نشر وكلاء الذكاء الاصطناعي في أرض الإنتاج دون لمس أنظمة MES أو SCADA أو أنظمة التحكم في الخط

markdown إن دمج تقنيات عوامل الذكاء الاصطناعي الناشئة مباشرة في أنظمة تنفيذ التصنيع (MES)، أو أنظمة التحكم الإشرافي وجمع البيانات (SCADA)، أو أنظمة التحكم في الخطوط، يمثل مخاطر تشغيلية وجوهرية كبيرة، مما يؤدي غالبًا إلى دورات نشر طويلة وعدم استقرار النظام. تم تصميم هذه الأنظمة القديمة للتحكم الحتمي في الوقت الفعلي والإبلاغ عن البيانات، وليس لمخرجات الذكاء الاصطناعي التفسيرية والاحتمالية أو عمليات الكتابة المباشرة التي قد تعرض العمليات الحيوية للخطر.

هناك نهج أكثر استدامة وسليمة استراتيجيًا ينطوي على نشر عوامل الذكاء الاصطناعي كطبقة مستقلة وغير تدخلية، تقوم باستخلاص رؤى قابلة للتنفيذ دون تعديل مباشر أو تداخل مع البنية التحتية الأساسية للتكنولوجيا التشغيلية (OT).

Cognite (Cognite Data Fusion)

تعمل Cognite Data Fusion (CDF) كمنصة DataOps صناعية، متخصصة في سياقة بيانات التكنولوجيا التشغيلية (OT) وتكنولوجيا المعلومات (IT). تستوعب البيانات من مصادر متباينة، بما في ذلك المحفوظات، وخوادم OPC-UA، وأنظمة تخطيط موارد المؤسسات (ERP)، وتجمعها في رسم بياني معرفي صناعي واحد موحد. وتتمثل الوظيفة الأساسية لهذه المنصة في إنشاء تمثيل رقمي للأصول والعمليات المادية، مما يتيح التحليلات المتقدمة وتطبيقات التعلم الآلي.

يتمثل مفتاح استراتيجية نشر Cognite غير التدخلية في بنيتها التي تعتمد على القراءة فقط فيما يتعلق بأنظمة التحكم. تتصل CDF بمصادر البيانات الحالية عبر بروتوكولات صناعية راسخة دون الكتابة مرة أخرى إلى وحدات التحكم المنطقية القابلة للبرمجة (PLCs) أو أنظمة التحكم المباشر في الخط. وهذا يحافظ على سلامة وأمان البنية التحتية الإنتاجية الحيوية، وهو ما يمثل مصدر قلق بالغ في بيئات التصنيع.

تعمل CDF كطبقة بيانات أساسية لتطوير ونشر نماذج الذكاء الاصطناعي/التعلم الآلي اللاحقة. توفر بيانات منظمة ومسياقة يمكن لعلماء البيانات والمهندسين الاستفادة منها للصيانة الوقائية، وتحسين العمليات، واكتشاف الأخطاء الشاذة. ويشمل جمهورها المستهدف عادة الشركات الصناعية الكبيرة التي لديها بيئات بيانات معقدة تسعى إلى تحقيق قيمة من استثماراتها الحالية في البيانات.

من خلال تجريد جمع البيانات وسياقتها، تسمح Cognite ببناء ونشر تطبيقات الذكاء الاصطناعي دون تدخل مباشر في وظائف MES أو SCADA الحيوية. توحد المنصة مجموعات بيانات متنوعة، مما يجعلها سهلة الوصول والفهم لأدوات التحليل عالية المستوى والتطبيقات العاملة. يخفف هذا النهج من مخاطر التكامل المرتبطة بالتعديلات المباشرة على أنظمة OT.

ومع ذلك، فإن Cognite Data Fusion، على الرغم من توفيرها أساسًا قويًا للبيانات، هي في الأساس منصة لتكامل البيانات وسياقتها. إنها لا تنشر بطبيعتها عوامل ذكاء اصطناعي مستقلة أو توفر طبقة لتنسيق سير العمل للعوامل. تكمن فائدتها في تمكين الآخرين من بناء ونشر مثل هذه العوامل فوق مخرجات بياناتها المنظمة، بدلاً من توفير العوامل نفسها.

Tulip Interfaces

تقدم Tulip Interfaces منصة عمليات الخط الأمامي مصممة لتمكين المهندسين والمشغلين من بناء التطبيقات بدون رمز. وتركز على رقمنة العمليات اليدوية، والتقاط بيانات الإنتاج في الوقت الفعلي، وتزويد المشغلين بتعليمات عمل تفاعلية. تهدف هذه المنصة إلى تحسين الكفاءة التشغيلية والجودة من خلال جلب الأدوات الرقمية مباشرة إلى أرضية المصنع.

