Bottleneck-aware explainable learning-to-dispatch improves simulated throughput in dynamic flexible manufacturing systems

في قلب مصنع حديث يعج بالحركة، لا تعمل الآلات ببساطة في خط مستقيم من البداية إلى النهاية، بل تعمل ضمن شبكة معقدة من الخيارات. فقد يمكن لقطعة واحدة أن تسلك عدة مسارات مختلفة، وتتم معالجتها بواسطة أدوات متنوعة، لكل منها سرعتها وسعتها الخاصة. هذا المرونة تمثل نقطة قوة، حيث تسمح للمصنع بالتكيف عند تعطل آلة ما أو وصول طلب عاجل جديد. ومع ذلك، فإن هذه المرونة نفسها تخلق تحدياً مستمراً للأشخاص أو الحواسيب المسؤولة عن اتخاذ القرار بشأن أي وظيفة تذهب إلى أي آلة تالياً. فإذا اتُخذ القرار الخاطئ، يمكن لآلة حيوية أن تزدحم بالأعمال بينما تظل الآلات الأخرى خاملة، مما يؤدي إلى إبطاء خط الإنتاج بأكمله. هذه هي مشكلة الجدولة الديناميكية: كيف يمكن اتخاذ القرار الصحيح في أجزاء من الثانية عندما تكون البيئة في تغير مستمر، والوظائف تصل بشكل غير متوقع، وأهم نقطة اختناق — وهي النقطة التي تتراكم عندها الأعمال — يمكن أن تنتقل من آلة إلى أخرى دون سابق إنذار.

لعقود من الزمن، اعتمد مديرو المصانع على قواعد بسيطة لاتخاذ هذه القرارات. أحد الأساليب الشائعة هو اختيار الوظيفة التي تستغرق أقل وقت للانتهاء دائماً، على أمل أن يؤدي إنجاز المهام الصغيرة بسرعة إلى الحفاظ على حركة الخط. وبينما يعمل هذا النهج جيداً في الظروف الهادئة، إلا أنه غالباً ما يفشل عندما يواجه المصنع فوضى العالم الحقيقي، مثل الأعطال المفاجئة أو الطلبات المستعجلة التي تعطل التدفق. ومؤخراً، حاول الباحثون استخدام الذكاء الاصطناعي لتعلم استراتيجيات أفضل، عبر تدريب برامج حاسوبية على التعرف على الأنماط واختيار الإجراء الأفضل. ومع ذلك، غالباً ما تعمل هذه الأنظمة المتقدمة كـ "صناديق سوداء"؛ فقد تتخذ قراراً جيداً، لكنها لا تستطيع شرح سبب اتخاذه بسهولة، مما يترك المشرفين البشر غير متأكدين مما إذا كان بإمكانهم الوثوق بالقرار. علاوة على ذلك، تعاني العديد من أنظمة التعلم هذه من صعوبة في التعميم، مما يعني أن الاستراتيجية التي تعمل بشكل مثالي في محاكاة لمصنع ما قد تفشل تماماً في إعداد آخر مختلف قليلاً.

يتناول بحث جديد أجراه الباحث المستقل محمد رافع إكرام هذه القضاية عبر تطوير منهجية تتسم بالذكاء والشفافية في آن واحد. فقد ابتكر الباحث نظاماً يسمى "التعلم القابل للتفسير المدرك للاختناق" (BA-XLD). وبخلاف الشبكات العصبية المعقدة والمبهمة التي يُستخدمها الذكاء الاصطناعي غالباً، يستخدم هذا النظام طريقة تسجيل مباشرة. ففي كل مرة تصبح فيها آلة شاغرة، ينظر النظام إلى قائمة الوظائف المنتظرة للمعالجة، ويقيم كل وظيفة بناءً على ثمانية عوامل محددة، مثل مدة الوظيفة، وما إذا كان الانتقال إليها يتطلب وقتاً طويلاً للإعداد، وحجم العمل المتبقي في الوظيفة، ومدى قرب الوظيفة من الانتهاء. ومن الأهمية بمكان أن النظام يحسب أيضاً "نسبة الاختناق"، والتي تقيس مقدار العمل المعلق المخصص لتلك الآلة تحديداً مقارنة بالآلات الأخرى. وإذا كانت الآلة مثقلة بالأعباء، فإن النظام يضخم أهمية قراراتها، مما يضمن عدم حرمان الموارد الأكثر حرجاً من العمل أو تكدسها بقرارات غير فعالة.

يكمن الابتكار في كيفية تعلم النظام وتفسيره لنفسه. فقد علم الباحثون النظام من خلال تركه يتدرب على مجموعة من مشاكل المصانع القياسية، مع ضبط أوزانه الداخلية لزيادة عدد المنتجات النهائية. ولأن القرار النهائي هو مجرد مجموع هذه العوامل الموزونة، فإن كل قرار يتخذه النظام يمكن تفكيكه فوراً. إذ يمكن للمشرف النظر في قرار ما ورؤية مدى مساهمة عمر الوظيفة، أو العمل المتبقي فيها، أو الحمل الحالي للآلة في الدرجة النهائية. لا يوجد منطق خفي أو تخمين؛ فالتفسير مدمج مباشرة في عملية اتخاذ القرار. ويقف هذا النهج في تباين مع طرق التعلم الأخرى التي قد تختار من قائمة قواعد معدة مسبقاً دون فهم الفروق الدقيقة للوضع الحالي، أو نماذج التعلم العميق التي تكون شديدة التعقيد بحيث يصعب تفسيرها.

