جدول المحتويات
يمكن لنموذج LLM أن يدعم تحليل السبب الجذري بالبحث في سنوات من أوامر العمل وسجلات الوردية وتقارير التفتيش عن أعطال سابقة مشابهة، وبناء تسلسل زمني موثّق بالمصادر، واقتراح أسباب مرشّحة للاختبار. لكنه لا يستطيع تأكيد السبب. فالمهندسون يختبرون كل فرضية مقابل البيانات والقطعة المعطوبة والأشخاص المعنيين، ثم يسجّلون السبب المؤكَّد.
أهم النقاط
- السبب الجذري هو الإخفاق الأولي الذي تنبثق منه سائر الأسباب، وهو عمومًا إخفاق في الإدارة أو التخطيط أو التنظيم (HSE, HSG245).
- كان استرجاع الحالات السابقة المشابهة هو الفارق في دراسة RCACopilot لدى Microsoft: درجة F1 الدقيقة (micro) بلغت 0.766، مقابل 0.026 للإعداد نفسه القائم على GPT-4 دون حوادث سابقة في الموجّه (prompt) (Chen et al., 2024).
- نصوص الصيانة تحتاج إلى تكييف. ففي تصنيف أنماط الأعطال، حصل GPT-3.5 دون تكييف على درجة F1 قدرها 0.46، مقابل 0.80 بعد الضبط الدقيق (Stewart et al., 2023).
- معظم سجلات الصيانة تذكر ما تعطّل لا سبب تعطّله. ففي جمع البيانات وفق ISO 14224، لا يدخل سبب العطل ولا آلية العطل ضمن البيانات الدنيا (Selvik, 2014).
- تعاملوا مع مخرجات النموذج على أنها فرضيات مدعومة بالمصادر. فنماذج LLM كثيرًا ما تُحسن الاستدلال على الأسباب، لكنها تُظهر أنماط إخفاق غير متوقعة (Kıcıman et al., 2023).
ما معنى تحليل السبب الجذري في الصيانة؟
يصف المعيار الدولي IEC 62740 الخاص بتحليل السبب الجذري مبادئ هذا التحليل والخطوات التي ينبغي أن تتضمنها عمليته. ولا يغطي إلا التحليل اللاحق للحدث، وتقنياته غير مصممة لتحديد المسؤولية أو التبعة القانونية (IEC 62740:2015).
ويميّز دليل التحقيق الصادر عن الهيئة البريطانية للصحة والسلامة (HSE) بين ثلاثة مستويات من الأسباب (HSE, HSG245):
- السبب المباشر: أوضح سبب لوقوع الحدث.
- السبب الكامن: السبب الأقل وضوحًا المرتبط بالنظام أو التنظيم، مثل فحوص لم تُنفَّذ.
- السبب الجذري: الحدث أو الإخفاق الأولي الذي تنبثق منه سائر الأسباب أو الإخفاقات.
يتناول دليل HSE الحوادث التي تمس الأشخاص، لكن المنطق نفسه ينطبق على المعدات. ويضيف أن التحقيقات التي تخلص إلى أن خطأ المشغّل هو السبب الوحيد نادرًا ما تكون مقبولة.
أما ISO 14224، وهو معيار بيانات الموثوقية والصيانة لصناعات النفط والبتروكيماويات والغاز الطبيعي، فيقدّم مفردات المعدات. وكما عرضه المحرر التقني لفريق العمل في ISO، فهو يميّز بين نمط العطل وآلية العطل وسبب العطل (Selvik, 2014):
| المصطلح | المصدر | التعريف | مثال توضيحي: تسرّب من مانع التسرب في مضخة |
|---|---|---|---|
| نمط العطل | ISO 14224 | الأثر الذي يُلاحَظ به العطل | تسرّب خارجي من مانع التسرب الميكانيكي |
| آلية العطل | ISO 14224 | العملية الفيزيائية أو الكيميائية أو غيرها التي تؤدي إلى العطل | تآكل أوجه الاحتكاك |
| سبب العطل (السبب الجذري) | ISO 14224 | الظروف المرتبطة بالتصميم أو التصنيع أو التركيب أو الاستخدام أو الصيانة التي أدت إلى العطل | عدم محاذاة المضخة والمحرك بعد إصلاح |
| السبب الجذري | HSE HSG245 | الإخفاق الأولي الذي تنبثق منه الأسباب الأخرى؛ وهو تنظيمي عمومًا | غياب فحص المحاذاة في إجراء الإصلاح |
مثال المضخة من وضعنا. فلسلسلة الأسباب مستويات عدة، والسجلات التي يقرؤها نموذج LLM تتوقف عادة عند المستوى الأول.
