اتخاذ قرارات ذكيّة وتحسين المخزون بدفع من الذكاء الاصطناعي من الجيل الجديد عبر دورة حياة كاملة لتصنيع المنتجات المعقّدة بدمج LSTM وQ-learning

مصانع أكثر ذكاءً للتكنولوجيا اليومية

من الهواتف الذكية وأجهزة الكمبيوتر المحمولة إلى السيارات والطائرات، تعتمد العديد من المنتجات التي يستهلكها الناس يومياً على أجزاء معقّدة تُنتَج عبر سلاسل تصنيع طويلة وحسّاسة. على هذه المصانع أن تقرّر كمية الإنتاج في كل مرحلة، وكمية التخزين، وكيف تتصرف عند ارتفاع أو انخفاض الطلب فجأة. تستكشف هذه الدراسة طريقة جديدة لتمكين الذكاء الاصطناعي من إدارة تلك القرارات بذكاءٍ أكبر، ما يقلّل الهدر والنقائص مع الحفاظ على تدفّق المنتجات عالية القيمة.

لماذا يصعب تصنيع المنتجات المتقدمة

تمر المنتجات المعقّدة مثل رقائق أشباه الموصلات ومكوّنات الطيران بمراحل متعددة مترابطة بإحكام، من القص والربط إلى الاختبار والتغليف. غالباً ما يكون الطلب على هذه المنتجات متقلباً: تتدفق الطلبات عندما يصبح جهاز جديد شائعاً وتنهار عندما تتغيّر الأسواق. تكافح طرق التخطيط التقليدية لمواجهة هذه التقلبات؛ فهي إما تنتج زيادةً كبيرة تربك رأس المال في المخازن، أو تنتج القليل مما يسبّب نفاد المخزون المؤلم حيث يضطر العملاء للانتظار أو البحث في مكان آخر. وفي الوقت نفسه تولّد المصانع كميات هائلة من البيانات من المستشعرات وفحوصات الجودة وسجلات الإمداد يصعُب على المخططين البشر استيعابها في الوقت الحقيقي.

دمج نوعين من الذكاء الاصطناعي في حلقة مغلقة

يقترح المؤلفون إطار عمل متكامل يربط بين تقنيتين مكملتين: وحدة للتنبؤ ووحدة لاتخاذ القرار. يستخدم جانب التنبؤ نوعاً من الشبكات العصبية يُدعى الذاكرة طويلة القصيرة الأمد (LSTM) لتعلّم الأنماط في الطلبات والإشارات الحسّية الماضية، مثل ارتفاعات الطلب الموسمية أو التباطؤات الناتجة عن مشاكل في المعدات. وبدلاً من اعتبار هذا التنبؤ ثابتاً، يقوم النظام بتحسينه باستمرار باستخدام بيانات جديدة. أما جانب القرار فيستخدم Q‑learning، وهو شكل من أشكال التعلّم المعزَّز حيث يجرب متخذ قرار افتراضي خيارات إنتاج مختلفة في بيئة محاكاة ويتعلّم أيّها يؤدي إلى تقليل التكاليف وتقليل حالات النقص مع مرور الوقت. والأهم أن هاتين الوحدتين متصلتان في حلقة تغذية راجعة: توجه التنبؤات القرارات، وتعيد نتائج تلك القرارات لتحسين التنبؤات المستقبلية.

موازنة التكلفة والمخزون وعدم اليقين

لا بدّ للمصانع الحقيقية من الموازنة بين عدة أنواع من التكاليف في آن واحد: تكلفة صنع كل عنصر، وتكلفة الاحتفاظ بمخزون إضافي، والتكلفة الأكبر في كثير من الأحيان للنقص وعدم تلبية الطلبات. يقوم الإطار بنمذجة خط إنتاج متعدد المراحل ويتتبّع صراحةً المخزون والمتأخرات في كل مرحلة. كما يضيف طبقة حماية ضد عدم اليقين باستخدام تقنية تحسين متينة تُعدّ لتحولات الطلب المفاجئة بدلاً من افتراض ثبات الأنماط الماضية. عملياً، يعني ذلك أن النظام أقل عرضة للمفاجأة في السيناريوهات القصوى، مثل الطفرات السوقية المفاجئة أو اضطرابات سلسلة الإمداد، مع تجنّب عادة الإفراط في الإنتاج "احتياطاً".

