تخيل عالماً حيث تتحدث الآلات الضخمة — مثل المحولات العملاقة التي تحافظ على استمرارية عمل شبكات الطاقة لدينا، أو أنظمة التبريد في مراكز البيانات — لغة لا يفهمها إلا حفنة من الخبراء البشريين. هذه الآلات لا تتعطل فحسب؛ بل تهمس بالتحذيرات عبر مزيج فوضوي من ارتفاعات درجات الحرارة، وفقاعات الغاز في الزيت، والاهتزازات الكهربائية. لعقود من الزمن، كان الحفاظ على سلامة هذه الآلات بمثابة لعبة "عمل استقصائي" عالية المخاطر، يقوم بها متخصصون نادرون ومثقلون بالأعباء، يتعين عليهم تجميع الأدلة يدوياً من المستشعرات، وسجلات الإصلاح، وكتب الفيزياء.

هنا يأتي دور الجيل الجديد من "الوكلاء الذكيّين" (AI agents). فكر في هؤلاء ليس كروبوتات بأذرع، بل كمساعدين رقميين فائقي الذكاء يمكنهم قراءة همسات تلك الآلات، والاستنتاج حول ماهية الخلل، وحتى استدعاء فريق الإصلاح. ولكن، ثمة عقبة: لتعليم هؤلاء المساعدين الذكيّين كيف يكونون محققين بارعين، نحتاج إلى إعطائهم "امتحانات تجريبية". وفي العالم الحقيقي، يعد إنشاء هذه الامتحانات كابوساً. لا يمكنك ببساطة أن تطلب من حاسوب أن "يخترع محولاً معطلاً"، لأنه قد يبتكر فيزياء لا وجود لها، مثل محول يعمل بالماء أو يتعطل بطريقة تخالف قوانين الديناميكا الحرارية. كانت الطريقة القديمة لصنع هذه الاختبارات التجريبية هي توظيف خبراء بشريين لكتابتها واحداً تلو الآخر، وهي عملية بطيئة ومكلفة تركت العديد من أنواع الآلات دون اختبار.

هذه الورقة البحثية تدور حول بناء "مصنع" يمكنه تصنيع هذه الامتحانات التجريبية الواقعية والمتوافقة مع قوانين الفيزياء بشكل تلقائي، وتحديداً لقطعة حيوية من المعدات: "محول الشبكة الذكية" (Smart Grid Transformer). لم يقم الباحثون ببناء مصنع فحسب؛ بل بنوا خط تجميع عالي السرعة يتحقق من عمله بنفسه، مما يضمن أن كل اختبار يتم إنتاجه دقيق علمياً وجاهز ليقوم الوكيل الذكي بحله.

المشكلة: "عنق الزجاجة البشري"

تبدأ القصة بأداة تسمى AssetOpsBench، وهي تشبه صالة ألعاب رياضية عملاقة لتدريب وكلاء الذكاء الاصطناعي الصناعي. سابقاً، كانت هذه الصالة تحتوي فقط على معدات لنوعين من الآلات: المبردات (chillers) ومعالجات الهواء (air handlers) (وحدات التكييف الكبيرة في المباني). أراد الباحثون إضافة قطعة معدات جديدة، أثقل بكثير، إلى هذه الصالة: محول الشبكة الذكية. هذه هي العمالقة الضخمة المملوءة بالزيت التي تعمل على خفض الجهد الكهربي العالي لمدننا.

ما هي المشكلة؟ كانت "خطط التمرين" (السيناريوهات) في الصالة الرياضية مكتوبة يدوياً من قبل خبراء بشريين. كتابة خطة تمرين لمبرد أمر شيء، وكتابة واحدة لمحول هو أمر مختلف تماماً. للمحولات قواعد معقدة حول كيفية إشارة غاز الزيت إلى وجود حريق، وكيف تؤدي درجات حرارة الملفات إلى تقادم العزل، وكيف تضغط الأحمال الكهربائية على النظام. إذا طلبت من ذكاء اصطناعي قياسي أن "يكتب اختباراً عن محول معطل"، فقد يهلوس ببيانات غير منطقية، مثل اقتراح أن المحول لديه "إطار سيارة مكسور". كانت الطريقة القديمة المتمثلة في توظيف البشر لكتابة هذه الاختبارات بطيئة جداً ولا يمكن توسيع نطاقها. إذا أردت اختبار الذكاء الاصطناعي على توربينات الرياح بعد ذلك، فستضطر لبدء العملية البطيئة برمتها من جديد.

الحل: "وكيل توليد السيناريوهات" (Scenario Generator Agent)

لحل هذه المشكلة، بنى الفريق مسار عمل جديداً يسمى ScenarioGeneratorAgent. تخيل هذا ككبير طهاة لا يكتفي بطهي الوجبة فحسب، بل يتحقق أيضاً من الوصفة، ويتذوق الطعام، ويعدل التوابل قبل التقديم.

