ذكاؤك الاصطناعي الطرفي يرصد كل عيب. لكنه يرفض أيضًا 12% من القطع السليمة

كنت واقفًا بجوار مكبس تشكيل بقوة 200 طن، أراقبه وهو يقذف قطعًا سليمة إلى صندوق الخردة.

كان الخط يعمل بمعدل نحو 40 ضربة في الدقيقة. كاميرتا GigE ركّبناهما فوق القالب كانتا تلتقطان النتوءات والتعبئة الناقصة بشكل رائع — في المختبر، بلغ النموذج دقة 97%. أما على أرض المصنع، فكان يرفض 14% من القطع السليمة تمامًا. وقف مدير المصنع بجواري وذراعاه متقاطعتان وطرح السؤال الوحيد الذي يهم: لماذا زاد الذكاء الاصطناعي الخاص بك للتو من معدل الخردة لديّ سوءًا؟

غيّر ذلك الصباح طريقة تفكيري في هذه الفئة بأكملها. فالعرض الترويجي لـالذكاء الاصطناعي الطرفي في فحص الجودة الصناعي نظيف جدًا لدرجة يكاد لا يُقاوَم: ضع وحدة معالجة رسومات صغيرة على الناقل، وشغّل الاستدلال في اثنتي عشرة مللي ثانية، والتقط كل عيب في الوقت الفعلي. ستبيعك NVIDIA العتاد بكل سرور. وستبيعك Landing AI النموذج. ثم تقف على أرض المصنع وتراقب 14% من قطعك السليمة وهي تسقط في صندوق الرفض، فتدرك أن لا أحد باعك الجزء الذي يهم فعلًا.

العتاد يعمل. أما النشر فلا. تلك الفجوة هي جوهر العمل كله.

إليك الرقم الذي أعاد صياغة المشكلة برمّتها بالنسبة لي: 84% من مشاريع تكامل الأنظمة تفشل أو تفشل جزئيًا. ليس لأن الاستدلال كان بطيئًا جدًا. وليس لأن النموذج لم يكن دقيقًا بما يكفي. إنها تفشل عند المفاصل — حيث يلتقي الذكاء الاصطناعي بالمكبس، ووحدة التحكم المنطقية القابلة للبرمجة، والإضاءة، والشبكة، والوردية الليلية. لقد بنينا ممارسة Veriprajna لفحص الذكاء الاصطناعي الطرفي حول تلك الحقيقة غير المريحة: إدخال الذكاء الاصطناعي الطرفي إلى الإنتاج هو مشكلة تكامل وتشغيل ترتدي زيّ العتاد.

الشهر الذي أمضيته في إصلاح الشيء الخطأ

عندما أظهر خط التشكيل ذاك معدل 14% لأول مرة، فعلت تمامًا ما يفعله مهندس يثق بالنماذج. افترضت أن النموذج ضعيف. فأعدنا تدريبه. أضفنا بيانات، وعدّلنا عتبات الثقة، وشغّلنا مزيدًا من الحقب التدريبية. لم يتغير معدل الرفض. أمضيت الجزء الأكبر من شهر مقتنعًا بأنني إن جعلت الشبكة أذكى فحسب، فإن أرض المصنع ستتصرف مثل المختبر.

لكنها لم تفعل. والسبب في أنها لم تفعل هو أهم شيء تعلّمته على الإطلاق في هذا المجال.

التُقطت صور المختبر تحت إضاءة LED حلقية مضبوطة. أما على المكبس، فإن الصفيحة المعدنية تعكس أضواء العنبر العلوية بشكل مختلف عند كل زاوية ضربة. ويتجمّع زيت التشكيل بشكل مختلف على قالب دافئ عنه على قالب بارد. والقطع الخمسون الأولى من الوردية — قبل أن تبلغ العدّة توازنها الحراري — تبدو فعلًا مختلفة عن القطع بعد ساعة. لم يكن نموذجي مخطئًا. بل إن نموذجي لم يرَ قط العالم الذي يعيش فيه المكبس حقًا.

