Correction removes what it monitors: a structural model of engineering realisation and the right-truncation of quality records

في عالم الهندسة واسعة النطاق، من الغرف النظيفة التي تبني الرقائق الدقيقة إلى المصانع الضخمة التي تكرر الوقود، يعتمد النجاح على سلسلة من الأحداث التي غالباً ما تكون غير مرئية للعين المجردة. يبدأ الأمر بمجموعة من المتطلبات، وهي رؤية لما يجب أن تفعله الآلة أو المبنى، وينتهي بجسم مادي قائم في العالم الحقيقي. وبين لوحة الرسم والهيكل المكتمل، تكمن عملية ترجمة، حيث يتم تفكيك الأفكار إلى أجزاء، وربطها، وتجميعها. تخضع هذه العملية لقواعد الجودة: إذا لم يتطابق جزء بشكل مثالي، يتم إصلاحه، وقياسه مرة أخرى، وتدوين القياس الجديد المصحح. لعقود من الزمن، عملت الصناعة بناءً على افتراض أن هذه السجلات توفر صورة حقيقية لمدى جودة العمل المنجز. يبدو المنطق سليماً: إذا تم إصلاح كل عنصر يفشل حتى ينجح، فإن قائمة القياسات النهائية يجب أن تظهر عالماً يكون فيه كل شيء ضمن الحدود المقبولة. لكن هذا الافتراض يخفي خللاً هيكلياً في كيفية فهمنا للبيانات التي نجمعها.

تتحدى دراسة جديدة أجراها الباحث المستقل يانغ ليو هذا الاعتقاد الجوهري، مقترحة أن فعل إصلاح الخطأ بحد ذاته يمحو دليل وجود الخطأ. تشير الأبحاث إلى أنه عندما يقوم المهندسون بتصحيح جزء خارج نطاق التفاوت المسموح به، فإنهم لا يقومون فقط بتحسين المنتج؛ بل يقومون أيضاً بحذف أهم معلومة عن العملية التي أنتجته. ومن خلال بناء نموذج هيكلي لكيفية تنفيذ المشاريع الهندسية واختباره عبر محاكاة حاسوبية، يوضح المؤلف أن الطريقة القياسية لتسجيل بيانات الجودة تخلق نقطة عمياء. إن السجلات التي نحتفظ بها ليست عينة عشوائية من الواقع؛ بل هي نسخة منقحة حيث تمت إزالة الأخطاء الأكثر تطرفاً جراحياً. هذا الإزالة تشوه فهمنا للمخاطر، مما يجعل العمليات غير المستقرة تبدو مستقرة، ويخفي الطبيعة الحقيقية للمشكلات التي تعصف بالبناء والتصنيع.

يبدأ البحث برسم مسار المشروع من المتطلبات إلى الجسم المادي باستخدام إطار عمل مكون من ست خطوات متميزة، أو "سجلات". تنتقل هذه الخطوات من عالم التصميم الاستاتيكي، حيث توجد الأجسام واتصالاتها كأفكار فقط، إلى عالم الإنشاء المتطور، حيث تتخذ تلك الأفكار شكلاً في الزمان والمكان، وصولاً أخيراً إلى مجال القيود، حيث تعمل قواعد السلامة والعقود على تقليم النتوات المستحيلة. يحدد المؤلف فجوة محددة في هذه العملية: يمكن للتصميم أن يظهر نظاماً متصلاً تماماً على الورق، ومع ذلك يكون مستحيلاً من حيث التجميع في العالم الحقيقي. من الناحية الرياضية، يوصف هذا بأنه "عيب طوبولوجي"، وهو وضع تعمل فيه الاتصالات المحلية بشكل جيد، لكن الحلقة العالمية تفشل في الانغلاق. لا يتعلق الأمر بسوء المصنعية أو نقص التحقق؛ بل هو استحالة هيكلية متأصلة في التصميم نفسه. تستخدم الدراسة منهجية لتفكيك المجالات إلى ثلاثة مكونات — تلك التي تمثل البنية، وتلك التي تمثل التغيير، وتلك التي تمثل القيود غير القابلة للتغيير — لتوضيح أن نمط الفشل هذا هو خاصية دقيقة وقابلة للقياس في التصميم، وليس مجرد خطأ في التنسيق.

