جدول المحتويات
ينبغي أن يكون أول فريق بيانات صناعي صغيرًا ومركّزًا على مشكلة واحدة في المصنع: مهندس من المصنع يتولى هذه المشكلة، ومهندس بيانات يجعل بيانات قاعدة البيانات التاريخية والمختبر والصيانة قابلة للاستخدام، وعالم بيانات يبني النماذج ويختبرها، مع دعم جزئي من فريقي OT وتقنية المعلومات. أضيفوا مهندسي تعلّم آلي وعلماء بيانات آخرين بعد أن يصبح نموذج ما مستخدمًا يوميًا.
أهم النقاط
- يهيمن العمل على البيانات على المشاريع الأولى. فقد أفاد علماء البيانات في استطلاع Anaconda لسنة 2020 بأنهم يقضون 45% من وقتهم في تحميل البيانات وتنظيفها (InfoWorld)، وخلصت RAND إلى أن منتجات الذكاء الاصطناعي تتطلب «أكثر من مجرد فريق علوم بيانات» (RAND).
- المهندس صاحب المشكلة لا يقل أهمية عن عالم البيانات. فعلماء البيانات «نادرًا ما يكونون خبراء في المواضيع التي يبنون لها نماذجهم» (RAND).
- ابدؤوا بفريق مركزي يبني على الفرق القائمة. فبحسب إرشادات Microsoft، تستفيد المؤسسات في بداية اعتماد الذكاء الاصطناعي من فريق مركزي يتحول لاحقًا إلى دور استشاري (Microsoft).
- كلّفوا الفريق بمشكلة واحدة لمدة سنة على الأقل. وتوصي RAND بهذا الالتزام قبل بدء أي مشروع للذكاء الاصطناعي.
- اجمعوا بين التوظيف والتدريب والشركاء. ففي استطلاع المنتدى الاقتصادي العالمي (WEF) لأصحاب العمل لسنة 2025، خطط 85% منهم لإعطاء الأولوية لتطوير مهارات موظفيهم، وتوقع 70% توظيف أشخاص بمهارات جديدة (WEF).
لماذا نبني فريقًا بدل شراء المشاريع؟
يستطيع المورّد أن يبني نموذجًا. لكن لا بد من شخص يتولى مسؤوليته عندما تتغير اللقيم أو ينتهي العقد. فقد كتب باحثون في Google أنه من الشائع تحمّل «تكاليف صيانة مستمرة ضخمة في أنظمة التعلّم الآلي الحقيقية» (Sculley et al., 2015). وتطلب إرشادات مشتركة تقودها CISA من مالكي المنشآت ومشغليها أن يفهموا القدرة الحالية لمؤسستهم على صيانة نظام ذكاء اصطناعي في بيئة OT الخاصة بهم قبل اعتماده (CISA et al., 2025).
والسبب الآخر هو معرفة البيانات. إذ تلاحظ RAND أنه في غياب توثيق جيد، قد يعني رحيل مهندس بيانات أن «لا أحد يعرف أي مجموعات البيانات موثوقة» (RAND). وفي المصنع تشمل هذه المعرفة أسماء الوسوم (tags)، والأجهزة التي استُبدلت، وتوقيت نتائج المختبر، والتوقفات المخفية في قاعدة البيانات التاريخية. ويجب أن تبقى هذه المعرفة داخل المؤسسة.
ما الأدوار التي يحتاجها أول فريق بيانات صناعي؟
تصف دراسة مسحية حول التعلّم الآلي في الصناعات التحويلية فريق مشروع المستشعر البرمجي بأنه يتكون من مشغّل غرفة التحكم ومهندس العمليات ومهندس التحكم ومدير المشروع، ويتولى مهندس العمليات كتابة ميثاق المشروع (Lawrence et al., 2024). ويضيف فريق البيانات الأشخاص الذين يحوّلون بيانات المصنع إلى نماذج ويحافظون على تشغيلها.
