متین خواجوی در گفت و گو با ایسنا درباره ملموس نبودن سهم دانش بنیان ها در حل مسائل صنعت گفت: به نظر می‌رسد این موضوع تک‌علتی نیست و از ترکیب چند عامل شکل می‌گیرد. در این زمینه هم سیاست‌گذاری و سازوکارهای همکاری با صنعت مؤثر است و هم بخشی از شرکت‌ها هنوز به بلوغ لازم برای اجرای پروژه‌ها در مقیاس صنعتی نرسیده‌اند.

وی افزود: با این حال اگر بخواهیم گلوگاه اصلی را دقیق‌تر نام ببریم، معمولاً مسئله از سمت تقاضا و شیوه خرید، پذیرش و به‌کارگیری فناوری در واحدهای صنعتی پررنگ‌تر است. در بسیاری از واحدهای صنعتی، مسئله‌ها از ابتدا دقیق و قابل سنجش تعریف نمی‌شوند. پروژه‌ها به جای اینکه با یک هدف روشن و شاخص‌های اندازه‌گیری‌شده آغاز شوند، کلی و مبهم شروع می‌شوند.

این کارشناس توسعه بازار در حوزه شرکت‌های دانش‌بنیان ادامه داد: وقتی هدف شفاف نباشد، خروجی هم قابل دفاع نمی‌شود و در نهایت اثر آن در تولید و تصمیم‌گیری‌های صنعتی دیده نخواهد شد. به عبارت دیگر تعریف درست مسئله، از همان آغاز باید مشخص باشد و اینکه قرار است چه تغییری رخ دهد، چه چیزی بهتر شود و بهبود چگونه سنجیده می‌شود را باید از همان تعیین کرد.

خواجوی بیان کرد: از سوی دیگر، مسیر رسمی همکاری صنعت با شرکت‌های نوآور معمولاً کند و پر ریسک است. بسیاری از صنایع همچنان با ساز وکارهای سنتی خرید و مناقصه پیش می‌روند؛ سازوکارهایی که برای خرید تجهیزات ثابت مناسب‌اند، اما برای راهکارهای نوآورانه‌ای که نیاز به آزمون، اصلاح، آموزش و استقرار مرحله‌ای دارند، کارآمد نیستند.

این فعال حوزه توسعه بازار و فناوری های نرم افزاری ادامه داد : نتیجه این وضعیت آن است که پروژه‌ها یا در ابعاد کوچک باقی می‌مانند، یا در حد آزمایش اولیه متوقف می‌شوند و به بهره‌برداری واقعی نمی‌رسند.

خواجوی تاکید کرد: عامل مهم دیگر، ابهام و حساسیت درباره داده است. واحدهای صنعتی نسبت به محرمانه بودن اطلاعات تولید، کیفیت، فرمول‌های خود نگرانی جدی دارند. اگر از ابتدا چارچوبی روشن برای دسترسی به داده، نگهداری امن آن، سطح محرمانگی، مسئولیت‌پذیری طرفین و حدود استفاده مشخص نشود، همکاری خیلی زود به بن‌بست می‌خورد.

وی خاطرنشان کرد: در چنین شرایطی شرکت هم نمی‌تواند با اطمینان سرمایه‌گذاری کند، چون نمی‌داند داده لازم را دریافت خواهد کرد یا خیر و آیا امکان استقرار نهایی در محیط واقعی کارخانه فراهم می‌شود یا نه و همچنین شرایط اقتصادی و زیرساختی کشور نیز فشار مضاعفی ایجاد می‌کند.

این کارشناس توسعه بازار در حوزه شرکت‌های دانش‌بنیان عنوان کرد: در کنار همه این موارد، باید واقع‌بین بود که همه شرکت‌های دانش‌بنیان نیز توان اجرای صنعتی ندارند. بخشی از شرکت‌ها در حوزه پژوهش و ساخت نمونه اولیه توانمندند، اما وقتی کار به استقرار در محیط کارخانه می‌رسد، نیاز به تجربه میدانی، پشتیبانی منظم، شناخت خط تولید، مدیریت تغییر و هماهنگی با سامانه‌های موجود پیدا می‌کند. اگر این فاصله با تیم اجرایی مناسب و تجربه عملیاتی پر نشود، پروژه در مرحله اجرا فرسایشی می‌شود و اعتماد طرف صنعتی هم کاهش می‌یابد.

خواجوی ادامه داد: در نهایت، تا زمانی که پروژه‌ها از نمایش فناوری به نتیجه قابل اندازه‌گیری در تولید تبدیل نشوند، سهم شرکت‌ها هم برای صنعت و افکار عمومی ملموس نخواهد شد؛ حتی اگر تعداد شرکت‌ها زیاد باشد.

