جدول المحتويات
تتعثر مشاريع الذكاء الاصطناعي التجريبية عادة بعد نجاحها لا قبله. فالمشروع التجريبي يثبت نموذجًا على خط واحد، مع فريق متحمس ومسارات بيانات مُعدّة يدويًا. أما التعميم فيتطلب النتيجة نفسها على كل خط وموقع: مسارات بيانات مؤتمتة، وتحققًا على كل خط، وإدارة للتغيير، وورديات مدرَّبة، ومسؤولًا محددًا، وميزانية تشغيل لم تكن للمشروع التجريبي.
أهم النقاط
- في استطلاع أجرته Gartner على 644 مؤسسة، وصل أقل من نصف مشاريع الذكاء الاصطناعي إلى الإنتاج، واستغرق الانتقال من النموذج الأولي إلى الإنتاج نحو ثمانية أشهر في المتوسط (CIO Dive).
- يسمّي المنتدى الاقتصادي العالمي التباطؤ الذي يلي النجاحات الأولى «ركود التوسع» (Scaling Slump): فحلول البيانات والتقنية والكفاءات والتنظيم التي تصلح على مستوى المصنع ليست هي نفسها على مستوى الشبكة (WEF, 2023).
- قد يفقد نموذج يعمل على الخط 1 دقته على الخط 2. فاختلاف التوزيع قد يُضعف كثيرًا دقة أنظمة تعلّم الآلة المنشورة (Koh et al., 2021).
- تشغيل نماذج كثيرة متشابهة مشكلة قائمة بذاتها: إذ يعدّ مهندسون من Google تحديث إعدادات كثيرة لنماذج كثيرة متشابهة بأمان وبشكل آلي مصدرًا للدين التقني (Sculley et al., 2015).
- خطّطوا للتعميم قبل بدء المشروع التجريبي: معايير نجاح لكل خط، ونشر على مراحل، وإدارة للتغيير، وعقد وميزانية يغطيان المراحل التي تلي التجربة.
لماذا لا يتوسع المشروع التجريبي الناجح من تلقاء نفسه؟
يعمل المشروع التجريبي على أفضل الخطوط تجهيزًا بأجهزة القياس، مع عالم بيانات حاضر عند الطلب ومهندسين يريدون له النجاح. وهذه الظروف لا تنتقل مع النموذج.
في استطلاع أجرته Gartner على مؤسسات في الولايات المتحدة وألمانيا والمملكة المتحدة، وصل أقل من نصف مشاريع الذكاء الاصطناعي إلى الإنتاج، وكان العائق الأول هو العجز عن تقدير قيمة مشاريع الذكاء الاصطناعي وإثباتها (CIO Dive).
وتصف شبكة المنارات العالمية التابعة للمنتدى الاقتصادي العالمي، وهي شبكة مصانع معترف بها في التصنيع المتقدم، تعثرًا ثانيًا يأتي بعد «مطهر المشاريع التجريبية» (pilot purgatory)، هو «ركود التوسع»، حين تتراجع بعض الشركات أمام الكلفة المحتملة لاستنساخ نهج الموقع الواحد على شبكتها كلها. وحتى هذه المصانع الرائدة استغرقت من 10 إلى 20 شهرًا لتنفيذ حالات الاستخدام الأولى (WEF, 2023).
يتناول هذا المقال ذلك التعثر الثاني. أما المشكلات التي توقف المشروع في وقت أبكر، مثل الهدف الغامض أو البيانات غير الجاهزة، فراجعوا لماذا تفشل مشاريع الذكاء الاصطناعي الصناعية.
