تقدير المشروع
← كل المقالات

الذكاء الاصطناعي في التصنيع

تناقش هذه التدوينة الصناعة 4.0 والاتجاهات التي قد تسلكها، والطريقة التي يتيح بها الذكاء الاصطناعي هذا النوع من التقدم.

6 دقائق قراءة
تعلّم الآلةالذكاء الاصطناعي

نتناول هنا قطاعًا يُنتظر أن يستفيد كثيرًا من الذكاء الاصطناعي: قطاع الصناعات التحويلية.

وفي الوقت نفسه، يجني المصنّعون بالفعل فوائد الأتمتة والروبوتات والممارسات القائمة على البيانات. والصناعة 4.0 مصطلح مخصص لإدخال التقدم التقني إلى أعمال التصنيع. وسنقدم لمحة موجزة عنها بعد قليل، ثم نستعرض مجموعة من الأمثلة التي توضح كيف يمكن للذكاء الاصطناعي المساعدة في تحسين هذا القطاع.

ما هي الصناعة 4.0؟

الصناعة 4.0

المصدر: calsoft.com

ظهرت الصناعة 4.0، المعروفة أيضًا بالثورة الصناعية الرابعة، كمصطلح في العقد الثاني من الألفية، وتوصف عادةً بأربعة أنواع من التقنيات:

  • اتصال أكبر: عبر إنترنت الأشياء (IoT) وتقنية السحابة، مع إضافة blockchain أحيانًا.
  • التحليلات المتقدمة واتخاذ القرارات المبنية على البيانات عبر تحليل بيانات متطور وتعلّم الآلة
  • التفاعل بين الإنسان والآلة: الواقع الافتراضي (VR) والواقع المعزز (AR) والروبوتات والأتمتة.
  • الهندسة المتقدمة: الطباعة ثلاثية الأبعاد أو الطاقة المتجددة أو الروبوتات النانوية.

قد يبدو هذا مستقبليًا جدًا، لكن الكثير منه مستخدم بالفعل على نطاق واسع (مثل أتمتة المستودعات بالروبوتات أو المتاجر التي لا تتطلب الدفع عند الخروج مثل Amazon GO). سأستعرض أدناه عدة أمثلة، مركّزًا في الغالب على جانب الذكاء الاصطناعي، لأنه الأهم في هذه التدوينة.

الذكاء الاصطناعي لقطاع التصنيع

في الأقسام التالية سنستعرض عددًا من مجالات التطبيق الرئيسية التي يحسّن فيها الذكاء الاصطناعي العمل في المصانع والمستودعات. وسنبدأ بالفحص الآلي للجودة، ثم ننتقل إلى فهم المستندات والعدّ الآلي وسلامة المستودعات والصيانة التنبؤية.

مراقبة الجودة الآلية في المكوّنات والمنتجات النهائية

قد لا تكون هذه الأمثلة الأكثر لفتًا للنظر، لكن في الإنتاج واسع النطاق العامل في بيئات عالية الأداء، يجب اكتشاف القطع المعيبة ثم إصلاحها أو التخلص منها. وهذا مهم لأن هذا العمل كان يؤديه البشر ويستغرق وقتًا أطول بكثير، بينما يستطيع الذكاء الاصطناعي الآن زيادة الإنتاج التصنيعي بشكل كبير مع خفض تكاليف الإنتاج والتشغيل.

تحديات المجال

أبرز التحديات في هذا المجال هي:

  • قد يصعب الحصول على مجموعات بيانات متخصصة.
  • إمكانية محدودة لـنقل التعلّم (transfer learning)، لأن كل مشكلة فريدة.
  • ندرة العيوب وتنوعها قد تستدعي حلولًا توليدية (مثل GAN أو Stable Diffusion)

عيوب في صفائح الفولاذ

عيّنات من عيوب الفولاذ من مجموعة بيانات Severstal.

