبحث نموذج الذكاء الاصطناعي - سواء كان يعتمد على التعلم المعزز العميق، أو التعلم المعزز التفاعلي العميق، أو التحسين البايزي - عن ارتباطات وأنماط دقيقة في البيانات المعقدة وعالية الأبعاد في كثير من الأحيان، خاصةً في البيئات الديناميكية. وهذا يتطلب نقاء البيانات وأنظمة مرنة. إذا كانت عملية جمع البيانات معيبة بسبب ضعف بيانات المستشعرات، فستفشل حتى التوائم الرقمية الأكثر تقدماً في تمثيل الواقع.

التكلفة الخفية لضوضاء الإشارة

ضوضاء الإشارة هي أول وأخطر خصم لموثوقية الذكاء الاصطناعي. الجو الكهربائي في الأنظمة الصناعية الحالية غير منظم ومقاوم للتحسين التدريجي. يتم تشغيل المحركات الثقيلة وإيقاف تشغيلها، ويتم سحب تيارات تدفق هائلة؛ وتقوم محركات التردد المتغير (VFDs) بتقطيع أشكال الموجات لتنظيم السرعة؛ وتنتج معدات اللحام أقواسًا. تتسبب كل هذه العمليات في حدوث الكثير من التداخل الكهرومغناطيسي (EMI) وتداخل الترددات الراديوية (RFI).

ما لم تكن أجهزة الاستشعار وإمدادات الطاقة المستخدمة في النظام محمية بشكل كافٍ أو مؤرضة أو تمتلك دوائر داخلية مستقرة، فإن هذه الضوضاء تنتشر عبر كابل الإشارة. قد تتسبب عتبة الإشارة العالية في حدوث ارتفاع حاد في الضوضاء التي تتجاهلها أنظمة التحكم الصناعية القديمة. ولكن، مع تكامل التكنولوجيا الداعمة لتطوير شبكات لاسلكية صناعية قوية، إلى نموذج الذكاء الاصطناعي الذي يفحص الشكل الموجي لتيار المحرك للتنبؤ بفشل المحمل، فإن تموج إمدادات الطاقة هذا هو البيانات.

إن نموذج الذكاء الاصطناعي الذي يتم تدريبه على بيانات صاخبة لديه تعميم ضعيف. والأسوأ من ذلك أنه عند إجراء الاستدلال، يمكن أن يخلط بين التداخل الكهربائي والخلل في الآلة. وينتج عن ذلك نتائج إيجابية خاطئة - توقع حدوث عطل في حين أنه لا يوجد أي عطل. تتفاقم مشكلة دقة أجهزة الاستشعار هذه بسبب تدهور الأجهزة وتأثيرات الاهتزازات؛ ويمكن أن يؤدي انحراف المستشعر الناجم عن التمدد الحراري إلى زيادة تشويه تحليلات البيانات، مما يؤثر على قدرات مثل الملاحة المستقلة. عندما يقوم نظام الذكاء الاصطناعي بإطلاق الإنذار في كثير من الأحيان، سيتم إيقاف تشغيله، وسيكون الاستثمار عديم الفائدة.

ظاهرة انجراف البيانات

المشكلة الثانية الأكثر خبثًا هي انجراف البيانات المرتبط بتدهور المكونات. تعتمد نماذج الذكاء الاصطناعي على افتراض أن البيئة ثابتة نسبيًا مقارنة ببيانات التدريب. لكن الأجهزة تتغير فيزيائيًا مع مرور الوقت.

خذ مثلاً حالة مستشعر القرب، الذي يُستخدم لتتبع موقع ذراع روبوتية، حيث يعرض قدرات الأنظمة الروبوتية بينما يواجه أيضاً تحديات حسابية. وبسبب دورات التمدد الحراري، أو الاهتزازات التي تؤدي إلى إرخاء الحامل، أو تقادم المكونات الداخلية، يبدأ المستشعر في التشغيل بعد بضعة أجزاء من الثانية عما كان عليه عندما كان جديداً. سيظل المفتاح فعالاً بالنسبة لوحدة التحكم الآلي النموذجية لأن الإشارة ستصل في النهاية إلى وحدة التحكم في غضون الوقت المحدد. يظهر هذا الانجراف بالنسبة للذكاء الاصطناعي الذي يقوم بتحليل الكفاءة التشغيلية أو مطابقة الروبوتات عالية السرعة كتغيير أساسي في سرعة العملية أو سلوك المواد.

