هوش مصنوعی وارد فرایندهای کاری صنعتی میشود
هوش مصنوعی بیش از پیش بهعنوان یک فناوری عملیاتی، نه صرفاً یک ابتکار دیجیتال مستقل، مطرح میشود. در محیطهای صنعتی، زمانی ارزش آن روشنتر میشود که نرمافزارهای موجود، سیستمهای کنترل، دادههای تولید و تصمیمهای انسانی را به یکدیگر متصل کند.
چالش الزاماً کمبود فناوری نیست. بسیاری از تولیدکنندگان و سازمانهای لجستیکی همین حالا نیز از برنامههای کاربردی، ماشینآلات و پلتفرمهای داده متعدد استفاده میکنند. مشکل بزرگتر، کار دستی لازم برای انتقال اطلاعات و تصمیمها میان این سیستمهاست.
یافتههای اخیر که Ace Workflow به آنها استناد کرده است، نشان میدهد ۲۶٪ از ساعات کاری مستندشده در سازمانها، و در حوزه مالی حتی ۴۴٪، بالقوه میتواند از طریق اتوماسیون هدفمند آزاد شود. اگرچه این ارقام مختص تولید نیستند، مسئله گستردهتری را برجسته میکنند که مهندسان صنایع مرتباً با آن روبهرو هستند: ناکارآمدی فرایند اغلب در رابط میان سیستمها ایجاد میشود.
گلوگاه واقعی اغلب میان سیستمهاست
اتوماسیون صنعتی بهطور سنتی بر خودکارسازی ماشینآلات منفرد، سلولهای تولید و فرایندهای کنترلی متمرکز بوده است. هوش مصنوعی مدرن با پرداختن به تصمیمها و تبادل اطلاعات پیرامون این سیستمها، لایه متفاوتی از بهینهسازی را معرفی میکند.
ممکن است یک خط تولید همین حالا دارای PLC، پلتفرمهای DCS، نرمافزار MES، سیستمهای ثبت سوابق داده، سیستمهای انبار و برنامههای سازمانی باشد. هر سیستم میتواند وظیفه موردنظر خود را بهخوبی انجام دهد، در حالی که کل فرایند همچنان به صفحهگستردهها، تأییدهای دستی، ورود مکرر داده یا مداخله اپراتور وابسته باشد.
از دیدگاه مهندسی، این تمایز مهم است. خودکارسازی یک وظیفه مجزای دیگر لزوماً کل فرایند را بهبود نمیدهد. ارزش بیشتری میتواند از اتصال زیرساخت اتوماسیون موجود به دست آید تا اطلاعات با مداخله دستی کمتر میان سیستمها جابهجا شود.
هوش مصنوعی بهعنوان لایه هوشمندی برای اتوماسیون
اینجاست که هوش مصنوعی میتواند مکمل اتوماسیون صنعتی متعارف باشد.
اتوماسیون سنتی عموماً بر اساس شرایط، توالیها و منطق کنترلی تعریفشده طراحی میشود. هوش مصنوعی میتواند لایهای برای پشتیبانی از تصمیمگیری اضافه کند که قادر است شرایط متغیر عملیاتی را تفسیر کند، الگوها را شناسایی کند و موارد استثنایی را در اولویت قرار دهد.
Adie Taylor از Arvato این رویکرد را استفاده از هوش مصنوعی بهعنوان یک لایه هوشمندی توصیف میکند؛ لایهای که به اتوماسیون اجازه میدهد به تغییرپذیری دنیای واقعی پاسخ دهد و در عین حال افراد را بر رسیدگی به موارد استثنایی متمرکز کند.
این مفهوم بهویژه برای لجستیک و تولید اهمیت دارد. سیستمهای خودکار زمانی که شرایط عملیاتی در محدوده برنامهریزیشده باقی میمانند، بسیار مؤثرند. هوش مصنوعی میتواند به تفسیر موقعیتهایی کمک کند که نمایش آنها صرفاً با قواعد ثابت دشوارتر است.
بنابراین هدف مهندسی نباید جایگزینکردن کنترل قطعی با هوش مصنوعی باشد. معماری عملیتر این است که کنترل قطعی برای عملکردهای حیاتی از نظر ایمنی و حساس به زمان حفظ شود و از هوش مصنوعی برای تحلیل، پیشبینی، بهینهسازی و پشتیبانی از تصمیمگیری در سطوح بالاتر استفاده شود.