ما الذي يتغير بين المشروع التجريبي والتعميم على المصنع؟
| البُعد | المشروع التجريبي | التعميم على المصنع |
|---|---|---|
| البيانات | تصديرات لمرة واحدة تُنظَّف يدويًا | مسارات بيانات مؤتمتة لكل خط، بأسماء وسوم موحّدة |
| النموذج | نموذج واحد مضبوط على خط واحد | نموذج لكل خط، أو نموذج مشترك يُتحقق منه على كل خط |
| التكامل | لوحة متابعة أو جدول بيانات | واجهات مع قاعدة البيانات التاريخية (historian) وMES وDCS أو ERP في كل موقع، عبر مناطق الأمان |
| المستخدمون | بضعة متطوعين | كل وردية، في كل موقع |
| الدعم | عالم البيانات الذي بناه | إجراءات مكتوبة، ومسؤول محدد، ومراقبة، ووضع تشغيل احتياطي |
| إدارة التغيير | غير رسمية غالبًا | مراجعة رسمية، وتحديث إجراءات التشغيل، وتدريب |
| الميزانية | ميزانية مشروع | ميزانية تشغيل سنوية |
كل صف في هذا الجدول عمل لم يحتجه المشروع التجريبي، ولا شيء منه تطوير للنموذج.
لماذا يفشل على الخط 2 نموذج نجح على الخط 1؟
نادرًا ما يتطابق خطان يصنعان المنتج نفسه. فأجهزة القياس تختلف في الصانع ومجال القياس والمعايرة، وأسماء الوسوم تختلف، وقد يكون أحد الخطين أقدم، أو يعمل بتشكيلة منتجات مختلفة، أو يستخدم مادة خام من مورّد آخر.
وتعلّم الآلة حساس لهذه الفروق. إذ يبيّن معيار WILDS أن اختلاف التوزيع، أي اختلاف بيانات التدريب عن البيانات التي يواجهها النموذج أثناء الخدمة، قد يُضعف كثيرًا دقة الأنظمة المنشورة. ومن أمثلته الفروق بين المستشفيات في التعرف على الأورام، وهي المقابل الطبي لنقل نموذج إلى موقع جديد. وفي كل مجموعة بيانات، أعطى التدريب المعتاد أداءً أضعف بكثير خارج التوزيع الأصلي منه داخله (Koh et al., 2021).
والخطر الثاني هو انحراف التدريب عن الخدمة (training-serving skew)، أي الفرق بين الأداء أثناء التدريب والأداء أثناء الخدمة. وتذكر قواعد تعلّم الآلة (Rules of Machine Learning) من Google بين أسبابه اختلاف طريقة معالجة البيانات بين مسار التدريب ومسار الخدمة، وتوصي بتسجيل المتغيرات المستخدمة أثناء الخدمة للتدريب عليها (Google). وعلى خط جديد، يكفي إعداد استيفاء مختلف في قاعدة البيانات التاريخية أو وحدة قياس مختلفة لإحداثه.
والتسمية الموحدة تقلّص هذا العمل. فالمعيار ISA-95 يهدف إلى إرساء مصطلحات مشتركة، ويقدّم تسلسلًا هرميًا للمعدات ينطبق على الصناعات المتقطعة والمستمرة واللوجستية (ISA). ووجود بنية مشتركة للموقع والمنطقة والخط والمعدة يتيح للمسار نفسه أن يجد الإشارات نفسها في كل مكان. ويعرض مقالانا عن فضاء الأسماء الموحد (unified namespace) وOPC UA لعلماء البيانات طريقتين لبنائها.
لماذا لا تصمد المشاريع التجريبية المبنية يدويًا أمام الاستنساخ؟
يبيّن مهندسون من Google درسوا الدين التقني في أنظمة تعلّم الآلة أن شيفرة النموذج جزء صغير من المنظومة كلها. ويحذّرون من «الشيفرة اللاصقة» (glue code)، و«أدغال المسارات» (pipeline jungles) المكوّنة من عمليات الاستخراج والربط، ومن الإعدادات التي قد تعاملها الفرق على أنها أمر ثانوي، ويلاحظون أن الأنظمة الناضجة قد تشغّل عشرات النماذج أو مئاتها في وقت واحد، لكل منها إعدادات يجب تحديثها بأمان (Sculley et al., 2015).
