اختصاصی بسپار/ کارخانههای هوشمند، کارگران جداافتاده؛ حلقهی گمشدهی انقلاب دیجیتال در صنعت پلاستیک را اینجا باید جستجو کرد
گروه ترجمه و تولید محتوا در بسپار/ایران پلیمر سرمایهگذاری میلیاردی در کارخانههای هوشمند، هوش مصنوعی، ابزارهای پوشیدنی و داشبوردهای دیجیتال قرار بود محیط تولید را بیش از هر زمان دیگری پیوسته کند؛ اما در بسیاری از کارخانهها نتیجهای متناقض پدید آمده است: ماشینآلات به یکدیگر متصلتر شدهاند، ولی کارکنان احساس میکنند از اطلاعات، همکاران و فرایند تصمیمگیری فاصله گرفتهاند. کارشناسان معتقدند مشکل از خود فناوری نیست، بلکه از شیوهای ناشی میشود که فناوری بدون توجه کافی به نیازهای انسانی در محیط تولید پیادهسازی شده است.
صنعت پلاستیک از نظر خودکارسازی در سطح ماشینآلات، حتی از بسیاری از صنایع دیگر جلوتر است. پارامترهای تولید بهصورت بلادرنگ پایش میشوند، رباتها جابهجایی قطعات را انجام میدهند و بسیاری از کارخانهها در سامانههای اجرای تولید (Manufacturing Execution Systems – MES) و داشبوردهای ارزیابی کارکرد سرمایهگذاری کردهاند.
بااینحال مدیرعامل Canvas Envision، معتقد است این نوسازی یکطرفه بوده است. محصول و فرایند دیجیتالی شدهاند، اما شیوهی انتقال دانش به کارکنان تقریبا بدون تغییر مانده است. دستورالعملهای راهاندازی، مراحل تعویض تولید و دانش عیبیابی هنوز در فایلهای PDF، پوشههای کاغذی یا ذهن کارکنان باتجربه قرار دارند. این مسئله با بازنشستهشدن نیروهای باسابقه و افزایش جابهجایی کارکنان تازهوارد اهمیت بیشتری پیدا میکند.
یکی از نمونههای روشن این شکاف، داشبوردهایی هستند که انحراف یک پارامتر را فورا اعلام میکنند، اما به فنورز نمیگویند در برابر آن چه اقدامی انجام دهد. فراورش پلاستیک به متغیرهایی مانند رفتار ماده و شرایط محیطی حساس است و انحراف از شرایط مطلوب اتفاقی عادی محسوب میشود. سامانهی پایش میتواند مشکل را بلافاصله تشخیص دهد، اما واکنش مناسب همچنان به تجربهی فردی بستگی دارد. برای یک فنورز با ۲۰ سال سابقه، این مسئله شاید چندان دشوار نباشد؛ ولی برای فردی که تنها شش ماه تجربه دارد، هشدار دیجیتال لزوما راهحل ارائه نمیکند.
عینکهای واقعیت افزوده (AR) و ابزارهای پوشیدنی نیز با مشکل مشابهی مواجهاند. این تجهیزات در مرحلهی آزمایشی جذاب به نظر میرسند، اما تولید و بهروزرسانی محتوایی که باید در آنها نمایش داده شود، زمانبر و پرهزینه است. در نتیجه، یک پروژه ممکن است روی یک خط تولید موفق باشد، اما هرگز به مقیاس کارخانه نرسد و تجهیزات سرانجام بدون استفاده باقی بمانند.
نمونهی سادهتر، نصب تبلت کنار ایستگاه کاری برای نمایش همان PDF قدیمی است که پیشتر داخل یک پوشه قرار داشت. Coleman تاکید میکند چنین کاری تحول دیجیتال نیست؛ بلکه فقط روشی گرانتر برای خواندن همان سند قبلی است. مسئلهی اصلی، تبدیل اطلاعات به «دانش قابل اقدام» است؛ یعنی کارگر بداند چه کاری، چگونه و به چه دلیل باید انجام شود.
از «کارگر متصل» تا «دانش متصل»
یکی از اشتباهات رایج کارخانهها، آغاز پروژه از فناوری بهجای دانش است. شرکت ابتدا پلتفرم یا دستگاه را انتخاب میکند و بعد تصمیم میگیرد چه محتوایی در آن قرار دهد؛ درحالیکه نقطهی آغاز باید شناسایی دانشی باشد که کارکنان برای انجام وظایف خود واقعا به آن نیاز دارند.
