AI-Assisted Knowledge Access for Legacy Enterprise Asset Management in Energy Operations: A Practical Retrieval System
تقدم هذه الورقة نظام استرجاع عملي مدعوم بالذكاء الاصطناعي يعزز الوصول إلى المعرفة في منصات إدارة أصول مؤسسات الطاقة القديمة من خلال الجمع بين فهم القصد، والإثراء الدلالي، وتقنيات الاسترجاع الهجين، مما أظهر تحسينات ملحوظة في دقة الاسترجاع، ووقت إنجاز المهام، وثقة المستخدم خلال دراسة تجريبية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تسير عبر مكتبة ضخمة وقديمة تحمل أسرار تشغيل محطة طاقة. هذه المكتبة ليست منظمة مثل المكتبات الحديثة ذات التصنيفات الواضحة وشريط البحث الرقمي، بل هي عبارة عن متاهة فوضوية من المخطوطات المغبرة، والملاحظات المكتوبة بخط اليد، والرسومات الهندسية التي تعود إلى خمسين عاماً مضت. بعض الكتب مكتوبة بشفرة غريبة لا يفهمها إلا أمناء المكتبات القدامى، بينما البعض الآخر ليس سوى قوائم من الأرقف بلا أي تفسير. في عالم العلوم والهندسة، هذا هو ما يحدث عندما تعتمد الشركات على "الأنظمة القديمة" (Legacy Systems) — وهي برمجيات قديمة تعمل منذ عقود. ومن الصعب والمكلف والمخاطرة التخلص منها وبناء مكتبة جديدة، لذا يتعين عليهم الاستمرار في استخدام المكتبة القديمة. السؤال الكبير الذي يطرحه الباحثون هو: كيف نساعد الناس على إيجاد المعلومات الصحيحة وسط هذه الفوضى دون هدم المبنى بأكمله؟ تكمن الإجابة في مفهوم يسمى "التوليد المعزز بالاسترجاع" (أو RAG اختصاراً). فكر في RAG كمساعد أمين مكتبة ذكي للغاية ومنظم للغاية؛ فبدلاً من مجرد التخمين أو اختلاق الإجابات، يتم تدريب هذا المساعد على الركض إلى الرف المحدد، وجلب الصفحة الدقيقة، وقراءتها، ثم إخبارك بالإجابة مع الإشارة بدقة إلى المكان الذي وجد فيه الدليل. إنه يجمع بين إبداع الحكواتي ودقة مدقق الحقائق.
تحكي هذه الورقة قصة فريق بنى بالضبط هذا النوع من مساعد أمين المكتبة لشركة "أونتاريو لتوليد الطاقة" (Ontario Power Generation)، وهي شركة تدير عمليات الطاقة. لقد واجهوا مشكلة شائعة: كان مهندسو الشركة يضيعون ساعات يومياً في محاولة البحث عن إجابات في أنظمتهم الحاسوبية القديمة والبدائية. كانت المعلومات موجودة، لكنها كانت مدفونة تحت أسماء مربكة، ووثائق مبعثرة، وواجهة مستخدم تشعرك وكأنك تبحر في سفينة فضائية بدون خريطة. أنشأ الفريق "مساعد استرجاع" صُمم ليعمل كطبقة تغطية عملية — طبقة من الذكاء توضع فوق النظام القديم لجعله قابلاً للاستخدام مرة أخرى.
يعمل المساعد من خلال فهم ما يسأل عنه المستخدم فعلياً، حتى لو استخدم الكلمات الخاطئة. على سبيل المثال، إذا سأل مهندس: "أين أقوم بإصلاح صمام الضغط؟"، سيعرف المساعد أنه يجب البحث عن مصطلحات تقنية محددة وأكواد قديمة يستخدمها النظام. بعد ذلك، يبحث في ثلاث "عائلات" مختلفة من المعلومات: الكتيبات الأصلية من صانعي الآلات، وهياكل قواعد البيانات المخفية (والتي تشبه الهيكل العظمي للنظام)، وقواعد الشركة الخاصة وأدلة "كيفية العمل". وبمجرد العثور على قطع المعلومات الصحيحة، لا يقوم المساعد بمجرد إلقاء جدار من النصوص على المستخدم، بل يبني إجابة واضحة ومستندة إلى دليل تتضمن روابط مباشرة. فإذا ذكرت الإجابة شاشة أو لوحة معينة، يحول المساعد هذا الذكر إلى رابط قابل للنقر يأخذ المستخدم مباشرة إلى هناك، مما يوفر عليهم عناء البحث عبر القوائم.
