9 آگوست 2021، توسط دانشگاه صنعتی وینفاضل انصاری در کارخانه آزمایشی TU Wien. اعتبار: دانشگاه صنعتی وین
پیچیدگی کارخانه های بزرگ تولید صنعتی به سختی برای یک فرد قابل کنترل است. به منظور حفظ، نظارت و سرویس دهی خط تولید صنعتی، منطقی است که به هوش مصنوعی (AI) اعتماد کنید. استراتژی‌های متفاوتی برای این کار وجود دارد. واضح‌ترین آن تجهیز ماشین‌ها به سنسور و استنباط وضعیت دستگاه از داده‌های حسگر است. با این حال، بخش بزرگی از اطلاعات مربوط به ماشین آلات و کارخانه‌های تولیدی در قالب داده‌های اندازه گیری دیجیتالی در دسترس نیست، بلکه در قالب متونی است که توسط انسان نوشته شده است – از گزارشات بازرسی ماشین گرفته تا گزارش‌های جابجایی که مشکلات را نشان می‌دهد. اگر یک هوش مصنوعی بتواند از همه این داده‌ها استفاده کند، این یک گام بزرگ رو به جلو است. این دقیقاً همان چیزی است که دانشمندان در حال حاضر در TU Wien وین در زمینه تحقیقات استخراج متن و نگهداری 4.0 کار می‌کنند.
الگوریتم قابل خواندن
دکتر فاضل انصاری از موسسه علوم مدیریت در TU Wien می‌گوید: «ما احتمالاً همه با این موضوع آشنا هستیم – شما چیزی بنویسید، آن را در جایی ذخیره کنید و سپس آن را فراموش کنید. یک گزارش حسابرسی ممکن است به طور مختصر ورق زده شود، سپس در کشو ناپدید شود. برای نتیجه گیری مناسب از آن و شروع اقدامات لازم، به تجربه زیادی نیاز دارید.»
تجربیات بشری در صنعت بسیار ارزشمند است و احتمالاً در آینده بی‌بدیل خواهد ماند. چشم انداز فاضل انصاری این است که همکاری بین انسان و ماشین را کارآمدتر کند. وقتی انسان و ماشین با یکدیگر ارتباط برقرار می‌کنند – از چه زبانی باید استفاده کنند؟ زبان ماشین‌ها – برای مثال به شکل جداول طولانی با کدهای عددی، یا به زبان انسان؟
فاضل انصاری می‌گوید: «اگر ما بتوانیم زبان طبیعی انسان را برای هوش مصنوعی در صنعت قابل درک کنیم، حجم عظیمی از اطلاعات اضافی به روی ما باز می‌شود. تصور کنید که چقدر اطلاعات می‌توانید در مورد یک کارخانه تولیدی، از سوابق مکتوب ده سال گذشته – از گزارش‌های شیفت یا گزارش‌های نهایی کنترل کیفیت استخراج و استفاده کنید. بسیار جامع‌تر و دقیق‌تر از هر انسانی، یک هوش مصنوعی می‌تواند به طور خودکار الگوها را از حجم زیادی از داده‌ها تشخیص دهد – به عنوان مثال، مشکلات معمولی که بارها و بارها قبل از وقوع آسیب بزرگ گزارش می‌شوند. در این مورد، هوش مصنوعی می‌تواند اقدامات متقابل را پیشنهاد دهد.»
با این حال، آماده کردن متون انسانی برای هوش مصنوعی آسان نیست. فاضل انصاری می‌گوید: «شما نمی‌توانید یک هوش مصنوعی کامل ایجاد کنید که بتواند برای هر نوع کارخانه تولیدی مورد استفاده قرار گیرد. شما باید راه حل‌های سفارشی را برای هر نوع گیاه توسعه دهید.» گاهی اوقات داده‌ها در قالب متون دست نویس در دسترس هستند – در این صورت ابتدا باید دیجیتالی شوند. بسته به نوع کارخانه و صنعت، اصطلاحات فنی مختلف مهم است و ابتدا باید هوش مصنوعی برای این کار آموزش ببیند.
برای اینکه هوش مصنوعی در واقع درک کند که متون درباره چه چیزی هستند، باید وضعیت کلی را بداند: نیاز به درک ماشین، فرآیندها و حتی آگاهی از نقش افراد درگیر دارد.
تنها وقتی هوش مصنوعی این درک را داشته باشد می‌توان متون را به درستی طبقه بندی کرد. این امر تنها با تجزیه و تحلیل آماری انجام نمی‌شود، مانند تشخیص فرکانس در حال تغییر با شرایط خاص. الگوریتم‌ها همچنین می‌توانند بین ارزیابی‌های مثبت و منفی تمایز قائل شوند – به این کار تجزیه و تحلیل احساسات می‌گویند. می‌توان بررسی کرد که چگونه ارزیابی‌های ذهنی در طول زمان تغییر کرده است. ارتباط بین کلمات مختلف نیز تشخیص داده می‌شود و کمی می‌شود.
وی می‌گوید: «تحقیقات زیادی در این زمینه انجام شده است. تا حدی، می‌توانیم از راه حل‌های هوش مصنوعی موجود استفاده کرده و آن‌ها را با نیازهای خود تطبیق دهیم. اما هنوز تحقیقات زیادی برای استفاده از این الگوریتم‌های متن کاوی در یک محیط صنعتی مورد نیاز است. در گروه تحقیقاتی تعمیر و نگهداری هوشمند و مبتنی بر دانش، ما تجربه زیادی در زمینه نگهداری صنعتی داریم؛ در حال حاضر چندین پروژه تحقیقاتی در این زمینه داریم.»
فاضل انصاری می‌گوید: «رویکردهای استخراج متن TU Wien می‌تواند پتانسیل تحول در صنعت بیمه داشته باشد: برای شرکتی که بیمه تجهیزات گران قیمت را ارائه می‌دهد، البته نگهداری بهینه بسیار مهم است. اگر در این زمینه روش‌های بهتری برای تشخیص مشکلات به موقع پیدا کنید، می‌توانید پول زیادی پس انداز کنید.»
