المهندسة آية رفعت تكتب: كيف يغيّر الذكاء الاصطناعي والبرمجة مستقبل أنظمة الجودة؟

لم تعد الجودة في الصناعات الغذائية تقتصر على فحص المنتج النهائي والتأكد من مطابقته للمواصفات، بل أصبحت عملية متكاملة تبدأ من استلام المواد الخام، وتمتد خلال مراحل التصنيع والتعبئة والتخزين، حتى وصول المنتج الآمن والمطابق إلى المستهلك.

 ومع التحول نحو الصناعة، بدأت أنظمة الجودة نفسها في التحول من الاعتماد الكامل على الفحص اليدوي والبيانات الورقية إلى أنظمة أكثر اعتمادًا على البرمجة، وتحليل البيانات، وإنترنت الأشياء (IoT)، والتعلم الآلي (Machine Learning)، والذكاء الاصطناعي (AI).

 وتشير مراجعة حديثة لدراسات تطبيق التعلم الآلي في ضمان الجودة الصناعي إلى استخدام هذه التقنيات في اكتشاف العيوب، والصيانة التنبؤية، وتحسين متغيرات العمليات، وتحليل بيانات المستشعرات.  

من الجودة التقليدية إلى الجودة الذكية

 في النظام التقليدي، يقوم مسؤول الجودة بجمع البيانات المتعلقة بدرجات الحرارة، والـpH، واللزوجة، والوزن، ونسب المكونات، ونتائج التحاليل الميكروبيولوجية والكيميائية، ثم يقوم بتحليلها واتخاذ القرار بناءً على خبرته والمواصفات المعتمدة.

 هذه الطريقة تظل أساسية، ولكن المشكلة تظهر عندما يصبح حجم البيانات كبيرًا جدًا أو عندما تكون هناك تغيرات تحدث بسرعة داخل خط الإنتاج.

 هنا تأتي البرمجة.

 فيمكن برمجة نظام يقوم تلقائيًا بجمع البيانات من أجهزة القياس والمستشعرات، وتخزينها، وتحليلها، ثم إصدار تنبيه عند وجود قيمة غير طبيعية.

 وبذلك ينتقل دور الجودة تدريجيًا من:

 اكتشاف المشكلة بعد حدوثها

 إلى:

 التنبؤ باحتمالية حدوث المشكلة قبل وقوعها.

 وهذا هو أحد أهم التحولات التي يمكن أن يقدمها الذكاء الاصطناعي للصناعة الغذائية.

كيف تدخل البرمجة في عمل مسؤول الجودة؟

 قد تبدو البرمجة بعيدة عن مجال الجودة الغذائية، لكنها في الحقيقة يمكن أن تصبح أداة مساعدة قوية لمسؤول الجودة.

 فعلى سبيل المثال، يمكن استخدام لغة مثل Python في:

 - تحليل نتائج الاختبارات المعملية.

- تحليل بيانات الإنتاج اليومية.

- إنشاء رسوم بيانية لمؤشرات الجودة.

- اكتشاف القيم غير الطبيعية (Outliers).

- تحليل أسباب تكرار العيوب.

- التنبؤ بالاتجاهات المستقبلية للعمليات.

- بناء نماذج أولية للتنبؤ بالجودة.

- تحليل بيانات درجات الحرارة والرطوبة والـpH.

- ربط نتائج التحاليل ببيانات الإنتاج.

- إعداد تقارير جودة بصورة أكثر سرعة وتنظيمًا.

 وهنا لا يصبح مهندس الجودة مبرمجًا بالمعنى التقليدي، وإنما يصبح قادرًا على استخدام البرمجة كأداة لتحليل بيانات الجودة واتخاذ القرار.

  الذكاء الاصطناعي وفحص المنتجات الغذائية

 من أهم التطبيقات العملية للذكاء الاصطناعي في مصانع الأغذية استخدام Computer Vision، أي أنظمة الرؤية الحاسوبية.

 فبدلًا من الاعتماد على العامل أو المفتش لفحص كل عبوة بصورة منفردة، يمكن استخدام كاميرات متصلة بنظام ذكي لفحص المنتجات على خط الإنتاج.

