چکیده
در عصر صنعت 4.0، هوش مصنوعی بهعنوان یکی از فناوریهای تحولآفرین، نقش فزایندهای در ارتقای رقابتپذیری بنگاههای تولیدی ایفا میکند. این فناوری با تکیه بر تحلیل داده، شبیهسازی و پشتیبانی از تصمیمگیری، ظرفیت آن را دارد که فرآیندهای سنتی تحقیق و توسعه را متحول ساخته و کارایی، سرعت و کیفیت نوآوری را بهطور همزمان ارتقا دهد. هدف این مقاله تبیین ظرفیتها و کاربردهای هوش مصنوعی در واحد تحقیق و توسعه است. بدین منظور، ابتدا ادبیات پژوهشی مرتبط با نقش هوش مصنوعی در توسعه پایدار، محدودیتهای تحقیق و توسعه کلاسیک و مبانی تحقیق و توسعه مبتنی بر هوش مصنوعی مرور میشود. سپس بر اساس این مبانی، یک مدل مرحلهای برای استقرار تحقیق و توسعه تقویتشده با هوش مصنوعی ارائه میگردد که استقرار هوشمصنوعی را نه صرفاً یک پروژه فناوری اطلاعات، بلکه یک فرآیند تحول سازمانی تدریجی و دادهمحور تلقی میکند. برای ارزیابی عملی بودن این مدل و سنجش میزان آمادگی سازمانهای صنعتی در ایران، یک مطالعه میدانی از طریق برگزاری جلسات و گفتوگوهای کارشناسی با مدیران یک شرکت تولیدی سیم و کابل ایرانی انجام شد. در این مطالعه، گامهای ۱ تا ۶ مدل پیشنهادی از منظر پذیرش سازمانی مورد بررسی قرار گرفت؛ به این معنا که امکانپذیری اجرای هر گام، پیشنیازهای دادهای و زیرساختی، ملاحظات مالی، سطح آمادگی سرمایه انسانی و میزان تمایل مدیریتی برای ورود به این مسیر ارزیابی شد. نتایج نشان داد که مدیران شرکت، هوش مصنوعی را ابزاری راهبردی برای ایجاد مزیت رقابتی میدانند، بهویژه از منظر کاهش هزینههای تحقیق و توسعه، کوتاه شدن چرخه توسعه محصول و افزایش یکنواختی کیفیت. با این حال، چالشهایی همچون پراکندگی دادهها، نبود استانداردهای دادهای، محدودیت منابع انسانی متخصص و ضرورت اجرای پایلوتهای کمریسک بهعنوان الزامات عملیاتی شدن این رویکرد شناسایی شد. در مجموع، یافتهها نشان میدهد که موفقیت استقرار تحقیق و توسعه مبتنی بر هوش مصنوعی در صنایع ایران بیش از آنکه به پیچیدگی فناوری وابسته باشد، به بلوغ دادهای، طراحی مرحلهای و توان مدیریت تغییر در سطح سازمان وابسته است.
1- مقدمه
در عصر صنعت 4.0، بهرهگیری از فناوریهای هوش مصنوعی بهمنظور ارتقای رقابتپذیری کسبوکارها به یکی از اهداف کلیدی شرکتهای مدرن تبدیل شده است. هوش مصنوعی فناوریای است که با استفاده از ماشینها بهعنوان جایگزین انسان، وظایفی نظیر شناخت، تشخیص، تحلیل و تصمیمگیری را انجام میدهد. ماهیت اصلی فناوری هوش مصنوعی، شبیهسازی آگاهی و فرآیندهای تفکر انسان است، بهگونهای که ماشین بتواند برخی از فعالیتهای پیچیدهای را که معمولاً به هوش انسانی نیاز دارند، انجام دهد [1.2]. شرکتهای تولیدی از ارکان اساسی توسعه اجتماعی و اقتصادی به شمار میروند. کاربرد فناوری هوش مصنوعی در مدیریت بنگاههای تولیدی به یکی از روندهای اصلی تولید هوشمند تبدیل خواهد شد و حوزههایی نظیر تحقیق و توسعه، تولید، بازاریابی، مالی و مدیریت منابع انسانی را در بر خواهد گرفت .[3] امروزه، توسعه اقتصادی یک کشور یا منطقه تا حد زیادی به نوآوری فناورانه پایدار وابسته است؛ به بیان دیگر، نوآوری فناورانه یکی از منابع اصلی رشد اقتصادی محسوب میشود. در این چارچوب، واحد تحقیق و توسعه ستون فقرات هر بنگاه تولیدی برای بقا و رشد به شمار میآید و نقشی کلیدی در حفظ مزیت رقابتی ایفا میکند [4].