عندما لا تكون الأجزاء المادية، أي أجهزة الاستشعار والمفاتيح والمرحلات، ذات قابلية عالية للتكرار والمقاومة البيئية، فإنها تكون متغيرًا غير مؤكد. وبالتالي، قبل أن تتحدث المؤسسة عن الأسئلة الحرجة المتعلقة بالخوارزميات، يجب أن تتحدث عن نقاء بياناتها. يتم الحصول على هذا النقاء من خلال جعل الإنتاج المادي للإشارة نظيفًا ودقيقًا وقابلًا للتكرار قدر الإمكان مع مراعاة الاستخدام الأخلاقي لتسليط الضوء على الأتمتة.

الأجهزة المهمة للحصول على بيانات الذكاء الاصطناعي

لفهم العلاقة العميقة بين الذكاء الاصطناعي الصناعي والأجهزة، يمكننا استخدام تشبيه بيولوجي. الأجزاء الصناعية هي الجهاز العصبي والدورة الدموية لخوارزمية الذكاء الاصطناعي. فالعقل اللامع عديم الفائدة مع وجود جسم فاشل تمامًا كما أن نموذج الذكاء الاصطناعي المتطور عديم الفائدة دون مدخلات مادية جديرة بالثقة مع الالتزام بالمعايير الأخلاقية. ونتيجة لذلك، يجب أن يكون تقييم هذه العناصر الأساسية المرحلة الأولى من أي خطة للتحول الرقمي. ترتكز البنية التحتية القوية للذكاء الاصطناعي على ثلاث ركائز أساسية للأجهزة التي توفر بيانات عالية الدقة:

1. “العيون”: أجهزة الاستشعار الدقيقة

شبكة الاستشعار، سواء كانت أجهزة استشعار استقرائية أو سعوية أو كهروضوئية، هي المصدر الرئيسي للبيانات. تقوم هذه المستشعرات الدقيقة بتحويل العالم المادي إلى 1 و0. وفي حالة الذكاء الاصطناعي، فإن التكرار هو المقياس الرئيسي. عندما تنطلق مستشعرات القرب عند 10 مم اليوم ولكنها تنتقل إلى 12 مم غداً، سيرى الذكاء الاصطناعي هذا الأمر على أنه حالة شاذة. ولدعم الروبوتات المتنقلة المستقلة والمهام المعقدة، يجب أن توفر المستشعرات حقيقة أساسية.

2. “القلب”: إمدادات الطاقة المستقرة

بالمقارنة مع المحركات التقليدية، فإن بوابات الحوسبة المتطورة ومعالجات الذكاء الاصطناعي أكثر هشاشة بكثير. فهي تعمل بفولتية منطقية منخفضة ولا يمكنها تحمل الطاقة غير النظيفة. حتى أن الانخفاض المؤقت في الجهد أو التشويش من مصدر طاقة تبديل دون المستوى يمكن أن يفسد حزم البيانات. تعمل إمدادات الطاقة المستقرة كحاجز بين الطاقة غير القابلة للتحكم في الشبكة والمنطق الهش للذكاء الاصطناعي.

3. “اللمس”: التحقق الميكانيكي

على الرغم من أن الحساسات الضوئية سريعة، إلا أنها عرضة لضباب الزيت أو البخار. مفاتيح الحد والمفاتيح الدقيقة هي مكونات ميكانيكية تعطي الحقيقة الأرضية. فهي توفر ضمانًا ماديًا ملموسًا ملموسًا بأن شيئًا ما في مكانه. وكثيرًا ما تستخدم أنظمة الذكاء الاصطناعي هذه المفاتيح لمضاهاة بيانات المستشعرات، للتأكد من أن النموذج الرقمي هو نفسه الواقع المادي.

الشركات المصنعة مثل OMCH, مع إرث 38 عاماً من التصنيع، نركز على الجودة الشاملة لهذه الطبقة المادية. ومن خلال استخدام خطوط الإنتاج المؤتمتة والالتزام بمعايير ISO 9001 الصارمة، نضمن أن كل مزود طاقة يوفر الجهد المستقر المطلوب لحوسبة Edge، وكل مستشعر تقارب يوفر البيانات النظيفة والمتسقة اللازمة لخوارزميات التدريب. إن دمج مكونات OMCH يعني إزالة تباين الأجهزة من المعادلة الخاصة بك، مما يوفر للذكاء الاصطناعي الخاص بك الأساس المتين والصناعي الذي يحتاجه للعمل بشكل موثوق.