1. الطاهي الباحث (توصيف الأصول - Asset Profiling): أولاً، يعمل النظام كباحث. فهو لا يخمن ما هو المحول فحسب؛ بل يبحث في الأوراق العلمية والمعايير الهندسية (تحديداً معايير IEC، التي تعد بمثابة "كتب القواعد" للسلامة الكهربائية) ليتعلم بدقة كيف تعمل المحولات. إنه يبني "ملفاً تعريفياً" مفصلاً للآلة، مدركاً نوع المستشعرات الموجودة فيها وما هي الأعطال الممكنة فيزيائياً.
2. مخطط القائمة (توزيع الميزانية - Budgeting): بعد ذلك، يقرر نوع الاختبارات التي سيصنعها. هل يجب أن تكون هناك اختبارات أكثر عن تسرب الغاز أم عن درجة الحرارة؟ إنه يوزع عبء العمل بحيث يحصل الذكاء الاصطناعي على "حمية غذائية متوازنة" من التحديات المختلفة.
3. خط التجميع (التوليد والإصلاح): هذا هو الجزء السحري. يقوم النظام بتوليد سيناريو اختبار، مثل: "المحول يصدر ضجيجاً غريباً ومستويات غاز الزيت مرتفعة". لكنه لا يتوقف عند هذا الحد، بل يمرر السيناريو عبر "حلقة إصلاح" صارمة.
   • المُدقق (The Validator): يقوم ذكاء اصطناعي ثانٍ بالتحقق: "هل هذا منطقي من الناحية الفيزيائية؟ هل الأداة متاحة للإصلاح؟ هل اخترعنا مستشعراً غير موجود؟"
   • المُصلح (The Fixer): إذا كان الاختبار معيباً (على سبيل المثال، إذا طلب الذكاء الاصطناعي أداة غير موجودة)، يقوم النظام بإصلاحه تلقائياً.
   • المُرشِّح (The Filter): يتحقق أيضاً من أنه لم يقم بصنع نفس الاختبار مرتين عن طريق الخطأ.

دفعة السرعة: جعل الأمر سريعاً بما يكفي ليكون ذا جدوى

أدرك الباحثون أنه حتى لو كان المصنع مثالياً، فإنه سيكون بلا فائدة إذا استغرق صنع اختبار واحد أسبوعاً كاملاً. لذا، أضافوا سلسلة من "أجهزة التربو" للنظام:

• التخزين المؤقت (Caching): إذا بحث النظام بالفعل عن كيفية عمل المحول، فإنه يحفظ هذه المعلومات في "درج وصول سريع" حتى لا يضطر لقراءة المكتبة بأكملها مرة أخرى.
• المعالجة المتوازية (Parallel Processing): بدلاً من صنع الاختبارات واحداً تلو الآخر، يقوم بصنعها في مجموعات، مثل طاهٍ يقطع الخضروات لخمس وجبات في وقت واحد بدلاً من وجبة واحدة.
• التجميع (Batching): يطلب من الذكاء الاصطناعي كتابة عشرة اختبارات دفعة واحدة، بدلاً من طلب واحد، ثم الانتظار، ثم طلب آخر، ثم الانتظار مجدداً.

النتائج: سريعة ودقيقة

اختبر الفريق هذا النظام الجديد عبر توليد 50 سيناريو لمحول الشبكة الذكية.

• السرعة: النسخة غير المحسنة "البطيئة" استغرقت حوالي 408 ثانية (ما يقرب من 7 دقائق) لصنع 50 اختباراً. أما النسخة الجديدة المحسنة، فقد فعلت ذلك في 50.86 ثانية فقط. هذا يعني تسريع العملية بمقدار 8 أضعاف.
• الجودة: السؤال الأهم كان: "هل جعل الأمر أسرع جعل الاختبارات أسوأ؟" كانت الإجابة هي "لا" قاطعة. قام الباحثون بتقييم جودة الاختبارات على مقياس من 0 إلى 100.
  • الطريقة القديمة البطيئة سجلت 73.8.
  • الطريقة الجديدة السريعة سجلت 74.2.
  • كان الفرق ضئيلاً جداً (أقل من نصف نقطة) لدرجة أنه غير مؤثر إحصائياً. لقد أنتج المصنع السريع اختبارات بجودة تماثل تلك المصنوعة يدوياً وببطء.

ماذا يعني هذا؟

لا تدعي هذه الورقة البحثية أنها حلت جميع المشكلات الصناعية أو أن الذكاء الاصطناعي أصبح مثالياً الآن في إصلاح المحولات. ما تظهره هو أننا نستطيع الآن توليد سيناريوهات تدريب عالية الجودة ودقيقة علمياً لوكلاء الذكاء الاصطناعي الصناعي دون الحاجة إلى فريق من الخبراء البشريين لكتابة كل واحد منها.

من خلال إضافة "محول الشبكة الذكية" إلى المزيج وإثبات أن حلقة "الإصلاح والرفض" يمكن أن تبقي الذكاء الاصطناعي صادقاً، فتح الباحثون الباب لاختبار الذكاء الاصطناعي على جميع أنواع الآلات المعقدة — من توربينات الرياح إلى المضخات — بسرعة أكبر بكثير من ذي قبل. لقد أثبتوا أنه مع المزيج الصحيح من القواعد الهندسية والأتمتة الذكية، يمكننا رفع نطاق تدريب الذكاء الاصطناعي الصناعي دون التضحية بجودة الدروس التي يتعلمها.