با توجه به تشدید رقابت در صنایع تولیدی ایران و فشار همزمان برای کاهش قیمت تمامشده، افزایش کیفیت و سرعت توسعه محصول، ارائه یک مدل عملی و مرحلهای برای استقرار تحقیق و توسعه مبتنی بر هوش مصنوعی ضروری است؛ بهویژه از آن جهت که بسیاری از سازمانها نسبت به امکانپذیری اجرایی این تحول، میزان آمادگی دادهای و هزینههای پیادهسازی ابهام دارند. این پژوهش تلاش میکند با اتکا به یک مطالعه میدانی در بستر یک بنگاه صنعتی واقعی، امکانپذیری اجرایی استقرار هوشمصنوعی در واحد تحقیق و توسعه را از منظر سازمانی، دادهای و مدیریتی مورد سنجش قرار دهد و نشان دهد این رویکرد تا چه حد در شرایط واقعی صنایع ایران قابلیت پیادهسازی دارد.
2- مرور ادبیات
2-1- هوش مصنوعی بهمثابه پیشران توسعه پایدار در عصر صنعت 4.0
هوش مصنوعی بهعنوان یک فناوری نوظهور، موجب تحولات بنیادین در شیوههای تولید شده است .[5] با پیشرفت مستمر فناوریهای هوش مصنوعی، این فناوری نقشی محوری در اقدامات جهانی مرتبط با توسعه پایدار ایفا میکند .[6]یک مدل تحلیل دینامیک سیستمها، تأثیر هوش مصنوعی بر اهداف توسعه پایدار را در بازه زمانی ۲۰۲۲ تا ۲۰۳۰ بررسی کرده که نشان میدهد هوش مصنوعی تأثیر مثبتی بر اهداف ۱، ۳ و ۵ توسعه پایدار دارد، در حالی که اثرگذاری آن بر اهداف ۱۰، ۱۲، ۱۴ و ۱۵ محدودتر است .[7] از منظر چندبعدی توسعه پایدار، فناوریهای هوش مصنوعی در بُعد اقتصادی با ارتقای یکپارچگی فرآیندهای زیستمحیطی و تقویت همکاریهای زنجیره تأمین سبز، موجب بهبود همافزایی زنجیره تأمین و رشد سبز میشوند .[8] دادههای مربوط به بازه ۱۹۹۳ تا ۲۰۱۹ نشان میدهد که ابتکارات صنعت 4.0، بهویژه با بهکارگیری رباتهای صنعتی، موجب تقویت نوآوریهای فناورانه سبز در بخش تولید در ۳۴ کشور شده است [9]. مجمع جهانی اقتصاد پیشبینی میکند که تا سال ۲۰۳۰، هوش مصنوعی موجب افزایش ۱۴ درصدی تولید ناخالص داخلی جهانی خواهد شد که ارزشی معادل ۱۵٫۷ تریلیون دلار ایجاد میکند؛ رقمی که از مجموع اقتصادهای چین و هند فراتر میرود .[10] همچنین، ظرفیت هوش مصنوعی در خودکارسازی وظایف، بهینهسازی فرآیندها و ارتقای کیفیت تصمیمگیری میتواند سالانه ۳٫۵ تا ۵٫۸ تریلیون دلار ارزش اقتصادی در بخشهای مختلف ایجاد کند .[11]
در بُعد اجتماعی، فناوریهای هوش مصنوعی از طریق پلتفرمهای آموزش آنلاین، سیستمهای یادگیری تطبیقی و سامانههای آموزش هوشمند میتوانند به نیازهای متنوع یادگیرندگان پاسخ دهند و ارزیابیهای شخصیسازیشده، بازخورد مؤثر و آموزش بلادرنگ ارائه کنند. این نوآوریها به تحقق آموزش فراگیر و عادلانه کمک کرده، از یادگیرندگان دارای ناتوانی حمایت میکنند و فرصتهای آموزشی را برای مناطق محروم و دورافتاده فراهم میسازند [12]. از منظر زیستمحیطی، بسیاری از پژوهشگران با استفاده از دادههای مربوط به رباتهای صنعتی به بررسی تأثیرات هوش مصنوعی پرداختهاند.