سجاد امینی
عضو هیات علمی دانشگاه صنعتی شریف و مشاور مدیرعامل کویر تایر
انقلاب هوش مصنوعی و هوشمندسازی قابل انکار نیست و اتفاقات گسترده ای در کل صنایع کشور در این حوزه در حال رخ دادن است و برای این منظور ضروری است چارچوب های مورد نیاز برای این امر طراحی شود.
امروزه شرکت میشلن به طور متمرکز بر تحلیل های پیش بین و شرکت کنتیننتال در حوزه مدیریت دیجیتال تایر دستاوردهای ارزشمندی داشته و همچنین بریحستون نیز در ارتباط با نگهداری پیش بین فعالیت های ارزشمندی انجام داده است.
آن چه در این زمینه اهمیت دارد چارجوبی است که شرکت های تایرساز در دنیا برای موضوع هوشمندسازی در دستور کار قرار داده اند و تعریف چارچوب مورد نیاز برای صنعت تایر کشور ما ضروری است.
شماتیک کلی تولید تایر را می توان به طور خلاصه به ورود مواد خام به بنبوری و میکسر بنبوری، تولید نیم ساخته، مونتاژ با استفاده از یک دستگاه گرین تایر، ورود به دستگاه پخت، بازرسی و در نهایت انتقال به انبار تشریح کرد. حال باید دید در هر مرحله از این مراحل چمدگانه هوش مصنوعی و هوشمندسازی چه کارآیی و امکاناتی را برای تولید ایجاد می کند.
همه این دستگاه های خط تولید از طریق یک دستگاه لبه باید دیتای خود را ثبت و این داده ها وارد لایه داده شود. اگر بخواهیم مثالی بزنیم فرضا بنبوری برای ورود به این لایه، باید داده های سنسوری ماشین مانند فشار رم، دمای لحظه ای ترکیب، سرعت چرخش تیغه ها، داده های انرژی، مواد ورودی، بصورت دقیقی در لایه داده ثبت شوند.
در مرحله بعدی لایه یادگیری است که وظیفه آن ارایه خروجی های ارزشمند از ماشین بر اساس ورودی های تعریف شده می باشد. فرض کنید داده های ورودی ما در بنبوری، سری های زمانی مرتبط با سنسورهای بنبوری، درصد رطوبت کائوچو، ویژگی های مواد اولیه، داده های تاریخی از ماشین بر اساس نتایج آزمایشگاهی هزار دسته قبلی و ویسکوزیته متناظر با آنها و … عدد ویسکوزیته را باید بتوان پیش بینی کرد و امتیاز ناهنجاری ترکیب ساخته شده را با یک خطای قابل قبول تعیین و زمان مورد نیاز برای پخت ارایه گردد که در چارچوب هوش مصنوعی قابل بررسی و ارایه است.
لایه بعدی لایه عاملی است. فرضا در بنبوری، لایه عاملی به هر دو لایه پیشین خود دسترسی دارد، به لایه یادگیری ماشین دسترسی مستقیم دارد و به لایه داده دسترسی غیرمستقیم دارد. عامل هوشمند بر مبنای یک هدف مشخص می شود و به عنوان مثال در حوزه بنبوری جلوگیری از ضایعات ماشین هدف اصلی ماست .
این لایه یک ویژگی منحصر به فرد دارد و آن قابلیت استدلال است. این لایه می تواند بر اساس پیش بینی های لایه های قبلی استدلال کند که مواد داخل بنبوری را تخلیه کند و یا ادامه دهد و لذا باید یک اقدام انجام دهد. لذا عامل هوشمند بر اساس خودکار دستورات مورد نیاز را برای ایجاد تعادل و جلوگیری از ضایعات صادر می کند و ناهنجاری ها را به دستگاه مربوطه ارسال و گزارشات مرتبط با آن را ارایه می کند.
این سه لایه باید بر کل خط تولید مترمکز باشد و در ماشین های تک مرحله ای، پرس پخت و سایر نقاط خط عملیاتی باشد.
در کشورهای پیشرفته نقاط قوت متفاوتی در مقایسه با ایران وجود دارد؛ به عنوان مثال زیرساخت های دیجیتالی را در اختیار دارند و نیازی به سرمایه گذاری در این حوزه ندارند، حسگرها در این کشورها که در لایه اول به کار می روند به راحتی در دسترس است، نیروی انسانی آگاه به هوش مصنوعی به آسانی جذب می شوند و فرهنگ تصمیم گیری داده محور و اتوماسیون بلادرنگ همگی از موضوعاتی است که در این کشورها به آسانی در اختیار تولیدکنندگان قرار دارند.
در این بین تهدیدها و فرصت هایی نیز وجود دارد؛ موضوعاتی مثل هزینه های اولیه هوشمند سازی در صنعت، پیشگیری سیستم، مقاومت نیروی انسانی، توضیح پذیری مدل ها در صنعت (صنعت در صورت توضیح پذیر نبودن داده ها در برابر آن مقاومت می کند) و … در کنار فرصت هایی مانند نگهداری پیش بینانه، ورود به حوزه رقابت جهانی و … همگی در این مدل ها قابل بررسی هستند.
همچنین چالش هایی مثل جملات سایبری، منسوخ شدن فنائری به مرور زمان که ضرورت بازبینی در فناوری ها را ایجاب می کند، خطای امارهای خودمختاری، محدودیت های باند و … نیز از موضوعاتی است که باید به آنها توجه کرد.
همچنین نیروی انسانی ارزان، انگیره های رقابتی صنعتی، تحریم ها و اثر آن بر تامین به موقع زیرساخت های مورد نیاز، ضعف در پیاده سازی عملیاتی، فاصله دانشگاه و صنعت و موضوع کاهش قیمت تمام شده تولیدات جهانی در قیاس با تولیدات ایرانی به دلیل استفاده از هوشم مصنوعی که روی رقابت پذیری تولیدات داخلی اثر منفی بر جای می گذارد، همگی باید مورد بررسی و مطالعه قرار گیرند.