لنبدأ باكتشاف العيوب في صفائح الفولاذ (مع أن المشكلة تبدو مشابهة للمواد الخام الأخرى). إنها مسألة حاسمة، لأن صفائح الفولاذ المعيبة قد تنتهي في منتج آخر وتؤثر في متانته أو خصائصه الفيزيائية. وتتراوح العيوب بين أنواع مختلفة من المسامية والأكسدة والبقع الساخنة الناجمة عن الحرارة.

اكتسبت المشكلة زخمًا في التعلّم العميق (Deep Learning) بعد نشر التحدي على Kaggle، الذي أنتج بدوره أوراقًا بحثية ذات صلة في هذا المجال (مثل ورقة من IEEE). وكانت البنى الأفضل أداءً لهذه المشكلة هي مجموعات (ensembles) من شبكات UNet وFPN دُرّبت خصيصًا على مجموعات بيانات عيوب الفولاذ.

عيوب في الهياكل المعقدة (بما فيها الطباعة ثلاثية الأبعاد)

البقع الساخنة المكتشفة في هياكل فولاذية معقدة، المصدر: Towards real-time in-situ monitoring of hot-spot defects in L-PBF

تُعد الهياكل المعقدة، التي تُصنَّع غالبًا بطابعات ثلاثية الأبعاد، مجالًا آخر مثيرًا لاكتشاف العيوب. وهنا قد لا تواجه العيوب الكاميرا مباشرة أو حتى لا تكون على السطح؛ فقد تقع في اللحامات أو في الزوايا، ما يجعل التقاطها صعبًا بالكاميرات العادية RGB. وللالتفاف على ذلك، تُستخدم غالبًا كاميرات الأشعة تحت الحمراء/فائقة الأطياف، لأنها قد تكون أقل حساسية للتداخلات البيئية مثل انعكاسات الضوء.

الصيانة التنبؤية

اكتشاف التآكل، المصدر: v7labs.com

بما أن بنية إنترنت الأشياء التحتية موجودة من حولنا بالفعل، يمكننا استخدام بعض هذه المستشعرات لتوقّع متى ستحتاج قطع معينة إلى إصلاح (لتقليل الخسائر أو الأعطال) أو لمجرد مراقبة حالتها. وبمزيد من التفصيل:

  1. مراقبة الاهتزازات – اكتشاف اهتزازات غير معتادة قد تشير إلى الحاجة إلى صيانة قبل فوات الأوان.
  2. تتبع درجة الحرارة – تتيح موازين الحرارة أو كاميرات الأشعة تحت الحمراء اكتشاف السخونة الزائدة.
  3. فحص جودة الزيت – عبر مراقبة ضغط الهواء في الأنظمة الهوائية.
  4. اكتشاف التآكل والبلى – كما في المثال أعلاه، تُستخدم الرؤية الآلية لإيجاد العيوب.

عملية التصنيع في الخلفية: المستندات

Document AI من Google، المصدر: Google Cloud

تجلب المصانع الكبيرة مزيدًا من البيروقراطية، وعاجلًا أم آجلًا عددًا متزايدًا باستمرار من المستندات. وفي مرحلة ما لا يستطيع شخص واحد تتبع كل شيء، وهنا يأتي دور فهم المستندات والتعرف الضوئي على الحروف (OCR). ولا أقصد التعرف الضوئي الأساسي، مثل قراءة لوحات السيارات، بل استخراج العلاقات (Relation Extraction) (مثل استنتاج من باع ماذا لمن وبأي كمية بمرونة)، كما تقدمه Google أو Microsoft أو حتى Snowflake. ولأن الموضوع معقد إلى حد ما ويأتي بتحديات كثيرة خاصة بالمجال، نادرًا ما تختار الشركات أدوات داخلية متخصصة، وتكتفي بالأدوات العامة «الجيدة بما يكفي» من مزودي السحابة المذكورين أعلاه.

