تتجه Shell إلى توسيع استخدام الذكاء الاصطناعي في إدارة الأصول الصناعية، عبر الاعتماد على وكلاء من C3 AI للانتقال من مجرد اكتشاف الحالات الشاذة إلى أتمتة الصيانة التنبؤية بشكل شبه كامل. وتستند هذه الخطوة إلى برنامج قائم بالفعل يعتمد على منصة C3 AI Reliability Suite، التي تراقب أكثر من 30,000 قطعة من المعدات الحيوية في عمليات الشركة، سواء في الأنشطة الصاعدة أو الهابطة.
التحول الجديد لا يقتصر على تحسين التنبيهات أو رفع دقة التنبؤ بالأعطال، بل يهدف إلى جعل النظام قادراً على التعامل مع سلسلة الصيانة كاملة: من فهم سبب التحذير، إلى اقتراح الإجراء المناسب، ثم إعداد أوامر العمل، ومراجعة توفر القطع، وطلب المشتريات عند الحاجة. بهذا المعنى، تتحول الصيانة من عملية تعتمد على الاستجابة البشرية المتأخرة إلى سير عمل مؤتمت يبدأ من البيانات وينتهي بالإجراء.
من رصد الأعطال إلى اتخاذ القرار
في المرحلة الأولى من استخدام الذكاء الاصطناعي، كانت Shell توظف نماذج تعلم الآلة لقراءة بيانات الحساسات ورصد الانحرافات عن السلوك الطبيعي للمعدات. كان ذلك يمنح فرق الهندسة إنذاراً مبكراً قبل حدوث العطل، لكنه لم يكن يتجاوز حدود الإخطار المبكر. أما الآن، فالنقلة الأساسية تتمثل في إدخال وكلاء ذكاء اصطناعي قادرين على الاستدلال واتخاذ الخطوات اللاحقة ضمن حدود محددة مسبقاً.
تقوم هذه الوكلاء بتحليل سياق العطل المحتمل بدلاً من الاكتفاء بإطلاق إشعار عام. فهي تجمع بيانات تشغيلية آنية، وتربطها بمعلومات الأعمال الموجودة في أنظمة ERP مثل SAP، ثم تقارنها بتاريخ الصيانة السابق، والظروف البيئية، والمتغيرات المرتبطة بعمليات الإنتاج. والنتيجة هي صورة أوسع تساعد على تحديد السبب الجذري للمشكلة بدرجة أكبر من الدقة.
بعد ذلك، يمكن للوكيل أن يقترح إصلاحاً محدداً، أو أن ينشئ مسودة أمر عمل، أو أن يتحقق من المخزون، أو أن يطلق طلب شراء لقطعة غيار مطلوبة. وفي المراحل الأولى، يبقى للعنصر البشري حق المراجعة أو الاعتراض قبل التنفيذ الكامل. لكن كلما أثبت النظام فعاليته، يصبح بالإمكان أتمتة بعض أنواع التنبيهات بالكامل.
بنية تقنية تربط البيانات التشغيلية بسير العمل المؤسسي
تعتمد الفكرة على بنية تقنية تجمع بين النماذج التنبؤية التقليدية والطبقة الوكيلة الجديدة. فالمحرك الأساسي في منصة C3 AI يتعامل مع تدفقات كثيفة من بيانات الحساسات ويمزجها مع السجلات المالية وسجلات الصيانة. وبهذا يتم تدريب النماذج على فهم خط الأساس التشغيلي لكل نوع من المعدات، مثل المضخات والتوربينات والضواغط.
الطبقة الجديدة من الوكلاء تعمل فوق هذا الأساس. ويمكن لكل وكيل أن يُضبط خصيصاً لجهاز أو فئة من الأصول، مع تحديد الأهداف المسموح بها والردود الممكنة. وعندما يكتشف النموذج الأساسي انحرافاً عن النمط المعتاد، يتولى الوكيل التحرك وجمع المزيد من المعلومات، ثم صياغة توصية مبنية على الأدلة المتاحة.