ما أظهرته التجارب في المصانع الحقيقية

لاختبار النهج، طبّق الباحثون النظام على بيانات حقيقية من مصنع لتغليف واختبار أشباه الموصلات يعمل عبر خمس مراحل إنتاج. قارنوا إطارهم مع أنظمة تخطيط المواد التقليدية والعديد من المنافسين المتقدمين المعتمِدين على الذكاء الاصطناعي. خفّضت تنبؤات LSTM خطأ التنبؤ بنحو 40 في المئة مقارنةً بطريقة إحصائية كلاسيكية، وقلّل الإطار الكامل التكاليف الإجمالية بنسبة 15.7 في المئة مقارنةً بالنظام القديم وبنسبة 8.3 في المئة مقارنةً بمعيار حديث قوي. ومن اللافت أنه حقق معدل نفاد مخزون صفري مع تدوير المخزون 4.2 مرّات في السنة، ما يعني أن الأجزاء لم تبق عاطلة زمنياً طويلاً. وأظهرت تحليلات إضافية بقاء استقرار النظام حتى عندما أصبح الطلب أكثر تقلباً، أو قلت دقة التنبؤات، أو ازداد ضجيج بيانات المستشعرات—ظروف تعكس الواقع الصناعي اليومي.

التوسّع والانتشار عبر الصناعات

فحصت الدراسة أيضاً مدى قابلية الإطار للتوسّع مع نمو المصانع أو تشغيله في قطاعات عالية القيمة الأخرى. أظهرت المحاكاة مع المزيد من مراحل الإنتاج زيادات متواضعة في زمن الحوسبة، مما يوحي بأن المصانع الأكبر قد تعتمد النهج دون إجهاد بنيتها الرقمية. عند تكييفه لتصنيع مكوّنات الطيران، خفّضت الطريقة التكاليف مجدداً وحافظت على ندرة حالات النقص بمجرد ضبط معايير التكلفة والسعة لتلائم تلك الصناعة. ويقول المؤلفون إنه بدعم من عتاد الحوسبة الحدّية واندماج نظامي دقيق، يمكن إدماج الإطار في برامج المصانع الحالية المستخدمة من قبل العديد من المصنعين اليوم.

ماذا يعني هذا للإنتاج في المستقبل

بعبارات بسيطة، تُظهر الدراسة أن تزويد المصانع بـ"مساعد رقمي" يتنبأ بالطلب ويتعلّم كيف يتصرّف حياله يمكن أن يجعل الإنتاج أكثر سلاسة وأقل تكلفة وأكثر موثوقية. من خلال ربط التنبؤ ارتباطاً وثيقاً بقرارات التنفيذ وتصميم النظام للتعامل مع الضوضاء والمفاجآت في العالم الحقيقي، يحوّل الإطار البيانات الخام إلى إرشاد عملي بشأن كمّية الإنتاج والتخزين في كل مرحلة. وللمستهلكين، قد يعني هذا النوع من الذكاء وراء الكواليس تأخيرات أقل للأجهزة الجديدة وتوفراً أكثر مرونة للمكوّنات المتقدمة التي تُشغّل الحياة الحديثة.

الاستشهاد: Jiang, Z., Dan, W. & Yu-fei, C. New-generation AI-driven intelligent decision-making and inventory optimization in the full lifecycle of complex product manufacturing integrating LSTM and Q-learning. Sci Rep 16, 11077 (2026). https://doi.org/10.1038/s41598-026-41629-6

الكلمات المفتاحية: التصنيع الذكي, تحسين المخزون, تصنيع أشباه الموصلات, التعلّم المعزَّز, توقع الطلب