| الدور | ما يفعله في المصنع | المصدر المعتاد | متى |
|---|---|---|---|
| صاحب المشكلة (مهندس عمليات أو صيانة أو جودة) | يحدد القرار ومؤشر الأداء (KPI)، ويشرح الوسوم والأحداث، ويحكم على النتائج | موظفوكم | منذ اليوم الأول |
| مهندس البيانات | يستخرج البيانات من قاعدة البيانات التاريخية ونظام LIMS ونظام إدارة الصيانة المحوسب (CMMS) ونظام ERP؛ وينظفها ويزامن طوابعها الزمنية ويبني مسارات بيانات قابلة للتكرار | التوظيف، أو إعادة تأهيل موظفين من تقنية المعلومات أو الأتمتة | منذ اليوم الأول |
| عالم البيانات | يبني النماذج ويختبرها مقارنة بمرجع أساسي | التوظيف، أو شريك في البداية | منذ اليوم الأول |
| مهندس OT أو أتمتة | الوصول إلى بيانات أنظمة DCS وSCADA وقاعدة البيانات التاريخية؛ وقواعد الشبكة والسلامة | موظفوكم، بدوام جزئي | منذ اليوم الأول، بدوام جزئي |
| تقنية المعلومات والأمن | الخوادم والحسابات والنسخ الاحتياطي ومراجعة الأمن | موظفوكم، بدوام جزئي | منذ اليوم الأول، بدوام جزئي |
| مهندس تعلّم آلي (MLOps) | ينشر النماذج ويراقبها ويعيد تدريبها في الإنتاج | التوظيف، أو شريك | عندما يصل أول نموذج إلى مرحلة التجريب |
| الراعي | يحدد الأولويات ويحمي وقت الفريق وميزانيته | مدير مصنع أو مدير تشغيل | منذ اليوم الأول |
وتضيف إرشادات Microsoft لمركز التميز في الذكاء الاصطناعي على مستوى المؤسسة مختصين في حوكمة الذكاء الاصطناعي وأمنه وتشغيله، إلى جانب قادة الأعمال الذين يحددون حالات الاستخدام ويقيّمون النتائج (Microsoft). ولن يضم أول فريق في المصنع كل هذه الأدوار. غطّوا الأدوار الناقصة بدوام جزئي من تقنية المعلومات وOT، أو عبر شريك.
وصاحب المشكلة ليس اختياريًا. فقد وجدت RAND أن علماء البيانات يحتاجون إلى خبراء في المجال يشرحون معنى البيانات وأي الحقول غير موثوقة، وذكر 10 من أصل 50 ممن قابلتهم في القطاع الصناعي نقص فهم المجال سببًا للفشل (RAND).
لماذا نوظّف مهندس بيانات قبل عالم بيانات ثانٍ؟
معظم العمل في البداية عمل على البيانات. ففي استطلاع Anaconda لسنة 2020، أفاد علماء البيانات بأنهم يقضون 19% من وقتهم في تحميل البيانات و26% في تنظيفها (InfoWorld). وقال أحد من قابلتهم RAND إن «80 بالمئة من الذكاء الاصطناعي هو العمل الشاق لهندسة البيانات»، وتحدث 30 من أصل 50 عن مشكلات مستمرة في جودة البيانات (RAND).
وتضيف بيانات المصنع عملًا خاصًا بها. فبيانات العملية «وفيرة غالبًا لكنها فقيرة في المعلومات» بسبب الاضطرابات والقيم الشاذة والقيم المفقودة، ويجب مزامنة عينات الجودة المأخوذة مرة في كل وردية من 8 ساعات أو مرة في اليوم مع بيانات العملية المسجلة بتواتر أعلى بكثير (Lawrence et al., 2024). وكثيرًا ما تكون سجلات الصيانة نصًا حرًا في نظام CMMS، ولا يزال بعضها ورقيًا. ويبيّن دليلنا للمستشعرات البرمجية حجم ما تأخذه المزامنة الزمنية من مشروع النمذجة.
والنشر هو الفجوة التالية. إذ تلاحظ Google Cloud أن علماء البيانات «قد لا يكونون مهندسي برمجيات ذوي خبرة قادرين على بناء خدمات بمستوى الإنتاج» (Google Cloud). وأوصى من قابلتهم RAND بتوظيف مهندسي تعلّم آلي لبناء البنية التحتية للنشر (RAND).
وخططوا للاحتفاظ بالموظفين. فتذكر RAND أن كثيرًا من مهندسي البيانات يطمحون إلى الانتقال إلى علوم البيانات، مما يسبب معدل دوران مرتفعًا في بعض المؤسسات. امنحوا هذا الدور مسارًا مهنيًا واجعلوا التوثيق جزءًا من العمل.
