پژوهش: چگونه هوش مصنوعی می‌تواند برنامه‌ریزی تولید را انعطاف‌پذیرتر کند؟
آیا خودروها با تجهیزات دلخواه، لباس‌های سفارشی یا محصولات بازیافتی − روند شخصی‌سازی محصولات به سرعت در حال رشد است. همزمان، اختلالات در زنجیره‌های تأمین جهانی به افزایش عدم‌اطمینان‌ها منجر می‌شود که باعث می‌شود تولید صنعتی پیچیده‌تر و سخت‌تر بشود. برای حفظ بهره‌وری، برنامه‌ریزی تولید باید انعطاف‌پذیرتر شود. چگونه شرکت‌ها می‌توانند با کمک هوش مصنوعی به این هدف برسند؟ تیم پروفسور دکتر نیکول استریکردر در مرکز صنعت ۴.۰ دانشگاه آلن به این موضوع پرداخته است.
در سیستم‌های تولید مدرن و چابک، دیگر خبری از خط تولید ثابت نیست. بلکه باید پس از دریافت سفارش تولید مشخص شود که کدام سفارش در چه زمانی و بر روی کدام ماشین پردازش خواهد شد. این کار نیاز به برنامه‌ریزی دارد، که به آن زمانبندی می‌گویند. دو روش برای این کار وجود دارد: زمانبندی پیش‌بینی‌کننده و زمانبندی واکنشی. آیا می‌توان آن‌ها را ترکیب کرد؟ پروفسور دکتر نیکول استریکر، استاد تحقیق در عملیات و مبانی مهندسی در حوزه مهندسی صنایع در دانشگاه آلن، در حال بررسی این موضوع است.
زمانبندی و کنترل کارآمد: ترکیب، کلید موفقیت است
استریکر این دو روش را با مثال اتوبوس‌رانی توضیح می‌دهد. «خوشحال می‌شویم وقتی اتوبوس به موقع می‌رسد. اما تاخیر به دلیل ترافیک یا کمبود نیروی انسانی غیرمعمول نیست. زمانبندی پیش‌بینی‌کننده در این مثال به معنای برنامه‌ریزی جدول زمانی اتوبوس با زمانبندی اضافی کافی است تا در برابر انحرافات غیرمنتظره مقاوم باشد.» اما این روش هم معایبی دارد. «اضافه کردن زمان‌های اضافی که در عمل نیازی به آن‌ها نیست، ناکارآمد است. در اینجا زمانبندی واکنشی می‌تواند نقشی مهم ایفا کند»، او ادامه می‌دهد. با توجه به نوع اختلال، تغییراتی در جدول زمانی داده می‌شود تا اتوبوس‌ها هرچه سریعتر به حرکت درآیند. علاوه بر این، زمانبندی مجدد واکنشی حتی می‌تواند کارآمدی جدول زمانی را در شرایط «عادی» بهبود بخشد. مثلاً اگر اتوبوس بتواند هر روز دو دور اضافی بزند، چطور؟
هوش مصنوعی به عنوان عامل پیش‌برنده تولید کارآمد
تیم دانشگاه اکنون یک گام جلوتر می‌رود و زمانبندی پیش‌بینی‌کننده و واکنشی را ترکیب می‌کند تا بهره‌وری تولید صنعتی را افزایش دهد. نمونه کاربردی: برنامه‌ریزی تولید بدنه خودروها. در اینجا دو نوع جوشکاری و ابعاد مختلف قطعات بدنه مورد نظر است. در مواقع اختلالات بزرگ، این سوال مطرح می‌شود که چه چیزی را بعداً به کدام ایستگاه جوشکاری ارسال کنیم – یک در یا بدنه‌ای که نیمه‌کاره است؟ این چالش‌ها موضوع یک پروژه تحقیقاتی جاری به رهبری استریکر است که توسط بنیاد تحقیقات آلمان حمایت می‌شود.
در رویکرد جدید، ابتدا در دسترس بودن معمول ماشین‌ها به همراه زمان‌های اضافی برای تولید در نظر گرفته می‌شود و یک برنامه بهینه ریاضی از پیش تعیین می‌شود. اما در صورت بروز اختلالات طولانی‌مدت در تولید مانند خرابی ماشین‌ها، برنامه‌ریزی مجدد انعطاف‌پذیر انجام می‌شود. اما تاکنون به دلیل پیچیدگی، اجرای آن دشوار بوده است. تیم مرکز صنعت ۴.۰ بر روی هوش مصنوعی، به‌ویژه «یادگیری تقویتی» تمرکز کرده است. در این روش، سیستم‌های خودکار و هوشمند کنترل کننده ماشین‌های تولیدی مانند یک تیم ورزشی تمرین می‌کنند. این سیستم‌ها، که به آن‌ها «عوامل» می‌گویند، بر اساس دانش محدود خود و تعاملاتشان با محیط تولید و همکاران تیم به سرعت تصمیم‌گیری می‌کنند و آن‌ها را اجرا می‌کنند. سپس عوامل بازخورد دریافت می‌کنند که این بازخوردها بر تصمیمات آینده‌شان تأثیر می‌گذارد. همه عوامل باید یاد بگیرند که بهترین تصمیمات را برای کل تیم بگیرند، یعنی بهینه‌ترین روند را برای کل تولید پیاده کنند − حتی بدون داشتن تمامی اطلاعات.
چشم‌انداز: بازسازی مجدد
رویکرد استریکر پتانسیل دستیابی به راه‌حل‌های کارآمد اقتصادی را دارد. قدرت ویژه آن زمانی نمایان می‌شود که پیچیدگی تولید افزایش یابد، مثلاً از طریق بازسازی مجدد. این امر به خاطر صرفه‌جویی در منابع اهمیت بیشتری پیدا می‌کند. محصولات استفاده‌شده باید دوباره بازسازی شوند. اما کدام محصول کی برمی‌گردد؟ در چه حالتی خواهد بود؟ کدام قطعات را می‌توان دوباره به چرخه برگرداند؟ همه این سوالات، برنامه‌ریزی و کنترل تولید را در آینده پیچیده‌تر می‌کنند. «با افزایش تلاش‌ها به سمت پایداری، چالش‌های جدید زیادی به وجود می‌آیند»، این محقق جوان مطمئن است. «این‌ها نیازمند روش‌های جدیدی هستند که بتوانند با عدم‌اطمینان‌های بیشتر و نیازهای فردی کنار بیایند. طرح تحقیقاتی ما شاید بتواند به این موضوع نیز کمک ارزشمندی ارائه دهد.» ()