وی اظهار کرد: ملموس شدن یعنی مدیر کارخانه بتواند با عدد و شاخص بگوید این راهکار باعث کاهش ضایعات شده، توقف خط را کم کرده، کیفیت را بالا برده یا هزینه انرژی را پایین آورده است. وقتی زبان پروژه‌ها از شعار به شاخص و نتیجه تبدیل شود، اثرگذاری شرکت‌های دانش‌بنیان هم دیده و جدی گرفته می‌شود.

مهم‌ترین چالش توسعه هوش مصنوعی در صنعت استان، نبود زیرساخت در واحدهای صنعتی

خواجوی با اشاره به چالش های توسعه هوش مصنوعی در صنایع استان گفت: اگر بخواهم فقط یک مانع را به عنوان عامل اصلی انتخاب کنم، معمولاً نبود آمادگی و زیرساخت در واحدهای صنعتی جلوتر است. چون حتی بهترین تیم‌های فنی هم بدون داده قابل اعتماد، ابزارهای اندازه‌گیری مناسب و یک مسیر درست برای جمع‌آوری و یکپارچه‌سازی اطلاعات، نمی‌توانند راهکارهای هوشمند را به نتیجه عملی و پایدار برسانند.

وی ادامه داد: در بخش قابل توجهی از کارخانه‌ها، داده‌ها هنوز پراکنده، ناقص یا غیرقابل اتکا هستند. گاهی اطلاعات به صورت دستی ثبت می‌شود، گاهی تعریف شاخص‌ها در بخش‌های مختلف یکسان نیست، گاهی توقفات خط تولید یا علت خرابی‌ها دقیق و منظم ثبت نمی‌شود. در چنین شرایطی هر قدر هم تحلیل انجام شود، خروجی در عمل ضعیف خواهد بود؛ چون پایه تصمیم‌سازی بر اطلاعات سست و ناپایدار بنا شده است.

این کارشناس توسعه بازار در حوزه شرکت‌های دانش‌بنیان یاد آور شد: البته کمبود نیروی متخصص هم مسئله‌ای جدی است، اما چالش فقط تحلیلگر داده نیست. صنعت بیشتر به نیروهایی نیاز دارد که بتوانند راهکار را از مرحله طراحی به مرحله استقرار، بهره‌برداری و پشتیبانی واقعی برسانند؛ یعنی فرد یا تیمی که هم منطق مدل‌های هوشمند را درک کند، هم بتواند آن را در کنار تجهیزات و سامانه‌های موجود کارخانه پیاده کند، و بعد نگهداری، اصلاح و به‌روزرسانی آن را به شکل منظم پیش ببرد.

نگاه هزینه‌محور و محتاطانه مدیران صنعتی به هوش مصنوعی

وی گفت: در تجربه ما، نگاه غالب مدیران صنعتی در آغاز همکاری، بیشتر هزینه‌محور و محتاطانه است. این رویکرد هم کاملاً طبیعی است؛ مدیر صنعتی با تولید روزانه، کیفیت محصول، تعهد به مشتری و فشار دائمی هزینه‌ها روبه‌روست و نمی‌تواند روی مسیری که نتیجه‌اش برایش روشن نیست، ریسک سنگین انجام دهد.

خواجوی ادامه داد: بخشی از این احتیاط به تجربه‌های قبلی برمی‌گردد. بعضی واحدها پروژه‌هایی دیده‌اند که روی کاغذ و در ارائه‌ها بسیار جذاب بوده، اما در عمل یا به نتیجه قابل استفاده نرسیده یا بعد از مدتی نیمه‌کاره رها شده است. همین تجربه باعث می‌شود مدیر صنعتی در قدم اول دو سؤال مشخص داشته باشد: این کار دقیقاً کدام شاخص را بهتر می‌کند؟ و اگر در اجرا دچار مشکل شد، چه کسی پاسخگو است. به بیان دیگر، مدیر دنبال عدد و مسئولیت روشن است، نه صرفاً وعده‌های کلی.

وی خاطر نشان کرد: نکته مهم اینجاست که اگر پروژه درست تعریف شود و اثرش در میدان واقعی کارخانه دیده شود، نگاه مدیران خیلی سریع تغییر می‌کند و فرصت‌محور می‌شود. وقتی مدیر با چشم خودش ببیند ضایعات کاهش یافته، کنترل کیفیت دقیق‌تر شده، توقفات خط تولید کمتر شده یا برنامه‌ریزی تولید قابل اتکاتر شده است، دیگر این راهکار را هزینه اضافه نمی‌بیند؛ آن را یک ابزار افزایش بهره‌وری و سودآوری می‌داند.

