التصنيع الرشيق في الذكاء الاصطناعي
أبان نصار
الآلة
عند التفكير في الثورة الصناعية، من الشائع تخيّل مصانع ضخمة لعمال خطوط التجميع تنتج منتجات متطابقة على نطاق واسع. ومع ذلك، فإن ما تتخيله ليس سوى طريقة محددة للإنتاج تعود إلى صناعة السيارات الأمريكية في عشرينيات القرن العشرين. إنّ الثورة الصناعية نفسها، في جوهرها، تدور بشكل أساسي حول استخدام الآلة، فبدلاً من حرق السعرات الحرارية لتشغيل يديك، فإنك تحرق الفحم لتشغيل أداة ما. على سبيل المثال تم إنتاج السيارات في تسعينيات القرن التاسع عشر بواسطة قوة عاملة صغيرة ذات مهارات عالية، وكانت لديها الخبرة اللازمة للقيام بكل شيء بدءًا من التصميم وحتى تشغيل الآلات. يومذاك لا توجد مصانع كبيرة ولا خطوط تجميع ولا إنتاج ضخم، كان إنتاج السيارة لا يزال “حرفة” وكانت كل سيارة منتجة مختلفة عن الأخرى. والواقع أن مفهوم “الإنتاج الضخم” مستقل عن استخدام الآلة، فهو يجيب على سؤال أوسع: كيف ينبغي للناس أن يصنعوا الأشياء؟ إن الإنتاج الضخم على الطريقة الأمريكية في عشرينيات القرن العشرين ليس سوى أحد الإجابات، وهو حل لم يعد جزء كبير من الصناعة العالمية يلتزم به اليوم، حيث تم تطوير إجابات أخرى (أفضل)
يمكن إرجاع كل “مبدأ” من مبادئ التصنيع الخالي من الهدر إلى الحاجة إلى التكيف مع هذه التحديات، حيث يستخدم الإنتاج الضخم آلات باهظة الثمن ذات غرض واحد صممها جحافل من المهندسين ويتم تشغيلها بواسطة عمال ذوي مهارات منخفضة، ويستخدم نهج اللـ Lean آلات عالية المرونة يديرها عمال متعددو المهارات الذين يمكنهم في كثير من الأحيان أداء العديد من المهام التي كانت ستتطلب لولا ذلك “متخصصين” في الكتلة إعداد الإنتاج.
إنتاج ML(تعلم الآلة)
نحن لا ننتج سيارات، نحن ننتج حلول التعلم الآلي. لكن الفكرة الرئيسية هنا هي أن هذا الاختلاف سطحي. تشبه حلول تعلم الآلة إلى حد كبير السيارة، وتتكون من العديد من الأجزاء المختلفة التي يجب أن تتلاءم معًا: من البيانات إلى النماذج إلى الواجهات الأمامية. تمامًا مثل الإنتاج المبكر للسيارات، تم إجراء الإنتاج المبكر للتعلم الآلي على يد خبراء من ذوي المهارات العالية الذين كان عليهم تصميم المنتج بأكمله وبنائه وتجميعه بأنفسهم كحرفة يدوية. أخيرًا، تمامًا مثل تطور الإنتاج الضخم في صناعة السيارات، يمر تعلم الآلة الآن بمرحلة انتقالية بعيدًا عن عصر الحرف اليدوية إلى شكل إنتاج أكثر قابلية للتوسع، جنبًا إلى جنب مع تقسيم العمل: مهندسو بيانات، علماء بيانات، مهندسو تعلم آلي، مهندسو تحليلات وما إلى ذلك. كيف تم تقسيم العمل هذا بالنسبة لشركات تصنيع السيارات ذات الإنتاج الضخم؟ مقطع معبر جدًا من دراسة شهيرة أجراها معهد ماساتشوستس للتكنولوجيا في التسعينيات:
في هذا النظام الجديد كان للمهندسين المحترفين الناشئين حديثًا صعود مباشر في السلم الوظيفي. على عكس الحرفي الماهر، فإن مساراتهم المهنية لم تؤد إلى ملكية الأعمال التجارية، ولم يكونوا ضمن شركة واحدة، كما كان فورد يأمل على الأرجح. وبدلاً من ذلك، سيتقدمون في مهنتهم – من مهندسين متدربين شابين إلى مهندسين كبار، الذين أصبحوا الآن يمتلكون كامل المعرفة بالمهنة، وكانوا مسؤولين عن تنسيق المهندسين في المستويات الأدنى. غالبًا ما كان الوصول إلى قمة مهنة الهندسة يعني التنقل من شركة إلى أخرى على مدار الحياة العملية. مع مرور الوقت وتفرع الهندسة إلى المزيد والمزيد من التخصصات الفرعية، وجد هؤلاء المهنيون الهندسيون أن لديهم المزيد والمزيد ليقولوه لتخصصاتهم الفرعية وأقل وأقل ليقولوه للمهندسين ذوي الخبرات الأخرى. وبما أن السيارات والشاحنات أصبحت أكثر تعقيدًا من أي وقت مضى، فإن هذا التقسيم الدقيق للعمل داخل الهندسة سيؤدي إلى اختلالات وظيفية هائلة.