ومع ذلك، فإن الاكتشاف الجوهري للورقة يكمن فيما يحدث بعد فحص مراقبة الجودة. في البيئة الصناعية النموذجية، عندما يقع قياس ما خارج نطاق التفاوت المسموح به، يتم إعادة العمل على القطعة. يتم تعديلها، وقياسها مرة أخرى، وتخزين القيمة الجديدة في قاعدة البيانات. يتم التخلص من القياس الأصلي الفاشل. يجادل المؤلف بأن هذه الممارسة تخلق سجلاً "مبتوراً من جهة اليمين". تخيل رسماً بيانياً (histogram) لجميع القياسات المأخوذة خلال مشروع ما؛ الممارسة القياسية تقطع الجانب الأيمن من الرسم البياني حيث توجد الأخطاء الكبيرة، وتستبدلها بقيم تقع مباشرة داخل الحد المسموح به. ولأن ذيل التوزيع — الجزء الذي يوضح مدى تكرار وسوء حدوث الأمور — قد تمت إزالته، فإن أي تحليل إحصائي يتم إجراؤه على البيانات المتبقية سيكون معيباً بشكل أساسي. البيانات لم تعد تمثل مجتمع الأخطاء؛ بل تمثل فقط مجتمع الأخطاء التي كانت صغيرة بما يكفي لتجتاز الاختبار، أو التي تم إصلاحها بنجاح.

هذا التشويه له نتيجة محددة وخطيرة: فهو يضخم الاستقرار المتصور للعملية. تركز الدراسة على مقياس إحصائي يُعرف باسم "مؤشر الذيل"، والذي يصف مدى ثقل ذيل التوزيع. يشير المؤشر المنخفض إلى أن العملية عرضة لانحرافات كبيرة وغير متوقعة، بينما يشير المؤشر المرتفع إلى عملية أكثر استقراراً وقابلية للتنبؤ. في عمليات المحاكاة التي أجريت لهذه الورقة، سُجلت عملية ذات مؤشر ذيل حقيقي قدره 1.8، مما يشير إلى خطر مرتفع لحدوث أخطاء كبيرة، على أنها تمتلك مؤشراً قدره 7.26 بعد دورة إعادة العمل وإعادة القياس. هذا تحول هائل. النظام الذي هو في الواقع الأكثر عدم استقرار يظهر وكأنه الأكثر استقراراً. الخطأ ليس تشتتاً عشوائياً للأرقام؛ بل هو انحياز منهجي يجعل أسوأ العمليات تبدو كأفضلها. هذا الانعكاس في الترتيب يعني أن نظام الجودة الذي يعتمد على هذه السجلات سيكافئ عن غير قصد العمليات الأكثر خطورة ويعاقب العمليات الأكثر استقراراً، ببساطة لأن العمليات الخطيرة قد تم حذف أسوأ نقاط بياناتها.

تستكشف الأبحاث كذلك لماذا لا يؤدي مجرد جمع المزيد من البيانات إلى حل المشكلة. حتى مع وجود عدد كبير من العينات، يظل مؤشر الذيل مستحيلاً من حيث الاسترداد بدقة إذا فُقدت القيم الأصلية قبل التصحيح. تظهر الدراسة أن مجال عدم اليقين لمؤشر الذيل يظل واسعاً جداً بحيث لا يمكن استخدال لعمل قرارات حاسمة، مثل ما إذا كانت العملية آمنة بما يكفي للاستمرار. البيانات ليست مجرد ضوضاء؛ المعلومات مفقودة. تجادل الورقة بأن الحل ليس في صيغة رياضية أفضل أو حجم عينة أكبر، بل في تغيير ما يتم تسجيله. يقترح المؤلف علاجاً لمخطط البيانات (schema): لكل قياس، يجب أن يخزن النظام قيمتين لا يمكن أن تحل إحداهما محل الأخرى. القيمة الأولى هي القياس الأولي المأخوذ قبل إجراء أي تصحيح، والثانية هي القيمة بعد إعادة العمل. من خلال الحفاظ على القياس الأولي الفاشل، يحتفظ السجل بالشكل الحقيقي لتوزيع الخطأ، مما يسمح للمهندسين برؤية المخاطر الفعلية.

