دموی پروژه خوب پیش رفت. مدل روی داده‌های سال گذشته بچ‌های درست را علامت زد، اسلاید یک عدد دقت قشنگ نشان داد و همه گفتند «امیدوارکننده است». شش ماه بعد هیچ‌کس در خط تولید سراغش نمی‌رود. کسی تصمیم نگرفت آن را کنار بگذارد؛ فقط هیچ‌وقت به کف کارگاه نرسید.
بعد از ۲۴ سال کار در تولید و با کارشناسی ارشد مهندسی صنایع، به این نتیجه رسیده‌ام که مشکل به‌ندرت خود مدل است. شکاف جایی است بین نوت‌بوک تحلیلگر و کار روزمرهٔ کسانی که باید از خروجی استفاده کنند. گارتنر در سال ۲۰۲۴ این را صریح گفت: پیش‌بینی کرد که دست‌کم ۳۰٪ پروژه‌های هوش مصنوعی مولد تا پایان ۲۰۲۵ بعد از مرحلهٔ اثبات مفهوم (PoC) رها می‌شوند؛ به دلیل کیفیت پایین داده، کنترل ضعیف ریسک، هزینه‌های رو به افزایش یا ارزش کسب‌وکاری نامشخص. هیچ‌کدام از این دلیل‌ها به الگوریتم ربطی ندارد.
در این مقاله هفت جایی را که پایلوت‌ها معمولاً در آن گیر می‌کنند مرور می‌کنم، با یک مثال عددی فرضی نشان می‌دهم ارزش چطور از دست می‌رود، یک کارت امتیاز آمادگی برای تولید می‌دهم که همین هفته می‌شود تکمیلش کرد، و در آخر یک چک‌لیست کوتاه.
هفت شکاف بین پایلوت و ابزاری که واقعاً استفاده می‌شود
- لوله‌کشی داده. در پایلوت، کسی دستی یک فایل CSV خروجی گرفت. در تولید، داده باید خودش، به‌موقع و در هر شیفت برسد. اگر تصمیم کنار ماشین و در چند دقیقه گرفته می‌شود، خروجی روزانه به هیچ دردی نمی‌خورد.
- مالکیت. پایلوت مال یک متخصص داده یا یک پیمانکار است. وقتی او سراغ کار دیگری می‌رود، هیچ‌کس در عملیات مالک نتیجه، آستانه‌ها و بودجه نیست.
- تغییر فرایند. مدل سیگنال می‌دهد، اما دستورالعمل کار عوض نشده است. کسی ننوشته چه کسی واکنش نشان می‌دهد، با چه سرعتی و «واکنش» دقیقاً یعنی چه.
- اعتماد اپراتور. اگر هفتهٔ اول چند هشدار اشتباه بدون توضیح بیاید، آدم‌ها دیگر نگاه نمی‌کنند. اعتماد در خط تولید ساخته می‌شود، نه در کمیتهٔ راهبری.
- شاخص موفقیت اشتباه. دقت یا F1 در گزارش خوب به نظر می‌رسد، اما مدیر کارخانه به ضایعات، توقف، نفرساعت یا پول فکر می‌کند. اگر قبل از پایلوت خط مبنا را اندازه نگرفته باشید، بعد از آن چیزی را نمی‌توانید ثابت کنید.
- نگهداری (MLOps). مواد، تأمین‌کننده‌ها، دستور ساخت و ماشین‌ها عوض می‌شوند. مدلی که کسی پایشش نمی‌کند آرام‌آرام بدتر می‌شود. پژوهشگران گوگل سال‌ها پیش این را بدهی فنی پنهان در سیستم‌های یادگیری ماشین نامیدند: برد سریع هیچ‌وقت مجانی نیست.
- یکپارچگی با MES و ERP. خروجی در یک داشبورد یا زبانهٔ جداگانهٔ مرورگر می‌ماند. اپراتور در MES کار می‌کند و برنامه‌ریز در ERP. اگر هشدار همان‌جایی که کار انجام می‌شود دیده نشود، عملاً وجود ندارد.
اگر هنوز دارید اولین مورد کاربرد را انتخاب می‌کنید، از مقالهٔ کاربردهای هوش مصنوعی در تولید که واقعاً سود می‌دهند شروع کنید. برای یک پایلوت اول کم‌ریسک، پایلوت دستیار اسناد هوشمند (RAG) یا نگهداری پیش‌بینانه روی یک تجهیز حیاتی را ببینید. دو تا از شکاف‌های بالا در اصل مسئلهٔ انضباط داده‌اند که در مالکیت دادهٔ مرجع قبل از یکپارچه‌سازی ERP–MES و دیکشنری KPI درباره‌شان نوشته‌ام.
