توقف جریان هوشمندسازی صنعتی

محمد میرزایی ، مدیرعامل شرکت توسن سیستم

در سال‌های اخیر با گسترش گفتمان تحول دیجیتال و افزایش توجه به فناوری‌های نوین از جمله هوشمندسازی- به کارگیری  هوش مصنوعی در حل مسائل صنعتی- موجی از تلاش و سرمایه‌گذاری برای ورود به این حوزه در میان شرکت‌های صنعتی کشور به جریان افتاد. این توجه تا حد زیادی از روندهای جهانی در صنایع پیشرو از جمله استفاده موفق شرکت‌های بزرگ بین‌المللی از داده‌کاوی، تحلیل پیش‌بینانه و الگوریتم‌های یادگیری ماشین در بهینه‌سازی فرآیندهای تولید الهام گرفته بود. با این حال الگوبرداری بدون بومی‌سازی، درک عمیق و آمادگی زیرساختی در نهایت به تکرار ظاهری راه‌حل‌ها بدون تحقق واقعی اهداف منجر شد.

این جریان با وجود شتاب اولیه قابل‌ توجه و ورود مستقیم به این حوزه از لایه استراتژی و برنامه‌ریزی، در عمل با توقفی آشکار مواجه شده است؛ توقفی که بیش از آنکه معلول موانع بیرونی باشد، ناشی از نوع نگاه، رویکرد و نحوه مواجهه شرکت‌های صنعتی با مقوله هوشمندسازی است.

بررسی روندهای شکل‌گرفته نشان می‌دهد بسیاری از شرکت‌های صنعتی صرفا با شنیدن پیوند میان هوشمندسازی، هوش‌مصنوعی و داده چنین پنداشتند که با تکیه بر داده‌های موجود-که اغلب فاقد اعتبار، انسجام و قابلیت آشکار کردن علل پیامدهای ظاهری هستند- می‌توان به سرعت در مسیر هوشمندسازی گام نهاد. در نتیجه بدون تعریف دقیق مساله یا شناخت عمیق از الزامات فنی و زیرساختی، اقدام به ایجاد ساختارهایی همچون کمیته‌های هوشمندسازی، فراخوان دریافت پیشنهادات و تدوین اسناد راهبردی کردند.

در این میان، نقش پررنگ برخی رسانه‌ها و شرکت‌های مشاوره‌ فاقد توانمندی و تجربه اجرایی که عمدتا بدون درک بسترهای واقعی سازمان‌ها، تبلیغات گسترده‌ای پیرامون هوش‌مصنوعی و ورود به حوزه تحول دیجیتال و دوره جدید صنعتی به راه انداختند، نیز در تعمیق این برداشت نادرست غیرقابل انکار است. ارائه نمونه‌کارهای بیرونی بدون شفاف‌سازی مقدمات و بسترهای آن باعث شد بسیاری از تصمیم‌گیران صنعتی دچار خطای شناختی در ارزیابی آمادگی دیجیتال سازمان خود شوند.

به‌محض مواجهه با واقعیت‌های پروژه‌های هوشمندسازی – از جمله عدم تطابق میان داده‌های موردنیاز و داده‌های موجود، هزینه زیرساخت‌های گردآوری، انتقال و پردازش داده- این جریان با توقفی ناگهانی مواجه شد؛ توقفی که از سال گذشته تاکنون، در سطح بسیاری از صنایع بزرگ کشور قابل مشاهده است.

آنچه عملا موجب شکل‌گیری این ایستایی شده است، رویکردی است که در آن سازمان‌ها به‌جای شروع از تشخیص دقیق مسائل اولویت‌دار (Pain Points) و تمرکز بر تبیین درست الزامات حل این مسائل، مستقیما به سراغ انتخاب نوع خاصی از راهکار به نام راهکارهای هوشمندسازی رفته‌اند. این رویکرد که در ادبیات سیاستگذاری اکتساب فناوری تحت عنوان mission-oriented شناخته می‌شود، تلاش می‌کند به صورت بالا به پایین، کاربردهای هوشمندسازی را در سطوح مختلف سازمان (سیستم‌ها، فرآیندها، تجهیزات) شناسایی و آنها را در اسناد تحول دیجیتال اولویت‌بندی کرده و به اجرا گذارد.