تقليل زمن الاستجابة لقرارات الذكاء الاصطناعي في الوقت الفعلي

يعد الاعتماد المفرط على الحوسبة السحابية خرافة في السوق الحالية. على الرغم من أن الحوسبة السحابية رائعة عندما يتعلق الأمر بتحليل الاتجاهات طويلة الأجل وتخزين البيانات التاريخية والتدريب على النماذج، إلا أنها غالبًا ما تكون غير مناسبة للقرارات الفورية والتكتيكية والآنية التي يجب اتخاذها على خط إنتاج عالي السرعة.

خذ على سبيل المثال مصنع تعبئة زجاجات يعمل بآلاف الوحدات في الدقيقة. عندما يحدد نظام الرؤية وجود شرخ في زجاجة زجاجية، يجب تشغيل آلية الرفض على الفور. يتم تحديد البنية من خلال فيزياء الموقف. إن نقل بيانات تلك الصورة إلى خادم يبعد أميالاً ومعالجتها وإرجاع الأمر مرة أخرى يؤدي إلى زمن استجابة، وهو تأخير غير مقبول فيزيائياً. وعلاوة على ذلك، فإن تكلفة عرض النطاق الترددي لنقل الفيديو عالي الوضوح أو بيانات المستشعرات عالية التردد إلى السحابة على مدار الساعة طوال أيام الأسبوع باهظة التكلفة. تكون الزجاجة قد تجاوزت بالفعل نقطة الطرد بحلول الوقت الذي يعود فيه الأمر إلى السحابة.

وهذا يستلزم حوسبة الحافة، حيث يتم اتخاذ قرارات الذكاء الاصطناعي محلياً، على مستوى الجهاز مباشرةً. ومع ذلك، فإن تحويل قوة الحوسبة إلى الحافة لتقليل زمن الاستجابة يكشف عن عنق زجاجة جديد: وقت استجابة الأجهزة نفسها.

فيزياء زمن الاستجابة

إذا كان الكمبيوتر الطرفي يعالج قرارًا في 2 ميلي ثانية، ولكن جهاز الاستشعار الذي يكتشف الزجاجة لديه زمن استجابة يبلغ 10 ميلي ثانية، فإن النظام غير فعال بسبب عدم القدرة على التعامل مع المهام المتكررة بكفاءة. تتطلب الأتمتة عالية السرعة مزامنة السرعة عبر السلسلة بأكملها.

• تبديل التردد: يجب أن يكون تردد تبديل المستشعرات الحثية والسعوية عاليًا لاكتشاف الحركات عالية السرعة دون أن يفوتك أي إيقاع. عندما يدور ترس بسرعة 3000 دورة في الدقيقة، يجب أن يكون المستشعر قادرًا على التشغيل والإيقاف خلال فترة زمنية قصيرة لحساب جميع الأسنان.
• الاستجابة الكهربائية: يجب أن يكون مزود الطاقة الكهربائية قادرًا على الاستجابة للأحمال الديناميكية (تغيرات الحمل السريعة). ينطلق مشغل الرفض، ويسحب ارتفاعًا مفاجئًا في التيار. يجب أن يكون هذا الارتفاع المفاجئ مستقرًا في الجهد الذي يوفره مصدر الطاقة لمنع انقطاع التيار عن مستشعرات الذكاء الاصطناعي.

هنا، تعتبر المواصفات الفنية للمركبة، والتي عادةً ما يتم تجاهلها لصالح مواصفات البرمجيات، أمرًا بالغ الأهمية. تقتصر سرعة الذكاء الاصطناعي في الوقت الحقيقي على أبطأ عنصر مادي.

المحفز المادي للرؤية

وعلاوة على ذلك، في تنفيذ أنظمة الرؤية وتطبيقات الرؤية الحاسوبية، فإن “المشغّل” أمر حيوي. لا فائدة من كاميرا الذكاء الاصطناعي باهظة الثمن إذا التقطت صورة في اللحظة الخطأ، ويمكن تحسين وظائفها لتحقيق مجموعة أوسع من التطبيقات. فهي تعتمد على مستشعر كهروضوئي متواضع أو مفتاح صغير كمشغّل للكاميرا لإخبارها بموعد النظر. إذا كان مستشعر الزناد هذا يحتوي على اهتزاز في الزناد ولو لبضعة أجزاء من الثانية، فلن يكون الجسم في مركز الإطار، وسيفشل الذكاء الاصطناعي في تحديد العيب. وبالتالي، فإن توقيت نظام الرؤية يعتمد كليًا على دقة مفتاح الزناد البسيط.