وكثيرًا ما يقع المشروع التجريبي في أدنى نموذج نضج MLOps من Microsoft. ففي المستوى 0 يكون البناء والنشر والتدريب يدويًا، وتكون النتيجة عادة ملف نموذج واحدًا يُسلَّم يدويًا. أما المستويات الأعلى فتؤتمت التدريب والنشر، وتربط كل نشر ببياناته، وفي المستوى 4 تسمح لإشارات الانجراف بإطلاق إعادة التدريب (Microsoft).
ولا يحتاج التعميم على خمسة خطوط إلى المستوى 4. لكنه يحتاج إلى مسار بيانات مبرمج، وإدارة إصدارات للشيفرة والنماذج وإعدادات كل خط، وتتبع مركزي للدقة. وإلا أصبح كل خط جديد مشروعًا تجريبيًا جديدًا.
هل نعمّم خطًا بعد خط أم على الكل دفعة واحدة؟
يصف المنتدى الاقتصادي العالمي ثلاث استراتيجيات للتعميم تتبعها شركات شبكة المنارات (WEF, 2023):
| الأسلوب | طريقة العمل | يناسب |
|---|---|---|
| بقيادة التقنية | حالة استخدام واحدة تُنشر في مواقع كثيرة في وقت واحد، بإدارة جهة تقنية مركزية | تقنية معلومات مركزية قوية وخطوط إنتاج متشابهة |
| بقيادة الكفاءات | مركز تميّز يحزم حالات الاستخدام ويدفعها نحو المواقع؛ وأحد الأمثلة شمل تحسين الطاقة في 32 موقعًا | مواقع تطلب الدعم والتكييف من فريق مركزي |
| البناء ثم الاستنساخ | يُحوَّل موقع أولًا ثم يُستنسخ في المواقع الأخرى واحدًا تلو الآخر | مصانع كبيرة تعمل بطريقة متشابهة |
وأيًّا كان اختياركم، انشروا على مراحل. يعرّف مهندسو موثوقية المواقع (SRE) في Google النشر التجريبي المحدود (canarying) بأنه نشر جزئي ومحدود زمنيًا لتغيير ما مع تقييمه، وهو ما يتطلب القدرة على مقارنة إشارات المجموعة التجريبية بإشارات مجموعة المقارنة (Google SRE). وفي المصنع، تكون المجموعة الجزئية هي الخط التالي، ومجموعة المقارنة هي نتائج ذلك الخط دون النموذج، ووضع الظل (shadow mode) هو المرحلة الأولى: يعمل النموذج ويُقيَّم، لكن لا أحد يتصرف بناءً على مخرجاته بعد.
ويصف المنتدى أيضًا «تحويل حالات الاستخدام إلى أصول» (assetization)، أي حزم حالة الاستخدام لنشرها بسرعة. فقد جمعت Agilent أدوات الرؤية الحاسوبية مع موصلات جاهزة إلى MES وبرمجيات الاختبار، وإجراءات تشغيل قياسية، ووثائق للمستخدمين، وأدلة تدريب للمشغلين، ونشرت خمسة تطبيقات جديدة على 57 مركز عمل و16 خط منتجات في أقل من أربعة أشهر (WEF, 2023). احزموا حالة الاستخدام كلها، لا النموذج وحده.
من يعدّل الإجراءات، ومن يوقّع بالموافقة؟
النموذج الذي يغيّر طريقة تشغيل المشغلين للعملية هو تغيير في العملية. ففي التنظيم الأمريكي لسلامة العمليات، يجب أن تكون لدى صاحب العمل إجراءات مكتوبة لإدارة التغييرات في المواد الكيميائية والتقنية والمعدات والإجراءات، ويجب إعلام العاملين المعنيين وتدريبهم قبل بدء التشغيل. ويذكر الملحق غير الإلزامي تعديلات البرامج الحاسوبية والتغييرات في الإنذارات وأنظمة التعشيق ضمن التغييرات المشمولة (29 CFR 1910.119). وتطبق المصانع الجزائرية تنظيماتها وإجراءاتها الداخلية، لكن المنطق نفسه يبقى صالحًا: مرّروا كل خط جديد عبر إجراء إدارة التغيير (MOC) لديكم، وتحققوا من المتطلبات مع مصلحة الصحة والسلامة والبيئة.
