به گزارش فولادنامه؛ یک تکنسین تعمیرات، وسط خط نورد، دستگاه را متوقف می‌کند و به‌دنبال دفترچه‌ی راهنمای فنی می‌گردد. باید برود تا کارتابل کاغذی را در انبار مدارک پیدا کند، رونوشتش را بگیرد و -چون بخشی از مستندات به زبان دیگری نوشته شده- ترجمه‌اش کند. طبق آمار داخلی شرکت، این مسیر رفت‌وبرگشت به‌طور میانگین ۴۳ دقیقه از وقت خط تولید را می‌بلعد؛ چهل‌وسه دقیقه‌ای که در آن، ماشین خاموش است و کارگر به‌جای کار، دنبال کاغذ می‌گردد. این تصویر ساده، خلاصه‌ی مشکلی است که غول فولاد جهان، آرسلورمیتال، این روزها ادعا می‌کند با هوش مصنوعی حل کرده: نه با گرانترین ماشین‌آلات، بلکه با در دسترس‌گذاشتن دانش فنی در لحظه‌ای که کارگر به آن نیاز دارد.

از یک سنسور تا یک شبکه

ماجرا از جایی شروع شد که آرسلورمیتال، بزرگ‌ترین تولیدکننده‌ی فولاد اروپا، در سال ۲۰۲۴ پلتفرم داخلی‌اش به نام «سنتینل» را برای پیش‌بینی خرابی موتورها و سیستم‌های هیدرولیک راه انداخت. ایده ساده بود: به‌جای تعمیر پس از خرابی یا تعویض طبق تقویم ثابت، داده‌های لرزش، دما و جریان الکتریکی تجهیزات را پیوسته زیر نظر بگیرند تا الگوریتم، هفته‌ها زودتر هشدار بدهد که فلان یاتاقان یا فلان پمپ در آستانه‌ی خرابی است. کارلوس آلبا، مسئول هوش مصنوعی و تحقیق و توسعه‌ی دیجیتال شرکت، گفته این تغییر یعنی حرکت از دنیایی با خرابی‌های نسبتاً مکرر به دنیایی که قابلیت اطمینان تجهیزات تقریباً به صد درصد نزدیک می‌شود. اگر این ادعا فقط تا حدی هم درست باشد، در صنعتی که هر ساعت توقف خط، هزینه‌ی مستقیم و مشتری ازدست‌رفته دارد، تفاوتش قابل چشم‌پوشی نیست.

سنتینل قرار نبود آخر خط باشد. ماه ژوئن امسال آرسلورمیتال با آمازون وب سرویسز (AWS) قرارداد همکاری امضا کرد تا هوش مصنوعی و رایانش ابری را «به نقطه‌ی تولید» ببرد؛ یعنی نه فقط در دفاتر مرکزی، بلکه کنار همان کوره و همان خط نورد. این همکاری، نگهداری و تعمیرات پیش‌بینانه، بازرسی بصری کیفیت با بینایی ماشین، بهینه‌سازی فرآیند و ساخت دوقلوهای دیجیتال از تجهیزات فیزیکی را دربر می‌گیرد؛ به‌علاوه‌ی برنامه‌ی آموزشی مشترکی برای بالابردن سواد دیجیتال نیروی کار آرسلورمیتال در چهارده کشور.

سوم آگوست، یک قدم بزرگ‌تر

دو ماه بعد، سوم آگوست، شرکت گام بزرگ‌تری برداشت: توسعه‌ی همکاری‌اش با مایکروسافت را اعلام کرد تا مایکروسافت آژور به بستر اصلی رایانش ابری‌اش تبدیل شود. هدف این بار محدود به یک خط تولید یا یک کارخانه نبود؛ آرسلورمیتال می‌خواهد کل زیرساخت فناوری اطلاعاتش را -از سیستم‌های قدیمی و پراکنده تا انبوه داده‌های تولیدشده در کارخانه‌های سراسر جهان- روی یک بستر واحد یکپارچه کند. نیک پوری، مدیر ارشد فناوری اطلاعات شرکت، این حرکت را نه صرفاً به‌روزرسانی سیستم‌ها، بلکه بازتعریف کامل مدل عملیاتی فناوری اطلاعات توصیف کرد؛ مدلی که داده و هوش مصنوعی را از ابتدا در قلب نحوه‌ی اداره‌ی شرکت جا می‌دهد، نه این‌که آن‌ها را بعداً به فرآیندهای موجود بچسباند.

نتیجه‌ی ملموس این سرمایه‌گذاری‌ها را می‌شود در گزارش‌های داخلی شرکت دید: در کارخانه‌ی هونیه‌دوارا، همان ۴۳ دقیقه‌ی جست‌وجوی مدرک فنی، با ابزار هوش مصنوعی به کمتر از یک دقیقه رسیده و به گفته‌ی شرکت، هزاران ساعت مهندسی در سال صرفه‌جویی شده است. در سطح کلان‌تر، پیش‌بینی می‌شود پلتفرم‌های نگهداری پیش‌بینانه بتوانند رویدادهای تعمیر برنامه‌ریزی‌نشده را تا حدود سی درصد در واحدهای پایلوت کاهش دهند و صرفه‌جویی سالانه‌ای در حد صدها میلیون دلار برای کل شرکت رقم بزنند. البته این‌ها ارقامی هستند که خود شرکت و شرکای فناوری‌اش اعلام کرده‌اند و باید با همان احتیاطی خوانده شوند که هر آمار داخلی یک شرکت بزرگ می‌طلبد؛ اما جهت حرکت -از تعمیرات واکنشی به‌سمت تعمیرات پیش‌بینانه، و از کاغذ به‌سمت داده‌ی زنده- به‌روشنی همان چیزی است که امروز در صنعت فولاد جهانی «بهره‌وری» معنا می‌شود.

گریزی به صنعت فولاد ایران

نکته‌ی جالب این‌جاست که آنچه آرسلورمیتال حل کرده، لزوماً چیز پرهزینه‌ای نبود؛ مشکل اصلی، تجهیزات گران‌قیمت نبود، بلکه پراکندگی دانش فنی و نبود مسیر سریع برای رساندن آن به دست کارگر خط تولید بود. این درسی است که به‌سادگی به صنعت فولاد ایران هم منتقل می‌شود: بسیاری از واحدهای فولادسازی کشور، از فولاد مبارکه گرفته تا مجتمع‌های کوچک‌تر، هنوز بخش قابل‌توجهی از دانش تعمیر و نگهداری‌شان به‌صورت مستندات پراکنده، تجربه‌ی شفاهی اپراتورهای باتجربه، یا کاغذهای ترجمه‌نشده باقی مانده است. سرمایه‌گذاری روی جمع‌آوری و دیجیتالی‌کردن همین دانش، پیش از هر بحثی درباره‌ی خرید تجهیزات پیشرفته‌ی خارجی، می‌تواند ارزان‌ترین و سریع‌ترین راه افزایش بهره‌وری خط تولید باشد؛ به‌ویژه در شرایطی که تحریم‌ها دسترسی به قطعات و تجهیزات جایگزین را کند و پرهزینه کرده و هر ساعت توقف خط، هزینه‌ای مضاعف دارد.