أين يوضع الفريق في الهيكل التنظيمي؟
| موقع الفريق | نقاط القوة | المخاطر |
|---|---|---|
| ضمن إدارة تقنية المعلومات أو الرقمنة | الخوادم والأمن والوصول إلى ERP وحوكمة تقنية المعلومات | بعيد عن المصنع؛ الوصول إلى OT أصعب؛ مشاريع تُختار لأجل التقنية |
| ضمن التشغيل أو هندسة العمليات | قريب من المشكلات والمشغلين | يُنظر إليه كأداة لموقع واحد؛ ضعيف في البنية التحتية والأمن |
| فريق مركزي يخدم عدة مواقع | مجموعة واحدة من الأدوات والمعايير؛ تقاسم المهارات النادرة | يصبح عنق زجاجة؛ يفقد أعضاؤه الصلة بالمواقع |
| مختصو بيانات مدمجون في كل موقع | سريع وقريب من المستخدمين | أدوات مكررة؛ أفراد معزولون يصعب الاحتفاظ بهم |
وترى إرشادات Microsoft أن الشركات في بداية مسارها في الذكاء الاصطناعي «تستفيد من مركز تميز مركزي لتجميع الخبرات والممارسات الأساسية»، ثم تتجه نحو دور استشاري مع نضج الاعتماد. كما تنصح بالبناء على الفرق القائمة، وعدم إنشاء فريق ذكاء اصطناعي مستقل إلا إذا عجزت الفرق الحالية عن دعم اعتماده (Microsoft). وبالنسبة لمؤسسة صناعية، فإن القراءة العملية لذلك هي فريق مركزي صغير يتبع مسؤولًا له سلطة على التشغيل وتقنية المعلومات معًا، ويقضي أعضاؤه وقتًا منتظمًا في الموقع.
أبقوا من يبنون النظام معًا. إذ يُرجع Sculley وزملاؤه مشكلات التكامل إلى الفصل المفرط بين دوري «البحث» و«الهندسة»، ويقترحون جمعهما في الفريق نفسه (Sculley et al., 2015). وينطبق الأمر نفسه على مختصي البيانات ومهندسي OT: فالإرشادات التي تقودها CISA توصي بالتعاون بين التخصصات وبتدريب فرق OT على تفسير مخرجات الذكاء الاصطناعي والتحقق منها (CISA et al., 2025). ويتناول مقالنا عن موقع الذكاء الاصطناعي في نموذج Purdue جانب الشبكة.
هل نوظّف أم ندرّب أم نستعين بشريك؟
غالبًا الثلاثة معًا. إذ توصي إرشادات Microsoft لاعتماد الذكاء الاصطناعي بالجمع بين التدريب والتوظيف والشراكات (Microsoft).
والمنافسة على هذه المهارات شديدة. فتقرير مستقبل الوظائف 2025 الصادر عن المنتدى الاقتصادي العالمي، المبني على استطلاع شمل أكثر من 1,000 صاحب عمل، يضع الذكاء الاصطناعي والبيانات الضخمة في صدارة المهارات الأسرع نموًا، ومختصي البيانات الضخمة ضمن الوظائف الأسرع نموًا. ويرى 63% من أصحاب العمل المستطلَعين أن فجوات المهارات عائق رئيسي أمام التحول (WEF).
ولدى الجزائر رافد محلي جديد: فقد خرّجت المدرسة الوطنية العليا للذكاء الاصطناعي (ENSIA)، المنشأة سنة 2021، 105 طلاب في جوان 2026 بعد خمس سنوات من التكوين (Radio Algérie). يأتي الخريجون بالمناهج، أما المعرفة بالمصنع فتأتي من مهندسيكم.
- وظّفوا في هندسة البيانات وعلوم البيانات، حيث تحتاجون إلى هذه المهارات بدوام كامل.
- درّبوا المهندسين وموظفي الأتمتة أو تقنية المعلومات الذين يعرفون أنظمتكم أصلًا، وخصصوا جزءًا من وقتهم للعمل على البيانات.
- استعينوا بشريك في المشروع الأول، أو في هندسة التعلّم الآلي، أو في النماذج المتخصصة. انصّوا في العقد على نقل المعرفة، وتحققوا من كيفية وصول الشريك إلى بيانات OT الخاصة بكم واستخدامه لها، كما توصي الإرشادات التي تقودها CISA. ويعرض دليل اختيار المورّد الأسئلة التي ينبغي طرحها.