لم يكن الحل له علاقة بالشبكة على الإطلاق. كان إضاءةً خلفية مستقطبة لإزالة الانعكاس المرآوي عن المعدن المزيّت، وكاميرا حرارية لربط مظهر السطح بدرجة حرارة القالب، ومجموعة تدريب أُعيد بناؤها لتشمل ظروف البدء البارد، ومنتصف التشغيل، ونهاية التشغيل. النموذج الذي أمضيت شهرًا في "إصلاحه" كان سليمًا طوال الوقت. لقد كنت أحدّق في الطبقة الخطأ من المنظومة.

القطع الخمسون الأولى من الوردية لا تشبه القطعة التي درّبت عليها. وإذا لم ترَ بياناتك القالب البارد، فإن خطك سيرفض القالب البارد.

إنه درس مكلف أن تتعلمه على أرض مصنع عميل. إنه الدرس الذي حوّلنا من أشخاص يبنون نماذج إلى أشخاص يبنون عمليات نشر.

لماذا تموت المشاريع بهدوء عند عبارة "فقط ضع وحدة Jetson عليه"

بعد فترة كنت أقدّم عرضًا لأحد المصنّعين، فلوّح مسؤول العمليات بيده وقال، بما معناه، فقط ثبّت وحدة Jetson على الناقل وشغّل الاستدلال — ما مدى صعوبة ذلك؟

أتفهّم هذه الغريزة. فالعتاد فعلًا مجرد أمر شراء. لكن دعني أطلعك على ما تطلّبه خط التشكيل ذاك بالفعل بعد إصلاح الإضاءة، لأن هنا يكمن العمل الحقيقي.

يجب أن تصل نتيجة الفحص إلى وحدة Allen-Bradley ControlLogix عبر EtherNet/IP كي يُطلق مُشغِّل الرفض فعليًا داخل نافذة الضربة البالغة 750 مللي ثانية. إن فوّتّ تلك النافذة، فأنت قد حدّدت عيبًا بشكل صحيح ثم شحنته على أي حال. يجب وسم كل قطعة بنتيجة فحصها في نظام تنفيذ التصنيع (MES) لأغراض التتبّع. ويجب توجيه صور العيوب إلى لوحة تحكم مهندس الجودة، مصفّاةً بحسب فئة العيب ومحطة القالب، وإلا غرق المهندس. لا شيء من ذلك مشكلة نموذج. بل كل ذلك هو الفرق بين عرض توضيحي وخط يعمل دون إشراف في الوردية الثالثة.

هذا أيضًا هو الجدار الذي يصطدم به لاجئو التجارب السحابية — المشترون الذين أنفقوا بالفعل دورة ميزانية على تجربة فحص لم تستطع مجاراة الخط. قد تكون الرحلة ذهابًا وإيابًا إلى وحدة معالجة رسومات سحابية رائعة للتدريب، لكن نافذة مُشغِّل بمقدار 750 مللي ثانية لا تترك مجالًا لقفزة شبكية إلى مركز بيانات وعودة منه. لم تفشل تجربتهم لأن النموذج كان سيئًا؛ بل فشلت لأن القرار كان لا بد أن يحدث في مكان لا تستطيع السحابة الوصول إليه في الوقت المناسب أبدًا. البنية الصحيحة هجينة بحكم الفيزياء لا التفضيل: درّب في السحابة أو محليًا حيث تملك وحدات معالجة الرسومات، واستدلّ عند الطرف حيث تعيش البيانات وينتظر المُشغِّل.

عندما نجمع أين يذهب وقت مشروع حقيقي، فإن أعمال التكامل — سباكة التقنية التشغيلية/تقنية المعلومات (OT/IT)، ومصافحات وحدة التحكم المنطقية القابلة للبرمجة (PLC)، وخط أنابيب البيانات — تشكّل نحو 60% من الجدول الزمني. أما تدريب النموذج فيبلغ نحو 15%. والعتاد، الشيء الذي يركّز عليه الجميع، مجرد بند في أمر شراء. نحو ثلثي المصنّعين يواجهون تعطّلات إنتاجية أثناء التكامل لمجرد أن أنظمتهم لا تستطيع التحدث بعضها إلى بعض، وتعقيد الأنظمة القديمة هو السبب الأكثر ذكرًا. هذا هو معدل الفشل البالغ 84% بالحركة البطيئة.