وتطلب إرشادات مشتركة بقيادة CISA من المشغلين جرد مكونات الذكاء الاصطناعي، وتسجيل مدخلاتها ومخرجاتها، وإدراج حالات الأعطال الجديدة لأنظمة الذكاء الاصطناعي، بما في ذلك كيفية تجاوز نظام ذكاء اصطناعي أو استبداله، في عمليات السلامة الوظيفية والاستجابة للحوادث (CISA et al., 2025). ومع عشرة خطوط، تصبح هذه قائمة حقيقية يجب تحديثها. ويتناول مقالنا عن الأمن السيبراني للتقنيات التشغيلية عند إضافة الذكاء الاصطناعي جانب الشبكة.
ولا بد من جهة تقود كل ذلك. فنحو 70% من مصانع المنارات تعدّ مكتب التحول الأهم بين عوامل التمكين الستة للتوسع التي حددها المنتدى (WEF, 2023).
كيف نضع ميزانية التعميم ونتعاقد عليه؟
يُموَّل المشروع التجريبي كمشروع. أما التعميم فيحتاج إلى ميزانية تشغيل للمراقبة وإعادة التدريب والدعم ووقت المسؤول على كل خط. وتتوقع مصانع المنارات عادة فترة استرداد للاستثمار تقارب سنتين ونصف (WEF, 2023). ويعرض دليلنا عن كلفة مشروع ذكاء اصطناعي صناعي بنود الكلفة.
قيسوا القيمة بالطريقة نفسها على كل خط. فإطار المنتدى يتضمن التحقق من الأثر بتتبع مؤشرات الأداء الرئيسية بصيغة موحدة (WEF, 2023)، وهو ما يعالج العائق الذي كشفه استطلاع Gartner.
وبالنسبة إلى المشترين العموميين في الجزائر، يؤطّر القانون 23-12 المؤرخ في 5 أوت 2023 الصفقة:
- تشترط المادة 16 تحديد الحاجات قبل إطلاق أي إجراء، وتمنع تجزئتها للتهرب من إجراءات الدعوة إلى المنافسة.
- تسمح المادة 30 بصفقة تتضمن شطرًا ثابتًا وشطرًا اختياريًا واحدًا أو أكثر عندما تبرر ذلك ظروف اقتصادية أو مالية. ويتوافق مشروع تجريبي في الشطر الثابت وتعميم في شطر اختياري مع هذه البنية.
- تعفي المادة 13 المؤسسات العمومية الاقتصادية من قواعد إبرام الصفقات الواردة في القانون، لكنها تلزمها باعتماد إجراءاتها الخاصة المستندة إلى مبادئه.
هذا ملخص وليس استشارة قانونية. تحققوا من حالتكم مع مصلحة الصفقات لديكم ومع مستشار قانوني.
ماذا يجب أن تتضمن خطة التعميم؟
- حدّدوا نطاق التعميم قبل بدء المشروع التجريبي. اذكروا الخطوط والمواقع، واختاروا خطًا تجريبيًا يشبهها بدل الخط الأفضل تجهيزًا.
- اكتبوا معيار نجاح لكل خط. المؤشر، وخط الأساس، وفترة الاختبار، وعتبة النجاح، بالاتفاق مع مسؤولي الإنتاج والجودة في الخط.
- اجردوا الفروق بين الخطوط. أجهزة القياس، وأسماء الوسوم، وتواتر أخذ العينات، والمنتجات، والمواد الخام، وأنماط التشغيل.
- أتمتوا مسار البيانات. استخراج مبرمج، وتسمية موحدة، وإدارة إصدارات للشيفرة والنماذج وإعدادات كل خط.
- احزموا حالة الاستخدام. النموذج، والموصلات، والإعدادات، وإجراءات التشغيل القياسية، ومواد التدريب، وإجراء التشغيل الاحتياطي.
- انشروا على مراحل. وضع الظل على الخط التالي، ثم المقارنة بنتائجه الخاصة، ثم التشغيل الفعلي.