اختلالاتنا
تم تطوير MLOps في البداية كامتداد لـ DevOps للتعامل مع الطبيعة غير الحتمية المتأصلة لشيئين: البيانات والنماذج الاحتمالية. لأي سبب من الأسباب، فإن الكثير من حديث MLOps هذه الأيام ينشغل بالممارسات/الأدوات القائمة بالفعل لهندسة البرمجيات: تغليف التعليمات البرمجية الخاصة بك وتبعياتها في صورة عامل إرساء، وتصميم واجهات برمجة التطبيقات (APIs) للسماح لنموذج ML الخاص بك بالتفاعل مع أنظمة البرامج الأخرى، وأتمتة البناء وعمليات النشر من خلال خطوط أنابيب CI/CD، وتنسيق هذه التطبيقات المعبأة في حاويات عبر مجموعات من الأجهزة (الافتراضية) باستخدام Kubernetes. تراجع للحظة عن خط التجميع الخاص بك، أيها الترس الصغير، ولاحظ كم يجب أن يبدو كل هذا تافهًا. ينبغي أن تكون هذه الأمور بمثابة نقطة بداية للسؤال التالي؛ كيف ينبغي إنتاج حلول تعلم الآلة؟ إن الإجابة على هذا السؤال تعني التساؤل عن الأدوار والمسؤوليات والعمليات وسير العمل المختلفة التي يجب أن تكون ضمن فريقك ومؤسستك. ما هي أجزاء تدفق الإنتاج التي تضيف أي نوع من القيمة؟ أين هي الاختناقات؟ هذا كله لا يعتمد على اللغة، والإطار، والنظام الأساسي، والبنية التحتية.
عشية الحرب العالمية الأولى، في عام 1914، بدا أن الإنتاج الصناعي الألماني قد تجاوز نظيره في المملكة المتحدة، حيث بدأت الثورة الصناعية ذات يوم، ويرجع ذلك إلى حد كبير إلى عدد سكان ألمانيا الأكبر بشكل ملحوظ. وهذا نمط واضح للصراع طوال القرن العشرين، حيث يُنظر إلى تصنيع الدول ذات الكثافة السكانية الأكبر على أنه تهديد، وغالبًا ما يؤدي ذلك إلى شكل من أشكال الصراع.
إن الإنتاج الضخم لـ ML عرضة لنفس الاختلالات التي يعاني منها الإنتاج الضخم لفورد. تتساءل عما إذا كانت الشركة الناشئة ستختار مهندسي بيانات منفصلين، ومهندسي تحليلات، ومهندسي تعلم الآلة، ومهندسي المنصات، وعلماء البيانات، وعلماء الأبحاث، ومحللي البيانات، ناهيك عن أدوار إدارة المشروع. تتساءل عما إذا كانت فرق المهندسين المنفصلة بأكملها ستتولى صيانة منصات التحليلات أو تشرف على نشر/مراقبة النموذج، مع عدم الإلمام بكل من البيانات والنماذج. والأهم من ذلك كله، أنك تتساءل عن المبلغ الذي سيكون العميل العادي للشركة الناشئة، المهتم فقط بالمنتج النهائي، على استعداد لدفعه مقابل استمرار تشغيل هذه الآلة الصناعية. باختصار، أنت تتساءل عما إذا كان من الممكن جعل هذه العملية أكثر مرونة.
