خط تولید در مه

در بسیاری از کارخانه‌های ایرانی، تصمیم‌گیری هنوز بر پایه‌ی ترکیبی از داده‌های ناقص و تجربه‌ی مدیران انجام می‌شود؛ داده‌ها وجود دارند، اما اغلب با تأخیر ثبت می‌شوند، کامل نیستند یا به‌گونه‌ای ذخیره شده‌اند که تصویر دقیقی از وضعیت واقعی خط تولید ارائه نمی‌دهند. در کنار این داده‌ها، مدیر به تجربه‌ی خود، شناختش از تأمین‌کننده‌ها، وضعیت بازار و محدودیت‌های اجرایی تکیه می‌کند تا تصمیم بگیرد تولید را چگونه تنظیم کند، کجا سرعت را کم کند و کجا ریسک کند.

در چنین بستری، حتی در شرایط عادی هم تصمیم‌گیری کاملاً داده‌محور نیست. حال اگر همین سامانه وارد وضعیت بحران شود، برای مثال اختلال در تأمین مواد، قطعی انرژی یا بی‌ثباتی در حمل‌ونقل، همان داده‌های نیمه‌قابل‌اتکا نیز کارکرد خود را تا حد زیادی از دست می‌دهند؛ اطلاعات دیرتر می‌رسند، سریع‌تر بی‌اعتبار می‌شوند و آنچه در سامانه ثبت شده، لزوماً با آنچه در خط تولید می‌گذرد یکی نیست.

در این نقطه، مدیر در عمل با وضعیتی مواجه است که تصویر روشنی از آن ندارد. نه می‌تواند به‌طور کامل به داده‌ها تکیه کند و نه می‌تواند بدون آن‌ها تصمیم بگیرد. تصمیم‌ها باید سریع گرفته شوند، اما مبنای آن‌ها ناقص است. این همان وضعیتی است که می‌توان آن را «مه تصمیم‌گیری» نامید: جایی که دید نسبت به وضعیت واقعی محدود است و هر تصمیم با درجه‌ای از حدس، تجربه و ریسک همراه است.

این همان وضعیتی است که می‌توان آن را «مه تصمیم‌گیری» نامید: جایی که دید نسبت به وضعیت واقعی محدود است و هر تصمیم با درجه‌ای از حدس، تجربه و ریسک همراه است.

در چنین شرایطی، مسئله‌ی اصلی دیگر این نیست که تولید چطور بهینه شود، بلکه این است که اصلاً متوقف نشود! در این وضعیت، مدیر به‌جای این‌که دنبال بهترین ترکیب تولید باشد، به این فکر می‌کند که با مواد موجود چه کاری را می‌توان ادامه داد، کدام خط را باید موقتاً کنار گذاشت و چگونه می‌توان از توقف کامل جلوگیری کرد. به بیان ساده، تمرکز از «بیشترین بهره‌وری» به «ادامه‌پذیری تولید» جابه‌جا می‌شود.

بعضاً این انتظار وجود دارد که هوش مصنوعی بتواند این وضعیت را حل کند. اما در عمل، در اغلب کارخانه‌های ایران، هوش مصنوعی هنوز به این سطح از تصمیم‌گیری وارد نشده است. آنچه وجود دارد، اگر هم باشد، بیشتر در حد تحلیل داده‌های گذشته یا کمک به کنترل برخی فرآیندها است، نه تصمیم‌گیری در شرایط متغیر و ناپایدار. دلیل این موضوع هم روشن است: وقتی داده‌ها ناقص و ناپایدارند، مدل‌ها نیز نمی‌توانند خروجی قابل اتکایی برای تصمیم‌های حساس تولید بدهند.

وقتی داده‌ها ناقص و ناپایدارند، مدل‌ها نیز نمی‌توانند خروجی قابل اتکایی برای تصمیم‌های حساس تولید بدهند.

با این حال، این مورد به معنای بی‌فایده بودن هوش مصنوعی نیست؛ مسئله این است که نقش هوش مصنوعی در این فضا باید درست فهمیده شود. در شرایطی که داده کامل نیست و آینده قابل پیش‌بینی دقیق نیست، انتظار اینکه AI  بهترین تصمیم را پیشنهاد دهد، واقع‌بینانه نیست، اما می‌تواند کار مهم‌تری انجام دهد: کمک به روشن‌تر شدن وضعیت.

برای مثال، هوش مصنوعی به‌جای اینکه بگوید چه باید کرد، می‌تواند نشان دهد اگر مواد اولیه به‌موقع نرسد چه بخشی از تولید دچار اختلال می‌شود، یا اگر یک خط متوقف شود، چه اثری بر کل سامانه می‌گذارد. به‌عبارت دیگر، می‌تواند به مدیر کمک کند پیامد تصمیم‌های مختلف را قبل از اجرا ببیند، حتی اگر نتواند یک پاسخ قطعی ارائه دهد.

در این حالت، هوش مصنوعی جایگزین تصمیم‌گیرنده نیست، بلکه نقش آن بیشتر شبیه یک ابزار کمکی است که محدوده‌ی تصمیم را شفاف‌تر می‌کند و تصمیم نهایی همچنان بر عهده‌ی مدیر باقی می‌ماند؛ زیرا بخشی از واقعیت، از محدودیت‌های اجرایی تا تغییرات ناگهانی، در هیچ داده‌ای ثبت نشده است.

بنابراین، مسئله‌ی امروز بسیاری از کارخانه‌های ایران این نیست که چگونه نقش هوش مصنوعی را در بحران بازتعریف کنند، بلکه این است که چگونه اصلاً آن را به شکلی قابل استفاده وارد فرآیند تصمیم‌گیری کنند. تا زمانی که داده‌ها به حد کافی قابل اتکا نباشند و فاصله‌ی میان سامانه‌های اطلاعاتی و واقعیت خط تولید کاهش پیدا نکند، انتظار استفاده‌ی پیشرفته از AI در سطح تصمیم‌گیری مدیریتی، واقع‌بینانه نخواهد بود.

تا زمانی که داده‌ها به حد کافی قابل اتکا نباشند و فاصله‌ی میان سامانه‌های اطلاعاتی و واقعیت خط تولید کاهش پیدا نکند، انتظار استفاده‌ی پیشرفته از AI در سطح تصمیم‌گیری مدیریتی، واقع‌بینانه نخواهد بود.

در نهایت، آنچه شرایط بحران به صنعت تحمیل می‌کند، بیش از هر چیز، نیاز به تصمیم‌گیری در وضعیتی است که اطلاعات ناقص و متغیر است. در چنین فضایی، مزیت نه در داشتن مدل‌های پیچیده‌تر، بلکه در توانایی ترکیب درست داده، تجربه و ابزارهای تحلیلی است. هوش مصنوعی اگر در این چارچوب و با این انتظار واقع‌بینانه به‌کار گرفته شود، می‌تواند به کاهش خطای تصمیم کمک کند؛ نه با ارائه‌ی پاسخ‌های قطعی، بلکه با روشن‌تر کردن همان مهی که تصمیم‌گیری در آن انجام می‌شود.