تتميز استراتيجية تكامل Tulip بطبيعتها غير التخريبية، حيث تعمل كنظام تراكبي يكمل البنية التحتية الحالية لـ MES و SCADA. تتصل عادة بمصادر البيانات عبر واجهات برمجة التطبيقات (APIs) المعمول بها، وخوادم OPC، أو عمليات الدمج المباشرة للمستشعرات، ولكنها لا تحل محل أو تتحكم مباشرة في الوظائف الأساسية لهذه الأنظمة. بدلاً من ذلك، توفر واجهة سهلة الاستخدام لإدخال البيانات، والتصور، وإدارة سير العمل.

تتفوق المنصة في تمكين التطوير السريع للتطبيقات المخصصة التي تعالج تحديات تشغيلية محددة، مثل تتبع العيوب، ومراقبة الإنتاج، ومراقبة الجودة. يمكن لهذه التطبيقات سحب البيانات من الأنظمة الحالية ودفع البيانات التي يدخلها المشغلون إلى التحليل اللاحق، كل ذلك دون تغيير منطق التحكم الأساسي أو آليات تخزين البيانات لأنظمة OT الأساسية.

تعتمد الشركات المصنعة على Tulip لسد الفجوة بين أنظمة المؤسسة ومشغلي الخط الأمامي، وتوفير رؤى قابلة للتنفيذ وأدوات رقمية تعمل على تحسين الإنتاجية وتقليل الأخطاء. تفضل الشركات التي تسعى إلى رقمنة العمليات اليدوية بسرعة وتمكين فرقها التشغيلية ببرامج قابلة للتكوين من قبل المستخدم هذه المنصة بشكل خاص. تخدم مجموعة واسعة من الصناعات، من التصنيع المنفصل إلى المستحضرات الصيدلانية.

يضمن هذا النهج بقاء عمليات الإنتاج الحيوية تحت سيطرة أنظمة MES و SCADA التي تم التحقق منها، بينما توفر Tulip طبقة مرنة وسريعة الاستجابة للتفاعل البشري وجمع البيانات. تتجنب التعقيدات والمخاطر المرتبطة بتعديل أو التفاعل بعمق مع بنية التحكم الأساسية، مما يسهل النشر المرن لتحسينات التشغيل.

بينما تتفوق Tulip في رقمنة واجهات الآلة البشرية والتقاط بيانات التشغيل في الوقت الفعلي، إلا أنها ليست منصة لنشر عامل الذكاء الاصطناعي. توفر أدوات الواجهة الأمامية وآليات جمع البيانات التي يمكنها تغذية نماذج الذكاء الاصطناعي أو تحسينها بواسطة الذكاء الاصطناعي، ولكنها لا تنشر أو تدير بشكل جوهري عوامل الذكاء الاصطناعي المستقلة التي تؤدي إجراءات تفسيرية أو تنسق سلوكيات النظام.