[13] . یکپارچهسازی سیستمهای کنترلی پیشرفته و فناوریهای رباتیک، سطح اتوماسیون صنعتی در سامانههای تولیدی را ارتقا میدهد. با این حال، ادغام مؤثر فناوریهای کنترلی و رباتیک در سیستمهای تولید پایدار همچنان با چالشهایی همراه است .[14] علاوه بر این، تحلیل تجربی دادههای فدراسیون بینالمللی رباتیک و بنگاههای چینی نشان میدهد که کاربردهای هوش مصنوعی موجب افزایش بهرهوری انرژی و منابع میشود .[15] پژوهشی که در ۱۰ کشور پیشرو در حوزه هوش مصنوعی صنعتی—شامل سنگاپور، کره جنوبی، ژاپن، آلمان، سوئد، دانمارک، ایالات متحده آمریکا، چین، فرانسه و ایتالیا—انجام شده است، نشان میدهد که رباتهای صنعتی با کاهش ردپای اکولوژیک، به توسعه پایدار کمک میکنند؛ هرچند میزان این اثر در کشورهای مختلف متفاوت است. نتایج این مطالعه، راهنماییهای سیاستی مهمی برای ایجاد توازن میان توسعه صنعتی و پایداری زیستمحیطی در عصر سلطه فناوریهای هوش مصنوعی ارائه میدهد .[16]
2-2- تحقیق و توسعه کلاسیک
تحقیق و توسعه نیروی محرک بنیادین برای توسعه پایدار و نوآوری فناورانه در یک بنگاه اقتصادی به شمار میآید و ازاینرو، راهبردی اساسی برای بقا و رشد سازمان محسوب میشود. تحقیق و توسعه به مجموعهای از فعالیتها اطلاق میگردد که توسط یک شرکت یا مؤسسه پژوهشی انجام میشود و هدف آن، بهبود اساسی فناوریها و محصولات از طریق بهکارگیری خلاقانه فناوری و دانش نوین است [17]. بر اساس آمار سازمان آموزشی، علمی و فرهنگی ملل متحد (یونسکو)، سرمایهگذاری جهانی در تحقیق و توسعه تا ژوئن ۲۰۱۸ به حدود ۱٫۷ تریلیون دلار آمریکا رسیده است که رکوردی تاریخی به شمار میآید. افزون بر این، کشورهای مختلف متعهد شدهاند که تا سال ۲۰۳۰ میزان نیروی انسانی و سرمایهگذاری مالی در تحقیق و توسعه را در سازمانهای عمومی (با هدایت دولتها، دانشگاهها و مؤسسات پژوهشی) و خصوصی (با هدایت بنگاههای اقتصادی) افزایش دهند .[18]
واحد تحقیق و توسعه یک شرکت مسئولیت انجام فعالیتهای تحقیق و توسعه محصولات جدید، بهبود محصولات موجود و ارتقای کارکردهای محصول را بر عهده دارد. وجود جریان کاری شفاف در واحد تحقیق و توسعه و میان کارکنان آن، این امکان را فراهم میکند که شرکت بتواند محصولات جدیدی متناسب با نیازهای بازار را بهصورت کارآمد، اقتصادی و اثربخش توسعه دهد. از منظر فرآیندی، فرآیند سنتی تحقیق و توسعه عمدتاً شامل مراحل زیر است:
انجام تحقیقات بازار؛
تعریف و تصویب پروژه؛
تدوین برنامه تحقیق و توسعه، شامل طراحی طرح و برآورد هزینهها؛
اجرای فعالیتهای مشخص تحقیق و توسعه؛
ساخت نمونه اولیه که مستلزم همکاری میان واحد تحقیق و توسعه، واحد تولید، واحد کنترل کیفیت و واحد تدارکات است؛
تولید آزمایشی با تیراژ محدود؛
ارسال نمونهها به مشتری جهت بازرسی و تأیید، پیش از ورود به مرحله تولید انبوه [19].