این فعال حوزه توسعه بازار و فناوری های نرم افزاری تاکید کرد: در نتیجه می‌توان گفت مدیران صنعتی عموماً محتاط‌اند، اما محتاط بودن به معنی مخالفت نیست. اگر نمونه موفق واقعی، در همان جنس صنعت و در شرایط مشابه کشور ارائه شود و نتیجه به‌صورت عددی و قابل سنجش گزارش شود، بسیاری از مدیران آماده‌اند همکاری را توسعه دهند و برای گسترش آن سرمایه‌گذاری کنند.

تبدیل هوش مصنوعی به یک ابزار فراگیر در صنعت البرز

وی در باره تبدیل هوش مصنوعی به یک ابزار فراگیر گفت: به نظر من اقدام فوری و اولویت‌دار این است که چند پروژه واقعی و اثرگذار اجرا شود؛ نه در حد آزمایش و نمایش، بلکه در مقیاس کارخانه و با هدف نتیجه قابل اندازه‌گیری. به جای پراکندگی در تعداد زیادی پروژه کوچک که معمولاً در میانه مسیر متوقف می‌شوند، باید چند پروژه کلیدی انتخاب شود و تا مرحله بهره‌برداری کامل پیش برود؛ پروژه‌هایی که بتوانند به الگوی قابل تکرار در استان تبدیل شوند.

خواجوی گفت: برای انتخاب درست نقطه شروع، یک اقدام عملی و نسبتاً سریع این است که گروهی از شرکت‌های دانش‌بنیان و فناور برترِ حوزه هوش مصنوعی به شکل سازمان‌یافته به بازدیدهای صنعتی بروند. هدف این بازدیدها صرفاً معرفی توانمندی‌ها نیست؛ بلکه باید کمک کند مسئله‌های واقعی خط تولید، کنترل کیفیت، نگهداری و تعمیرات، و انرژی شناسایی و اولویت‌بندی شود. مسئله‌هایی باید انتخاب شوند که واقعاً با راهکارهای هوشمند قابل حل‌اند و اثر اقتصادی روشن دارند.

وی با بیان اینکه خروجی این بازدیدها نیز بهتر است به یک گزارش عمومی و کلی ختم نشود، ادامه داد: برای هر صنعت و حتی هر کارخانه، باید گزارش سفارشی تهیه شود که دقیقاً مشخص کند مهم‌ترین مسئله‌ها کدام‌اند، چه داده‌هایی لازم است، چه زیرساختی باید آماده شود و ترتیب منطقی اجرای پروژه‌ها چیست. در واقع، برای هر واحد صنعتی یک سند کلان زیرساخت دیجیتال و نقشه راه هوش مصنوعی تدوین شود تا مدیران صنعتی و شرکت‌های فناور روی یک مسیر مشترک به توافق برسند و نقطه شروع دقیق داشته باشند.

خواجوی گفت: اما محور اصلی همه اینها داده است و بدون آن هیچ راهکاری به نتیجه نمی‌رسد. مسئله فقط داشتن داده نیست؛ کیفیت داده تعیین‌کننده است. اگر داده‌ها ناقص، پراکنده، ناسازگار یا دستی و غیرقابل اتکا باشند، خروجی هم قابل اعتماد نخواهد بود.

وی افزود: بنابراین در همان سند کلان باید تکلیف جمع‌آوری داده، استاندارد ثبت داده، یکپارچه‌سازی داده‌ها و مسئولیت کیفیت داده روشن شود. در بسیاری از کارخانه‌ها، اولین گام درست قبل از هر مدل هوشمند، اصلاح مسیر ثبت و نگهداری داده است.

خواجوی ادامه داد: در کنار داده، موضوع پشتیبانی هم حیاتی است و معمولاً نادیده گرفته می‌شود. راهکار هوشمند مثل یک تجهیز ثابت نیست که نصب شود و تمام. به نگهداری، پایش عملکرد، به‌روزرسانی و پاسخگویی در زمان خطا نیاز دارد. اگر از ابتدا سازوکار پشتیبانی مشخص نباشد، پروژه حتی اگر خوب هم شروع شود، بعد از چند ماه فرسوده می‌شود و اعتماد مدیران صنعتی را از بین می‌برد. بنابراین باید از همان ابتدا مشخص شود مسئول پشتیبانی چه کسی است، زمان پاسخگویی چقدر است و عملکرد راهکار چگونه به‌صورت مستمر پایش می‌شود.

وی بیان کرد: در مجموع معتقدم که بهترین اقدام فوری، ایجاد یک مسیر روشن از شناسایی مسئله واقعی در کارخانه تا تدوین سند کلان زیرساخت و نقشه راه، و سپس شروع پروژه‌های نتیجه‌محور با داده باکیفیت و پشتیبانی پایدار است. وقتی این الگو چند بار موفق تکرار شود، هوش مصنوعی در صنعت البرز به شکل طبیعی فراگیر می‌شود؛ چون صنعت با چشم خودش نتیجه را می‌بیند و اعتماد شکل می‌گیرد.

انتهای پیام