چرا پروژه‌های هوشمندسازی در ایران شکست می‌خورند؟

با وجود افزایش محسوس پروژه‌های هوشمندسازی صنعتی در کشور، هنوز هیچ بازتاب روشنی از میزان موفقیت یا شکست این پروژه‌ها در دسترس نیست. این غیبت آمار، اتفاقی نیست؛ کارفرمایان تمایل ندارند پروژه‌ای را که با تبلیغات فراوان به‌عنوان نماد نوآوری معرفی کرده‌اند، شکست‌خورده اعلام کنند، و پیمانکاران نیز ترجیح می‌دهند ناکامی‌های خود را از دید صنعت پنهان نگاه دارند. استمرار این وضعیت، صنعت را در موقعیتی قرار می‌دهد که نه امکان یادگیری دارد، نه فرصت بلوغ و نه زیرساخت لازم برای اتکا به توان داخلی شکل می‌گیرد. این مقاله تلاش می‌کند ابعاد پنهان و ریشه‌ای این شکست‌ها را به‌صورت دقیق‌ و بی‌پرده تحلیل کند.

با وجود افزایش محسوس پروژه‌های هوشمندسازی صنعتی در کشور، هنوز هیچ بازتاب روشنی از میزان موفقیت یا شکست این پروژه‌ها در دسترس نیست. این غیبت آمار، اتفاقی نیست؛ کارفرمایان تمایل ندارند پروژه‌ای را که با تبلیغات فراوان به‌عنوان نماد نوآوری معرفی کرده‌اند، شکست‌خورده اعلام کنند، و پیمانکاران نیز ترجیح می‌دهند ناکامی‌های خود را از دید صنعت پنهان نگاه دارند.

چنین فضایی موجب تداوم چرخه‌ای از تجربه‌های ناموفق می‌شود؛ چرخه‌ای که نه نقد می‌شود، نه اصلاح، و نه حتی به‌عنوان منبع یادگیری تلقی می‌گردد. نتیجه آن است که صنعت به‌جای تقویت ظرفیت‌های بومی و افزایش توان مهندسی، بار دیگر به سمت راهکارهای گذشته، یعنی خرید ماشین‌آلات خارجی به‌جای توسعه‌ی دانش داخلی، بازمی‌گردد. استمرار این وضعیت، صنعت را در موقعیتی قرار می‌دهد که نه امکان یادگیری دارد، نه فرصت بلوغ و نه زیرساخت لازم برای اتکا به توان داخلی شکل می‌گیرد. برای گسستن از این چرخه، لازم است ابعاد پنهان و ریشه‌ای شکست‌ها به‌صورت دقیق‌ و بی‌پرده تحلیل شوند.

 شکاف مهارتی در مدیریت پروژه

شکاف مهارتی در مدیریت پروژه[i] و ناتوانی در تعریف صحیح مسئله، نخستین و بنیادی‌ترین عامل شکست است. هوشمندسازی صنعتی برخلاف تصور رایج، یک فناوری «آماده‌ی خرید» نیست.

هوشمندسازی صنعتی برخلاف تصور رایج، یک فناوری «آماده‌ی خرید» نیست.

این پروژه‌ها ماهیتی فرآیندی دارند و باید مبتنی‌بر چرخه‌ای از جمع‌آوری داده، معماری داده، مدل‌سازی، استقرار در محیط عملیاتی و بازآموزی مستمر شکل گیرند.

اما بخش قابل توجهی از کارفرمایان هنوز هوشمندسازی را در سطح «تأمین یک سامانه» می‌بینند. چنین نگاهی، پروژه را از روز نخست در مسیر نادرست قرار می‌دهد؛ زیرا اصل پروژه، یعنی تعریف دقیق مسئله، اصلاً انجام نمی‌شود.

بخش قابل توجهی از کارفرمایان هنوز هوشمندسازی را در سطح «تأمین یک سامانه» می‌بینند. چنین نگاهی، پروژه را از روز نخست در مسیر نادرست قرار می‌دهد؛ زیرا اصل پروژه، یعنی تعریف دقیق مسئله، اصلاً انجام نمی‌شود.