ولاختبار مدى فعالية هذه الطريقة، بنى الباحث محاكاة حاسوبية مفصلة لمصنع مرن. وقد صُممت هذه البيئة الافتراضية لمحاكاة الواقع الفوضوي لمصنع حقيقي، من خلال إدخال وصول عشوائي للوظائف، وتباينات في المدة التي تستغرقها المهام، وأعطال الآلات غير المتوقعة، والحاجة إلى طلبات مستعجلة. استخدمت الدراسة خمسة تخطيطات مختلفة للمصانع، تُعرف باسم معايير "برانديمارت" (Brandimarte)، وهي اختبارات قياسية لمشاكل الجدولة. تم تدريب النظام على تخطيطين منها واختياره بناءً على الثالث، لكن لم يُعرض عليه التخطيطان الأخيران حتى النهاية. وقد ضمن هذا الفصل الصارم أن النتائج لم تكن مجرد حفظ لبيانات التدريب، بل كانت تتعلم استراتيجية يمكن أن تعمل على مشكلات جديدة لم تُرَ من قبل. جرت المحاكاة عبر ثمانين سيناريو مختلفاً، وضعت النظام الجديد في مواجهة القواعد التقليدية مثل "أقصر وظيفة أولاً" وضد خوارزمية تعلم قياسية.

أظهرت النتائج أن الطريقة الجديدة تفوقت بشكل ملحوظ على غيرها. ففي عمليات المحاكاة، أكمل نظام BA-XLD متوسط 13.43 وظيفة كل 100 وحدة زمنية، وهو ما يزيد بنسبة 7.3% عن قاعدة "أقصر وظيفة أولاً" التقليدية، وأكثر من 21% من خوارزمية التعلم القياسية. وفضلاً عن إنهاء المزيد من الأعمال، حسّن النظام أيضاً مقاييس مهمة أخرى؛ فقد قلل متوسط الوقت الذي تقضيه الوظائف في الانتظار حتى تنتهي بنسبة تقارب 31%، وخفض مقدار العمل غير المكتمل الموجود في أرض المصنع بنحو 6%. كما قلل الوقت الضائع في إعدادات الآلات بأكثر من 22%. وقد ظلت هذه التحسينات ثابتة حتى عندما واجه المصنع اضطرابات شديدة، مثل الأعطال المتكررة للآلات أو مزيج من ضغط العمل العالي والطلبات المستعجلة. نجح النظام في الحفاظ على تدفق العمل مستقراً دون أن يتعثر، مما أثبت أن فهم الحالة الراهنة للاختناق هو المفتاح للحفاظ على الكفاءة.

كما سلطت الدراسة الضوء على ما لا يعمل بشكل جيد مثل النهج الجديد. فقد وجد الباحثون أن مجرد محاولة تقليل الوقت الذي تقضيه الآلات في تغيير الأدوات، وهو استراتيجية شائعة في بعض المصانع، أدى في الواقع إلى الإضرار بالإنتاج الإجمالي. فمن خلال التركيز الضيق على إبقاء الآلات ضمن نفس عائلة المنتجات، سمحت تلك الأنظمة بتراكم الوظائف في أماكن أخرى، مما أبطأ الخط بأكمله. وبالمثل، فشلت خوارزمية التعلم القياسية، التي حاولت اختيار أفضل قاعدة من قائمة، في التقاط الفروق الدقيقة لصفوف الانتظار الحالية وحمل الآلة. نجح النظام الجديد لأنه لم يكتفِ باختيار قاعدة، بل حسب درجة مخصصة لكل وظيفة بناءً على الواقع المباشر لأرض المصنع. وأشار الباحثون إلى أنه رغم فعالية النظام العالية في المحاكاة، إلا أنه ليس منتجاً نهائياً جاهزاً لمصنع حقيقي؛ فالأرقام والمعاملات التي وجدت في الدراسة خاصة ببيئة المحاكاة، وتحتاج إلى إعادة معايرة باستخدام بيانات من العالم الحقيقي قبل استخدامها في مصنع فعلي.

في نهاية المطاف، يقدم هذا العمل مساراً واضحاً لكيفية استخدام المصانع للذكاء الاصطناعي دون فقدان الإشراف البشري. فمن خلال الجمع بين قدرة أنظمة التعلم على التكيف وشفافية نظام التسجيل التراكمي البسيط، أظهر الباحثون أنه من الممكن إنشاء مجدول يتسم بالقوة والقدرة على التفسير في آن واحد. لا يحتاج النظام إلى أن يكون صندوقاً أسود غامضاً ليكون فعالاً؛ بل يمكن أن يكون أداة تشرح منطقها بعبارات واضحة مع تقديم تحسينات ملموسة في السرعة والكفاءة. تضع الدراسة معياراً جديداً لكيفية اختبار وتقييم أساليب الجدولة، مؤكدة على الحاجة إلى محاكاة صارمة وقابلة للتكرار تفصل بين التدريب والاختبار. وبينما لا تزال الرحلة من محاكاة الحاسوب إلى أرض مصنع حقيقي تتطلب مزيداً من التحقق، فإن النتائج تشير إلى أن نهجاً شفافاً ومدركاً للاختناق قد يساعد المصانع قريباً على تجاوز فوضى الإنتاج الحديث بثقة ووضوح أكبر.