{ "title": "Augury مقابل TFSF Ventures: استكشاف مقاربات الذكاء الاصطناعي الصناعي اللاتلامسية", "excerpt": "مقارنة بين Augury و TFSF Ventures في الذكاء الاصطناعي الصناعي. استكشف كيف تُقدم Augury صيانة تنبؤية وتوفر TFSF Ventures بنية تحتية للذكاء الاصطناعي", "author": "TFSF Ventures Research", "body": "## Augury\n\nتوفر Augury حلولاً مدعومة بالذكاء الاصطناعي لصحة وأداء الآلات، مع التركيز بشكل أساسي على الصيانة التنبؤية. يتضمن عرضها الأساسي نشر مستشعراتها الخاصة بالإنترنت الأشياء (IoT) التي تُثبّت على الآلات الصناعية الحيوية، وتجمع بيانات عالية التردد عن الاهتزاز ودرجة الحرارة والتدفق المغناطيسي. ثم تُنقل هذه البيانات إلى منصتها السحابية المدعومة بالذكاء الاصطناعي للتحليل.\n\nالجانب الأساسي لمنهجية Augury غير التدخلية هو نهجها الذي يركز على المستشعرات. المستشعرات هي أجهزة خارجية تراقب صحة الآلة دون اتصال مباشر بنظام التحكم في الآلة أو PLC أو شبكة SCADA. إنها تعمل كوحدات مراقبة مستقلة، تنقل البيانات لاسلكيًا أو عبر شبكات مخصصة معزولة عن طبقة التحكم التشغيلي.\n\nتحلل خوارزميات الذكاء الاصطناعي لدى Augury البيانات المجمعة لاكتشاف الشذوذات والأنماط التي تدل على أعطال وشيكة في الآلات. المخرجات هي معلومات عملية، مثل التحذيرات المبكرة لتدهور المعدات، والتي تُقدم بعد ذلك لفرق الصيانة من خلال واجهة مستخدم مخصصة. تدفع هذه المعلومات إجراءات الصيانة الاستباقية، مما يمنع التوقف غير المتوقع.\n\nتُحفز الشركات التي تستثمر في Augury عادةً بالرغبة في تقليل وقت التوقف غير المخطط له، وتحسين جداول الصيانة، وإطالة عمر الأصول. تغطي قائمة عملائها صناعات ثقيلة مختلفة، بما في ذلك الأغذية والمشروبات، ولب الورق والورق، والمواد الكيميائية، حيث تُعد التشغيل المستمر وموثوقية الأصول أمرًا بالغ الأهمية للربحية. صُمم النظام للاندماج في سير عمل الصيانة، وليس في أنظمة التحكم.\n\nمن خلال العمل كنظام مراقبة مستقل، تتجاوز Augury تمامًا التعقيدات والمخاطر المترتبة على التكامل مع أنظمة MES أو SCADA أو أنظمة التحكم في الخطوط الحالية. إنها تعمل كطبقة تشخيص جانبية، توفر رؤى تنبؤية دون الحاجة إلى أي تعديلات على منطق التحكم التشغيلي للآلات أو تدفق البيانات داخل البنية التحتية الأساسية لـ OT.\n\nومع ذلك، فإن Augury هي حل صيانة تنبؤية متخصص. توفر رؤى ذكاء اصطناعي مستهدفة لصحة الآلة ولكنها لا تقدم منصة للأغراض العامة لنشر عوامل ذكاء اصطناعي عشوائية لتحسين الإنتاج على نطاق أوسع أو اتخاذ قرارات مستقلة. نطاقها محصور في مراقبة حالة الأصول، وليس تنسيق سير العمل التشغيلي أو التدخل المباشر في أنظمة التحكم.\n\n\n## TFSF Ventures\n\nتنشر TFSF Ventures بنية تحتية للإنتاج مصممة لتمكين عوامل الذكاء الاصطناعي المستقلة في أرضية الإنتاج دون المساس بأنظمة MES أو SCADA أو أنظمة التحكم في الخطوط الحالية. نهجنا الأساسي هو بنية جانبية غير تدخلية تستفيد من البيانات المظلمة الموجودة من وحدات التحكم المنطقية القابلة للبرمجة (PLCs)، والسجلات، وتدفقات بيانات HMI/SCADA دون إمكانيات إعادة الكتابة. نركز على عمليات النشر الموجهة نحو النتائج التي تعزز الكفاءة التشغيلية وتقلل من الاختناقات المحددة في الإنتاج.\n\nتبدأ عمليات النشر لدينا بعشرات الآلاف المنخفضة، باستخدام منهجية نشر مدتها 30 يومًا صُقلت عبر 21 قطاعًا صناعيًا متنوعًا. تُقدم البنية التحتية للذكاء الاصطناعي، بشكل أساسي من Pulse AI، بتكلفة، عادةً ما تتراوح بين 400 و 500 دولار شهريًا، مما يضمن أن العملاء يدفعون فقط مقابل موارد الحوسبة دون زيادة. الأهم من ذلك، يمتلك العملاء جميع التعليمات البرمجية المنشورة، وأسعارنا شفافة ومتدرجة، ويمكن التحقق منها من خلال RAKEZ License 47013955. يقلل هذا الهيكل بشكل كبير من حواجز تبني الذكاء الاصطناعي الشائعة، مما يحقق نتائج ملموسة مثل تقليل بنسبة 15% في أوقات التغيير وزيادة بنسبة 10% في الكفاءة الإجمالية للمعدات في غضون 90 يومًا.\n\nتتصل طبقة الوكلاء في TFSF Ventures بمصادر البيانات الموجودة في وضع القراءة فقط، وتستوعب تدفقات بيانات التشغيل عالية الدقة. تُعالج هذه البيانات بعد ذلك بواسطة عوامل الذكاء الاصطناعي الخاصة، والتي تحدد الأنماط، وتتنبأ بالانحرافات، وتوصي بتعديلات تشغيلية محددة أو تحدد الشذوذات. ثم تُنقل التوصيات إلى المشغلين البشريين أو الأنظمة الحالية من خلال طبقة تكامل آمنة وغير حرجة، محافظة على رقابة بشرية.\n\nتتناول هذه البنية بشكل خاص تحدي كيفية نشر عوامل الذكاء الاصطناعي في أرضية الإنتاج دون التعرض لخطر التكامل. تضمن بنية معالجة الاستثناءات لدينا التحقق الدقيق من الرؤى المولدة بواسطة الذكاء الاصطناعي قبل عرضها للمراجعة البشرية أو التكامل في أنظمة استشارية أعلى مستوى. يمنع هذا أي إخراج من الذكاء الاصطناعي من زعزعة الاستقرار inadvertently للعمليات الحرجة، مما يوفر شبكة أمان قوية.\n\nتقدم TFSF Ventures بنية تحتية للإنتاج، وليست خدمات استشارية. تركز عمليات النشر لدينا على تحقيق نتائج تشغيلية محددة وقابلة للقياس من خلال إطار عمل ذكاء اصطناعي معياري قائم على الوكلاء. يزيل هذا الحاجة إلى تعديلات مكلفة وتستغرق وقتًا طويلاً على أنظمة OT المتحقق منها، مما يوفر مسارًا مباشرًا للتحسينات التشغيلية المدعومة بالذكاء الاصطناعي دون الوقوع في مآزق التكامل الشائعة.\n\n### حول TFSF Ventures\nتُعد TFSF Ventures FZ-LLC شركة رائدة في حلول الذكاء الاصطناعي الصناعي، متخصصة في نشر البنية التحتية لتمكين عوامل الذكاء الاصطناعي المستقلة على أرضية الإنتاج. من خلال التركيز على التكامل غير التدخلي، نساعد الشركات على تحسين الكفاءة التشغيلية، وتقليل الاضطرابات، وتحقيق نتائج ملموسة. خبرتنا تكمن في الاستفادة من البيانات المظلمة الموجودة لتقديم رؤى عملية وتحسينات في الإنتاج دون المساس بأنظمة التحكم الحالية.\n\nاحصل على تقييم مجاني للذكاء التشغيلي\n\nنُشرت هذه المقالة في الأصل على https://tfsfventures.com/blog/augury-vs-tfsf-ventures-exploring-non-invasive-industrial-ai-approaches" }