هنا أيضًا ينهار مشهد المورّدين بهدوء بالنسبة لمصنّع متوسط الحجم. Siemens Industrial Edge ممتاز حقًا — تكامل عميق مع S7-1500، وشهادة أمان IEC 62443، وإدارة أسطول حقيقية — إن كنت تشغّل Siemens من طرف إلى طرف. لكن إن كنت تشغّل Allen-Bradley على نصف خطوطك، وهو ما تفعله معظم المصانع التي أدخلها، فإن Industrial Edge لا يجسر تلك الفجوة. ويُغلِق FactoryTalk VisionAI من Rockwell الحلقة ببراعة مع ControlLogix ويتيح لطاقم الجودة لديك تدريب النماذج دون كتابة أي شفرة — داخل منظومة Rockwell فقط. وتشغّل NVIDIA Metropolis الفحص في أكثر من 50 مصنعًا بدقة ملحوظة، لكنها تبيعك حِزم تطوير برمجية وعتادًا، لا حلًّا منشورًا في بيئتك التشغيلية المحددة، وتربطك برقائق NVIDIA. كل واحد من هذه الحلول يحل شريحة حقيقية. ولا واحد منها يحل خط الأنابيب من التكامل إلى التشغيل لمصنع يشغّل Siemens وAllen-Bradley جنبًا إلى جنب — وهو ما تفعله كل المصانع تقريبًا.

لماذا لا يصبح النموذج ببساطة أذكى بمرور الوقت؟

هذا هو السؤال الذي يطرحه عليّ المشترون المتمكنون تقنيًا، وهو يستحق إجابة حقيقية بدلًا من التملّص.

القيد الصادق ليس النموذج — بل البيانات التي تحته. 34% فقط من المصنّعين لديهم أنظمة إنتاج مع بث بيانات في الوقت الفعلي. أما الثلثان الآخران فما زالا في مرحلة التجريب. إن كان مؤرشِفك يسجّل قراءة كل خمس ثوانٍ بينما يجب أن يحدث قرار فحصك في خمسين مللي ثانية، فلا قدر من الحوسبة الطرفية يسدّ تلك الفجوة — إنه عدم تطابق معماري، لا مشكلة ضبط. وبيانات التدريب أسوأ مما يعترف الناس: نحو 5% فقط من المصنّعين يحتفظون بسجلات شاملة لأعطال المعدات، وهي بالضبط البيانات التي سيحتاج نموذج تنبّؤي إلى التعلّم منها. وأسماء الوسوم غير المتّسقة والطوابع الزمنية المفقودة في طبقة OPC-UA تسمّم النموذج بهدوء قبل وقت طويل من أن يلوم أحدهم الخوارزمية.

لذا قبل أن ندرّب أي شيء، غالبًا ما يتعيّن علينا بناء الشيء الذي لم يخصّص له أحد ميزانية: طبقة بيانات على مستوى المصنع قادرة فعلًا على تغذية نموذج طرفي في الوقت الفعلي. إنه أمر غير برّاق. وهو أيضًا سبب أن المشاريع التي تنجز هذا بشكل صحيح تشهد نشرًا للذكاء الاصطناعي أسرع بنحو 4 أضعاف والتقاطًا للقيمة أعلى بمقدار 3 أضعاف مقارنةً بتلك التي تتخطّاه.

الإخفاق الذي علّمنا أن التشغيل هو نصف المهمة

إليك الجزء من الذكاء الاصطناعي الطرفي الذي لا يضعه أحد في عرض المبيعات.

انهار نشرٌ طرفي في مجال اللوجستيات راقبته من الخارج بعد ستة أشهر من إطلاق ناجح. عملت الأجهزة. وعملت النماذج. ثم أخرجت مشكلة في الطاقة 30% من 500 جهاز عن الخدمة، ولأن لا أحد كان قد بنى عملية لاستكشاف الأعطال ميدانيًا، استغرق كل جهاز 48 ساعة لإعادته إلى العمل. لم يمت المشروع بسبب ذكاء اصطناعي سيئ. بل مات بسبب غياب خطة تشغيل.