زمینههایی که هوش مصنوعی صنعتی میتواند در آنها ارزش عملی ایجاد کند
چندین کاربرد هماکنون بهعنوان حوزههای واقعبینانه برای بهکارگیری هوش مصنوعی صنعتی در حال ظهور هستند.
نگهداری پیشبینانه میتواند دادههای تاریخی تجهیزات، اندازهگیریهای ارتعاش، مقادیر دما، هشدارها و شرایط بهرهبرداری را ترکیب کند تا الگوهای مرتبط با خرابیهای در حال شکلگیری را شناسایی کند.
بینایی ماشین میتواند از بازرسی، شناسایی نقص، مدیریت موجودی و پایش فرایندهایی پشتیبانی کند که پردازش دستی اطلاعات بصری آنها در مقیاس بزرگ دشوار است.
رباتیک هوشمند میتواند به تجهیزات خودکار اجازه دهد واکنش مؤثرتری به تغییر جریان مواد، شرایط انبار و نیازهای تولید نشان دهند.
بهینهسازی بلادرنگ میتواند از دادههای عملیاتی برای شناسایی محدودیتها و پیشنهاد اصلاحات در تولید، لجستیک یا تخصیص منابع استفاده کند.
وجه مشترک همه این موارد داده است. هوش مصنوعی نمیتواند اطلاعات نامناسبساختاریافته، سیگنالهای ناقص یا منابع داده کنترلنشده را جبران کند. بنابراین سازمانهای صنعتی باید ابزار دقیق، اتصالپذیری، کیفیت داده و یکپارچهسازی سیستمها را بخشی از اجرای هوش مصنوعی بدانند، نه دغدغههایی فنی و جداگانه.
زیرساخت قدیمی را نباید نادیده گرفت
یکی از نکات عملی مهمی که از برنامه اجلاس لندن مطرح میشود، اهمیت یکپارچهسازی هوش مصنوعی با زیرساخت موجود است.
تأسیسات صنعتی بهندرت این امکان را دارند که صرفاً برای معرفی یک قابلیت جدید هوش مصنوعی، همه PLCها، کنترلرها، حسگرها، سیستمهای SCADA یا پلتفرمهای DCS را تعویض کنند. چرخه عمر طولانی تجهیزات به این معناست که لایههای دیجیتال مدرن باید در کنار سیستمهایی فعالیت کنند که ممکن است سالها پیش نصب شده باشند.
این موضوع نیاز مهندسی به یکپارچهسازی کنترلشده ایجاد میکند.
دروازههای پروتکل، سیستمهای ثبت سوابق داده، APIها، رایانش لبهای، شبکههای صنعتی و پلتفرمهای داده میتوانند میان سیستمهای اتوماسیون موجود و برنامههای تحلیلی جدید رابط ایجاد کنند. معماری همچنین باید امنیت سایبری، تأخیر، مالکیت داده و دسترسپذیری سیستم را در نظر بگیرد.
از نظر من، این یکی از مهمترین ملاحظات عملی در هوش مصنوعی صنعتی است. راهکار موفق اغلب راهکاری خواهد بود که با زیرساخت اتوماسیون نصبشده یکپارچه شود، بدون آنکه عملکردهای کنترلی آزمودهشده را بیدلیل مختل کند.
تخصص انسانی همچنان بخشی از معماری کنترل است
هوش مصنوعی صنعتی نباید صرفاً بر اساس تعداد وظایفی که میتواند خودکار کند ارزیابی شود.
اپراتورها، مهندسان نگهداری و متخصصان فرایند دانش زمینهای ارزشمندی دارند که رمزگذاری کامل آن در نرمافزار دشوار است. آنها شرایط غیرعادی بهرهبرداری، رفتار تجهیزات و محدودیتهای تولید را درک میکنند؛ مواردی که ممکن است در مجموعهدادههای تاریخی بهوضوح دیده نشوند.
هوش مصنوعی میتواند تحلیلهای تکراری را کاهش دهد و ناهنجاریها را برجسته کند، اما مداخله انسانی همچنان زمانی اهمیت دارد که تصمیمها شامل شرایط غیرمعمول، ملاحظات ایمنی یا اهداف عملیاتی متعارض باشند.