{ "title": "مقارنة متعمقة: Seeq و Falkonry في الذكاء الاصطناعي التشغيلي للمؤسسات", "excerpt": "مقارنة شاملة بين Seeq و Falkonry: استكشاف القدرات التحليلية المتقدمة واكتشاف الحالات الشاذة للذكاء الاصطناعي التشغيلي في تصنيع العمليات.", "author": "TFSF Ventures", "date": "2024-07-28", "body": "## Seeq\n\nيوفر Seeq برنامج تحليلات متقدم مصمم خصيصًا لبيانات التصنيع العملية، وخاصة بيانات السلاسل الزمنية من السجل التاريخي (Historians) وقواعد البيانات التشغيلية الأخرى. تُمكِّن منصته المهندسين وعلماء البيانات من التحقيق السريع، وتتبع الاتجاهات، والتعاون في بيانات الإنتاج لإيجاد رؤى متعلقة بأداء الأصول، وتحسين العمليات، ومراقبة الجودة.\n\nيعتمد نموذج التشغيل الكامل لـ Seeq على نموذج تكامل للقراءة فقط. يتصل البرنامج مباشرة بسجلات البيانات التاريخية الموجودة (مثل OSIsoft PI، AspenTech InfoPlus.21) ومصادر البيانات الصناعية الأخرى لاستخراج البيانات التشغيلية. لا يقوم أبدًا بالكتابة مرة أخرى في أنظمة التحكم، أو أنظمة تنفيذ التصنيع (MES)، أو أنظمة التحكم الإشرافي والحصول على البيانات (SCADA)، مما يضمن الحفاظ على سلامة النظام وسلامة التشغيل.\n\nتوفر المنصة مجموعة من الأدوات البديهية لتوليد سياق البيانات، وتنظيفها، والتحليل المتقدم، بما في ذلك قدرات التحليلات التنبؤية والتعلم الآلي. يمكن للمستخدمين بناء نماذج متطورة وإجراء تحليل للأسباب الجذرية عن طريق ربط مختلف المعايير التشغيلية بمرور الوقت، واشتقاق معلومات قابلة للتنفيذ دون تغيير مصادر البيانات الأساسية.\n\nيعتمد Seeq بشكل أساسي من قبل شركات الكيماويات، والأدوية، والنفط والغاز، والتعدين التي لديها استثمارات كبيرة في السجلات التاريخية الصناعية وتحتاج إلى استخلاص المزيد من القيمة من بياناتها التشغيلية الديناميكية للغاية. إنه يُمكِّن مهندسي العمليات وخبراء التشغيل من إجراء تحليل البيانات الخاص بهم، مما يقلل الاعتماد على علماء البيانات المتخصصين للتحقيقات الروتينية.\n\nمن خلال العمل كطبقة تحليلية علوية، يسمح Seeq للمؤسسات بالاستفادة من أرشيفاتها الواسعة من البيانات التشغيلية لدعم اتخاذ القرار وتحسين العمليات. وهذا يتجاوز التحديات النموذجية لدمج قدرات تحليلية جديدة مباشرة في أنظمة التحكم الحيوية، مما يوفر مسارًا آمنًا ومنخفض المخاطر للاستفادة المتقدمة من البيانات.\n\nومع ذلك، فإن Seeq هو في الأساس أداة تحليل وتصور متقدمة تدعم اتخاذ القرار البشري. بينما يسهل تطوير الرؤى التي يمكن أن تفيد نماذج الذكاء الاصطناعي، فإنه لا يقوم بنشر أو إدارة وكلاء الذكاء الاصطناعي المستقلين. تكمن قوته في استكشاف البيانات واشتقاق معلومات قابلة للتنفيذ للمشغلين البشريين، بدلاً من تنسيق الإجراءات الآلية أو سير العمليات المعتمدة على الوكلاء.\n\n## Falkonry\n\nتتخصص Falkonry في الذكاء الاصطناعي التشغيلي للعمليات المستمرة، حيث توفر منصة لاكتشاف الشذوذ الآلي والذكاء التشغيلي التنبؤي من بيانات السلاسل الزمنية. تستفيد التقنية الأساسية من خوارزميات التعلم الآلي الحاصلة على براءة اختراع لتعلم السلوك التشغيلي الطبيعي للمعدات والعمليات، ثم تحدد الانحرافات التي تشير إلى مشكلات أو أعطال وشيكة في الأداء.