أفكّر في تلك الحادثة باستمرار، لأنها نمط الإخفاق الذي لا يُرى على نطاق التجربة ويكون قاتلًا على نطاق الإنتاج. تحديث نموذج في السحابة هو خط أنابيب تكامل مستمر/تسليم مستمر (CI/CD). أما تحديث نموذج عبر 200 جهاز طرفي في 15 مصنعًا في 4 دول فيمسّ إدارة تغيير التقنية التشغيلية، وأمن الشبكة، وجدولة الإنتاج دفعةً واحدة — ومعظم المؤسسات ليس لديها عملية راسخة لذلك. زر التراجع الذي لم يُختبَر قط تحت حمل الإنتاج ليس زر تراجع. إنه دعاء.

التجربة تثبت أن الذكاء الاصطناعي يمكن أن يعمل مرة واحدة. أما التشغيل فهو ما يجعله يعمل في الوردية الثالثة في المصنع رقم اثني عشر، بعد ستة أشهر، دون أن يكون أحد من المورّد على الهاتف.

لذا الآن، قبل أن ننشر أي شيء على نطاق واسع، نبني الإطار التشغيلي أولًا: تحديثات نماذج عبر الأثير مع مسار تراجع مارسناه فعلًا، ومراقبة صحة الأجهزة، وإجراءات صيانة مكتوبة بحيث يستطيع فنّي تقنية تشغيلية تنفيذها دون الاتصال السريع بالمورّد. البنية التحتية غير البرّاقة هي ما يفصل بين نشرٍ يبقى حيًّا وآخر ينطفئ بهدوء.

خفض عمليات الرفض الخاطئة من 14% إلى ما دون 2%

دعني أعود إلى صندوق الرفض، لأن هذا هو الرقم الذي يفقد بسببه مدير الجودة نومه فعلًا.

الفحص البصري الآلي الجاهز يعمل عادةً بـمعدل رفض خاطئ يبلغ 5–15%. هذا ليس خطأ تقريب — فعلى نطاق واسع هو ضريبة على المنتج السليم، والأسوأ أنه يعلّم مشغّليك ألا يثقوا بالنظام. نظام رؤية بذكاء اصطناعي مضبوط جيدًا يصل إلى ما دون 2% بينما يظل يلتقط أكثر من 99% من العيوب الحقيقية. الرحلة بين هذين الرقمين هي الحرفة كلها، ولا شيء منها تقريبًا هو "نموذج أفضل".

إنها إضاءة منظّمة ومستقطبة كي يتوقف المعدن عن مقاومتك. إنها صيانة عتاد منضبطة — فمعظم تسلّل الرفض الخاطئ يعود إلى مصدر ضوء منجرف أو عدسة ملطّخة، لا إلى الخوارزمية. إنها تجزئة على مستوى البكسل تتيح لك كتابة قاعدة يثق بها مهندس الجودة فعلًا: هل يوجد خدش أطول من مليمترين ضمن خمسة مليمترات من سطح الإحكام؟ تلك القدرة الواحدة تتيح لك التوقف عن رفض العيوب التجميلية دون التساهل مع العيوب التي تُنتج مطالبات الضمان.

وهي انضباط في المعايرة على مستوى الرقاقة. لتشغيل سريع على جهاز طرفي، تكمّم النموذج إلى INT8 — وهو ضغط، إن تم بإهمال، يهوي بدقتك. أما إذا تم بمجموعة معايرة سليمة من نحو ألف قطعة تمثيلية تغطي كل نوع عيب وكل تباين طبيعي، فتبلغ خسارة الدقة نحو 0.2%، بينما تحصل على تقليص للذاكرة بنحو 4 أضعاف، وفي أحد الاختبارات المرجعية، تسريع بمقدار 32 ضعفًا. لكن تلك النسبة 0.2% تفترض أنك تعايِر بشكل صحيح. التكميم الساذج بعد التدريب الذي تنفذه معظم سلاسل الأدوات افتراضيًا قد يكلّفك بهدوء عدة نقاط من الدقة؛ أما التدريب المدرك للتكميم — بدمج الضغط في التدريب نفسه — فيستعيد معظمها. كثير من الفرق لا تدرك الفرق أبدًا حتى يبدأ الخط في الرفض المفرط فيذهبون للبحث عن خلل في النموذج كان في الحقيقة خيار تكميم. والفخ الآخر هو أن مجموعة المعايرة يجب أن تغطي ظروف البدء البارد ونهاية التشغيل أيضًا — نفس الدرس الذي لقّنني إياه خط التشكيل، ظاهرًا طبقةً واحدة إلى الأسفل.