 ويمكن للنظام، حسب التطبيق، اكتشاف اختلافات في:

 - الشكل والحجم.

- اللون.

- وجود عيوب ظاهرية.

- سلامة العبوة.

- موضع أو شكل الملصق.

- بعض عيوب التعبئة والتغليف.

وتوضح الدراسات الحديثة أن الذكاء الاصطناعي والرؤية الحاسوبية، يمكن استخدامهما في نقاط مختلفة من سلسلة إنتاج الغذاء، بداية من تقييم المواد الخام وحتى فحص المنتج النهائي والتعبئة.  

 هل يستطيع الذكاء الاصطناعي اكتشاف مشكلة في المنتج قبل ظهورها؟

 الإجابة في بعض التطبيقات: نعم، إذا توفرت بيانات مناسبة ونموذج تم تدريبه والتحقق منه بصورة صحيحة.

 فمثلًا، إذا كان مصنع ينتج منتجًا غذائيًا وتتوافر لديه سنوات من البيانات المتعلقة بدرجة الحرارة، والـpH، واللزوجة، والوقت، وسرعة الخلط، ونسب المكونات، ونتائج الاختبارات النهائية، فمن الممكن تدريب نموذج Machine Learning على هذه البيانات للبحث عن العلاقات بين متغيرات العملية ونتيجة الجودة.

 وبمرور الوقت، يمكن للنظام إعطاء مؤشر بأن مجموعة معينة من ظروف التشغيل ترتبط باحتمال ظهور مشكلة في المنتج.

 وهنا تظهر فكرة:

 Predictive Quality — الجودة التنبؤية.

 بدلًا من انتظار ظهور المنتج غير المطابق ثم البحث عن السبب، يصبح الهدف هو اكتشاف مؤشرات الخطر مبكرًا.

 وقد أشارت أبحاث حديثة في مجال سلامة الغذاء إلى إمكانات الذكاء الاصطناعي في الانتقال من أنظمة تفاعلية إلى أنظمة أكثر اعتمادًا على المراقبة اللحظية والتحليل التنبؤي.  

 الذكاء الاصطناعي وHACCP

 ومن التطبيقات المهمة أيضًا إمكانية دمج الذكاء الاصطناعي مع مفهوم HACCP

 فـHACCP يعتمد على تحديد المخاطر ونقاط التحكم الحرجة ووضع حدود حرجة ومراقبة مستمرة.

 أما الأنظمة الرقمية الحديثة فيمكنها المساعدة في:

 جمع البيانات → مراقبة الحدود → اكتشاف الانحراف → إصدار تنبيه → تحليل الاتجاه → دعم الإجراء التصحيحي.

 وقد تناولت دراسة تطبيق نظام يعتمد على المستشعرات والتعلم الآلي للمراقبة وتتبع مؤشرات مرتبطة بالجودة والسلامة ضمن سلسلة إنتاج الألبان، وهو مثال على الاتجاه نحو أنظمة أكثر اعتمادًا على البيانات.  

 لكن من المهم التأكيد أن الذكاء الاصطناعي لا يلغي نظام HACCP ولا يحل محل مسؤول الجودة؛ بل يمكن أن يكون أداة لدعم المراقبة والتحليل واتخاذ القرار.

  رغم الإمكانات الكبيرة، فإن تطبيق AI في الصناعة الغذائية يواجه مجموعة من التحديات.

  1. جودة البيانات: لأن البيانات الضعيفة تؤدي إلى نتائج غير موثوقة.

2. تكلفة الأجهزة والبنية التحتية: خصوصًا عند استخدام المستشعرات والكاميرات وأنظمة المراقبة اللحظية.

3. الحاجة إلى بيانات تدريب كافية:بعض النماذج تحتاج إلى كميات كبيرة من البيانات.

4. تفسير نتائج النموذج: بعض النماذج قد تعطي نتيجة دون تفسير واضح، وهو أمر حساس في الجودة.

5. الأمن السيبراني: زيادة الاعتماد على الأنظمة المتصلة تعني ضرورة حماية البيانات والأنظمة.