لماذا يصعب تحليل سجل الصيانة؟
نادرًا ما تُدوَّن الأسباب. في حقول بيانات الأعطال وفق ISO 14224 كما عرضها Selvik، البيانات الدنيا هي تاريخ العطل ونمط العطل وأثر العطل على وظيفة المعدّة. ولا تدخل آلية العطل ولا سببه ضمن هذا الحد الأدنى (Selvik, 2014). فقد يستوفي السجل الحد الأدنى دون أن يقول شيئًا عن سبب تعطّل المعدّة.
النص الحر والمصطلحات المهنية. طوّر المعهد الوطني الأمريكي للمعايير والتقنية (NIST) أداة Nestor لأن بيانات أوامر عمل الصيانة كانت غير منظّمة أو مليئة بالمصطلحات المهنية إلى حدّ يتعذر معه تحليلها (NIST, Nestor). ويرى باحثون من NIST وزملاؤهم أن سلاسل معالجة اللغة الجاهزة تحتاج إلى إعادة تصوّر لتناسب النصوص الهندسية، وهو نهج يسمّونه معالجة اللغة التقنية (Brundage et al., 2021). وفي المصانع الجزائرية قد تمزج الملاحظة الواحدة الفرنسية والعربية والاختصارات؛ راجعوا التعامل مع الوثائق التي تمزج العربية والفرنسية والإنجليزية.
التواريخ هي تواريخ الاكتشاف. يُؤرَّخ أمر العمل بلحظة ملاحظة المشكلة لا ببداية التدهور؛ ويشرح مقال عنونة الأعطال في بيانات السلاسل الزمنية هذا الفرق.
الأدلة موزّعة. سجلات الوردية وسجلات الإنذارات وتقارير التفتيش وسجلات التعديلات موجودة في أنظمة مختلفة.
ما الذي يمكن أن يقدّمه نموذج LLM في تحليل السبب الجذري؟
تكمن معظم القيمة في القراءة والتنظيم، لا في اتخاذ القرار.
| المهمة | ما يفعله نموذج LLM | ما يبقى من مسؤولية الأشخاص |
|---|---|---|
| إيجاد أحداث سابقة مشابهة | يبحث في أوامر العمل والتقارير رغم اختلاف الصياغة واللغة، ويرتّب أقرب الحالات مع مراجعها | الحكم على ما إذا كانت الحالات قابلة للمقارنة فعلًا |
| بناء التسلسل الزمني | يجمع في تسلسل واحد المدخلات المؤرّخة من أوامر العمل وسجلات الوردية والإنذارات، كلٌّ منها بمصدره | التحقق من الترتيب والثغرات |
| توحيد النص الحر | يقترح رموز أنماط الأعطال من قائمتكم الخاصة | مراجعة عينة قبل الاعتماد على الرموز |
| اقتراح الفرضيات | يسرد الأسباب المرشّحة مع السجلات التي تدعم كلًّا منها أو تناقضه | تقرير ما يُختبر منها وكيف |
| العدّ ورصد الاتجاهات | يستدعي استعلامًا على قاعدة البيانات بدل العدّ من النص | التحقق من الاستعلام |
| صياغة التقرير | يكتب التقرير وفق نموذج الموقع، بالفرنسية أو العربية أو الإنجليزية | اعتماده والتوقيع عليه |
| تأكيد السبب | لا شيء | فحص القطعة المعطوبة، وتحليل البيانات، ومقابلة الأشخاص |
سؤال مثل «كم عطلًا في مانع التسرب على هذه الفئة من المضخات منذ 2020» سؤال لقاعدة البيانات لا مهمة قراءة؛ راجعوا تحويل النص إلى SQL على قواعد بيانات الإنتاج.
ماذا تقول الدراسات المنشورة؟
قليلة هي الدراسات المنشورة عن تحليل السبب الجذري بمساعدة نماذج LLM في المصانع. وأكبرها تأتي من إدارة الحوادث في Microsoft، على تذاكر حوادث سحابية لا على أوامر عمل في مصانع، لذا تعاملوا مع أرقامها بوصفها مؤشرات لا معايير مرجعية للصناعة.