الأهمية هنا لا تكمن فقط في الذكاء التحليلي، بل في التكامل مع الأنظمة المؤسسية التي يستخدمها المخططون والفرق التشغيلية أصلاً. فالاتصال المباشر مع SAP، مثلاً، يسمح للوكيل بالتحرك داخل نفس القنوات التي تعتمد عليها عمليات الصيانة والشراء اليوم، ما يقلل الحاجة إلى بناء مسارات عمل موازية أو معقدة.
الأثر التشغيلي: تقليل التأخير وتحسين الاعتمادية
تمثل الصيانة التنبؤية واحدة من أكثر حالات الاستخدام وعداً داخل الصناعة الثقيلة، لكنها كثيراً ما تصطدم بما يمكن وصفه بـ"الميل الأخير" بين التنبؤ والتنفيذ. فحتى عندما تنجح الأنظمة في توقع العطل، يبقى على المهندسين عادةً تفقد التنبيه، وفهم السياق، وتوثيق المشكلة، وكتابة أمر العمل يدوياً. هذا التأخير قد يضعف قيمة التنبؤ نفسه.
هنا يظهر الرهان الأساسي لشركة Shell: تقليص الفاصل الزمني بين تنبؤ النظام واتخاذ الإجراء الفعلي. عندما يصبح الذكاء الاصطناعي قادراً على تحليل السبب الجذري وإعداد أوامر الصيانة، فإن زمن الاستجابة ينخفض، وتتحسن موثوقية المعدات، وتتراجع احتمالات التوقفات غير المخططة التي تكلّف الشركات الصناعية مبالغ كبيرة.
كما أن الانتقال إلى نموذج يعتمد على التدخل فقط عند الحاجة الفعلية للمعدة يقلل من الصيانة غير الضرورية. وهذا يعني عملياً توفيراً في التكاليف، إلى جانب إطالة العمر التشغيلي للأصول نفسها، لأن المعدات السليمة لن تتعرض لتدخلات لا داعي لها. وفي قطاع الطاقة تحديداً، يضيف هذا النهج قيمة أخرى تتعلق بالسلامة وتقليل المخاطر البيئية المرتبطة بالأعطال الكبرى.
الذكاء الاصطناعي الوكيلي كمرحلة جديدة في الصناعة
ما يجري في Shell يعكس اتجاهاً أوسع في تبني الذكاء الاصطناعي داخل المؤسسات الكبرى: الانتقال من التحليلات التي تقول للمشغلين ما الذي يحدث، إلى الأنظمة التي تساعد على تحديد ما يجب فعله بعد ذلك. هذه النقلة هي جوهر الذكاء الاصطناعي الوكيلي في البيئات الصناعية، حيث لا تكون القيمة في التنبؤ وحده، بل في تحويل التنبؤ إلى إجراء ضمن سير عمل منضبط.
وتبرز هذه الأهمية أكثر في بيئات الأصول الثقيلة، لأن البيانات وحدها لا تكفي عادةً. فالمؤسسة تحتاج إلى قرار سريع، وقابل للتدقيق، ومتصلاً بمنظومة الصيانة والشراء والإمداد. لذلك، لا يبدو التحدي هنا تقنياً فقط، بل تشغيلياً أيضاً: كيف يمكن إدخال الذكاء الاصطناعي في أكثر أجزاء المؤسسة حساسية من دون كسر الانضباط المؤسسي أو تعقيد الإجراءات؟
الجواب الذي تطرحه Shell وC3 AI هو أن الوكلاء يمكنهم أن يعملوا كطبقة تنفيذ ذكية فوق النماذج التحليلية، بحيث يبقى الإنسان في الحلقة عند الحاجة، ثم تنتقل المؤسسة تدريجياً إلى مستويات أعلى من الأتمتة كلما أثبتت هذه الأدوات موثوقيتها. وفي قطاع بحجم الطاقة، قد يكون هذا التحول أحد أكثر التطبيقات العملية للذكاء الاصطناعي تأثيراً في السنوات المقبلة.
الخلاصة: الرهان الجديد لا يدور حول اكتشاف الأعطال بسرعة أكبر فقط، بل حول بناء منظومة صيانة قادرة على التصرف تلقائياً، وتقليص التوقفات، وتحسين الاعتمادية، وتحويل البيانات الصناعية إلى قرارات تشغيلية فورية.