الظروف البيئية للتصنيع الرشيق
هناك حقًا طريقة واحدة لفهم المفاهيم الأساسية للتصنيع الخالي من الهدر، وعدم الانجرار إلى أطر عمل عديمة الفائدة مثل “Lean Six Sigma”وذلك من خلال النظر في الظروف التي اضطرت إلى التطور في ظلها. نشأ التصنيع الخالي من الهدر في اليابان ما بعد الحرب العالمية الثانية ويقدم إجابة ثالثة (بجانب الحرف اليدوية والإنتاج الضخم) فيما يتعلق بكيفية تصنيع الأشياء.
لم تكن اليابان مناسبة للإنتاج الضخم للأسباب التالية:
- نقص رأس المال اللازم للحصول على الآلات الكبيرة والمتخصصة اللازمة، ليس بسبب الحرب فحسب بل أيضًا بسبب القيود الائتمانية الأمريكية اللاحقة التي تهدف إلى الحد من التضخم4)
- نقابات عمالية قوية وعدم وجود قوة عاملة كبيرة من المهاجرين. وهذا يجعل الوظائف الوضيعة منخفضة الأجر لعمال خطوط التجميع في بيئة الإنتاج الضخم غير جذابة للغاية.
- كان السوق المحلي لا يزال صغيرا، ويحتاج إلى مجموعة كبيرة ومتنوعة من المنتجات، في حين ان الإنتاج الضخم غير المرن مناسب للعكس تمامًا.
- حتى لو تم تنظيم أي إنتاج ياباني ضخم فلن يتمكن من التنافس مع الشركات الغربية الراسخة التي ترغب في الاستحواذ على حصة سوقية في اليابان والدفاع عن أسواقها الخاصة في مواجهة الصادرات اليابانية.
يمكن إرجاع كل “مبدأ” من مبادئ التصنيع الخالي من الهدر إلى الحاجة إلى التكيف مع هذه التحديات، حيث يستخدم الإنتاج الضخم آلات باهظة الثمن ذات غرض واحد صممها جحافل من المهندسين ويتم تشغيلها بواسطة عمال ذوي مهارات منخفضة، ويستخدم نهج اللـ Lean آلات عالية المرونة يديرها عمال متعددو المهارات الذين يمكنهم في كثير من الأحيان أداء العديد من المهام التي كانت ستتطلب لولا ذلك “متخصصين” في الكتلة إعداد الإنتاج. حيث يمكن للإنتاج الضخم أن ينتج فقط منتجًا واحدًا عالي الجودة، يمكن أن ينتج اللـ Lean مجموعة كبيرة ومتنوعة من المنتج، أصبح ذلك ممكنًا بفضل مرونة الآلات ومهارات مشغليها. فعندما لا يتمكن الإنتاج الضخم من إيقاف الخط بسبب هوسه بالحجم، فإن الدفعات الأصغر من اللـ Lean تؤدي بشكل طبيعي إلى اكتشاف الأخطاء مبكرًا، وهوس التحسين المستمر يشار إليه باسم ” كايزن ” باللغة اليابانية. بمعنى ما يجمع اللـ Lean بين مرونة إنتاج الحرف اليدوية وحجم الإنتاج الضخم.
إن الزيارات الأولية التي قام بها Taiichi Ohno (تويوتا) إلى مصانع الإنتاج الضخم في أمريكا، المليئة بجميع أنواع المهندسين والمتخصصين، لاستكمال التقسيم الكامل للعمل أدت إلى تقليل عمال خط التجميع إلى ما لا يزيد عن الحد الأدنى الضروري من العمال غير العاملين (العمل الآلي) هي الأكثر دلالة على الإطلاق. اعتقد أونو، بعد زيارته ديترويت مرارًا وتكرارًا بعد الحرب مباشرة، أن هذا النظام برمته كان مليئًا بالمودا، وهو المصطلح الياباني للنفايات التي تشمل الجهد والمواد والوقت المهدر. لقد رأى أن أياً من المتخصصين خارج عامل التجميع لم يضف أي قيمة للسيارة. علاوة على ذلك رأى أونو أن عمال التجميع ربما يمكنهم القيام بمعظم وظائف المتخصصين وأداءها بشكل أفضل بكثير بسبب معرفتهم المباشرة بظروف الخط… “
التصنيع الرشيق في الذكاء الاصطناعي
