أوضح بيل فوي، مدير مبيعات السيارات في منطقة آسيا والمحيط الهادئ واليابان لدى AWS، أن 94% من الشركات قد تأثرت باضطرابات سلاسل التوريد، وذلك بسبب وجود فجوات في الرؤية الفورية نتيجة الأنظمة القديمة. وقال: «سواء كان الأمر يتعلق بإضراب في ميناء أو زلزال أو كارثة طبيعية، فإن معظم الشركات لا تدرك وجود مشكلة إلا بعد وصولها إلى مرحلة متأخرة». وأضاف أن إدارة هذه البيانات غير المتصلة تشكل تحدياً كبيراً بالنسبة لشركات تصنيع المعدات الأصلية (OEMs).
وأوضح فوي قائلاً: «تواجه شركات تصنيع المعدات الأصلية صعوبة في التعامل مع البيانات المتناثرة عبر جداول Excel، والأنظمة المركزية، وأنواع مختلفة من الأنظمة الأخرى». وتابع: «هذه الأنظمة لا تتواصل معاً، لذا لا يوجد نموذج موحد». وللتغلب على هذه التحديات، أشار فوي إلى ضرورة اعتماد الشركات نهجاً موحداً وتنبؤياً لإدارة سلاسل التوريد.
الأنظمة القديمة تعيق اعتماد الذكاء الاصطناعي
قال بيل فوي: «بالنسبة إلى معظم شركات تصنيع المعدات الأصلية التي أعمل معها، فإن بياناتها حبيسة في أنظمة قديمة». وأضاف: «إنها تدير عمليات سلاسل التوريد الحرجة باستخدام أنظمة مركزية عمرها 30 إلى 45 عاماً». وأشار إلى أن معظم هذه البرمجيات مكتوبة بلغة COBOL، وهي لغة نادراً ما يعمل بها أشخاص اليوم.
وقال فوي: «لا توجد وثائق لهذه الأنظمة، وقد يستغرق إعادة هندستها逆に مئات الساعات لفهم محتوياتها». وأوضح أن وجود هذه الأنظمة القديمة يعيق أيضاً تبني الشركات لأنظمة جديدة. وذكر أن 87% من الشركات المصنعة ترى أن الذكاء الاصطناعي أداة مهمة، إلا أن 8% فقط منها بحثت في مرحلة النضج الكاملة لتنفيذه.
وقال: «أحد أكبر التحديات المتعلقة ببيانات حبيسة في أنظمة قديمة هو أنها لم تُصمم لتبادل البيانات في الوقت الفعلي». وأضاف: «ظلت هذه البيانات المنفصلة والمجزأة أحد أكبر العوائق أمام اعتماد الذكاء الاصطناعي».
تحديث عمليات تصنيع تويوتا
ومع ذلك، يمكن التخلي عن الأنظمة القديمة وتوسيع نطاق الذكاء الاصطناعي بنجاح خارج مرحلة التجارب الأولية، كما يتضح من شراكة AWS مع شركة تويوتا موتور نورث أمريكا. وقال بيل فوي: «كانت أنظمة تويوتا المركزية القديمة تدير 90% من عمليات سلاسل التوريد لديها». وأضاف: «وكان انقطاع النظام المركزي يعني توقف مبيعات السيارات بالكامل».
ولإحداث هذا التغيير، قامت AWS بنشر خدمة AWS Transform for Mainframe، مستخدمة الذكاء الاصطناعي لتحليل ملايين أسطر التعليمات البرمجية. وقال فوي إن هذه الخدمة كانت الأولى من نوعها المصممة لتحديث أحمال العمل المركزية على نطاق واسع.
وأضاف: «بعد التحقق من صحة النتائج من قبل مهندسي COBOL في تويوتا، أنتجت الفرق وثائق كاملة وعالية الجودة في يوم واحد فقط. كان من الممكن أن يستغرق هذا العمل أشهراً».
ومن الناحية التجارية، ساعدت هذه التحويلية تويوتا على التحول من نماذج الدفع إلى المخزون التقليدية إلى نموذج «السحب» الحديث الذي يركز على العميل. وقال فوي: «سمحت هذه الخطوة بدمج سلس بين المبيعات والتصنيع، مما عزز تجربة العميل بشكل أساسي وفتح فرصاً جديدة لتحقيق الأرباح».
بناء أنظمة مستقبلية جاهزة
وقال بيل فوي: «نلاحظ تحولاً من استخدام الذكاء الاصطناعي كأداة إلى اعتباره طبقة تشغيل مستقلة لقطاع التصنيع وسلاسل التوريد». وأضاف أن الأنظمة المستقبلية ستنظم بشكل مستقل استشعار الطلب، ووضع المخزون، وتحسين اللوجستيات ضمن حدود محددة، مما يحل أوصاف الموردين «قبل أن يراها الإنسان حتى».
ومع ذلك، نصح قادة التصنيع أولاً بضمان وجود «نسيج بيانات موحد» قبل تطبيق نماذج الذكاء الاصطناعي. وقال: «يجب أن تكون الأولوية الأولى لمنظمات التصنيع هي ربط بيانات أرضية التصنيع بنظام تخطيط موارد المؤسسة، وشبكات الموردين، ومنصات اللوجستيات». وأضاف: «الذكاء الاصطناعي لا يكون فعالاً إلا بقدر البيانات التي يمكنه الوصول إليها في الوقت الفعلي».