مثال عددی: ارزش کجا نشت می‌کند؟ (فرضی)
عددهای زیر یک مثال فرضی است، نه داده‌های یک کارخانهٔ واقعی. فقط نشان می‌دهد چرا یک مدل خوب می‌تواند تقریباً هیچ نتیجه‌ای ندهد.
یک خط روزانه ۴۰ بچ تولید می‌کند و حدود ۵٪ آن‌ها در بازرسی نهایی رد می‌شوند؛ یعنی تقریباً ۲ بچ معیوب در روز. گرفتن زودهنگام هر بچ معیوب حدود ۱٫۵ ساعت دوباره‌کاری را صرفه‌جویی می‌کند. در آزمون روی داده‌های گذشته، مدل ۷۰٪ بچ‌های معیوب را پیدا می‌کند. روی اسلاید یعنی ۱٫۴ بچ در روز و حدود ۲٫۱ ساعت صرفه‌جویی روزانه.
در کف کارگاه، نرخ واقعی تشخیص برابر است با مدل ضرب در همهٔ حلقه‌های اطرافش:
| حلقهٔ زنجیره (فرضی) | پایلوت همان‌طور که مستقر شد | آمادهٔ تولید |
|---|---|---|
| مدل بچ معیوب را پیدا می‌کند (آزمون روی داده‌های گذشته) | ۷۰٪ | ۷۰٪ |
| داده قبل از تمام شدن بچ می‌رسد | ۳۰٪ (خروجی دستی) | ۹۵٪ (فید خودکار از MES) |
| هشدار همان‌جایی که اپراتور کار می‌کند دیده می‌شود | ۵۰٪ (داشبورد جدا) | ۹۰٪ (روی صفحهٔ MES) |
| اپراتور بر اساس هشدار اقدام می‌کند | ۶۰٪ (بی‌دستورالعمل، اعتماد کم) | ۸۵٪ (طرح واکنش، دکمهٔ بازخورد) |
| سهم واقعی بچ‌های معیوبی که گرفته می‌شوند | ۷۰٪ × ۳۰٪ × ۵۰٪ × ۶۰٪ ≈ ۶٪ | ۷۰٪ × ۹۵٪ × ۹۰٪ × ۸۵٪ ≈ ۵۱٪ |
| ساعت دوباره‌کاری صرفه‌جویی‌شده در روز (۲ بچ معیوب × ۱٫۵ ساعت × سهم) | ≈ ۰٫۲ ساعت | ≈ ۱٫۵ ساعت |
همان مدل، همان متخصص داده، همان دقت. در ستون اول پایلوت روزی حدود ۰٫۲ ساعت صرفه‌جویی می‌کند و کسی در جلسه به‌حق می‌گوید «هوش مصنوعی اینجا جواب نمی‌دهد». در ستون دوم روزی حدود ۱٫۵ ساعت، یعنی تقریباً هشت برابر، و تنها چیزهایی که عوض شدند لوله‌کشی داده، جای نمایش، دستورالعمل و اعتماد بودند. تلاش برای رساندن پایلوت به تولید باید دقیقاً همین‌جا خرج شود.
کارت امتیاز آمادگی برای تولید
قبل از گسترش یک پایلوت، یا حتی قبل از شروعش، به هر ردیف نمرهٔ ۰، ۱ یا ۲ بدهید. با حضور مالک خط، فناوری اطلاعات و کسی که مدل را ساخته، حدود یک ساعت وقت می‌گیرد.
| بُعد | نمرهٔ «۲» یعنی |
|---|---|
| مالک کسب‌وکاری | یک نفر مشخص در عملیات مالک نتیجه، آستانه‌ها و بودجه است. |
| شاخص موفقیت | یک KPI کسب‌وکاری (ضایعات، توقف، نفرساعت، پول) با خط مبنایی که قبل از پایلوت اندازه گرفته شده. |
| خط لولهٔ داده | داده خودکار می‌رسد، با تأخیری که با زمان تصمیم جور است؛ بدون خروجی دستی. |
| یکپارچگی | خروجی در MES، ERP یا همان صفحه‌ای که آدم‌ها همین حالا استفاده می‌کنند نمایش داده می‌شود. |
| تغییر فرایند | دستورالعمل کار می‌گوید چه کسی، با چه سرعتی و چطور واکنش نشان می‌دهد؛ اپراتورها آموزش دیده‌اند. |
| اعتماد اپراتور | هشدارها با یک دلیل ساده می‌آیند؛ اپراتور می‌تواند «مفید / هشدار اشتباه» بزند؛ نرخ هشدار اشتباه با خودشان توافق شده. |
| پایش و نگهداری | کسی هر ماه عملکرد را بررسی می‌کند، می‌داند کی باید مدل را دوباره آموزش داد و هر نسخهٔ مدل ثبت می‌شود. |
| برنامهٔ جایگزین | اگر مدل یا فید داده از کار بیفتد، خط می‌داند چه کند و هیچ‌کس تولید را به انتظار آن متوقف نمی‌کند. |
از پایلوت تا تولید، قدم‌به‌قدم
- تصمیم را بنویسید. در یک جمله: مدل به کدام تصمیم کمک می‌کند، چه کسی آن را می‌گیرد و با چه سرعتی.
