أندريه كوليك، الشريك المؤسس لـ XENOM – سلسلة مقابلات

Andrei Kulik هو الشريك المؤسس والرئيس التنفيذي لشركة XENOM، ويجلب إلى العمليات الصناعية خبرة في الذكاء الاصطناعي على الأجهزة والأنظمة الموزعة والتعلم الآلي. وسبق له أن شارك في تأسيس AIMatter، التي استحوذت عليها Google، كما عمل في Google على أنظمة ذكاء اصطناعي للأجهزة الاستهلاكية. وتركز مسيرته المهنية على جعل الذكاء الاصطناعي المتقدم يعمل بموثوقية في ظل القيود العملية للأجهزة والبيئات الواقعية.

تطوّر XENOM منصة ذكاء اصطناعي صناعية تجمع بين البرمجيات ومعدات الحماية الذكية، لتمنح المشغلين رؤية آنية لمواقع عملهم. ويجمع نظامها بين تحديد المواقع والاتصالات بين العاملين واستشعار البيئة وبيانات السلامة. وفي هذه المقابلة، يتحدث كوليك عن الذكاء الاصطناعي الطرفي والخوذ الذكية والإشراف البشري وخصوصية العاملين، وعن الانتقال من مراقبة العمليات الصناعية إلى دعم اتخاذ القرارات التنبؤية.

سبق أن شاركت في تأسيس AIMatter، التي استحوذت عليها Google، وقضيت سنوات في تطوير أنظمة ذكاء اصطناعي صُممت للعمل مباشرة على الأجهزة الاستهلاكية. ما الذي ألهمك للمشاركة في تأسيس XENOM، وكيف أسهمت تجربتك في Google في تشكيل رؤيتك لإدخال الذكاء الاصطناعي إلى البيئات الصناعية؟

بعد الاستحواذ، أمضيت سنوات أعمل على مشكلة محددة: كيف نجعل الذكاء الاصطناعي المتقدم يعمل بموثوقية على جهاز يتسع في جيبك، رغم محدودية البطارية والاتصال غير المستقر والظروف الواقعية التي لا يستطيع أي مختبر محاكاتها بالكامل؟ أطلقنا هذه التقنيات على الهواتف والنظارات وسماعات الأذن — أي على مليارات الأجهزة. وفي مرحلة ما، بدأت أتساءل عن المجالات الأخرى التي يمكن أن تكون فيها هذه البنية مفيدة. فالأجهزة الاستهلاكية مريحة، لكن المواقع الصناعية هي المكان الذي تُقاس فيه كلفة القرار الخاطئ — أو عدم اتخاذ أي قرار إطلاقاً — بالأرواح البشرية وبملايين من خسائر الإنتاجية. وما زالت معظم المواقع الصناعية تفتقر إلى صورة آنية لما يجري فيها. وشعرت بأن هذه الفجوة تمثل المشكلة المناسبة تماماً للتقنية التي أمضينا سنوات في تطويرها.

تجمع XENOM بين البرمجيات المدعومة بالذكاء الاصطناعي ومعدات الحماية الذكية لتوفير رؤية آنية للعمليات الصناعية. ما أبرز نقاط القصور في أنظمة السلامة الصناعية التقليدية، وكيف تعالج منصتكم التحديات التي تعجز تقنيات المراقبة المعتادة عن حلها؟

تكمن المشكلة الأساسية في أن معظم الأنظمة صُممت لتسجيل ما حدث، لا لمنع حدوثه. فتُحدَّث مواقع العاملين كل بضع دقائق، وتُملأ الجداول الزمنية في نهاية المناوبة، ولا تُسجَّل مخالفات السلامة إلا بعد تقديم تقرير عن الحادث. وبحلول الوقت الذي يطّلع فيه المدير على البيانات، تكون المناوبة قد انتهت أو يكون الحادث قد وقع بالفعل. أما نقطة القصور الثانية فهي التجزؤ: فقد تستخدم الشركة نظاماً لمراقبة الغاز، ونظاماً منفصلاً للتحكم في الدخول، وقائمة تحقق ورقية لمعدات الوقاية الشخصية، وإجراءً يدوياً لتسجيل ساعات العمل، من دون أن تتواصل هذه الأنظمة بعضها مع بعض. تستبدل XENOM كل ذلك بتدفق واحد مستمر من بيانات الموقع، تتم معالجته آنياً، ليحصل المدير على صورة متكاملة واحدة بدلاً من خمس صور منفصلة.