تتناول الورقة أيضاً دور أكواد ومعايير الجودة. غالباً ما يُفترض أن هذه الأكواد تعمل كبوابات تحسن جودة العمل. تشير الدراسة إلى أن مقارنة العمل المنجز تحت كود صارم بالعمل المنجز بدون كود هو أمر مضلل لأن المجموعتين غير قابلتين للمقارنة؛ حيث تُطبق الأكواد الصارمة عادةً على المشاريع الأكثر حرجاً والأكثر وفرة في الموارد. بدلاً من ذلك، يقترح المؤلف اختبار فعالية الكود من خلال النظر في معدل التجاوز — نسبة العناصر التي تفشل في تلبية التفاوت المسموح به — قبل وبعد تغيير القاعدة، أو عبر تغيير شدة الإنفاذ على نفس نوع العمل. تشير عمليات المحاكاة إلى أن اكتشاف فرق حقيقي في هذه المعدلات يتطلب حجم عينة أكبر بكثير مما هو مفترض عادةً، حوالي ألفي عنصر لكل مجموعة، بدلاً من المئات القليلة المستخدمة غالباً في الدراسات الصناعية.

أخيراً، تربط الدراسة هذه النتائج الهندسية بسؤال أوسع حول كيفية فهم الآلات والنماذج للعالم. يرسم المؤلف تشابهاً بين الفجوات الهيكلية في التصميم الهندسي والطريقة التي تعالج بها نماذج التعلم الآلي المعلومات. تماماً كما يمكن للتصميم أن يبدو متصلاً على الورق ولكنه يفشل في التجميع، يمكن لنموذج التعلم الآلي أن يتنبأ بالإطار التالي للفيديو دون أن يفهم حقاً البنية الأساسية للمساحة التي يراقبها. تشير الورقة إلى أن الفهم الحقيقي للمساحة ثلاثية الأبعاد يتطلب القدرة على فصل حقل البيانات إلى مكوناته الهيكلية، والتطورية، والقيود، تماماً مثل التفكيك المستخدم في النموذج الهندسي. ورغم أن الورقة لا تدعي أنها حلت هذه المعضلة للذكاء الاصطناعي، إلا أنها تضع معياراً قابلاً للاختبار: النموذج الذي يمكنه فصل هذه المكونات هو على الأرجح يمتلك فهماً أعمق وأكثر متانة للعالم من النموذج الذي لا يستطيع ذلك.

إن تداعيات هذا العمل عملية وفورية. يخلص المؤلف إلى أن الممارسة الحالية المتمثلة في الكتابة فوق القياسات الفاشلة ليست مجرد عادة إدارية بسيطة؛ بل هي خلل هيكلي يمنع المؤسسات من رؤية مخاطرها الخاصة. العلاج ليس معقداً. يتطلب تغييراً في مخطط البيانات لضمان الحفاظ على القياس الأول جنباً إلى جنب مع القياس المصحح. بدون هذه الخطوة البسيطة، لا يمكن للسجل أن يجيب على السؤال الذي جُمع من أجله: ما مدى موثوقية هذه العملية؟ لا تدعي الدراسة أن الصناعة محطمة، بل تقول إن العدسة التي ترى من خلالها أداءها مشوهة. من خلال تصحيح عملية تسجيل السجلات، يمكن للمهندسين الانتقال من حالة التفاؤل الزائف إلى فهم واضح ودقيق للتحديات التي يواجهونها، مما يسمح لهم بإدارة المخاطر بالدقة التي تتطلبها الهندسة الحديثة.