- مرّروا التغيير عبر إجراء إدارة التغيير ودرّبوا كل وردية قبل كل تشغيل فعلي.
- عيّنوا مسؤولين. واحدًا لكل موقع وواحدًا على المستوى المركزي، مع مراقبة ومعايير لإعادة التدريب. راجعوا مراقبة انجراف النماذج.
- موّلوا تكاليف التشغيل وتعاقدوا على التعميم بوصفه مرحلة قائمة بذاتها، لا أمرًا ثانويًا.
ما الذي لاحظناه في KABAS AI
مشروعانا المنشوران هما عمليتا نشر لمنصة Virtual Lab في البحث والتطوير، وليسا تعميمًا على خطوط إنتاج، لكن دراستي الحالة تصفان توسعًا بعد النشر الأول. فقد اتبعت ENAD Shymeca خمس خطوات: الاستكشاف، وإعداد المنصة، وتكامل البيانات مع ترحيل سجل التركيبات التاريخي، والتدريب والتبنّي، ثم التحسين المستمر. وتذكر دراسة الحالة انخفاضًا بنسبة 40% في دورات الاختبارات الفيزيائية، وأن ENAD Shymeca تواصل توسيع استخدامها لـ Virtual Lab ليشمل خطوط منتجات إضافية. أما ADFC فتوسّع استخدامها ليشمل تطبيقات إضافية لسوائل الحفر وأنواعًا أخرى من المشاريع، وتُهيكَل التركيبات المعتمدة بيانات قابلة لإعادة الاستخدام في المشاريع المقبلة.
الدرس العملي: ما ينتقل إلى خط المنتجات أو الموقع التالي هو البيانات المهيكلة والمنهج القابل للتكرار، أكثر من النموذج الأول. قرّروا مبكرًا أين سيعمل النظام، لأن DALILE وVirtual Lab يُنشران على البنية التحتية الخاصة بالعميل، فيطرح كل موقع جديد أسئلة الاستضافة والتكامل نفسها. واجعلوا خبراء العميل في قلب كل عملية نشر، كما يوضح مقال بناء أول فريق بيانات صناعي.
من أين نبدأ؟
إذا نجح مشروع تجريبي ولم يبدأ التعميم بعد، فاكتبوا الخطة أعلاه قبل تمويل أي شيء آخر. ويكشف تقييم الجاهزية للذكاء الاصطناعي لكل خط مستهدف مواضع النقص في البيانات والاتصال. وتعرض صفحة الصناعة التحويلية حالات الاستخدام التي نعالجها، ويجري فريق الاستشارات لدينا تقييمات الجاهزية وتحديد حالات الاستخدام ووضع خرائط طريق للذكاء الاصطناعي. تواصلوا معنا لمناقشة حالتكم.
المصادر
- Wilkinson, Enterprises struggle to show the value of AI projects (Gartner survey), CIO Dive, 17 May 2024
- World Economic Forum, Global Lighthouse Network: Adopting AI at Speed and Scale, December 2023
- Koh et al., WILDS: A Benchmark of in-the-Wild Distribution Shifts, arXiv 2012.07421, 2021
- Google for Developers, Rules of Machine Learning
- ISA, ISA-95 Standard
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- Microsoft, MLOps maturity model, Azure Architecture Center
- Google, Site Reliability Workbook, Canarying Releases
- 29 CFR 1910.119, Process safety management of highly hazardous chemicals (GovInfo, 2025 edition)
- CISA, ASD's ACSC et al., Principles for the Secure Integration of Artificial Intelligence in Operational Technology, 3 December 2025
- القانون رقم 23-12 المؤرخ في 5 أوت 2023 المحدد للقواعد العامة المتعلقة بالصفقات العمومية، الجريدة الرسمية العدد 51 (نسخة FAOLEX)
الأسئلة الشائعة
ما الفرق بين المشروع التجريبي للذكاء الاصطناعي وتعميمه؟
يجيب المشروع التجريبي عن سؤال واحد: هل يحقق النموذج قيمة على خط واحد، مع فريق واحد، وتحت إشراف وثيق؟ أما التعميم فيجعل هذه النتيجة قابلة للتكرار على كل الخطوط والمواقع، مع مسارات بيانات مؤتمتة، وتكامل مع أنظمة المصنع، ومشغلين مدرَّبين في كل وردية، وإدارة للتغيير، ومراقبة، وميزانية تشغيل. ومعظم عمل التعميم يقع خارج النموذج.