تركز جانب كبير من مسيرتك المهنية على تحسين التعلم الآلي والاستدلال باستخدام النماذج اللغوية الكبيرة على الأجهزة محدودة الموارد. كيف تطبق هذه المبادئ في البيئات الصناعية، وما المزايا التقنية لمعالجة أحمال الذكاء الاصطناعي على الجهاز الطرفي بدلاً من الاعتماد على البنية التحتية السحابية؟

يعلّم العمل على الأجهزة محدودة الموارد مبدأً واحداً: يجب تبرير كل جزء من الألف من الثانية، وكل ميلي واط، وكل بايت. وهذا بالضبط هو النهج الذي تحتاج إليه الخوذة الصناعية، لأنها تُرتدى طوال المناوبة ويجب أن تؤدي عملها بالاتساق نفسه في الساعة الحادية عشرة كما في الساعة الأولى. نقسم المهام عن قصد: فالمهام الحساسة للوقت وكثيفة البيانات، مثل معالجة تدفق الصوت وإشارات المستشعرات أو اكتشاف السقوط والارتطام، تُنفَّذ على وحدة المعالجة العصبية (NPU) في الخوذة باستخدام نماذج مضغوطة ومهيأة لتلك الأجهزة، بينما تُبنى الصورة الشاملة للموقع والتحليلات الأعمق على مستوى المنصة.

توفر المعالجة الطرفية أربع مزايا عملية. أولها السرعة: يستجيب الجهاز للحدث فوراً، من دون إرسال البيانات إلى خادم وانتظار عودتها. وثانيها الموثوقية: يعمل النموذج المصغّر على الجهاز بطريقة يمكن التنبؤ بها، في حين تمثل كل وصلة إضافية في سلسلة الاتصال نقطة فشل أخرى. وثالثها تخفيف الحمل على الشبكة: لا يمكن لمئات الخوذ أن تبث الصوت الخام وبيانات المستشعرات باستمرار، لذا ترسل كل خوذة نتيجة التحليل بدلاً من ذلك. ورابعها إطالة عمر البطارية: فنقل البيانات من أكثر المهام استهلاكاً للطاقة التي ينفذها الجهاز، ولذلك تؤدي المعالجة محلياً وإرسال قدر أقل من البيانات إلى إطالة مدة العمل.

طورت XENOM خوذاً ذكية تدمج تحديد المواقع والاتصالات والاستشعار البيئي وإمكانات الذكاء الاصطناعي. ما أصعب التحديات الهندسية التي واجهتكم عند جمع هذه التقنيات، ولا سيما في البيئات التي قد يكون فيها الاتصال وعمر البطارية والموثوقية غير مضمونة؟

لم تكن أصعب مشكلة مرتبطة بتقنية بعينها، بل بكيفية جعلها جميعًا تعمل معًا بموثوقية في جهاز واحد، ضمن ظروف من شأنها إتلاف معظم الأجهزة الإلكترونية الاستهلاكية. فالمواقع الصناعية متسخة، وتتطلب جهدًا بدنيًا كبيرًا، وتشهد درجات حرارة قاسية. وقد يسقط الخوذة، أو تتعرض للمطر، أو تُرتدى خلال مناوبات مدتها اثنتا عشرة ساعة. ويصبح عمر البطارية قيدًا حقيقيًا عند تشغيل أنظمة تحديد المواقع والمستشعرات والاتصالات والاستدلال بالذكاء الاصطناعي في الوقت نفسه. ثم هناك بنية الاتصال: فقد احتجنا إلى انتقال سلس بين تحديد المواقع عبر الأقمار الصناعية بتقنية RTK في الخارج وشبكة UWB شبكية خاصة بنا في الداخل، من دون أي تراجع في الدقة عند انتقال العامل بين النظامين. وكان جعل هذا الانتقال تلقائيًا وموثوقًا وآنيًا من أكثر الأمور التي طورناها تطلبًا من الناحية التقنية.

طور فريقكم نموذجًا للذكاء الاصطناعي الصوتي قادرًا على اكتشاف علامات التأثر بالكحول من خلال الكلام، وأفاد بأداء يتجاوز المعايير الأكاديمية السابقة. ما الإنجازات التقنية التي أتاحت ذلك، وكيف تتحققون من موثوقية النظام عبر لغات ولهجات ومستويات مختلفة من الضوضاء في الخلفية وظروف العمل الواقعية؟

تمثل الاكتشاف الأساسي في أن السكر يترك بصمة قابلة للرصد في الأنماط الدقيقة للكلام، لا في الكلمات نفسها، بل في الخصائص الصوتية: التوقيت، وتفاوت طبقة الصوت، ودقة النطق. طورنا نموذجًا يحلل هذه الأنماط في الخلفية أثناء الاتصالات الصوتية المعتادة، من دون الحاجة إلى اختبار مخصص أو اتخاذ العامل أي إجراء. وجاءت نسبة الدقة البالغة 86.7% من اختبارات معيارية صارمة أُجريت باستخدام مجموعات بيانات أكاديمية منشورة. وللتحقق من الأداء في الواقع، نختبر النظام عبر لغات ولهجات وظروف ضوضاء في الخلفية تمثل المواقع الصناعية الفعلية، بما فيها ضجيج الآلات الثقيلة والرياح وتحدث عدة أشخاص في الوقت نفسه. وكان لا بد أن يكون النموذج متينًا بما يكفي للعمل في ظروف تختلف تمامًا عن بيئة الدراسة المضبوطة. وقد تطلب ذلك تنوعًا كبيرًا في بيانات التدريب وتكرارًا لعملية التطوير.