تحديث الأنظمة القديمة: تطبيق الذكاء الاصطناعي في مصانع براونفيلد

إن الحلم الطوباوي للمصنع الذكي (الصناعة 4.0) يميل إلى تصوير موقع أخضر مع مجموعة جديدة نظيفة ولامعة من المعدات المترابطة التي تتواصل من خلال المعايير الحديثة. وهذا بعيد عن الواقع من الناحية الاقتصادية. فمعظم عمليات التصنيع في العالم تتم في مواقع الحقل البني، أو المصانع المجهزة بآلات عمرها 10 أو 20 أو حتى 30 عامًا. هذه آلات قديمة، وهي ماكينات ميكانيكية قوية، ولكنها غالبًا ما تكون صامتة رقميًا. تعتمد أجهزة التحكم المنطقي القابلة للبرمجة القابلة للبرمجة الخاصة بها على بروتوكولات قديمة ومنطقها الداخلي متجمد، مما يحد من قدرتها الكاملة على الاندماج في تدفقات عمل التصنيع المعاصرة.

إن استبدال هذه الماكينات وتمزيقها لإدخال الذكاء الاصطناعي ليس فعالاً من حيث التكلفة؛ فالنفقات الرأسمالية (CapEx) من شأنها أن تقضي على الهامش. وعلاوةً على ذلك، فإن محاولة إعادة كتابة نظام التحكم المنطقي القابل للبرمجة (PLC) القديم لتصدير البيانات هي مهمة خطيرة، حيث تتطلب هذه العملية رؤية شاملة للنظام بأكمله. يمكن أن يؤدي سطر واحد في غير محله من التعليمات البرمجية إلى تعليق الخط لأسابيع.

العملية هي شبكة الاستشعار المتراكبة. وهي طريقة لوضع وجه رقمي معاصر على ساعة ميكانيكية قديمة. فبدلاً من محاولة إعادة كتابة التعليمات البرمجية المعقدة والخطيرة لجهاز PLC قديم، يمكن للمهندسين إضافة طبقة ثانية من المستشعرات والمفاتيح التي لا تعتمد على حلقة التحكم في الآلة.

تتضمن هذه الخطة الاستشعار غير الجراحي، بما في ذلك إضافة مستشعرات كهروضوئية جديدة إلى الناقل لحساب الإنتاجية، أو مستشعرات مغناطيسية إلى الأسطوانات لقياس زمن الدورة، وربطها ببوابة إنترنت الأشياء الحديثة. وهذا يشكل تيارًا متوازيًا من البيانات. لا تزال الماكينة القديمة تعمل كما كانت تعمل دائمًا، ولكن الشبكة المتراكبة الجديدة تستخرج البيانات اللازمة لتحليلها باستخدام الذكاء الاصطناعي. تقلل هذه الاستراتيجية بشكل كبير من حاجز دخول الذكاء الاصطناعي. ومع ذلك، فهي تقدر عوامل شكل المكونات ومتانتها. يجب أن يتم تركيب الأجزاء الإضافية في مناطق صغيرة أو دهنية أو مهتزة لم يكن من المفترض أن تشغلها في الأصل. وهنا يأتي دور الاعتماد على الأجزاء عالية الجودة وصغر حجمها، حيث يمكن للمهندسين تركيب الذكاء الاصطناعي في المساحات القديمة الضيقة دون التدخل في الإنتاج.

تحويل إشارات المكونات إلى عائد استثمار عملي قابل للتنفيذ

السؤال الأخير لأي ترقية صناعية هو العائد على الاستثمار (ROI). لماذا ستؤدي إضافة أجهزة استشعار أفضل وذكاء اصطناعي أفضل إلى توفير المال؟ الحل هو التحول إلى الصيانة التنبؤية (إصلاحها قبل تعطلها). وهذا يمنع تصاعد تكاليف الصيانة ويضمن الكفاءة التشغيلية.

الصيانة التنبؤية هي في الأساس ممارسة لدراسة مشتق سلوك المكوّنات وهو معدل التغير مع مرور الوقت.

خذ مثالاً على ذلك مرحل بسيط أو أسطوانة هوائية يتم التحكم فيها بواسطة مفتاح حد. قد يستغرق الأمر 500 مللي ثانية فقط لعمل شوط في حالة سليمة. قد تتآكل الأختام أو قد يجف التزييت، وقد يزحف هذا الوقت إلى 510 مللي ثانية، ثم 520 مللي ثانية. هذا غير مرئي للمشغل البشري. وهو لا يزال ضمن النطاق المقبول للمهلة الزمنية لنظام التشغيل الآلي النموذجي، وبالتالي لا يتم إطلاق أي إنذار.