كم يستغرق الانتقال بمشروع ذكاء اصطناعي من النموذج الأولي إلى الإنتاج؟
وجد استطلاع أجرته Gartner على 644 مؤسسة، ونشرته CIO Dive في مايو 2024، أن الانتقال من النموذج الأولي إلى الإنتاج يستغرق نحو ثمانية أشهر في المتوسط، وأن أقل من نصف مشاريع الذكاء الاصطناعي تصل إلى الإنتاج. وفي تقرير شبكة المنارات العالمية (Global Lighthouse Network) للمنتدى الاقتصادي العالمي لعام 2023، استغرقت المصانع الرائدة من 10 إلى 20 شهرًا لحالات الاستخدام الأولى، وتقول 75% منها إنها باتت قادرة على نشر حالة جديدة في أقل من ستة أشهر.
هل يمكن إعادة استخدام النموذج نفسه على كل خطوط الإنتاج؟
أحيانًا، لكن لا ينبغي افتراض ذلك. فالخطوط تختلف في أجهزة القياس وأسماء الوسوم (tags) وعمر المعدات والمواد الخام وتشكيلة المنتجات، ونماذج تعلّم الآلة تفقد دقتها عندما تختلف البيانات التي تتلقاها عن بيانات تدريبها. شغّلوا النموذج في وضع الظل على كل خط جديد، وقارنوه بقياسات الخط المرجعية، ثم أعيدوا معايرته أو تدريبه عند الحاجة.
هل نعمّم على كل المواقع دفعة واحدة أم موقعًا بعد موقع؟
يتوقف ذلك على مدى تشابه المواقع وعلى مكان وجود الكفاءات. ويصف المنتدى الاقتصادي العالمي ثلاثة أساليب: حالة استخدام واحدة تُنشر في مواقع كثيرة في وقت واحد بواسطة فريق مركزي، ومركز تميّز يحزم حالات الاستخدام ويدفعها نحو المواقع، ونهج «البناء ثم الاستنساخ» الذي يحوّل موقعًا واحدًا في كل مرة. وأيًّا كان الأسلوب، انشروا على مراحل وتحققوا من كل مرحلة قبل التي تليها.
هل تحتاج أداة الذكاء الاصطناعي إلى مراجعة ضمن إدارة التغيير؟
إذا كانت مخرجاتها تغيّر طريقة تشغيل المشغلين للعملية، فعاملوها على أنها تغيير. ففي التنظيم الأمريكي لسلامة العمليات، تشمل إدارة التغيير التغييرات في التقنية والمعدات والإجراءات، وتذكر الإرشادات غير الإلزامية من بين الأمثلة تعديلات البرامج الحاسوبية والتغييرات في الإنذارات وأنظمة التعشيق. اتبعوا إجراءات شركتكم والمتطلبات الجزائرية، وتحققوا من ذلك مع مصلحة الصحة والسلامة والبيئة (HSE).
كيف يتعاقد مشترٍ عمومي جزائري على مشروع تجريبي يليه تعميم؟
يشترط القانون 23-12 المؤرخ في 5 أوت 2023 المتعلق بالصفقات العمومية تحديد الحاجات قبل إطلاق الإجراء، ويمنع تجزئتها للتهرب من إجراءات الدعوة إلى المنافسة. وتسمح مادته 30 بصفقات تتضمن شطرًا ثابتًا وشطرًا اختياريًا واحدًا أو أكثر، وهو ما يناسب مشروعًا تجريبيًا يليه تعميم. وتطبق المؤسسات العمومية الاقتصادية إجراءاتها الخاصة المستندة إلى مبادئ القانون. تحققوا من حالتكم مع مستشار قانوني.