ما الذي يفعله الفريق في سنته الأولى؟
- اختيار مشكلة دائمة. توصي RAND بتكليف كل فريق بمشكلة واحدة لمدة سنة على الأقل؛ والمشروع الذي لا يستحق هذا الالتزام لا يستحق البدء على الأرجح (RAND).
- فحص الجاهزية. يبيّن تقييم الجاهزية للذكاء الاصطناعي ما إذا كانت قاعدة البيانات التاريخية والوسوم والسجلات قادرة على دعم المشكلة.
- تحديد المؤشر والمرجع الأساسي. القاعدة رقم 2 في Rules of Machine Learning من Google هي: «صمّموا المقاييس ونفّذوها أولًا». وقارنوا بقاعدة بسيطة أو عملية حسابية قبل بناء نموذج.
- بناء وصول قابل للتكرار إلى البيانات. استخراج مؤتمت بسكربت من قاعدة البيانات التاريخية ونظام LIMS ونظام CMMS، مع قاموس بيانات لكل وسم مستخدم.
- إبقاء النموذج الأول بسيطًا. القاعدة رقم 4 لدى Google هي: «أبقوا النموذج الأول بسيطًا وأحسنوا بناء البنية التحتية».
- التجريب مع المستخدمين. كثيرًا ما «يُستقبل التعلّم الآلي بحذر من المستخدمين النهائيين»، وإشراكهم مبكرًا يبني الثقة (Paleyes et al., 2022).
- التسليم مع مسؤول محدد. مراقبة، ومعيار لإعادة التدريب، وخطة بديلة، كما هو موضح في لماذا تفشل مشاريع الذكاء الاصطناعي الصناعي.
- بعد ذلك فقط اختيار المشكلة الثانية. مع إعادة استخدام مسارات البيانات والتوثيق من الأولى.
خصصوا لوقت الفريق بندًا مستقلًا في الميزانية؛ انظروا كلفة مشروع الذكاء الاصطناعي الصناعي.
ما الأخطاء التي تبطئ فريق البيانات الجديد؟
- توظيف علماء بيانات فقط. فلا أحد يتولى مسارات البيانات أو النشر.
- تغيير الأولويات كل بضعة أسابيع. وجدت RAND أن المشاريع قد تُتخلى عنها حينها قبل أن تُظهر نتائج، وأن كثيرًا من القادة يتوقعون أن تستغرق مشاريع الذكاء الاصطناعي أسابيع بدل أشهر.
- ملاحقة أحدث الأدوات. تصف RAND حالات فشل يجرّب فيها الفريق التقني نماذج جديدة بينما تناسب أدوات راسخة أكثر. والقاعدة رقم 1 لدى Google هي: «لا تخشوا إطلاق منتج دون تعلّم آلي».
- إبعاد الفريق عن المصنع. فيسيء فهم الوسوم ويبني أدوات يتجاهلها المشغلون.
- إسناد كل شيء إلى جهات خارجية. فإذا غادر الشريك ومعه المعرفة، تبدؤون من الصفر.
ما الذي لاحظناه في KABAS AI
مشروعانا المنشوران مشروعا بحث وتطوير في التركيبات، لكنهما يبيّنان موقع فرق العميل في العمل. ففي ENAD Shymeca، بدأ تنفيذ Virtual Lab بمرحلة استكشاف عمل خلالها مهندسو KABAS مع فريق البحث والتطوير لدى العميل على مسارات العمل وهياكل البيانات، تلاها ترحيل بيانات التركيبات التاريخية وتدريب موظفي البحث والتطوير. وكان حفظ المعرفة قبل تقاعد باحثين ذوي خبرة أحد اهتمامات العميل نفسه. وفي ADFC، كانت عقود من الخبرة في التركيبات موزعة على صيغ وأماكن مختلفة، وكانت هيكلتها في مستودع قابل لإعادة الاستخدام جزءًا من المشروع.
ينطبق درسان على فريق البيانات. فخبراء المجال لدى العميل جزء من الفريق لا جمهور له. والبيانات المهيكلة والتوثيق أصل يجب أن يبقى لدى العميل.