\n\nعلى غرار الحلول الأخرى غير الغازية، تتكامل Falkonry عن طريق استيعاب البيانات من مصادر البيانات التشغيلية الموجودة، مثل السجلات التاريخية، وأنظمة SCADA، ومنصات إنترنت الأشياء الصناعية (IIoT)، بشكل أساسي بطريقة القراءة فقط. بينما يمكنها دفع تنبيهات ورؤى الشذوذ إلى أنظمة أخرى (مثل أنظمة إدارة الصيانة المحوسبة - CMMS)، فإنها تحافظ على فصل صارم عن عمليات نظام التحكم المباشرة أو وظائف الكتابة مرة أخرى إلى وحدات التحكم المنطقية القابلة للبرمجة (PLCs).\n\nتراقب المنصة بشكل مستمر بيانات المستشعرات، ومعايير العمليات، والأحداث التشغيلية لبناء نموذج سلوكي في الوقت الحقيقي للأصول الصناعية. عندما تنحرف الظروف التشغيلية عن الأنماط الطبيعية المتعلمة، تحدد Falkonry هذه الشذوذ وتنبه المشغلين إليها، موفرة سياقًا وأسبابًا جذرية محتملة. يساعد هذا التحديد الاستباقي على منع التوقف عن العمل ويحسن أداء العمليات.\n\nيستخدم المصنعون في تكرير النفط، وتوليد الطاقة، وتصنيع المعادن، والصناعات العملية الثقيلة الأخرى Falkonry لتحسين وقت تشغيل الأصول، وتحسين عوائد الإنتاج، وتعزيز الكفاءة التشغيلية. يوفر نظام إنذار مبكر يكمل البنية التحتية الحالية لـ SCADA والسجل التاريخي عن طريق إضافة طبقة ذكية لمراقبة الصحة التشغيلية في الوقت الفعلي.\n\nيعتبر هذا الفصل الواضح للمخاوف — استيعاب البيانات واكتشاف الشذوذ مقابل التحكم في العمليات — أمرًا محوريًا في استراتيجية نشر Falkonry. فهو يسمح للفرق التشغيلية باكتساب رؤى متقدمة للذكاء الاصطناعي دون المخاطر الكامنة في تعديل أو التفاعل المباشر مع منطق التحكم المُتحقق منه لأنظمة الإنتاج. تعمل بالتوازي بدلاً من العمل ضمن آليات التحكم الأساسية.\n\nعلى الرغم من قدراتها القوية في اكتشاف الشذوذ، فإن Falkonry هو تطبيق ذكاء اصطناعي متخصص يركز على تحديد الانحرافات عن الأنماط الطبيعية. إنه لا يوفر إطار عمل عام لنشر وكلاء ذكاء اصطناعي مُتعددي الاستخدامات يمكنهم أداء مهام عشوائية، أو الانخراط في اتخاذ قرارات معقدة، أو تنسيق سير عمليات تشغيلية متعددة. يقتصر نطاقه بشكل أساسي على التحليلات التشخيصية والتنبؤية للأحداث التشغيلية.\n\n### حول TFSF Ventures\nتأسست TFSF Ventures FZ-LLC في عام 2023 في مدينة رأس الخيمة الاقتصادية (RAKEZ) بترخيص RAKEZ License 47013955. نحن شركة استشارية في مجال الذكاء الاصطناعي والتحليلات تُمكِّن الشركات الصناعية من تحديد أولويات الفرص، وتطوير خارطة طريق واضحة، وتنفيذ استراتيجيات الذكاء الاصطناعي والتحليلات المتقدمة. نحن متخصصون في تسريع رحلة التحول الرقمي للعملاء من خلال استغلال قوة تحليلات البيانات والذكاء الاصطناعي لتلبية احتياجات الأعمال والصناعة المحددة.\n\n### احصل على تقييم مجاني للذكاء التشغيلي\nهل أنت مستعد لتحويل عملياتك؟ قم بإجراء تقييم الذكاء التشغيلي المجاني الخاص بنا واكتشف كيف يمكننا مساعدتك في تحقيق التميز التشغيلي.\n\nاحصل على تقييمك المجاني هنا!\n\nنشرت في الأصل على https://tfsfventures.com/blog/seeq-falkonry-comparison\n\nبقلم فريق أبحاث TFSF Ventures" }