استرجاع الحالات المشابهة هو الأهم. قُدّم نظام RCACopilot في مؤتمر EuroSys 2024، وقُيّم على 653 حادثة امتدت سنة كاملة في إحدى خدمات Microsoft. يبحث النظام عن أقرب الحوادث التاريخية، ويضع ملخصاتها وفئات أسبابها الجذرية المعنونة في الموجّه أمثلةً، ثم يطلب من النموذج اختيار الحادثة الأرجح أن تشترك في السبب الجذري نفسه، أو خيار «حادثة غير مسبوقة». ومع GPT-4 بلغت درجة F1 الدقيقة 0.766، بينما سجّل الإعداد نفسه دون حوادث تاريخية في الموجّه 0.026. كما أدّت إضافة مزيد من بيانات التشخيص إلى الموجّه إلى خفض الدرجة، وهو ما رآه المؤلفون دليلًا على أن فائض المعلومات قد يضرّ بالتنبؤات. وشكّلت الحوادث ذات فئة سبب جذري جديدة 24.96% من مجموعة البيانات. وأمام إحداها اقترح النظام فئة جديدة هي «I/O Bottleneck»، ثم صنّفها المهندسون لاحقًا «DiskFull» (Chen et al., 2024).
وجد المهندسون الاقتراحات مفيدة لا موثوقة. قيّمت دراسة قُدّمت في مؤتمر ICSE 2023 نماذج على أكثر من 40,000 حادثة، ثم طلبت من مسؤولي الحوادث تقييم صحة الأسباب الجذرية المقترحة من 1 إلى 5. وبلغ متوسط أفضل نموذج منفرد 2.88، ومنح ما يزيد قليلًا على 70% من المسؤولين الفائدة الإجمالية للنماذج 3 أو أكثر. وحذّر أحدهم من أن الاقتراح إذا كان خاطئًا فقد يستغرق مهندسو المناوبة وقتًا أطول في التحقيق، ولاحظ آخر أن البيانات ليست كلها مسجّلة في قاعدة البيانات (Ahmed et al., 2023).
رموز الصيانة تحتاج إلى أمثلة. طلب Stewart وHodkiewicz وLi من نماذج إسناد رموز أنماط الأعطال إلى ملاحظات صيانة. فبلغ GPT-3.5 بعد الضبط الدقيق درجة F1 قدرها 0.80، ومصنّف نصوص تقليدي 0.60، وGPT-3.5 دون تكييف 0.46. ويخلص المؤلفون إلى أن هذه المهام المتخصصة تتطلب بيانات ضبط دقيق عالية الجودة (Stewart et al., 2023).
الاستدلال السببي قوي لكنه متفاوت. أفاد Kıcıman وزملاؤه بأن أساليب قائمة على GPT-3.5 وGPT-4 بلغت دقة 97% في اختبار معياري لاكتشاف العلاقات السببية بين أزواج المتغيرات. لكنهم رصدوا أيضًا أنماط إخفاق غير متوقعة، ولأن نماذج LLM تتجاهل البيانات الفعلية، يقترحون الجمع بينها وبين أساليب سببية قائمة على البيانات (Kıcıman et al., 2023).
الأعمال الصناعية ما زالت في مرحلة إثبات المفهوم. يصف Trilla وزملاؤه نظام توليد معزّز بالاسترجاع (RAG) «واعيًا بالسببية» لتشخيص الأعطال في بيئة صناعية. يعمل النظام على سجلات الاستفادة من الخبرة السابقة (retour d'expérience)، ويجمع التمثيلات التي تعلّمها نموذج LLM مع الروابط السببية بين أنماط الأعطال وآلياتها. وقد اختبره المؤلفون على حالة واحدة للصيانة التنبؤية (Trilla et al., 2024).
كيف يُطبَّق تحليل السبب الجذري بمساعدة LLM خطوة بخطوة؟
- تأطير الحدث. تسجيل رمز المعدّة وفئتها ونمط العطل والتواريخ والعواقب. تحقيق واحد، وسؤال واحد.
- جمع الأدلة بصلاحية القراءة فقط. استخراج أوامر العمل الخاصة بالمعدّة وفئتها، وسجلات الوردية، وسجلات الإنذارات والتوقفات الآلية، وتقارير التفتيش، والإجراءات، والتعديلات الأخيرة. ويتناول مقال ربط وكيل ذكاء اصطناعي بنظام إدارة الصيانة أدوات القراءة فقط والحساب الخاص بالوكيل.
- استرجاع الحالات المشابهة بالبحث الهجين. الجمع بين البحث بالكلمات المفتاحية والبحث المتجهي حتى تتطابق رموز المعدات وأرقام القطع تطابقًا تامًّا، والتصفية حسب فئة المعدّة، كما يشرح مقال RAG لأدلة الصيانة. ويساعد الربط المتسق بين رموز الأجهزة والمعدات؛ راجعوا وضع البيانات في سياقها: رموز الأجهزة والمعدات.