كانت نتائج اختبارهم التجريبي واعدة للغاية. فعندما قارنوا المساعد الجديد بالطريقة القديمة (حيث كان المهندسون يضطرون للبحث يدوياً)، كان الفرق واضحاً. فقد حسّن المساعد جودة الإجابات التي يجدها؛ وتحديداً، عند البحث عن أفضل خمس نتائج اقترحها النظام، قفزت الدقة من 0.56 إلى 0.72. كما أصبح أفضل في وضع الإجابة الصحيحة في أعلى القائمة، حيث ارتفع مقياس يُسمى "متوسط الرتبة المقلوبة" (Mean Reciprocal Rank) من 0.43 إلى 0.58. ولعل الأهم بالنسبة لحياة المهندسين اليومية، هو أن الوقت المستغرق لإنجاز المهمة انخفض بشكل كبير؛ حيث انخفض متوسط الوقت لإكمال المهمة من 14.2 دقيقة إلى 8.3 دقيقة، أي انخفاض بنسبة 41.5% تقريباً.
كما شعر المهندسون الذين اختبروا النظام بمزيد من الثقة ووجدوا الأداة أكثر فائدة، حيث منحوا تقييماً قدره 4.0 من 5 على كلا المقياسين، مقارنة بالدرجات المنخفضة قبل تقديم الأداة. كما أصبح النظام أفضل بكثير في تجنب الأخطاء؛ إذ انخفض معدل الإجابات الفاشلة أو غير المفيدة إلى النصف، من 0.14 إلى 0.07. ومع ذلك، يوضح المؤلفون بحذر أن هذه النتائج تأتي من دراسة تجريبية صغيرة مع عدد محدود من المشاركين والمطالبات. ويصفون النتائج بأنها "نتائج تجريبية" وليست حلاً نهائياً ومثبتاً لكل المواقف. ويقترحون أنه بينما تعمل الطريقة بشكل جيد في هذه البيئة المحددة، إلا أن هناك حاجة لمزيد من الاختبارات مع مجموعات أكبر للتأكد من صمودها في كل مكان.
كما تسلط الورقة الضوء على ما لا يفعله النظام؛ فهو لا يستبدل البرامج القديمة ولا يعيد كتابة تاريخ الشركة. وهو لا يصلح سحرياً البيانات السيئة أو الكتيبات القديمة؛ بل في الواقع، وجد المؤلفون أن النظام يعمل بشكل أفضل عندما يتم إعداد المعلومات الأساسية بعناية و"إثراؤها" بأوصاف واضحة. فإذا كانت الوثائق المصدرية غامضة أو المصطلحات مربكة، فقد يتعثر المساعد. وقد استبعد الفريق صراحةً فكرة أن نموذج ذكاء اصطناعي متطور وحده يمكنه حل المشكلة؛ وبدلاً من ذلك، وجدوا أن "الخلطة السرية" كانت "الإثراء الدلالي" (Semantic Enrichment) — وهي عملية تنظيف وتسمية البيانات لكي يفهمها الذكاء الاصطناعي بشكل أفضل.
في النهاية، تشير هذه الورقة إلى أنك لست بحاجة دائماً لهدم مبنى قديم لجعله مفيداً مرة أخرى. فمن خلال إضافة طبقة ذكية وموجهة فوقه، يمكنك مساعدة الناس على التنقل في الماضي بينما يبنون المستقبل. ويأمل الفريق أن يصبح هذا النهج طريقة قياسية للتعامل مع الأنظمة القديمة في مجالات الطاقة، والخدمات المصرفية، وغيرها من الصناعات، محولين الأرشيفات المربكة إلى قواعد معرفية سهلة الوصول. ويخططون لمواصلة اختبار النظام، وتتبع أدائه بمرور الوقت، وتحسين القواعد لضمان بقائه دقيقاً مع تغير بيانات الشركة. وفي الوقت الحالي، تشير الأدلة إلى أن القليل من توجيه الذكاء الاصطناعي يمكن أن يجعل نظاماً قديماً جداً يبدو جديداً تماماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.