An Integrated AI-Driven Framework for Industry 5.0 Sustainability Through Multi-Agent Systems and Distributed Optimization

في العالم الحديث، أصبحت المصانع والمدن والمستشفيات مترابطة بشكل متزايد، حيث تولد كميات هائلة من البيانات من المستشعرات والآلات. هذا العصر، الذي يُطلق عليه غالبًا "الثورة الصناعية الخامسة" (Industry 5.0)، يهدف إلى الجمع بين العمال البشر والآلات الذكية بطريقة لا تقتصر على الكفاءة فحسب، بل تتسم أيضًا بالاستدامة والمرونة. ومع ذلك، لا تزال هناك عقبة كبيرة تتمثل في أن البرمجيات التي تشغل هذه الأنظمة غالبًا ما تكون مجزأة؛ إذ تتعامل برامج مختلفة مع التعلم من البيانات، واتخاذ القرارات، والتنسيق بين الآلات المختلفة، لكنها نادرًا ما تتواصل مع بعضها البعض بفعالية. وعندما يحاول نظام ما إدارة شبكة معقدة من شبكات الطاقة أو تدفقات المرور، فإنه غالبًا ما يعاني من أجل التوسع، أو التكيف مع التغيرات المفاجئة، أو تفسير سبب اتخاذه لقرار معين. ويكمن التحدي الذي يواجه العلماء في بناء "عقل موحد" يمكنه التعلم والتحسين والتنسيق بين كل هذه الأجزاء في وقت واحد دون أن يثقله حجم المعلومات الهائل.

ولحل هذه المشكلة، اقترح الباحثان خيدري تيدجاني وميدهون شاكارافارثي من جامعة لينكولن كوليدج إطار عمل جديدًا يسمى UAI-5. فكر في إطار العمل هذا كأنه مخطط رئيسي لبناء أنظمة ذكية يمكنها التعامل مع تعقيدات العالم الحقيقي. فبدلاً من الاعتماد على أدوات منفصلة للتعلم واتخاذ القرار، يقوم UAI-5 بدمجهما معًا في بنية واحدة متعددة الطبقات. في الطبقة الدنيا، يجمع الإطار البيانات الخام من البيئة، مثل استهلاك الطاقة أو أنماط المرور. وتقوم الطبقات التالية بمعالجة هذه المعلومات، وتحديد الأنماط، ثم استخدام طريقة متطورة لاتخاذ القرارات. والأهم من ذلك، يستخدم هذا النظام فريقًا من الوكلاء الرقميين الذين يعملون معًا، تمامًا مثل مجموعة من المتخصصين الذين ينسقون مشروعًا، بدلاً من حاسوب مركزي واحد يحاول القيام بكل شيء بمفرده. ويسمح هذا النهج للنظام بأن يكون مرنًا، وقادرًا على التكيف مع المعلومات الجديدة في الوقت الفاسي مع ضمان اتفاق جميع أجزاء الشبكة على أفضل مسار للعمل.

يكمن الابتكار الجوهري لهذا البحث في كيفية اتخاذ النظام للقرارات. فقد جمع المؤلفون بين فكرتين رياضيتين قويتين: إحداهما تساعد النظام على التعلم من البيانات، والأخرى تساعده على إيجاد الحل الأكثر كفاءة من بين احتمالات عديدة. وقد اختبروا ذلك من خلال محاكاة شبكة طاقة ذكية عبر خمس مناطق مختلفة في الجزائر، بما في ذلك المناطق الصناعية في الجزائر العاصمة ومحطات هجينة شمسية في غرداية. وفي هذه المحاكاة، كان لكل منطقة احتياجات مختلفة، مثل تباين الطلب على الطاقة وتكاليف النقل، وواجهت حالات عدم يقين مثل تقلب إنتاج الطاقة المتجددة. وقد طلب الباحثون من النظام تحديد أفضل طريقة لتخصيص الموارد مع تجاهل البيانات غير ذات الصلة أو الضوضاء التي قد تسبب الارتباك في عملية اتخاذ القرار.

كانت نتائج محاكاتهم مذهلة. فقد تعلم إطار العمل الجديد بسرعة تجاهل العوامل التي لا تهم. فعلى سبيل المثال، في الخطوات الأولى من العملية الحسابية، حدد النظام أن نوعًا معينًا من البيانات كان ضعيفًا أو غير مهم لدرجة أنه يمكن استبعاده تمامًا من عملية اتخاذ القرار، بينما نجا عامل ثالث بتأثير ضعيف جدًا فقط. وهذه القدرة على "تقليم" المعلومات غير الضرورية أمر حيوي لأنها تجعل النظام أسرع وأسهل في الفهم. وبينما حاولت الأساليب الشائعة الأخرى الاحتفاظ بكل قطعة من البيانات نشطة، مما أدى إلى نتائج أبطأ وأكثر ازدحامًا، ركز إطار عمل UAI-5 على العوامل الأكثر أهمية. لقد توصل النظام إلى حل مستقر في بضع تكرارات فقط، واجدًا توازنًا حيث هيمنت المتغيرات الأكثر أهمية، مثل تكلفة النقل، على القرار، بينما تم كبح العوامل الأقل أهمية بشكل طبيعي.

وقارن الباحثون طريقتهم الجديدة بمنهج قياسي شائع الاستخدام يُعرف باسم "الاشتقاق المتدرج العشوائي" (stochastic gradient descent)، وهو يشبه أداة أساسية للعثور على أسفل التل عن طريق اتخاذ خطوات صغيرة. وبينما وجد المنهج القياسي الحل في النهاية، إلا أنه كان أبطأ بكثير وفشل في تحديد نقاط البيانات المهمة حقًا؛ حيث أبقى جميع المتغيرات نشطة، مما أدى إلى نتيجة معقدة وصعبة التفسير. في المقابل، لم يكتفِ إطار عمل UAI-5 بالوصول إلى حل مستقر بشكل أسرع بكثير فحسب، بل أنتج أيضًا نتيجة واضحة وموجزة. لقد أخبر المستخدم بفعالية: "إليك الشيئين أو الثلاثة التي تهم حقًا؛ تجاهل الباقي". وهذا الوضوما أمر ضروري للصناعات التي تحتاج إلى الثقة في القرارات التي يتخذها الذكاء الاصطناعي، خاصة عندما تتعلق تلك القرارات بالبنية التحتية الحيوية مثل شبكات الطاقة أو الرعاية الصحية.

وبالنظر إلى المستقبل، يقترح المؤلفون أن إطار العمل هذا يمكن أن يكون الأساس للجيل القادم من الأنظمة الذكية. وقد حددوا أربعة مجالات رئيسية يمكن أن يتطور فيها هذا التكنولوجيا: الجمع مع الحوسبة الكمومية لمعالجة أسرع، والتكامل مع أجهزة الحافة (edge devices) التي تعالج البيانات محليًا، وجعل التفكير المنطقي للذكاء الاصطناعي شفافًا وموثوقًا، وتحسين كيفية تعاون البشر والآلات. ويشير تحليلهم إلى أنه بينما يعد التعاون البشري الهدف الأكثر تأثيرًا على المدى الطويل، فإن المستقبل القريب يكمن في دمج التقنيات الكمومية وتقنيات الحافة مع هذه الأنظمة متعددة الوكلاء. ومن خلال توفير طريقة موحدة للتعلم والتحسين والتنسيق، يوفر إطار عمل UAI-5 مسارًا نحو أنظمة صناعية ليست فقط أكثر ذكاءً وكفاءة، بل أيضًا أكثر استدامة وتوافقًا مع الاحتياجات البشرية.