این موضوع مدلی را پیشنهاد میکند که در آن هوش مصنوعی پردازش حجم بالای اطلاعات را بر عهده میگیرد و مهندسان اختیار تصمیمهای عملیاتی تعریفشده را حفظ میکنند. چنین رویکردی همچنین میتواند پذیرش هوش مصنوعی را آسانتر کند، زیرا اتوماسیون را بهصورت تدریجی وارد میکند و به گذار فوری به عملکرد خودکار نیاز ندارد.
حاکمیت باید همگام با استقرار توسعه یابد
گسترش هوش مصنوعی در عملیات صنعتی، الزامات حاکمیتی نیز ایجاد میکند.
شرکتها باید بدانند یک سیستم هوش مصنوعی از چه دادههایی استفاده میکند، توصیهها چگونه تولید میشوند، چه کسی مسئول اقدام بر اساس آنهاست و اگر سیستم نتیجهای نادرست تولید کند چه اتفاقی میافتد.
در محیطهای صنعتی، حاکمیت باید فراتر از ملاحظات متعارف فناوری اطلاعات باشد. ایمنی عملکردی، امنیت سایبری، کنترل دسترسی، مدیریت تغییر، قابلیت ردیابی و پاسخگویی عملیاتی، بسته به میزان تعامل هوش مصنوعی با سیستمهای تولید، همگی میتوانند اهمیت پیدا کنند.
مشارکت Schneider Electric در بحث هوش مصنوعی و اتوماسیون صنعتی، بازتابدهنده همین چالش گستردهتر است. راهبرد هوش مصنوعی زمانی که استقرار آن بر مدیریت انرژی، سیستمهای اتوماسیون و فرایندهای عملیاتی اثر میگذارد، نمیتواند در یک واحد فناوری محدود بماند.
AI LIVE London بر استقرار عملی تمرکز دارد
AI LIVE: The London Summit 2026 در روزهای ۲۰ و ۲۱ اکتبر در Olympia London برگزار خواهد شد و بیش از ۲٬۰۰۰ مدیر اجرایی را گرد هم میآورد. این رویداد بیش از ۵۰ سخنران متخصص، چهار کارگاه مدیران اجرایی و نمایشهای زنده فنی خواهد داشت.
نشست تخصصی هوش مصنوعی و اتوماسیون صنعتی در ۲۰ اکتبر، برای تولیدکنندگان، اپراتورهای لجستیکی و تیمهای مهندسی که در حال ارزیابی کاربردهای عملی هوش مصنوعی هستند، اهمیت ویژهای دارد.
موضوع کلی رویداد، فناوری + هدف انسانی، نیز مسیر مفیدی را برای بحثهای مربوط به هوش مصنوعی صنعتی نشان میدهد. پرسش روزبهروز کمتر این است که آیا هوش مصنوعی میتواند وظیفهای خاص را انجام دهد یا نه، و بیشتر این است که کجا باید به کار گرفته شود، چگونه باید با اتوماسیون موجود تعامل کند و چه مسئولیتهایی باید همچنان بر عهده افراد باقی بماند.
فرصت هوش مصنوعی صنعتی در یکپارچهسازی است، نه جایگزینی
بعید است مرحله بعدی اتوماسیون صنعتی صرفاً با افزودن هوش مصنوعی به ماشینآلات تعریف شود.
فرصت مهمتر در اتصال اطلاعات، تصمیمها و سیستمهای اتوماسیون موجود به یک معماری عملیاتی پاسخگوتر نهفته است. هوش مصنوعی میتواند حجم زیادی از دادههای صنعتی را تحلیل کند، الگوها را شناسایی کند و از تصمیمگیری پشتیبانی کند، در حالی که PLCها، پلتفرمهای DCS و سیستمهای ایمنی همچنان عملکردهای کنترلی قطعی را انجام میدهند.
برای مهندسان صنایع، این بدان معناست که پذیرش هوش مصنوعی باید با مشکلات عملیاتی مشخص آغاز شود، نه نمایشهای فناورانه. نقاط انتقال دستی را شناسایی کنید، دادههای موردنیاز را مشخص کنید، مرز تصمیمگیری را تعریف کنید و سپس تعیین کنید هوش مصنوعی در کجا میتواند ارزش قابلاندازهگیری ایجاد کند.
این رویکرد، هوش مصنوعی صنعتی را کمتر به جایگزینکردن اتوماسیون موجود و بیشتر به گسترش توانمندی زیرساخت اتوماسیون تثبیتشده تبدیل میکند.