- إرسال بضعة سجلات ذات صلة لا السجل كله. تستفيد النماذج من المعلومات الواقعة في بداية المدخلات الطويلة أو نهايتها بموثوقية أكبر من تلك الواقعة في وسطها (Liu et al., 2023)، وفي RCACopilot خفّضت زيادة بيانات الإدخال الدقة.
- بناء تسلسل زمني موثّق. يحيل كل سطر إلى سجل، وتُعرض الثغرات ولا تُملأ.
- طلب فرضيات مع الأدلة المؤيدة والمعارضة، إضافة إلى خيار صريح «لا توجد حالة سابقة مشابهة»، كما يفعل RCACopilot بخيار «حادثة غير مسبوقة».
- اختبار الفرضيات خارج النموذج. باستخدام المنحنيات، وفحص القطعة المعطوبة، والمقابلات، وأسئلة «لماذا» المتتالية التي يصفها دليل HSE (HSE, HSG245).
- تسجيل السبب المؤكَّد في نظام إدارة الصيانة، مع رموز النمط والآلية والسبب، حتى ينطلق التحقيق التالي من سجل أفضل.
أين يخطئ تحليل السبب الجذري بمساعدة LLM؟
| الفخ | كيف يظهر | الضمانة |
|---|---|---|
| سبب معقول لكنه غير مدعوم | تفسير سلس لا يذكره أي سجل | استشهاد لكل ادعاء؛ وعرض السجلات بجانب الإجابة |
| العدّ من النص | «تعطّلت هذه المضخة خمس مرات» مأخوذة من ملخص | الأعداد تأتي من استعلامات قاعدة البيانات |
| تشابه زائف | صياغة العَرَض نفسها على نوع مختلف من المعدات | التصفية حسب فئة المعدّة ورمزها؛ ومهندس يؤكد كل تطابق |
| التثبّت على الماضي | إقحام عطل جديد في فئة قديمة | خيار صريح «لا توجد حالة مشابهة» |
| التوقف عند خطأ المشغّل | تقديم الخطأ البشري سببًا جذريًا | البحث عمّا سمح بوقوع الخطأ |
| أدلة ناقصة | سجلات وردية ورقية، وتقارير لم تُرقمن قط | يذكر التقرير المصادر التي لم يُبحث فيها |
ولاختبار المساعد أمام الفخ الأول، راجعوا قياس الهلوسة في مساعد صناعي.
أين يجب أن تُحفظ السجلات ويعمل النموذج؟
تذكر أوامر العمل وسجلات الوردية أسماء الفنيين والمقاولين، وتصف نقاط ضعف معداتكم. احتفظوا بالوثائق وفهرس البحث والموجّهات والسجلات على خوادمكم الخاصة؛ ويتناول مقال تأمين نموذج LLM محلي التحكم في الوصول وتسجيل العمليات.
ما الذي لاحظناه في KABAS AI
DALILE هو مساعدنا متعدد الوكلاء الذي يعمل محليًا (on-premise). يبحث في الوثائق ويجيب مع ذكر المصادر الدقيقة، ويستعلم قواعد البيانات بلغة طبيعية، ويتصل بأنظمة ERP وأنظمة إدارة الوثائق، ويعمل على خوادم العميل نفسه. وتذكر صفحة الصناعة التحويلية التنبؤ بصيانة المعدات ضمن حالات الاستخدام، ويطوّر فريق الذكاء الاصطناعي الوكيلي لدينا وكلاء ومسارات عمل مخصّصة على DALILE.
لم ننشر مشروعًا لتحليل السبب الجذري. فدراستا الحالة المنشورتان لدينا، في ADFC وENAD Shymeca، تتعلقان بالبحث والتطوير باستخدام Virtual Lab. لذا فما يلي هو النهج الذي نوصي به، لا نتيجة منشورة:
- البدء بفئة معدات واحدة تتكرر أعطالها، مع مهندس موثوقية مسؤول عن تحقيقاتها.
- البدء بالاسترجاع والتسلسلات الزمنية. ثم إضافة توليد الفرضيات عندما يثق المهندسون بالاستشهادات.
- القياس على تحقيقات حقيقية: الوقت اللازم لأول ملف أدلة، وعدد المرات التي كان فيها السبب المؤكَّد ضمن الأسباب المرشّحة.
- إدخال تقارير الوردية مبكرًا. فهي غالبًا ما تتضمن ما جرى في الساعات السابقة للعطل؛ راجعوا أتمتة تقارير الوردية والتسليم.
