عضو هیات علمی دانشگاه تربیت مدرس گفت: تا سال ۲۰۲۵، پیش‌بینی می‌شود که حدود ۴۰۰ میلیارد دلار دیجیتالیزاسیون در معدن به بهره‌وری و تولید کمک کرده و می‌تواند تا ۳۰ درصد کاهش گازهای گلخانه‌ای را به همراه داشته باشد.

به گزارش ستاد خبری اینوتکس ۲۰۲۵، در روز دوم چهاردهمین نمایشگاه اینوتکس ۲۰۲۵، دکتر محمدرضا خالصی، عضو هیات علمی دانشگاه تربیت مدرس، در کنفرانس ملی هوش مصنوعی و اینترنت اشیا، به بررسی موضوع شکست پروژه‌های هوش مصنوعی در صنعت معدن پرداخت و گفت: بازار قابل توجهی برای هوش مصنوعی در حوزه معدن فراهم است، به ویژه با توجه به اینکه در ایران برخی از شرکت‌های دولتی مانند سازمان توسعه و نوسازی مواد، شرکت ملی نفت و پتروشیمی به دنبال دیجیتالیزاسیون هستند.

فرصت‌های دیجیتالیزاسیون در صنعت معدن

وی افزود: تا سال ۲۰۲۵، پیش‌بینی می‌شود که حدود ۴۰۰ میلیارد دلار دیجیتالیزاسیون در معدن به بهره‌وری و تولید کمک کرده و می‌تواند تا ۳۰ درصد کاهش گازهای گلخانه‌ای را به همراه داشته باشد. این مسئله مخصوصاً برای کشوری مانند ایران که ششمین آلوده‌کننده گازهای گلخانه‌ای در جهان است، بسیار حیاتی است.

چالش‌های پیاده‌سازی هوش مصنوعی در صنایع فرایندی 

خالصی همچنین به چالش‌های موجود در پیاده‌سازی هوش مصنوعی در صنایع فرایندی اشاره کرد و گفت: با اینکه انتظار می‌رفت پروژه‌ها به نتایج مثبتی دست یابند، اما بسیاری از آنها به دلیل داده‌های نامناسب و عدم ترکیب صحیح با واقعیت، شکست خوردند. شرکت‌های بزرگ مانند زیمنس نیز با همین چالش‌ها روبه‌رو بوده و متحمل خسارات زیاد چند صد میلیون دلاری شدند و‌مشخص شد که از داده‌های اشتباه استفاده کرده‌اند.

نیاز به بهبود فرآیندها و تحلیل داده‌ها

این استاد دانشگاه تأکید کرد: هنوز فاصله زیادی در اجرای کاربردی هوش مصنوعی در صنعت معدن وجود دارد و ما می‌توانیم با تحلیل دقیق‌تر داده‌ها و بهبود فرآیندها، به نتایج مطلوب‌تری دست یابیم.

آمار شکست پروژه ها در صنایع معدنی 

عضو هیات علمی دانشگاه تربیت مدرس با اشاره به اینکه براساس داده‌ها فقط ۲۰ تا ۳۰ درصد از پروژه‌ها در صنایع معدنی و فرایندی به مرحله «فول اسکیل» رسیده‌اند، بیان کرد: این آمار به معنای ۷۰ درصد احتمال شکست است که در واقع نشانه‌ای از وجود مشکلات جدی است.

عوامل موفقیت و شکست پروژه‌ها در صنایع فرایندی و معدنی 

وی در این راستا عوامل موفقیت و شکست پروژه‌ها را به سه بخش اصلی تقسیم کرد و گفت: 1. عوامل فنی: فهم صحیح مسائل و اجرای مناسب تکنیک‌های هوش مصنوعی اهمیت بالایی دارد.2. عوامل استراتژیک: توقعات غیرواقعی و عدم وجود اهداف قابل اندازه‌گیری می‌تواند منجر به ناکامی در پروژه‌ها شود.3. نقشه راه: برنامه‌ریزی واضح برای رسیدن به اهداف ذکر شده، جزء جدایی‌ناپذیر هر پروژه موفق در این حوزه است.

چالش‌های داده‌ها و پردازش آن‌ها

خالصی به چالش‌های مربوط به داده‌ها اشاره کرد و گفت: افسانه اول این است که داده‌ها همیشه ارزشمند و قابل استفاده هستند. واقعیت این است که داده‌ها معمولاً بی‌ارزشند مگر آنکه به درستی پردازش شوند. این پردازش نیازمند زمان و تخصص است و عدم توجه به مراحل دقیق «داده‌پریپشن» می‌تواند نتیجه‌گیری‌های نادرستی به همراه داشته باشد.

اهمیت مشارکت متخصصین فرآیندی

وی همچنین بیان کرد: یکی از چالش‌های بزرگ در پروژه‌های هوش مصنوعی عدم مشارکت متخصصین فرآیندی است. به جای اتکا صرف به داده‌ها، باید به ترکیب آنها با دانش و مدل‌های علمی پرداخته شود.

مدل‌های هیبریدی بهبوددهنده نتایج پروژه های هوش مصنوعی در صنعت 

این عضو هیات علمی دانشگاه در ادامه تأکید کرد: استفاده از مدل‌های هیبریدی که از داده‌ها و دانش تخصصی یک حوزه بهره می‌برند، می‌تواند به بهبود نتایج پروژه‌های هوش مصنوعی در صنعت کمک کند.

وی به تجربه‌های خود در پروژه‌های مختلف اشاره کرد و گفت: برای استفاده مؤثر از هوش مصنوعی در صنعت، باید نه تنها ویژن و برنامه‌ریزی داشته باشیم، بلکه باید اقداماتی مؤثر نیز انجام دهیم. اگر فقط به عملگرایی بسنده کنیم و به جنبه‌های استراتژیک و برنامه‌ریزی توجه نکنیم، با چالش‌های بزرگی روبرو خواهیم شد و احتمال شکست پروژه‌ها افزایش می‌یابد.

چالش‌های عملگرایی 

وی به افسانه دوم در حوزه داده‌ها اشاره کرد و گفت: عملگرایی به تنهایی نمی‌تواند پاسخگو باشد. بسیاری از مدیران فقط بر روی انجام کارها تمرکز دارند بدون اینکه به استراتژی و برنامه‌ریزی توجه کنند. این نوع عملکرد می‌تواند منجر به ناکامی در پروژه‌ها شود.

تنگناهای دیجیتالیزیشن در شرکت‌ها

عضو هیات علمی دانشگاه تربیت مدرس همچنین به چالش‌های دیجیتالیزیشن در شرکت‌ها اشاره کرد و گفت: بسیاری از شرکت‌ها برای ایجاد تحولات دیجیتال مشکلاتی دارند، زیرا افراد کافی و با تجارب لازم در این زمینه وجود ندارند. این موضوع به ویژه در شرکت‌های بزرگ‌تر مشهود است.

طراحی نقشه راه: فرآیندی تکنیکال

وی ادامه داد: افسانه سومی که وجود دارد این است که تصور می‌کنیم دانش کافی برای طراحی نقشه راه وجود دارد. در حالی که طراحی نقشه راه یک فرآیند کاملاً تکنیکال است که نیاز به تیم و تخصص‌های مختلف دارد.