مشکل دوم، دستکمگرفتن دشواری تولید و نگهداری محتوای فنی است. میان اطلاعات موجود در سامانههای مهندسی و آنچه فنورز کنار ماشین نیاز دارد، فاصلهای جدی وجود دارد. اگر دستورالعملها از تصاویر و اطلاعات پراکنده ساخته شوند و به سامانههای مهندسی متصل نباشند، با نخستین تغییر در محصول یا فرایند ممکن است منسوخ شوند.
این وضعیت مستقیما بر بازگشت سرمایه (ROI) اثر میگذارد. وقتی اطلاعات ناقص یا قدیمی باشند، کارکنان اعتماد خود را به سامانه از دست میدهند و دوباره سراغ باتجربهترین فرد شیفت میروند. در نتیجه، میزان پذیرش فناوری کاهش مییابد و پروژهای که قرار بود در سراسر کارخانه توسعه پیدا کند، در مرحلهی آزمایشی متوقف میشود.
مفهوم «کارگر متصل» (Connected Worker) باید جای خود را به «دانش متصل» (Connected Knowledge) بدهد. در این رویکرد، هدف صرفا رساندن داده به افراد نیست؛ بلکه دانش تخصصی باید ثبت، ساختاربندی و در زمان مناسب در اختیار نیروی کار قرار گیرد. همچنین ارتباط باید دوطرفه باشد: کارکنان بتوانند مشکلات و پیشنهادهای خود را در جریان کار ثبت کنند و نتیجهی مشارکتشان را در نسخههای بعدی دستورالعملها ببینند.
هوش مصنوعی؛ برای حفظ تجربه، نه حذف متخصص
هوش مصنوعی میتواند یکی از مهمترین موانع این مسیر، یعنی دشواری تهیهی دستورالعملهای کاری مناسب، را برطرف کند. این فناوری قادر است دفترچههای قدیمی، اسناد مهندسی و حتی ویدئوی انجام یک فرایند توسط فنورز را دریافت و در مدت کوتاهی به مراحل ساختاریافتهی آموزشی تبدیل کند.
اما یک چتبات عمومی برای چنین کاری کافی نیست. هوش مصنوعی مورد استفاده در کارخانه باید تخصصی و متصل به دادههای مهندسی، کنترل نسخهها و ساختار واقعی دستورالعملهای تولید باشد. در غیر این صورت، ممکن است متنی ظاهرا معتبر تولید کند که با منبع اصلی اطلاعات ارتباطی ندارد؛ خطری که در محیط کارخانه میتواند از نبود دستورالعمل نیز بدتر باشد.
در این الگو، متخصص همچنان نقش اصلی را دارد. هوش مصنوعی فرایند ثبت و تدوین دانش را سریعتر میکند، اما فنورز یا مهندس باتجربه مسئول قضاوت، زمینهی فنی و تایید نهایی باقی میماند؛ بهویژه در فعالیتهای مرتبط با ایمنی که نظارت انسانی قابل حذف نیست.
با گسترش خودکارسازی نیز انسان از صنعت پلاستیک حذف نمیشود؛ بلکه نقش او بر لحظات پیچیدهتر مانند تغییر خط، راهاندازی، مشکلات کیفیت و عیبیابی متمرکز میشود. بنابراین، هرچه تعداد کارکنان موردنیاز برای عملیات معمول کمتر شود، سطح مهارت موردنیاز از افراد باقیمانده بالاتر خواهد رفت.
پیام اصلی برای کارخانههای هوشمند روشن است: اتصال ماشینها کافی نیست. تولیدکنندگانی که دانش کارکنان باتجربه را مانند دادههای محصول و فرایند، یک دارایی سازمانی بدانند و آن را بهصورت نظاممند ثبت، ساختاربندی، بهروزرسانی و منتقل کنند، احتمالا بیشترین بهره را از موج بعدی هوشمندسازی خواهند برد. در کارخانههای آینده، مزیت رقابتی تنها از ماشین هوشمند نمیآید؛ از توانایی تبدیل تجربهی انسانی به دانش قابل انتقال نیز حاصل میشود.