ومع ذلك، يمكن التعرف على هذا الاتجاه من خلال نموذج ذكاء اصطناعي يعالج تدفق البيانات لمفتاح حدّي عالي الدقة. فهو يرى الانحرافات الدقيقة. يأخذ عائد الاستثمار شكلين مختلفين:

1. الوقاية من الفشل الذريع: يقوم النظام بتذكير موظفي الصيانة بتغيير الأسطوانة أثناء فترة الاستراحة المجدولة لتجنب التوقف غير المتوقع. في صناعة السيارات أو أشباه الموصلات، قد تكلف ساعة واحدة من التوقف غير المخطط له أكثر من 50,000 دولار. على افتراض أن نظام الذكاء الاصطناعي المدعوم بأجهزة استشعار عالية الجودة يتجنب وقوع حادثة واحدة فقط من هذه الحوادث سنوياً، فسيتم استرداد الأجهزة مائة مرة.
2. المخزون التحسين: تمتلك غالبية المصانع مخزونًا كبيرًا من قطع الغيار لأنها لا تدرك متى سيحدث عطل ما. فهم يربطون رأس المال في تخزين المحركات والمفاتيح في حالة حدوث عطل ما. في ظل الذكاء الاصطناعي التنبؤي، يمكن تقديم الطلبات على قطع الغيار على أساس "في الوقت المناسب"، باستخدام بيانات التدهور الفعلي، مما يؤدي إلى تحرير رأس المال العامل.

هناك حاجة إلى استقرار الإشارة عند هذا المستوى من التفصيل. في حال كان المفتاح الحدي نفسه غير مكلف وغير موثوق به، فإن تباينه الميكانيكي سيخفي تباين الآلة التي يقيسها. تعمل المكونات عالية الجودة كمعيار ثابت يتم على أساسه قياس صحة الماكينة.

إعداد البنية التحتية الخاصة بك لعصر الذكاء الاصطناعي

بينما نتطلع إلى المهام المتزايدة التعقيد في المستقبل، من الواضح أن الذكاء الاصطناعي سيلعب دوراً محورياً. ومع ذلك، نادراً ما تتعلق الثورات التكنولوجية باعتماد أداة واحدة؛ فهي تتعلق بتكامل المكونات والأنظمة الأساسية.

عندما نفكر في مستقبل التصنيع، فمن الواضح أن الذكاء الاصطناعي سيكون في مركز الصدارة. ومع ذلك، نادراً ما تهتم الثورات التكنولوجية باستخدام أداة واحدة؛ فهي تهتم بتكامل النظام.

إن أكثر نماذج الذكاء الاصطناعي تقدماً لا فائدة منها بدون بيانات، والبيانات هي من صنع العالم المادي. إن عائق الأتمتة الصناعية للذكاء الاصطناعي في الوقت الحاضر ليس الخوارزمية، بل البنية التحتية. واستشرافًا للمستقبل، ستكشف الأبحاث المستقبلية أن المصانع التي ستنجح في هذا التحول ليست تلك التي لديها أكبر العقود السحابية، بل تلك التي لديها أنظف البيانات.

بالنسبة لصانعي القرار، يجب ألا يبدأ الطريق إلى الأمام بالاشتراك في منصة التحليلات السحابية. بل يجب أن يبدأ بتدقيق دقيق في المصنع لاتخاذ قرارات مستنيرة.

• هل تتمتع مصادر الطاقة بالثبات الكافي لتمكين الحوسبة المتطورة؟
• هل تتمتع أجهزة الاستشعار بالدقة اللازمة لإعطاء بيانات تدريب خالية من الضوضاء؟
• هل توفر مفاتيح التبديل الميكانيكية موثوقية حتمية لتوفير حقيقة أساسية لسنوات قادمة؟

الاستثمار في “طبقة الأجهزة” هو الشرط الأساسي الضروري لبناء الذكاء. من خلال الشراكة مع الشركات المصنعة الراسخة مثل شركة OMCH، التي تعطي الأولوية لمراقبة الجودة والمعايير الدولية وموثوقية سلسلة التوريد، تضع الشركات الأساس الملموس الذي يمكن أن تُبنى عليه الهياكل الرقمية للمستقبل بأمان. في العالم العشوائي للذكاء الاصطناعي، فإن الموثوقية الحتمية للأجهزة هي الشيء الوحيد الذي يبقي النظام على أرض الواقع.