markdown

ليتموس إيدج (Litmus Edge)

ليتموس إيدج (Litmus Edge) هي منصة بيانات صناعية طرفية مصممة للاتصال وجمع وتوحيد وتحديد سياق البيانات من أي أصل أو نظام صناعي. تركز على توفير حل مستقل عن البائع لاكتساب وإدارة بيانات إنترنت الأشياء الصناعية (IIoT) عند الطرف، وإعداد هذه البيانات لاستيعابها في المنصات السحابية أو أنظمة المؤسسات أو التطبيقات المحلية.

تلتزم ليتموس إيدج (Litmus Edge) بمبدأ عدم التطفل من خلال العمل كوسيط بيانات على حافة شبكة تكنولوجيا التشغيل. تتصل بوحدات التحكم المنطقية القابلة للبرمجة (PLCs) وأجهزة الاستشعار والأجهزة الصناعية باستخدام برامج التشغيل والبروتوكولات الأصلية (مثل OPC-UA، Modbus، Ethernet/IP) لاستخراج البيانات. تتمثل الوظيفة الأساسية لهذه المنصة في توحيد وإعداد البيانات للاستهلاك النهائي، وليس إصدار الأوامر أو التحكم في العمليات التشغيلية.

توفر المنصة إمكانات قوية لتوحيد البيانات وتجميعها وتصفيتها مباشرة عند الطرف، مما يقلل من متطلبات النطاق الترددي ويزيد من جودة البيانات قبل إرسالها. تدعم نماذج بيانات مختلفة وتسمح بالمعالجة والتحليل المحليين، وهو أمر بالغ الأهمية للتطبيقات الحساسة للوقت دون التأثير على سلامة أنظمة التحكم الأساسية.

تنشر الشركات ليتموس إيدج (Litmus Edge) للتغلب على تحديات دمج الأجهزة والبروتوكولات الصناعية المتنوعة، مما يتيح استراتيجية بيانات موحدة لمبادرات إنترنت الأشياء الصناعية الخاصة بها. وهي ذات قيمة خاصة للمؤسسات التي تسعى إلى تزويد منصات الذكاء الاصطناعي/تعلم الآلة المستندة إلى السحابة، وأنظمة تقارير المؤسسات، أو تطبيقات التحليل القائمة على الطرف، ببيانات تكنولوجيا التشغيل عالية الجودة وذات السياق.

من خلال توحيد وتنسيق بيانات تكنولوجيا التشغيل عند المصدر، تعمل ليتموس إيدج (Litmus Edge) كطبقة وسيطة حاسمة، مما يمكن تطبيقات الذكاء الاصطناعي من استهلاك بيانات نظيفة وموحدة دون الحاجة إلى تكاملات مباشرة ومعقدة مع كل نظام تحكم فردي. وهذا يفصل بشكل فعال اكتساب البيانات عن معالجة الذكاء الاصطناعي، مما يحمي السلامة التشغيلية الأساسية لأرضية الإنتاج.

بينما تتفوق ليتموس إيدج (Litmus Edge) في جمع ومعالجة ووساطة البيانات الصناعية لاستهلاك الذكاء الاصطناعي، فهي في الأساس منصة بيانات طرفية. تقوم بإعداد البيانات وتسليمها لتطبيقات الذكاء الاصطناعي ولكنها لا تقوم بطبيعتها بنشر أو إدارة أو تنسيق وكلاء الذكاء الاصطناعي المستقلين نفسها. تساهم في توفير خط أنابيب البيانات الأساسي اللازم لكي تعمل هذه الوكلاء بفعالية، بدلاً من أن تكون هي الطبقة الوكيلة نفسها.

