في خطوة رائدة نحو المستقبل الصناعي المدفوع بالذكاء الاصطناعي، أعلنت عملاق الطاقة العالمي "شل" عن توسيع شراكتها مع C3 AI، الرائدة في حلول الذكاء الاصطناعي للمؤسسات. يهدف هذا التعاون إلى إحداث نقلة نوعية في عمليات الصيانة، بالانتقال من مجرد الكشف الأساسي عن الأعطال إلى نظام صيانة تنبؤية مؤتمت بالكامل يعتمد على عوامل الذكاء الاصطناعي المتقدمة. هذه الخطوة لا تمثل مجرد ترقية تقنية، بل تمثل رؤية استراتيجية لتحسين الكفاءة التشغيلية، تعزيز السلامة، وتقليل التكاليف على نطاق عالمي.
تطور استراتيجية الصيانة في شل: من الكشف إلى الأتمتة الكاملة
تعتمد "شل" بالفعل على مجموعة C3 AI Reliability Suite لمراقبة أكثر من 30 ألف قطعة حيوية من المعدات عبر عملياتها في المنبع والمصب. وقد أثبت هذا النظام فعاليته في الكشف المبكر عن المشكلات باستخدام التعلم الآلي لتحديد الأنماط غير الطبيعية في بيانات أجهزة الاستشعار، مما يمنح المهندسين إنذارًا مبكرًا قبل وقوع الأعطال. لكن الطموح الحالي يتجاوز ذلك بكثير.
تعتزم "شل" الآن الاستفادة بشكل كبير من عوامل الذكاء الاصطناعي المستقلة، التي ستتولى مسؤولية دورة الصيانة بأكملها. هذا يعني أن عوامل الذكاء الاصطناعي لن تكتفي بتحديد المشكلة، بل ستدير العملية برمتها: من الإشارة التحذيرية الأولى وصولاً إلى إكمال الإصلاح. هذا المستوى من الأتمتة يلغي الحاجة إلى الإشراف البشري المستمر ويضمن توجيه موارد الشركة بدقة إلى حيث تكون الحاجة ماسة إليها. وفي هذا السياق، صرح ستيفن إيهيكيان، رئيس C3 AI: "تثبت هذه الشراكة الموسعة مع شل ما هو ممكن عندما يتم تفعيل الذكاء الاصطناعي للمؤسسات على نطاق عالمي للصيانة التنبؤية، مما يقلل من وقت التوقف غير المخطط له ويوفر مئات الملايين من الدولارات في القيمة الاقتصادية."
كيف تعمل عوامل الذكاء الاصطناعي من C3 AI؟
تتجاوز عوامل الذكاء الاصطناعي من C3 AI مجرد الكشف الأساسي عن الشذوذ. ففي حين كانت الأنظمة القديمة تتوقف عند إرسال تنبيه إلى مهندس عندما تبدو الأمور غير طبيعية، فإن هذا الإطار الجديد من الجيل التالي يحقق مستويات أعلى من الاستقلالية. إنه لا يكتشف الشذوذ فحسب، بل يحقق بشكل مستقل في سبب إطلاق التنبيه في المقام الأول. بمجرد تحديد السبب الجذري، تتولى العامل مهمة صياغة أوامر عمل دقيقة، وتأكيد توافر قطع الغيار في المخزون، وتوليد طلبات الشراء، كل ذلك بشكل آلي.
تتولى منصة C3 AI المهمة الصعبة، حيث توفر مساحة تعتمد على النماذج لتكامل سهل لتدفقات أجهزة الاستشعار عالية التردد مع السجلات المالية وسجلات الصيانة المنظمة. يتم تدريب قدرات الذكاء الاصطناعي هذه على تعلم خطوط الأساس التشغيلية العادية لمعدات محددة مثل المضخات والتوربينات والضواغط. وتستند الطبقة العاملية (Agentic layer) على هذا الأساس.
يقوم المشغلون بتكوين عامل فردي لكل قطعة معينة من المعدات عن طريق تحديد أهدافه واستجاباته المسموح بها. إذا اكتشفت نماذج التعلم الآلي الأساسية انحرافًا عن العمليات العادية، يتم تنشيط هذا العامل. يقوم بجمع بيانات سياقية واسعة لبناء صورة كاملة للوضع، والتي تتضمن عادةً سجل الصيانة الأخير، والظروف البيئية، والمتغيرات العملية الأولية. باستخدام كل هذه المعلومات، يقترح العامل حلًا مدعومًا بأدلة قوية. يمكن للمشغلين البشريين بعد ذلك الموافقة على الخطة أو تجاوزها بسهولة. ومع إثبات النظام لفعاليته بمرور الوقت، يمكن لـ "شل" أتمتة استجاباتها بالكامل لأنواع معينة من التنبيهات، مع الاتصال مباشرة بأنظمة مثل SAP، مما يسمح للعامل بالعمل داخل نفس سير العمل الذي يستخدمه المخططون البشريون بالفعل.