- اول خط مبنا را اندازه بگیرید. روی KPI کسب‌وکاری توافق کنید و چند هفته قبل از راه‌اندازی آن را اندازه بگیرید.
- خروجی دستی را حذف کنید. منبع داده را درست وصل کنید، حتی اگر اولش فقط یک ماشین یا یک جدول باشد.
- خروجی را همان‌جایی بگذارید که کار انجام می‌شود. یک صفحهٔ MES، یک فیلد ERP، یک پیام به سرشیفت. نه یک پرتال جدید.
- دستورالعمل کار را با خود اپراتورها عوض کنید. بگذارید در نوشتن طرح واکنش کمک کنند. آدم‌ها به چیزی اعتماد می‌کنند که در ساختنش سهم داشته‌اند.
- دو تا چهار هفته در حالت سایه اجرا کنید. مدل پیش‌بینی می‌کند، آدم‌ها مثل همیشه کار می‌کنند و شما مقایسه می‌کنید. هشدارهای اشتباه را قبل از رسیدن به خط اصلاح کنید.
- مالک نگهداری را مشخص کنید. پایش، شرط‌های آموزش دوباره و نسخه‌های مدل یک اسم و یک وقت ماهانه داشته باشند.
- تصمیم بگیرید: گسترش، اصلاح یا توقف. با کارت امتیاز و مقایسهٔ KPI با خط مبنا. متوقف کردن زودهنگام یک پایلوت ضعیف نتیجهٔ خوبی است، نه شکست.
نتیجه
وقتی این شکاف‌ها بسته شوند، پایلوت هوش مصنوعی دیگر یک دمو نیست و بخشی از روال کار خط می‌شود. عددی دارید که مدیر کارخانه قبولش دارد، اپراتورهایی که از هشدارها استفاده می‌کنند چون در شکل دادنشان سهم داشته‌اند، و مدلی که کسی مراقبش است. یک مسیر تکرارپذیر هم به دست می‌آورید، تا مورد کاربرد دوم به‌جای چند ماه چند هفته طول بکشد.
چک‌لیست قبل از گسترش پایلوت هوش مصنوعی
- تصمیم، تصمیم‌گیرنده و زمان واکنش نوشته شده است.
- یک KPI کسب‌وکاری خط مبنایی دارد که قبل از راه‌اندازی اندازه گرفته شده.
- داده خودکار و به‌اندازهٔ کافی سریع برای آن تصمیم جریان دارد.
- خروجی در MES، ERP یا صفحه‌ای که اپراتورها همین حالا استفاده می‌کنند دیده می‌شود.
- دستورالعمل کار و طرح واکنش همراه با اپراتورها به‌روز شده است.
- اجرای سایه پیش‌بینی‌ها را با واقعیت مقایسه کرده و هشدارهای اشتباه کم شده‌اند.
- پایش، آموزش دوباره و برنامهٔ جایگزین هر کدام یک مالک مشخص دارند.
- کارت امتیاز ۱۲ یا بیشتر است و در مالک، شاخص یا داده صفر ندارد.
پایلوتی دارید که هیچ‌وقت به خط نرسید؟
اگر مدلی دارید که در دمو خوب بود ولی در کف کارگاه کسی از آن استفاده نمی‌کند، یک پیام کوتاه برایم بفرستید. می‌توانیم کارت امتیاز را با هم مرور کنیم، ضعیف‌ترین حلقه را پیدا کنیم و برای آوردنش به کار روزمره یک برنامهٔ واقع‌بینانه بچینیم، یا صادقانه تصمیم بگیریم متوقفش کنیم.
تماس با من بخوانید: ۵ کاربرد سودآور هوش مصنوعی بخوانید: نگهداری پیش‌بینانه روی یک تجهیز
منابع
- Gartner (July 29, 2024). Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025.
- Sculley, D. et al. (2015). Hidden Technical Debt in Machine Learning Systems. NeurIPS 2015.