تثير أنظمة الذكاء الاصطناعي المصممة للتعرف على تأثر العمال أو إرهاقهم تساؤلات مهمة بشأن النتائج الإيجابية الكاذبة والمساءلة. كيف توازن XENOM بين الاكتشاف المبكر للمخاطر والحاجة إلى التحقق البشري، وما الضمانات التي تحول دون أن يؤثر تقييم غير دقيق للذكاء الاصطناعي سلبًا في أحد العمال على نحو غير منصف؟

فكرنا في هذا الأمر بعناية كبيرة منذ البداية. صُمم النظام لتنبيه المشرف إلى وجود ما يدعو للقلق، لا لاتخاذ إجراء ذاتي. ويؤدي تقييم الذكاء الاصطناعي لاحتمال تأثر العامل إلى إجراء تحقق بشري؛ إذ يمكن للمشرف مراقبة العامل مباشرة، وطرح الأسئلة عليه، أو طلب إجراء اختبار بدني إذا استدعى الأمر. ولا يُخرج الذكاء الاصطناعي أحدًا من الموقع، بل يزوّد شخصًا بالمعلومات اللازمة لاتخاذ قرار تقديري بسرعة أكبر مما كان سيستغرقه الأمر لولا ذلك. كما نتابع معدلات النتائج الإيجابية الكاذبة أثناء تشغيل النظام، ونواصل تحسين النموذج. والهدف هو خفض عدد الحوادث التي تقع لأن أحدًا لم يلاحظ الخطر، لا إنشاء نظام يعاقب العمال استنادًا إلى خوارزمية وحدها.

قبل تأسيس XENOM، شغلت منصب المدير التقني في OneSoil، حيث وظفت الرؤية الحاسوبية والتعلم الآلي في مراقبة الزراعة وتحليل الإنتاجية. ما الدروس التي اكتسبتها من تطبيق الذكاء الاصطناعي في الزراعة، وثبت أنها الأهم عند بناء أنظمة ذكية لمواقع البناء والمناجم والموانئ ومنشآت الطاقة؟

يشكل تطبيق الذكاء الاصطناعي في العالم المادي تحديًا مختلفًا جذريًا عن تطبيقه في البرمجيات. فهناك تفاوت في الظروف، ومعدات لا تتصرف بالطريقة نفسها مرتين، ومشغلون يؤدون مهامهم منذ عقود ويشككون بشدة في أي شيء يطلب منهم تغيير أسلوب عملهم. وتسود المواقع الصناعية الديناميكية نفسها. ولا بد أن تكسب التقنية الثقة من خلال تقديم نتائج صحيحة بموثوقية أكثر مما يتوقع الناس، وأن تكون بسيطة بما يكفي ليتمكن شخص يدير فريقًا من خمسين عاملًا من استخدامها فعليًا من دون تدريب. والدرس الآخر هو أن جودة البيانات الميدانية تكون في الغالب أسوأ مما خططت له. لذا، عليك بناء أنظمة تتحمل الضوضاء والفجوات والحالات الاستثنائية التي لا تظهر أبدًا في مجموعة بيانات نظيفة.

يمكن لمنصات الذكاء الاصطناعي الصناعي توليد معلومات مفصلة عن مواقع العمال وأنشطتهم واتصالاتهم وإنتاجيتهم. كيف تتعاملون مع خصوصية البيانات وموافقة الموظفين واحتمال مراقبة العاملين في مكان العمل، مع ضمان أن تسهم هذه التقنيات فعلًا في تحسين السلامة والكفاءة التشغيلية؟