ثمة قرار في استراتيجية المورّدين مدفون هنا يكلّف الناس مالًا حقيقيًا. إن كنت تترجم برمجيًا إلى TensorRT من NVIDIA فقط، فإن نموذجك متزوّج بعتاد NVIDIA إلى الأبد. نحن نصدّر إلى ONNX أولًا ونحتفظ بمسار مزدوج — ONNX Runtime لعمليات النشر المختلطة والمبنية على ARM، وTensorRT حيث يكون العبء بالفعل ثقيلًا على NVIDIA. إنه خيار معماري صغير يحفظ بهدوء قدرتك على التفاوض مع مورّد عتادك بعد ثلاث سنوات من الآن.

عندما يكون العيب صوتًا، لا صورة

فحص الجودة هو الباب الأمامي، لكن مشكلة الطرف نفسها تظهر في الصيانة التنبّؤية — وهي حيث أرى الثقة الزائفة الأكثر كلفة.

الذكاء الاصطناعي الصوتي والاهتزازي لصحة الآلات حقيقي ومُثبَت؛ فقد بنت Augury شركة بمليار دولار عليه مع عملاء مثل PepsiCo وNestlé. لكن المقياس الذي يُقتبَس في العروض التوضيحية — معدل الاكتشاف — يخفي المقياس الذي يقتل التبنّي. معدل إيجابيات خاطئة بنسبة 5% عبر 2000 أصل مراقَب يعني 100 أمر عمل غير ضروري في كل دورة فحص. يطارد فنّيوك مئة عطل وهمي، فلا يجدون شيئًا، وخلال شهر يتوقفون عن الاستجابة للتنبيهات بأي إلحاح على الإطلاق. إجهاد الإنذارات ليس مشكلة بشرية؛ بل هو إخفاق ضبط يخلق مشكلة بشرية.

المعيار الذي أُلزم أنفسنا به هو معيار Ford: تنبّأت نماذجها بنسبة 22% من أعطال المكوّنات قبل نحو عشرة أيام بمعدل إيجابيات خاطئة بنسبة 2.5%، موفّرةً 122000 ساعة من التعطّل ونحو 7 ملايين دولار على نوع مكوّن واحد. الفجوة بين إيجابيات خاطئة بنسبة 5% و2.5% هي الفرق بأكمله بين نظام يثق به فريق صيانتك وآخر يتعلّمون تجاهله.

هذا مهم لأن تكلفة الخطأ فادحة ومحددة: التعطّل غير المخطّط في قطاع السيارات يبلغ نحو 22000 دولار في الدقيقة. النظام التنبّؤي الذي يطلق إنذارات كاذبة لا يهدر ساعات الفنّيين فحسب — بل يقوّض الثقة التي كانت لتمنع العطل الوحيد المهم.

الموعد النهائي للامتثال الذي لم تبدأ معظم المصانع العمل عليه

يسألني الناس هل التنظيم حقيقي أم مجرد ضجيج استشاري. إنه حقيقي، والساعة محددة.