پروژه‌ی هوش مصنوعی زمانی معنا دارد که مسئله‌ی صنعتی با حد کافی از عمق، تحول‌پذیری، محدودیت‌های فرآیندی، بازه‌های عملیاتی، اثرات خطا و هزینه‌های تصمیم‌گیری تعریف شده باشد.

وقتی مسئله حتی در سطح صنعتی روشن نیست، هر مدل هوش مصنوعی بر بستری لرزان بنا می‌شود. پروژه‌ای که بر مفروضات غلط آغاز شود، حتی با بهترین فناوری‌ها نیز در اجرا به شکست منتهی خواهد شد. فقدان این بلوغ شناختی موجب می‌شود پیمانکار نیز نتواند حد استانداردی از کیفیت را عرضه کند، چرا که نقطه‌ی مرجع و معیارهای پذیرش از ابتدا مخدوش بوده‌اند. در چنین حالتی، شکست نه یک احتمال، بلکه یک نتیجه طبیعی است.

الزامات سیستمی منسجم

پایه‌ی‌ یک پروژه‌ی هوشمندسازی موفق، وجود یک سند الزامات سیستمی منسجم[ii] (SRS)، چندلایه و قابل‌پیگیری است که از قلب تجربیات قبلی، استانداردها و چارچوب‌های مرجع، طراحی مهندسی و تجربیات پروژه‌های مشابه استخراج می‌شود. این سند باید از سطح نیازمندی‌های فرآیندی آغاز شود، به الزامات داده‌ای، مدل، استقرار، امنیت، نگهداشت و عملیات امتداد یابد و در نهایت به معیارهای پذیرش و سنجش عملکرد ختم شود.

اما آنچه در صنعت ایران دیده می‌شود فاصله‌ای فاحش با این سطح دارد. تمامی RFP های هوشمندسازی صنعتی در تمامی صنایع، به چند جمله محدود می‌شوند؛ بدون اینکه چارچوب مسئله، حدود عملیات، ساختار ریسک، نیازمندی‌های داده، محدودیت‌های فیزیکی، سطح بلوغ فناوری موجود در کارخانه و حتی هدف واقعی پروژه مشخص شده باشد.

در غیاب SRS، پیمانکار نه می‌داند چه چیزی باید بسازد و نه می‌تواند تعهد عملکردی ارائه دهد. کارفرما نیز ابزار ارزیابی و تحویل‌گیری ندارد. پروژه اساساً «قابل مدیریت» نیست؛ زیرا هیچ زیرساخت مفهومی برای مدیریت آن شکل نگرفته است. چنین پروژه‌هایی در بهترین حالت یک دمو تحویل می‌دهند، اما هرگز به سطح بهره‌برداری پایدار نمی‌رسند.

طبیعت راه‌حل‌های AI صنعتی[iii]

تفاوت بنیادی راهکارهای صنعتی مبتنی‌بر هوش مصنوعی با پروژه‌های مکانیکی یا IT در «ماهیت پویای مدل» نهفته است. در صنعت، هیچ فرآیندی ثابت نیست. رفتار تجهیزات در طول زمان تغییر می‌کند؛ کیفیت ماده ورودی دستخوش نوسان است؛ شرایط محیطی و پیرشدگی تجهیزات، الگوهای جدیدی از داده را پدید می‌آورند. به این ترتیب، مدل هوش مصنوعی که براساس داده‌های گذشته آموزش دیده، ناگزیر در آینده با داده‌هایی مواجه می‌شود که قبلاً هرگز مشابهش را ندیده است.

این حقیقت، نیاز به یک چرخه‌ی دائمی بازآموزی، اصلاح و پایش ایجاد می‌کند. مدل نه یک محصول نهایی، بلکه یک «سازه‌ی پویا» است؛ موجودیتی که دائما باید خود را با شرایط صنعتی تطبیق دهد.

اما آنچه در صنعت ایران رخ می‌دهد، تقلیل مدل به یک نرم‌افزار است؛ نرم‌افزاری که پس از استقرار، کسی انتظار تغییر یا بازآموزی از آن ندارد. همین نگاه باعث می‌شود مدل، که در زمان تحویل پروژه ممکن است عملکرد مطلوبی داشته باشد، در عرض چند ماه کاملاً ناکارآمد شود. درک نکردن ماهیت تطبیقی مدل، دومین دلیل بنیادین شکست پروژه‌های هوشمندسازی است.

