پژوهش: چگونه هوش مصنوعی می‌تواند برنامه‌ریزی تولید را انعطاف‌پذیرتر کند؟
آیا خودروهایی با امکانات دلخواه، پوشاک سفارشی یا محصولات بازیافتی - روند شخصی‌سازی محصولات به سرعت در حال رشد است. همزمان، اختلالات در زنجیره‌های تامین بین‌المللی به افزایش بی‌ثباتی‌ها منجر می‌شوند. این مسئله باعث می‌شود تولید صنعتی پیچیده‌تر و برنامه‌ریزی آن دشوارتر شود. برای حفظ کارایی، برنامه‌ریزی تولید باید انعطاف‌پذیرتر شود. چگونه شرکت‌ها می‌توانند با کمک هوش مصنوعی (AI) به این هدف برسند؟ تیمی به سرپرستی پروفسور دکتر نیکول استریکر در مرکز صنعت ۴.۰ دانشگاه آلن روی این موضوع کار می‌کند.
در سیستم‌های تولیدی مدرن و چابک، دیگر خبری از خطوط تولید ثابت نیست. بلکه باید پس از دریافت سفارش تولید مشخص شود که کدام سفارش چه زمانی روی کدام دستگاه پردازش شود. این نیازمند برنامه‌ریزی دقیق است که به آن زمان‌بندی می‌گوییم. دو روش برای این کار وجود دارد: زمان‌بندی پیش‌بینی‌کننده و زمان‌بندی واکنشی. آیا می‌توان این دو را ترکیب کرد؟ این همان چیزی است که پروفسور دکتر نیکول استریکر، استاد پژوهش‌های عملیات و مبانی مهندسی در رشته مهندسی صنایع دانشگاه آلن در حال بررسی آن است.
برنامه‌ریزی و کنترل کارآمد: ترکیب کلید موفقیت است
استریکر این دو روش را با مثال اتوبوس توضیح می‌دهد. «همه خوشحال می‌شوند وقتی اتوبوس به موقع می‌رسد. اما تاخیرها به دلیل ترافیک یا کمبود نیروی انسانی رایج هستند. زمان‌بندی پیش‌بینی‌کننده به این معناست که برنامه حرکت اتوبوس با زمان‌های اضافی برنامه‌ریزی می‌شود تا حتی در صورت انحرافات غیرمنتظره هم کارآمد باشد.» اما این روش معایبی هم دارد. «در نظر گرفتن زمان‌های اضافی که در عمل نیاز نباشند، کارایی را کاهش می‌دهد. اینجاست که زمان‌بندی واکنشی اهمیت پیدا می‌کند.» در این روش، تغییرات خاصی در برنامه حرکت اتوبوس اعمال می‌شود تا اتوبوس‌ها سریع‌تر به مسیر برگردند. حتی ممکن است زمان‌بندی واکنشی به بهبود کارایی برنامه حرکت اتوبوس در شرایط «معمولی» هم کمک کند. مثلاً اگر اتوبوس بتواند هر روز دو دور اضافی بزند، چه می‌شود؟
هوش مصنوعی به عنوان تقویت‌کننده تولید کارآمد
تیم دانشگاه اکنون یک قدم جلوتر رفته و زمان‌بندی پیش‌بینی‌کننده و واکنشی را برای افزایش کارایی تولید صنعتی ترکیب می‌کند. مثالی از کاربرد: برنامه‌ریزی تولید بدنه خودرو. در اینجا دو روش جوشکاری و ابعاد مختلف قطعات بدنه بررسی می‌شوند. در موارد اختلالات بزرگ، این سوال مطرح می‌شود که چه چیزی را بعدی به کدام ایستگاه جوش بفرستم – یک در یا یک بدنه نیمه‌کامل؟ این چالش‌ها در مرکز یک پروژه تحقیقاتی جاری است که توسط بنیاد تحقیقات آلمان حمایت می‌شود.
در رویکرد نوین، ابتدا در دسترس بودن عادی ماشین‌ها به همراه زمان‌های اضافی برای تولید در نظر گرفته می‌شود و یک برنامه بهینه ریاضیاتی پیش‌بینی می‌شود. اما در مواقعی که تولید به دلیل خرابی‌های طولانی‌مدت دچار مشکل می‌شود، برنامه‌ریزی انعطاف‌پذیری صورت می‌گیرد. به دلیل پیچیدگی، این کار تا کنون به سختی انجام می‌شد. تیم مرکز صنعت ۴.۰ به هوش مصنوعی (AI)، به ویژه «یادگیری تقویتی» یا «Reinforcement Learning» روی آورده است. در این روش، سیستم‌های کامپیوتری خودمختار و هوشمند که دستگاه‌های تولید را کنترل می‌کنند، مانند ورزش تیمی، آموزش می‌بینند. این سیستم‌ها، که به آن‌ها «عامل» گفته می‌شود، بر اساس دانش محدود خود و تعاملات با محیط تولید و هم‌تیمی‌ها به سرعت تصمیم‌گیری و اجرا می‌کنند. سپس بازخورد دریافت کرده و این بازخوردها بر تصمیمات آینده آن‌ها تأثیر می‌گذارد. همه عوامل باید یاد بگیرند که بهترین تصمیمات را برای کل تیم بگیرند و کارآمدترین روند تولید را حتی بدون داشتن همه اطلاعات پیاده‌سازی کنند.
چشم‌انداز: بازتولید
رویکرد استریکر پتانسیل دستیابی به راه‌حل‌های اقتصادی خوب را دارد. قدرت ویژه آن زمانی آشکار می‌شود که پیچیدگی تولید بیشتر شود، مثلاً از طریق بازتولید. این فرآیند به منظور حفظ منابع اهمیت بیشتری پیدا می‌کند. محصولات استفاده‌شده باید دوباره بازسازی شوند. اما چه زمانی کدام محصول برمی‌گردد؟ در چه حالتی خواهد بود؟ کدام قطعات قابل بازگشت به چرخه هستند؟ تمام این سوالات برنامه‌ریزی و کنترل تولید را در آینده دشوارتر خواهند کرد. «با تلاش‌های بیشتر به سمت پایداری، چالش‌های جدیدی پیش می‌آیند»، محقق جوان اطمینان دارد. «آن‌ها نیازمند روش‌های جدیدی هستند که بتوانند با عدم‌قطعیت‌های بیشتر و نیازهای فردی مقابله کنند. پروژه تحقیقاتی ما شاید بتواند به این امر کمک ارزنده‌ای کند.» ()