معظم الالتزامات بموجب قانون الذكاء الاصطناعي للاتحاد الأوروبي تصبح سارية بالكامل في 2 أغسطس 2026. بالنسبة للذكاء الاصطناعي في التصنيع، يعني ذلك تتبّعًا كاملًا لسلالة البيانات، ونقاط تحقّق يشارك فيها الإنسان ضمن الحلقة للقرارات التي تمسّ السلامة، ووسوم تصنيف مخاطر على كل نموذج. تبدو عبارة "تتبّع سلالة البيانات" كأنها أعمال ورقية إلى أن تدرك أنها تعني أن كل قرار رفض يتخذه صندوقك الطرفي يجب أن يكون قابلًا لإعادة البناء بعد عام — وهو ما يغيّر كيفية تسجيلك على مستوى الجهاز، لا كيفية رفعك للتقارير للأعلى فحسب. أنا الآن أصمّم مخطط التسجيل قبل النموذج. سقف العقوبة هو 35 مليون يورو أو 7% من إجمالي الإيرادات السنوية العالمية. ما يغيّره ذلك، عمليًا، هو أن قرارات بنيتك في 2026 باتت تتشكّل الآن بناءً على قدرتها على الصمود أمام التدقيق التنظيمي — لا على دقتها فحسب. النموذج الذي لا تستطيع تتبّع قراراته لم يعد مجرد مخاطرة تقنية؛ بل هو مخاطرة تتعلق بالإيداعات القانونية.

طبقة الأمان تتحرك بالتوازي. يحدّد IEC 62443 كيف تبقى أنظمة التحكم الصناعية آمنة، والأجهزة الطرفية التي تتخذ قرارات رفض ذاتية تحتاج إلى عتاد معتمد وموثوق — فمورّدون مثل Advantech وInnodisk يشحنون بالفعل وحدات معتمدة وفق 62443. ومن الجدير بالذكر أنه حتى Siemens Industrial Edge تلقّى تنبيهًا من CISA في يناير 2026 يستوجب رقعة لتجاوز التفويض. المنصة الأكثر قدرة في هذه الفئة ظلت بحاجة إلى ترقيع. الوضع الأمني عند الطرف ليس خانة تأشير؛ بل التزام تشغيلي دائم.

هل يؤتي أي من هذا ثماره فعلًا؟

بلى، والأرقام جيدة بما يكفي لأفهم لماذا تُعد هذه الفئة الشريحة الأسرع نموًا من الذكاء الاصطناعي الطرفي — فالتصنيع ينمو تراكميًا بنحو 23% سنويًا لسبب وجيه.

أبلغت Knauf Insulation عن عائد استثمار بنسبة 511% في السنة الأولى من الذكاء الاصطناعي للرؤية الطرفية لتقليل الخردة. وخفّضت BMW العيوب بنسبة 40% باستخدام نماذج الشبكات العصبية الالتفافية على الأسطح المطلية. ووفّر أحد مصنّعي البسكويت 94000 دولار سنويًا بتقليص 8.7% من هدر الخردة. وتقع فترة الاسترداد النموذجية عبر هذه المشاريع بين 6 و18 شهرًا. الاقتصاديات ليست الجزء الصعب.

الجزء الصعب هو أن تلك النتائج مُكتسَبة، لا مشتراة. نسبة 511% لـ Knauf ومبلغ 7 ملايين دولار لـ Ford استثنائيان تحديدًا لأن معظم المشترين لا يستطيعون تكرارهما بتوقيع عقد — فهما يتطلبان التكامل، وطبقة البيانات، والإطار التشغيلي، وانضباط الرفض الخاطئ الذي تتركه كتيّبات المورّدين لك بهدوء. تلك الفجوة، بين التقنية التي يمكنك شراؤها والنتيجة التي تريدها فعلًا، هي السبب الكامل في أننا نقوم بهذا العمل بالطريقة التي نتّبعها — محايدين تجاه المورّدين، والتكامل أولًا، ومبنيين ليعمل في ورديتك الثالثة دون وجودنا في الغرفة.

ما زلت أفكّر في مدير المصنع بذراعيه المتقاطعتين قرب ذلك المكبس. لم يكترث بدقة نموذجي. بل اكترث لأن خطه كان يرمي فولاذًا سليمًا. في اليوم الذي هبط فيه معدل الرفض الخاطئ لديه دون 2% وظل هناك رغم تغيّر الوردية، لم يقل شيئًا عن الذكاء الاصطناعي. بل توقف فقط عن مراقبة صندوق الرفض. هذا هو المعيار الوحيد الذي كان مهمًا على الإطلاق: ليس مدى ذكاء النموذج في المختبر، بل ما إذا كان الناس على أرض المصنع ينسون وجوده.