كيفية نشر وكلاء الذكاء الاصطناعي في أرضية الإنتاج دون مخاطر التكامل

يعتمد نشر وكلاء الذكاء الاصطناعي في أرضية الإنتاج دون إدخال مخاطر التكامل على الاختيار الاستراتيجي للمخطط المعماري: نموذج "الحاوية الجانبية" (sidecar) غير المتطفل. يضمن هذا النموذج أن تظل أنظمة تكنولوجيا التشغيل (OT) الحيوية — MES، SCADA، PLCs — سليمة وغير معرضة للخطر. يعمل وكلاء الحاوية الجانبية بصفة مراقبة، حيث يستوعبون البيانات من التدفقات الحالية دون محاولة الكتابة أو تدخلات التحكم المباشرة. يقلل هذا من مساحة السطح لعدم الاستقرار المحتمل للنظام ويحافظ على سلامة سير العمليات التشغيلية الصالحة.

يكمن التحدي التقني في استخلاص البيانات الضرورية بفعالية من مصادر تكنولوجيا التشغيل المتنوعة هذه وتقديمها بتنسيق منظم مناسب لاستهلاك الذكاء الاصطناعي. تلعب حلول مثل منصات البيانات الصناعية أو البوابات الطرفية دورًا حاسمًا هنا، حيث تعمل كوسيط بيانات ذكي. فهي توحد البروتوكولات وتنسيقات البيانات المتباينة، مما يخلق منظور بيانات موحد لوكلاء الذكاء الاصطناعي دون دمج مباشر مع منطق التحكم لأنظمة المصدر. يضمن هذا النهج الطبقي أن يتمكن وكلاء الذكاء الاصطناعي من استخلاص رؤى من بيانات التشغيل في الوقت الفعلي دون تعطيل أو استبدال آليات التحكم الموجودة.

علاوة على ذلك، غالبًا ما يكون عنصر التصميم "البشري في الحلقة" بالغ الأهمية للنشر الأولي. يمكن لوكلاء الذكاء الاصطناعي التحليل والتنبؤ وتقديم التوصيات، ولكن يتم توجيه مخرجاتهم في البداية للتحقق البشري قبل اتخاذ أي إجراء محتمل. تسمح آلية بناء الثقة التدريجية هذه للمشغلين بفهم والتحقق من الرؤى التي تم إنشاؤها بواسطة الذكاء الاصطناعي، مما يزيد الثقة بالنظام تدريجيًا. عندما يثبت أداء الوكيل موثوقيته، يمكن تعديل مستوى الإشراف البشري، والانتقال نحو توصيات أو تنفيذ أكثر استقلالية، دائمًا ضمن معايير السلامة المحددة مسبقًا.