نتعامل مع هذا الأمر من منظور تحديد الغرض. فالبيانات التي تجمعها XENOM مخصصة للسلامة والإشراف على العمليات، وليست أداة لمراقبة الإنتاجية، ولا ينبغي استخدامها لهذا الغرض. ونعمل مع المشغلين لوضع سياسات واضحة لحوكمة البيانات قبل النشر، تحدد ما يُجمع، ومدة الاحتفاظ به، والجهات التي يمكنها الوصول إليه، والظروف التي يجوز فيها استخدامه لاتخاذ قرار متعلق بالموظفين. وتُجمع بيانات مواقع العمال وتُخفى هويات أصحابها عند تحليل الإنتاجية؛ أما تتبع الأفراد، فيتاح لمشرفي السلامة للاستجابة للطوارئ، لا للمديرين المباشرين لتقييم الأداء. ومع امتداد نطاق قانون الذكاء الاصطناعي للاتحاد الأوروبي ليشمل أنظمة الذكاء الاصطناعي الصناعية، نتوقع أن تضع الأطر التنظيمية صيغة رسمية لكثير من هذه الممارسات. ونفضل أن نسبق ذلك بدلًا من الاضطرار إلى الامتثال على عجل.

يمثل نقل الذكاء الاصطناعي من بيئات المختبرات الخاضعة للضبط إلى العمليات الصناعية الحرجة للسلامة تحديات نادرًا ما تواجهها شركات الذكاء الاصطناعي التي تقتصر على تطوير البرمجيات. ما أكبر المفاجآت التي واجهتموها خلال عمليات نشر XENOM في العالم الحقيقي؟ وكيف تقيسون ما إذا كانت التقنية تحقق تحسينات ملموسة في منع الحوادث، والكفاءة التشغيلية، وإنتاجية القوى العاملة؟

تكمن أكبر مفاجأة في القيمة الكبيرة التي يحققها مجرد الحصول على صورة دقيقة عن مواقع العاملين وكيفية استغلال الوقت. توقعنا أن تكون السلامة المحور الأساسي للنقاش مع المشغلين. لكننا وجدنا أن وضوح صورة الإنتاجية — أي فهم أين تهدر الورديات الوقت، ولماذا تتفوق بعض الفرق على غيرها، وأين تكمن الاختناقات — غالبًا ما يحقق عائدًا على الاستثمار بوتيرة أسرع، ويساعد على كسب مؤيدين داخليين للمنصة بسرعة أكبر بكثير. أما المفاجأة الثانية، فهي حجم الاختلاف بين القطاعات، بل وحتى بين المواقع ضمن القطاع نفسه. فأساليب العمل في قطاع الإنشاءات في ألمانيا تختلف كثيرًا عن نظيرتها في الإمارات العربية المتحدة. لا يمكن بناء منتج واحد وافتراض ملاءمته للجميع من دون تكرار كبير لعمليات التطوير والتحسين.

تتطلع XENOM إلى تطوير مساعد للذكاء الاصطناعي الصناعي قادر على تجاوز المراقبة إلى التنبؤ بالمخاطر والتوصية بالقرارات التشغيلية. كيف ترون تطور الذكاء الاصطناعي المادي خلال السنوات الخمس المقبلة؟ وما الاختراقات التقنية التي لا تزال مطلوبة قبل أن تتمكن أنظمة الذكاء الاصطناعي الصناعية من العمل باستقلالية أكبر مع الإبقاء على الإشراف البشري؟

تقتصر حالة الذكاء الاصطناعي الصناعي الراهنة في معظمها على إتاحة الرؤية — أي معرفة ما يحدث. والمرحلة التالية هي التنبؤ: تحديد الأنماط التي تسبق وقوع حادث أو تراجع الإنتاجية قبل حدوث أي منهما. ويتطلب ذلك جمع بيانات منظّمة ومصنّفة على نطاق واسع بمرور الوقت، وهذا بالضبط ما تفعله XENOM منذ اليوم الأول. أما المرحلة التي تليها فهي التوصية: إذ لا يكتفي النظام بإخبارك بما يُرجّح حدوثه، بل يقترح أيضًا ما ينبغي فعله — مثل كيفية إعادة توزيع العاملين، ومتى ينبغي إيقاف عملية مؤقتًا، وأي تشكيل للفرق يحقق أفضل النتائج في مهمة معينة. وهذا هو المستوى الثالث الذي نسعى إلى بلوغه من خلال المساعد الصناعي للذكاء الاصطناعي. ولا يتمثل الاختراق التقني المطلوب أساسًا في تطوير النماذج، بل في معالجة مشكلة البيانات. فلا بد من توافر قدر كافٍ من البيانات التشغيلية العالية الجودة، المستمدة من عدد كافٍ من المواقع المتنوعة، لتدريب نموذج يعمم نتائجه على نحو موثوق. وستتمتع الشركات التي تبدأ جمع هذه البيانات الآن بميزة يصعب جدًا تكرارها لاحقًا.

شكرًا على هذه المقابلة الرائعة. على القراء الراغبين في استكشاف الذكاء الاصطناعي الطرفي، ومعدات الحماية الذكية، ومراقبة السلامة الصناعية في الوقت الفعلي زيارة XENOM.