درک نکردن ماهیت تطبیقی مدل، دومین دلیل بنیادین شکست پروژه‌های هوشمندسازی است.

ابزارهای گردآوری داده

در بسیاری از صنایع کشور، تصور غالب آن است که داده‌های موجود اعم از Log sheet، فایل‌های Excel یا چند سیگنال محدود PLC  می‌تواند مواد اولیه ساخت مدل هوش مصنوعی باشد. این نگاه حاصل ذهنیتی است که سال‌ها صنعت را با حداقلی از داده اداره کرده، اما واقعیت امروز صنعت جهان چنین نیست.

در هوشمندسازی، کیفیت داده تعیین‌کننده‌ی‌ کیفیت مدل است. و کیفیت داده، تنها از طریق ابزارهای اندازه‌گیری[iv] پیشرفته و شبکه‌های جمع‌آوری داده دقیق حاصل می‌شود. بسیاری از مؤلفه‌های حیاتی فرآیند از جمله رفتارهای گذرای تجهیزات، جریان‌های غیرخطی، ناهنجاری‌های لحظه‌ای، تغییرات کیفیت ماده، ارتعاشات یا نوسان‌های دمایی در داده‌های فعلی صنایع ایران اصلاً ثبت نمی‌شوند.

در چنین شرایطی، مدل بر «داده‌ای که وجود ندارد» ساخته می‌شود. نتیجه کاملاً قابل پیش‌بینی است: مدلی با ظاهر قابل قبول، اما بدون توان واقعی در تبیین رفتار فرآیند. این ناکارآمدی نه ناشی از ضعف مدل‌سازی، بلکه محصول فقدان زیرساخت اندازه‌گیری است. تا زمانی که صنعت سرمایه‌گذاری در ابزارهای داده‌برداری[v] را لازمه‌ی هوشمندسازی نداند، هیچ مدل پایداری قابل تحقق نخواهد بود.

 راه‌حل‌های AI صنعتی در عملیات

مهم‌ترین بخش چرخه‌ی هوشمندسازی، مرحله‌ی عملیات است؛ جایی که مدل از محیط کنترل‌شده‌ی آزمایشگاهی وارد عالم پیچیده، متغیر و گاه غیرقابل‌پیش‌بینی صنعت می‌شود. در این مرحله، مدل با داده‌هایی مواجه می‌شود که نه تنها متفاوت از داده‌های آموزش هستند، بلکه گاه با هیچ‌یک از الگوهای گذشته شباهتی ندارند.

این مواجهه، ذاتاً مدل را به سمت انحراف سوق می‌دهد و بدون یک چرخه‌ی‌ منسجم نگهداشت، مدل به‌سرعت از کار می‌افتد. تغییر رفتار تجهیزات، ناپایداری داده‌ها، افزایش نویز، تغییرات محیطی و دگرگونی شرایط فرآیند، همگی موجب افول دقت مدل می‌شوند. در کنار این‌ها، مدل‌های حذف نویز نیز به دلیل تغییر طیف نویز محیطی باید بازطراحی شوند.

این مرحله نیازمند بلوغ در مدیریت گردآوری داده در حین عملیات (DataOps)، مدیریت کیفیت داده در حین عملیات (DQOps) و مدیریت مدل هوش مصنوعی در حین عملیات (AIOps) است؛ بلوغی که نه تنها در صنعت وجود ندارد، بلکه در بسیاری از سازمان‌ها و شرکت‌های ارائه‌دهنده‌ی راهکارهای هوشمندسازی صنعتی اصلاً شناخته نشده است.

در غیاب این زیرساخت عملیاتی، مدل هرچند در لحظه تحویل پروژه شایسته به‌نظر برسد، اما ظرف مدت کوتاهی کاملاً ناکارآمد می‌شود. اینجاست که پروژه‌های هوشمندسازی، یکی پس از دیگری، در مرحله‌ی بهره‌برداری شکست می‌خورند.

[i] Proficiency Gap in Project Governance
[ii] System Requirement Specifications
[iii] Nature of Industrial AI Solutions
[iv] Data Acquisition Instrument
[v] Data Acquisition