این مدل اما بدون وجود شناخت عمیق از وضعیت واقعی سازمان، ظرفیت‌های انسانی و فنی و بلوغ داده‌ای، به‌سرعت با موانع متعدد مواجه  و در همان مراحل ابتدایی متوقف می‌شود. در بسیاری از موارد، فقدان دانش تخصصی برای ارزیابی راهکارها موجب شده برخی شرکت‌ها راهکارهای نادرست را برگزینند یا قربانی پیشنهادهایی شوند که بیشتر در پی بهره‌برداری از ناآگاهی سازمان بوده‌اند تا حل مسائل واقعی آن.

در مقابل، تجربه برخی کشورها و بنگاه‌های موفق صنعتی نشان می‌دهد که حرکت به سمت هوشمندسازی، نیازمند درکی دقیق از زنجیره و چرخه عمر داده (Data Life-Cycle)، ظرفیت‌های داخلی و چرخه یادگیری است و نمی‌توان این فرآیند را از بالا و با اسناد تجویزی به پیش برد.

تداوم این وضعیت می‌تواند پیامدهای سنگینی برای صنعت کشور در پی داشته باشد. از یک‌سو سرمایه‌های قابل‌توجهی صرف پروژه‌هایی شده که به دلیل عدم آمادگی، به نتیجه نرسیده‌اند و موجب دلسردی مدیران ارشد سازمان‌ها شده‌اند. از سوی دیگر فرسایش تدریجی اعتماد نسبت به فناوری‌های نوین و شکل‌گیری ذهنیت شکست می‌تواند مانعی جدی بر سر راه اصلاح مسیر در آینده باشد. این در حالی است که نیاز واقعی به تحول و ارتقای بهره‌وری همچنان پابرجاست و نمی‌توان از آن چشم‌پوشی کرد.

توقف ایجاد شده در جریان هوشمندسازی اگرچه در ظاهر نگران‌کننده است اما در باطن می‌تواند فرصتی برای بازاندیشی در رویکرد باشد. تجربه نشان داده است که بسیاری از شرکت‌ها اکنون به درستی متوجه شده‌اند که داده‌هایی- هرچند ناقص و فاقد تناسب با پیش‌نیازهای هوشمندسازی- در اختیار دارند و برخی مسائل خود را نیز به‌خوبی می‌شناسند. همین وضعیت، زمینه‌ای مناسب برای اتخاذ رویکرد diffusion-oriented فراهم می‌سازد؛ رویکردی که مبتنی‌بر حرکت تدریجی، یادگیری مستمر و حل واقعی مسائل سازمان با داده‌های موجود است.

در این مدل، حرکت از پروژه‌های کوچک با استفاده از داده‌های موجود آغاز می‌شود و جریانی خیزشی را برای بهبود مستمر شکل می‌دهد. به‌عنوان مثال، یک کارخانه تولید قطعات صنعتی می‌تواند با تحلیل ساده داده‌های نگهداری تجهیز، نسبت به پیش‌بینی خرابی‌های متداول اقدام کند. چنین پروژه‌ای نه‌تنها ارزش فوری ایجاد می‌کند بلکه بستر تعامل بین تیم فنی، مدیریت و فناوری را نیز تقویت می‌کند.

حل موفق همین مسائل اولیه نه‌تنها منجر به خلق ارزش ملموس برای سازمان می‌شود بلکه به‌تدریج زیرساخت داده‌ای، مهارت‌های فنی و فرهنگ سازمانی موردنیاز برای پروژه‌های بزرگ‌تر را نیز فراهم می‌سازد. بدین‌ترتیب، بدون نیاز به حرکت‌های نمایشی یا تدوین اسناد کلی‌نگر، سازمان در مسیر هوشمندسازی واقعی و پایدار قرار می‌گیرد.

در انتها می‌توان گفت توقف فعلی در جریان هوشمندسازی صنعتی، بیش از آنکه نشانه ناکارآمدی فناوری یا کمبود منابع باشد، حاصل انتخاب رویکردی ناصحیح در آغاز مسیر است. با بازگشت به مساله‌محوری، حرکت گام‌به‌گام و استفاده از ظرفیت‌های موجود می‌توان این جریان متوقف ‌شده را به تدریج احیا کرد و در مسیر صحیح توسعه قرار داد. تحقق هوشمندسازی نه از مسیر هیجان و تقلید بلکه از مسیر تجربه، تداوم و تعمق حاصل می‌شود.