من أين نبدأ؟
حددوا الراعي وصاحب المشكلة والمشكلة الأولى قبل التوظيف. يجري فريق الاستشارات لدينا تقييمات الجاهزية وتحديد حالات الاستخدام، ويمكن لفريق علوم البيانات أن يتولى إعداد البيانات وتطوير النماذج وMLOps ريثما يكتسب فريقكم هذه المهارات. تواصلوا معنا لمناقشة وضعكم.
المصادر
- Ryseff, De Bruhl and Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, RAND, 2024
- Lawrence et al., Machine learning for industrial sensing and control: A survey and practical perspective, Control Engineering Practice, 2024 (arXiv 2401.13836)
- Microsoft, Establish an AI Center of Excellence, Cloud Adoption Framework
- Microsoft, Plan for AI adoption, Cloud Adoption Framework
- Google Cloud, MLOps: Continuous delivery and automation pipelines in machine learning
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- InfoWorld, For data scientists, drudgery is still job one (Anaconda 2020 State of Data Science survey)
- CISA, ASD's ACSC et al., Principles for the Secure Integration of Artificial Intelligence in Operational Technology, 3 December 2025
- World Economic Forum, The Future of Jobs Report 2025
- Radio Algérie, Baddari préside la cérémonie de sortie de deux promotions de l'ENSIA et de l'ENSM, juin 2026
- Google for Developers, Rules of Machine Learning
- Paleyes, Urma and Lawrence, Challenges in Deploying Machine Learning: a Survey of Case Studies, ACM Computing Surveys, 2022 (arXiv 2011.09926)
الأسئلة الشائعة
كم شخصًا يحتاج أول فريق بيانات صناعي؟
تكفي نواة صغيرة للبداية: مهندس يتولى مشكلة المصنع، ومهندس بيانات، وعالم بيانات، مع دعم جزئي من فريقي OT وتقنية المعلومات. أضيفوا مهندسي تعلّم آلي وعلماء بيانات آخرين عندما يصبح أول نموذج مستخدمًا يوميًا ويتجاوز العمل قدرة النواة.
هل نوظّف عالم بيانات أولًا أم مهندس بيانات؟
في معظم المصانع تُقضى الأشهر الأولى في استخراج البيانات من قاعدة البيانات التاريخية (historian) ونظام المختبر ونظام إدارة الصيانة، ثم في جعلها متسقة. وقد وصف من قابلتهم RAND هندسة البيانات بأنها معظم العمل، وأشاروا إلى أن منتجات الذكاء الاصطناعي تحتاج إلى أكثر من فريق علوم بيانات. وإذا لم يكن بإمكانكم توظيف سوى شخص واحد، فتأكدوا من وجود مهارات هندسة البيانات في الفريق منذ البداية.
هل يمكن لمهندسي العمليات لدينا أن يصبحوا علماء بيانات؟
يستطيع بعضهم ذلك، وهم يحملون معرفة بالمصنع تنقص علماء البيانات عادة. وتدريب الموظفين الحاليين والتوظيف والعمل مع الشركاء طرق متكاملة. لكن المهندسين الذين ينتقلون إلى العمل على البيانات يحتاجون إلى وقت محمي من مهام التشغيل، وإلا لن يتحول التدريب إلى مشاريع.
هل يتبع فريق البيانات إدارة تقنية المعلومات أم إدارة التشغيل؟
لا ينجح أي منهما وحده. فتقنية المعلومات توفر البنية التحتية والأمن، والتشغيل يوفر المشكلات والمستخدمين. وتفضّل إرشادات Microsoft لمرحلة البداية في اعتماد الذكاء الاصطناعي فريقًا مركزيًا يبني على الفرق القائمة. وفي المصنع يعني ذلك فريقًا مركزيًا صغيرًا يتبع مسؤولًا له سلطة على الجهتين، ويقضي أعضاؤه وقتًا منتظمًا في الموقع.
كم من الوقت يحتاج فريق بيانات جديد ليحقق نتائج؟
خططوا بالأشهر لا بالأسابيع. فقد وجدت RAND أن القادة كثيرًا ما يتوقعون أن تستغرق مشاريع الذكاء الاصطناعي أسابيع بدل أشهر، وتوصي بتكليف كل فريق بمشكلة واحدة لمدة سنة على الأقل. ويمكن تجريب أول نموذج خلال تلك السنة إذا كانت البيانات متاحة، لكن القيمة الدائمة للفريق تكمن في مسارات البيانات والتوثيق والمهارات التي يبنيها.