تحديات المجال

أبرز التحديات في هذا المجال هي:

  • مشكلات متعلقة بالتخطيط، مثل تحليل الجداول وفواصل الصفحات.
  • وصول محدود إلى بيانات موسومة بشكل صحيح.
  • معالجة محدودة لـالمستندات متعددة اللغات.

العدّ الآلي في الإنتاج الضخم

المصدر:viso.ai

غالبًا ما يتضمن التصنيع إنتاج كميات كبيرة من السلع، وقد يتطلب ذلك وسيلة سريعة وموثوقة لعدّها. ويمكن تحقيق ذلك بوسائل ميكانيكية أو بحلول تستخدم الكاميرات فقط لتحديد الكميات بدقة. ويمكن لتطبيق رؤية حاسوبية (Computer Vision) التعامل مع ذلك، ثم نشره بتهيئات مختلفة (ومنها تطبيقات الجوال). وتعتمد هذه الحلول عادةً على اكتشاف أجسام مضبوط جيدًا، وبناؤها وطرحها سهل نسبيًا.

تحديات المجال

لكن الصعوبة الرئيسية في هذا المجال هي تنوع البيئات من حيث الخلفية والإضاءة والحجب المحتمل.

إدخال السلامة إلى عمليات التصنيع

التنبؤ بالحوادث بواسطة Scanflow. المصدر: scanflow.ai

المستودعات والمصانع ليست أماكن آمنة – فقد تحدث الإصابات أو أنواع أخرى من الضرر حرفيًا عند كل منعطف. وأي حادث قد يؤذي الناس والمعدات معًا، ما يرفع التكاليف ويعطّل سلسلة الإمداد بدوره.

وفوق ذلك، تمتلئ المستودعات بصورة متزايدة بالآلات الآلية، لذا فإن الحلول المتطورة التي تتوقع مثل هذه الحوادث وتمنعها ذات قيمة كبيرة (مثل قرب خط الإنتاج أو عند تحريك أرفف المنصات).

يُعد Scanflow وSurveily مثالين جيدين على هذه الحلول. فهما لا يقللان الحوادث فحسب، بل يساعدان أيضًا في فرض سياسات سلامة معينة في البيئات الصناعية.

تحديات المجال

تحليل الفيديو لدى Surveily، المصدر: suveily.com

أبرز التحديات في هذا المجال هي:

  • الجانب الزمني للفيديو (مثل احتمال وقوع تصادم)
  • توفر محدود لـالبيانات.
  • نطاق غير محدود من الحوادث المحتملة.

تطوير منتجات جديدة

بنية Nvidia H100

نظرة على بنية Nvidia H100، التي صُمّمت جزئيًا بواسطة الذكاء الاصطناعي، المصدر: Nvidia

تتيح البيانات الواسعة عن الاستخدام والمشكلات والطلب والسوق تصميم منتجات جديدة أفضل.

وNvidia مثال رائع: فهي تجرّب الذكاء الاصطناعي التوليدي والتعلّم المعزز في تصميم الرقائق.

تحديات المجال

عمليًا، أبرز التحديات في هذا المجال هي:

  • أهداف تقييم غير واضحة.
  • يجب أن يحترم أي حل مقترح قوانين الفيزياء (وهو أمر شائك غالبًا مع الذكاء الاصطناعي التوليدي).
  • الحاجة إلى بيئة محاكاة مفصّلة ومتقنة.

الخلاصات

ناقشت هذه التدوينة الصناعة 4.0 والاتجاهات التي قد تسلكها، والطريقة التي يتيح بها الذكاء الاصطناعي هذا النوع من التقدم. ويُعتمد الذكاء الاصطناعي على نطاق أوسع باستمرار، ليس في شكل روبوتات الدردشة فحسب، بل أيضًا بفضل التقدم في الرؤية الحاسوبية التطبيقية (كما أظهرت الأمثلة الكثيرة أعلاه).