Lean ML هو تطبيق مبادئ التصنيع الخالي من الهدر لإنتاج حلول. ML هي فرق صغيرة من العمال متعددي المهارات، تستخدم أدوات مرنة ومؤتمتة لإنتاج مجموعة كبيرة ومتنوعة من حلول تعلم الآلة عالية الجودة بكميات كبيرة. يبدأLean برسم ” خرائط القيمة المتفقة” وهذا يعني رسم خريطة لتدفق إنتاج تعلم الآلة في فريقك، بدءًا من المفهوم الأولي وحتى النشر، بما في ذلك العمليات والأدوات والأدوار. ولكل منها مدخلات ومخرجات ملموسة. هذه هي دورة حياة مشروع تعلم الآلة من البداية إلى النهاية، هذه هي “الآلة” التي يجب أن تكون مهووسًا بها. إن تخطيط تدفق القيمة يسعى إلى تحديد أجزاء هذا الجهاز ويضيف قيمة فعلية للعميل؛ ما هي الأجزاء التي تعتبر مسرعات، وما هي الاختناقات، وهل سيكون العميل على استعداد لدفع ثمن كل هذا؟
يمكن رؤية مثال جيد لدورة حياة الذكاء الاصطناعي في دي سيلفا والأهاكون (2022)5حيث تنقسم دورة الحياة إلى ثلاث مراحل: التصميم والتطوير والنشر:
يمكن أن يكون هذا بمثابة نقطة انطلاق جيدة، ولكن ليس أكثر من ذلك بكثير. هذه الكتل الزرقاء في الرسم البياني لا تقول أي شيء في الواقع، فهي فقط تقوم بتسمية وترتيب وتجميع المراحل/المفاهيم العامة. نريد أن نعرف كيف ستبدو هذه العمليات فعليًا في فريقنا. مثال سهل: كيف يمكنك مراقبة النماذج هيكلياً في الإنتاج (النقطة 19 في الرسم البياني)؟ ما هو نوع المراقبة التي سيقدرها العميل، وأيها قد يكون هدرًا؟ إذا انطلقت بعض تنبيهات المراقبة، ما هي عملية الفريق للتعامل مع ذلك؟ على من تقع مسؤولية إصلاح ما حدث من خطأ في النموذج؟ هل هذا يعتمد على نوع التنبيه؟ ما هي الأدوات المستخدمة في التحقق من الخطأ؟ وهناك مثال أكثر صعوبة: كيف يمكن إجراء المرحلة “التجريبية” من تطوير النموذج بطريقة شفافة وقابلة للتكرار؟ من خلال طرح هذه الأسئلة على نفسك، ستكتشف بسرعة كيف يمكن أن يصبح التخصص المفرط عامل تعقيد كبير في هذه الأمور، ويمكن للعمال متعددي المهارات تبسيط التدفق بشكل كبير.
العامل “متعدد المهارات
العامل متعدد المهارات متجذر في تقييم رأس المال البشري، وهي سمة من سمات النهج اللـ Lean (مرة أخرى، مجرد نتيجة لبيئته: نقابات قوية وعدم وجود قوة عمل مهاجرة). لا يُنظر إلى عامل خط التجميع باعتباره تكلفة متغيرة يمكن التخلص منها، بل باعتباره المساهم الأساسي في القيمة، وبالتالي يستحق الاستثمار المستمر، ولا يختلف عن التحسين المستمر للآلات والعمليات نفسها.
ما هي مهارات العامل متعدد المهارات في تعلم الآلة وعلوم البيانات؟ هذا سؤال واضح جدًا: الرياضيات وعلوم الكمبيوتر. وبطبيعة الحال تتداخل هذه المجالات باستمرار. على سبيل المثال لماذا يكون توزيع عملية الانضمام عبر مجموعة من العقد أكثر صعوبة من عملية التصفية؟ يظهر هذا كسؤال حول استعلام SQL أو حول الحوسبة الموزعة، ولكنه في الواقع سؤال رياضي يتعلق بتعقيد اتصالات العملية6. لماذا تتدرب شبكتك العصبية بشكل أسرع عند استخدام نواة CUDA؟ يعد هذا مرة أخرى مزيجًا من تصميم الأجهزة (GPUs) وقابلية التوازي المتأصلة في الجبر الخطي. في الواقع، بدون هذا التقاطع بين الرياضيات وعلوم الكمبيوتر، سنكون ما اعتدنا أن نكون عليه من قبل – والآن نتظاهر بأننا لسنا إحصائيين.