المصادر
- IEC 62740:2015, Root cause analysis (RCA), IEC Webstore
- UK Health and Safety Executive, HSG245 Investigating accidents and incidents, 2004
- Selvik, Collection and exchange of reliability and maintenance data for equipment (ISO 14224), ISO/TC 67/WG4, Rio de Janeiro, 2014
- NIST, Nestor: toolkit for maintenance work order text
- Brundage et al., Technical language processing: Unlocking maintenance knowledge, Manufacturing Letters 27, 2021
- Chen et al., Automatic Root Cause Analysis via Large Language Models for Cloud Incidents, EuroSys 2024 (arXiv 2305.15778)
- Ahmed et al., Recommending Root-Cause and Mitigation Steps for Cloud Incidents using Large Language Models, ICSE 2023 (arXiv 2301.03797)
- Stewart, Hodkiewicz and Li, Large Language Models for Failure Mode Classification: An Investigation, arXiv 2309.08181, 2023
- Kıcıman et al., Causal Reasoning and Large Language Models: Opening a New Frontier for Causality, arXiv 2305.00050, 2023
- Trilla et al., Industrial-Grade Smart Troubleshooting through Causal Technical Language Processing: a Proof of Concept, arXiv 2407.20700, 2024
- Liu et al., Lost in the Middle: How Language Models Use Long Contexts, arXiv 2307.03172, 2023
الأسئلة الشائعة
هل يستطيع نموذج LLM وحده تحديد السبب الجذري لعطل في معدّة؟
لا. يمكنه العثور على أعطال سابقة مشابهة، وبناء تسلسل زمني من السجلات، واقتراح أسباب مرشّحة مع الأدلة التي تدعم كلًّا منها. أما تأكيد السبب فيتطلب أدلة لا تتضمنها السجلات، مثل فحص القطعة المعطوبة وتحليل المنحنيات والمقابلات، ومهندسًا يوقّع على الخلاصة.
هل نحتاج إلى الضبط الدقيق (fine-tuning) لنموذج على أوامر العمل لدينا؟
ليس في البداية. فاسترجاع الحالات السابقة المشابهة وتزويد النموذج بقائمة رموز الأعطال الخاصة بكم يؤديان معظم العمل. وقد يفيد الضبط الدقيق لاحقًا في مهام مثل إسناد رموز الأعطال: ففي إحدى الدراسات رفع درجة F1 لنموذج GPT-3.5 في تصنيف أنماط الأعطال من 0.46 إلى 0.80، لكنه تطلّب مجموعة من أوامر العمل المعنونة.
ما السجلات التي يجب ربطها أولًا؟
ابدؤوا بأوامر العمل في نظام إدارة الصيانة الخاصة بالمعدّة وبفئة المعدّات التي تنتمي إليها، ثم سجلات الوردية، وسجل الإنذارات والتوقفات الآلية، وتقارير التفتيش أو مراقبة الحالة. وتأتي الإجراءات وسجلات التعديلات بعد ذلك، لأن كثيرًا من الأسباب يكمن فيما تغيّر قبيل العطل.
أوامر العمل لدينا تمزج الفرنسية والعربية والاختصارات. هل ينجح ذلك؟
نعم، بشرط وجود بحث يتعامل مع الكتابتين، ومسرد لاختصارات الموقع، ومراجعة المهندسين لعينة من النتائج. واحتفظوا بالنص الأصلي بجانب كل ملخص أو رمز مقترح، حتى يرى القارئ ما كتبه الفني فعلًا.
كيف نقيس ما إذا كان المساعد مفيدًا؟
قيسوا الوقت اللازم للحصول على أول ملف أدلة في التحقيق، وعدد المرات التي كان فيها السبب المؤكَّد ضمن الأسباب المرشّحة التي اقترحها المساعد، ونسبة استشهاداته التي يجدها المهندس صحيحة عند المراجعة. وتابعوا هذه المؤشرات على تحقيقات حقيقية لا على أسئلة عرض توضيحي.
هل يحل ذلك محل الأساليب المنهجية لتحليل السبب الجذري؟
لا. فالمساعد يجهّز الأدلة وينظّمها، ويبقى التحليل خاضعًا لمنهجية منظّمة، مثل العملية والتقنيات الموصوفة في IEC 62740 أو أسئلة «لماذا» المتتالية في دليل التحقيق الصادر عن الهيئة البريطانية للصحة والسلامة (HSE). والنموذج يسرّع مرحلة جمع الأدلة.