الأثر التحويلي للذكاء الاصطناعي العاملي في الصيانة التنبؤية
يعد تطبيق الذكاء الاصطناعي العاملي على هذا النطاق معالجةً "لمشكلة الميل الأخير" الكلاسيكية في الصيانة التنبؤية. فبينما يمكن للعديد من الشركات الصناعية التنبؤ بالأعطال بشكل جيد، إلا أن تحويل هذه الرؤى إلى إجراءات سريعة وفعالة يظل تحديًا. عادةً ما يضطر المهندسون إلى البحث يدويًا في التنبيهات، والتحقيق في الأسباب، وكتابة أوامر العمل بأنفسهم. تهدف "شل" إلى تقليص هذا الجدول الزمني بشكل كبير.
من خلال السماح للذكاء الاصطناعي بمعالجة تحليل السبب الجذري وأوامر العمل، يقل التأخير بين التنبؤ بالفشل والإصلاح الفعلي. هذا يحسن بشكل مباشر وقت تشغيل المعدات ويحمي الإنتاج. الانتقال إلى نموذج تحدث فيه الإصلاحات فقط عندما تتطلب حالة المعدات ذلك يوفر المال بشكل طبيعي، ببساطة لأنه لا أحد يضيع الوقت في العبث بالآلات السليمة تمامًا. وترك الأجهزة السليمة وحدها يعني أيضًا أنها تدوم لفترة أطول بكثير. بالإضافة إلى توفير التكاليف، فإن التدخل قبل وقوع كارثة يجعل العملية بأكملها أكثر أمانًا ويقلل من المخاطر البيئية، وهو أمر ذو أولوية قصوى دائمًا في قطاع الطاقة.
علق ساندي غوبتا، نائب الرئيس لقسم GISV، شركات تطوير البرمجيات في مايكروسوفت، قائلاً: "ما قامت به شل وC3 AI على Azure على مدى السنوات العديدة الماضية هو بالضبط ما يجب أن يبدو عليه الذكاء الاصطناعي للمؤسسات - تطبيقات حقيقية، تعمل في الإنتاج، وتقدم قيمة قابلة للقياس على نطاق عالمي". يؤكد هذا التوسع أننا نتحدث أخيرًا عن سير عمل إنتاج الذكاء الاصطناعي الصناعي العملي بدلاً من مجرد الخوارزميات. القيمة الحقيقية لا تأتي فقط من التنبؤ نفسه، بل من قدرة النظام على التصرف بناءً عليه بأقل قدر من الإشراف البشري.
ماذا يعني هذا لك؟
بالنسبة للشركات الأخرى في قطاع الطاقة والصناعات الثقيلة، تمثل شراكة "شل" و C3 AI نموذجًا يحتذى به. إنها تظهر أن الاستثمار في الذكاء الاصطناعي العاملي ليس مجرد رفاهية تكنولوجية، بل ضرورة استراتيجية لتحقيق ميزة تنافسية. يمكن أن يؤدي تبني هذه التقنيات إلى تحسينات هائلة في الكفاءة التشغيلية، وتقليل المخاطر، وتمديد عمر الأصول، مما يعود بالنفع على الشركات من خلال خفض التكاليف وزيادة الإنتاجية. كما أنها تبرز أهمية بناء شراكات قوية مع مزودي التكنولوجيا لدمج حلول الذكاء الاصطناعي بعمق في العمليات اليومية، وتحويل البيانات الضخمة إلى قرارات وإجراءات ذات قيمة حقيقية.
الخاتمة
إن انتقال "شل" نحو الصيانة التنبؤية المؤتمتة بالكامل عبر عوامل الذكاء الاصطناعي من C3 AI يمثل قفزة نوعية في تطبيق الذكاء الاصطناعي الصناعي. إنه يؤكد على التزام الشركة بالابتكار والكفاءة، ويضع معيارًا جديدًا لكيفية إدارة الأصول الحيوية في قطاع الطاقة. مع استمرار تطور الذكاء الاصطناعي العاملي، يمكننا أن نتوقع رؤية المزيد من الشركات تتبنى هذه الحلول التحويلية، مما يدفع بعصر جديد من الأتمتة الذكية والتميز التشغيلي عبر الصناعات العالمية.
المراجع:
Microsoft