لاحظ كيف أن اختيار نموذج الإنتاج لا يغير جودة المنتج وتنوعه وحجمه فحسب، بل يغير أيضًا العمالة. إنه يغير نوع العمل الذي نقوم به، وكيف نطور أنفسنا وكيف قد يبدو سلمنا الوظيفي. إنها باختصار تستحق الدراسة أكثر من أي أداة منفردة.
الملحق (الاستطرادات)
على الرغم من أنه خارج الموضوع إلى حد ما، إلا أنه من الجيد التأكيد على ثقل الثورة الصناعية. على مدى الأعوام المئة والخمسين الماضية أو نحو ذلك، كانت الشؤون العالمية في الأغلب مجرد تعبير نظري عن المنافسة الصناعية. هذا الموضوع يستحق مقالًا خاصًا به، ولكن هنا سأقدم شرحًا سريعًا. يمكننا استخدام مجموعة بيانات متاحة للجمهور، ويجب أن أقول إنها مجمعة بشكل مثير للإعجاب، لتقديرات انبعاثات ثاني أكسيد الكربون منذ عام 17507لتكون بمثابة وكيل مفيد للنشاط الصناعي مع مرور الوقت. والمثال الجوهري الذي يجب النظر إليه هو التصنيع الذي شهدته ألمانيا في أواخر القرن التاسع عشر.
عشية الحرب العالمية الأولى، في عام 1914، بدا أن الإنتاج الصناعي الألماني قد تجاوز نظيره في المملكة المتحدة، حيث بدأت الثورة الصناعية ذات يوم، ويرجع ذلك إلى حد كبير إلى عدد سكان ألمانيا الأكبر بشكل ملحوظ. وهذا نمط واضح للصراع طوال القرن العشرين، حيث يُنظر إلى تصنيع الدول ذات الكثافة السكانية الأكبر على أنه تهديد، وغالبًا ما يؤدي ذلك إلى شكل من أشكال الصراع. وهذا بدوره يلخص أيضًا الموقف الألماني، حتى قبل عام 1914، تجاه التصنيع الوشيك لعدد هائل من السكان الروس8، وهو الأمر الذي انتهى بالفعل إلى تراجع ألمانيا على المدى الطويل. هناك مقالة ممتعة للقراءة، ولكن لا ينبغي أخذها على محمل الجد، حول النماذج النظرية للعبة “لتوازن القوى” كتبها نيو وأوردشوك (1987)9، حيث يقوم المؤلفون على وجه التحديد بوضع نموذج لمعدلات النمو التفاضلي بين البلدان (اللاعبين).
مصادر
1بير، د. (2018) بانهارد وليفاسور: رواد في التميز في السيارات. امبرلي للنشر.
2ووماك، جي بي، جونز، دي تي، وروس، د. (2007). الآلة التي غيرت العالم: قصة الإنتاج الهزيل – سلاح تويوتا السري في حروب السيارات العالمية التي تُحدث الآن ثورة في الصناعة العالمية. سيمون وشوستر.
3أونو، ت. (2019). نظام إنتاج تويوتا: ما بعد الإنتاج على نطاق واسع. الصحافة الإنتاجية.
4داور، جي دبليو (2000). احتضان الهزيمة: اليابان في أعقاب الحرب العالمية الثانية . دبليو دبليو نورتون وشركاه.
5دي سيلفا، د.، وألاهاكون، د. (2022). دورة حياة الذكاء الاصطناعي: من الفكرة إلى الإنتاج. الأنماط , 3 (6).
6ياو، لجنة التنسيق الإدارية (1979، أبريل). بعض الأسئلة المعقدة المتعلقة بالحوسبة التوزيعية (تقرير أولي). في وقائع ندوة ACM السنوية الحادية عشرة حول نظرية الحوسبة (الصفحات 209-213).
7هانا ريتشي وماكس روزر (2020) – “انبعاثات ثاني أكسيد الكربون” منشورة عبر الإنترنت على OurWorldInData.org. تم الاسترجاع من: “https://ourworldindata.org/co2-emissions” [مصدر عبر الإنترنت]
8ماكميكين، س. (2011). الأصول الروسية للحرب العالمية الأولى. مطبعة جامعة هارفارد.
9نيو، إي إم، وأوردشوك، بي سي (1987). الحرب الوقائية وتوازن القوى: نهج نظرية اللعبة. مجلة حل النزاعات , 31 (3)، 387-419.