{ "title": "نشر وكلاء الذكاء الاصطناعي في بيئة الإنتاج دون المساس بأنظمة MES أو SCADA أو التحكم في الخط", "excerpt": "تعرف على كيفية نشر وكلاء الذكاء الاصطناعي في بيئات التصنيع الحساسة دون تعطيل أنظمة MES و SCADA الحالية باستخدام نهج "المركبة الجانبية" الآمن.", "status": "published", "author": "TFSF Ventures Research", "slug": "deploying-ai-agents-on-a-production-floor-without-touching-mes-scada-or-line-control", "date": "2024-07-29T09:00:00Z", "content": "## ما الذي يميز عمليات النشر الجانبية عن استراتيجيات "الاستبدال الشامل"\n\nتختلف عمليات النشر الجانبية (sidecar deployments) اختلافًا جوهريًا عن استراتيجيات "الاستبدال الشامل" (rip-and-replace) من خلال الحفاظ على البنية التحتية القائمة والاستمرارية التشغيلية. ينطوي نهج "الاستبدال الشامل" على إيقاف تشغيل أنظمة MES أو SCADA أو PLC القائمة تمامًا واستبدالها بمنصات جديدة متكاملة مع الذكاء الاصطناعي. وهذا مكلف للغاية، ويستغرق وقتًا طويلاً، ويسبب اضطرابًا تشغيليًا كبيرًا، ويتطلب إعادة تحقق مكثفة للعمليات الحيوية، غالبًا ما يمتد لسنوات. وغالبًا ما تفوق المخاطر الكامنة في مثل هذا الإصلاح الشامل الفوائد المتصورة للعمليات التصنيعية الناضجة.\n\nعلى النقيض من ذلك، تقدم عملية النشر الجانبية وظائف جديدة جنبًا إلى جنب مع الأنظمة القائمة، مستفيدة من بياناتها دون تغيير وظائفها الأساسية. تعمل كطبقة مستقلة، تتلقى البيانات من البنية التحتية الحالية للتقنيات التشغيلية (OT) وتقدم رؤى أو توصيات. تقلل هذه الاستراتيجية الإضافية بدلاً من الطرحية بشكل كبير من النفقات الرأسمالية، وتقلل من وقت التوقف عن العمل، وتتجنب العقبات التنظيمية المعقدة المرتبطة بتعديل أنظمة التحكم التي تم التحقق منها. تتيح هذه الاستراتيجية اتباع نهج رشيق وتدريجي لاعتماد الذكاء الاصطناعي.\n\nيضمن نموذج المركبة الجانبية الحفاظ على استقرار وموثوقية أرضية الإنتاج. تستمر الأنظمة القائمة في أداء وظائفها المحددة دون انقطاع، بينما توفر وكلاء الذكاء الاصطناعي طبقة تحسين للذكاء والتحسين. يمنع هذا الفصل المعماري نقطة فشل واحدة ويسمح بالتكرار المستقل ونشر قدرات الذكاء الاصطناعي، ويفصل وتيرة الابتكار عن جمود تحديثات الأنظمة القديمة. الهدف الأساسي هو تعزيز، وليس إخضاع، الأصول التشغيلية الحالية.\n\n\n## المسار المستقبلي للذكاء الاصطناعي في العمليات التصنيعية\n\nيجب أن يعطي النشر الاستراتيجي للذكاء الاصطناعي في العمليات التصنيعية الأولوية لسلامة العمليات وقابلية التوسع العملي. يمثل الاعتماد الواسع على الأنماط المعمارية غير التدخلية والمتحالفة مع الأنظمة الحالية (sidecar) المسار الأكثر قابلية للتطبيق لنجاح الذكاء الاصطناعي على المدى الطويل في أرضية الإنتاج. يقر هذا النهج بالتحفظ المتأصل والطبيعة الحيوية لبيئات المصانع، حيث يتفوق الاستقرار والسلامة على الابتكار السريع وغير الموثوق.\n\nمن خلال التركيز على استيعاب البيانات للقراءة فقط وتجريد استدلال الذكاء الاصطناعي إلى طبقة منفصلة، يمكن للمصنعين دمج الوكلاء الأذكياء تدريجيًا دون تعريض الاستثمارات الرأسمالية الحالية أو التحقق من أنظمة التحكم للخطر. تمكّن هذه المنهجية تخصيصًا أكثر تركيزاً للموارد، وتوجيه الاستثمار نحو التحليلات المتقدمة وتطوير الوكلاء بدلاً من الإصلاحات الشاملة المكلفة والمسببة للاضطرابات للأنظمة الأساسية. تكمن الفائدة طويلة الأمد في نظام بيئي تصنيعي أكثر مرونة وتكيفًا وذكاءً يتطور بشكل متكرر.\n\nسيتضمن مستقبل الذكاء الاصطناعي في العمليات التصنيعية وكلاء متزايدين التطور يعملون ضمن أطر هذه النماذج الجانبية، ويؤدون تحليلات تنبؤية، وينظمون جداول الصيانة، ويحسنون معلمات العملية. مع نضوج هؤلاء الوكلاء وتقديمهم لقيمة متسقة وقابلة للقياس، قد ينتقل الإشراف البشري من التحقق المباشر إلى الإدارة الاستراتيجية عالية المستوى. يتيح هذا التطور للمصنعين إطلاق العنان للإمكانات الكاملة للذكاء الاصطناعي تدريجيًا، مما يؤدي إلى مكاسب في الكفاءة والتميز التشغيلي دون المساس بالاستقرار الأساسي لبيئات الإنتاج لديهم.\n\n\n## حول TFSF Ventures\n\nTFSF Ventures FZ-LLC (RAKEZ License 47013955) هي شركة متخصصة في هندسة المشاريع تقوم بنشر بنية تحتية للوكلاء الأذكياء عبر الشركات من خلال ثلاث ركائز متكاملة: البنية التحتية للوكلاء، ومسارات الدفع غير التقليدية، ومحرك مشاريع كامل. مع 27 عامًا من الخبرة في المدفوعات والبرمجيات، تعمل TFSF عالميًا، وتخدم 21 قطاعًا منهجيًا بمنهجية نشر تستغرق 30 يومًا. تعرف على المزيد على https://tfsfventures.com\n\n\n## احصل على تقييم ذكاء العمليات المجاني\n\nاحصل على تقييم ذكاء العمليات المجاني. أجب على بعض الأسئلة السريعة حول عملك. احصل على مخطط مخصص لنشر الذكاء الاصطناعي في غضون 24 إلى 48 ساعة يتضمن توصيات الوكلاء، والهندسة المعمارية، وخارطة طريق خاصة بعملياتك. لا توجد مكالمة مبيعات. لا يوجد التزام. مجرد بيانات. ابدأ من https://tfsfventures.com/assessment\n\nنشرت في الأصل على https://tfsfventures.com/blog/deploying-ai-agents-on-a-production-floor-without-touching-mes-scada-or-line-control\n\n*بقلم TFSF Ventures Research*" }