با توجه به تعدد این مراحل، تحقیق و توسعه کلاسیک دارای ویژگیهایی نظیر نرخ موفقیت پایین، چرخه زمانی طولانی و دشواری بالای مدیریت است که در ادامه به تفصیل تشریح میشود:
نرخ موفقیت پایین:
نوآوریهای فناورانه در واحد تحقیق و توسعه یک شرکت عمدتاً شامل نوآوری در توسعه فناوری، نوآوریهای کاربردی پایه، نوآوری در فرآیندهای تولید، نوآوری در توسعه بازار و موارد مشابه است که همگی اجزای ضروری راهبرد توسعه شرکت به شمار میآیند. تحقیق و توسعه صنعتی ماهیتی نوآورانه دارد و تحت تأثیر عوامل ناشناخته متعددی قرار میگیرد. به دلیل ساختارمندی پایین، این فعالیتها با سطح بالایی از ریسک و عدمقطعیت همراه هستند. تاریخ چندصدساله توسعه بنگاههای اقتصادی در جهان نشان میدهد که تنها ۱۶٫۶۷ درصد از نوآوریهای فناورانه توانستهاند ارزش تجاری خود را محقق سازند [20].
چرخه زمانی طولانی:
این ویژگی یکی از خصوصیات اصلی تحقیق و توسعه سنتی به شمار میرود. بهطور کلی، یک پروژه تحقیق و توسعه ممکن است از چند ماه تا یک سال یا حتی بیشتر به طول انجامد [21].
دشواری بالای مدیریت:
این ویژگی نیز یکی دیگر از خصوصیات تحقیق و توسعه سنتی است. هرچند دشواری مدیریت در فعالیتهای بنگاههای اقتصادی مسئلهای رایج به شمار میآید، اما در واحد تحقیق و توسعه، این دشواری به یک ویژگی ذاتی تبدیل شده است. در فرآیند تحقیق و توسعه، پیچیدگی فناوریها و یکپارچگی فعالیتها منجر به شکلگیری روابط درونسازمانی پیچیدهای در واحد تحقیق و توسعه میشود. معمولاً یک پروژه تحقیق و توسعه مستلزم همکاری افراد با تخصصها و حوزههای دانشی مختلف است؛ ازاینرو، پیشبینی و برنامهریزی دقیق همکاریها دشوار است. افزون بر این، نتایج تحقیق و توسعه به کل کارکنان واحد تحقیق و توسعه تعلق دارد و اندازهگیری سهم هر فرد در نتایج نهایی و تعیین دقیق حدود مسئولیتهای فردی بهسادگی امکانپذیر نیست [22].
2-3- تحقیق و توسعه مبتنی بر هوشمصنوعی
از دیدگاه توسعه محصول و نوآوری، هوش مصنوعی باعث میشود تحقیق و توسعه دیگر یک مسیر خطی و یکبارمصرف نباشد. در روش سنتی، تحقیق و توسعه معمولاً از یک نقطه شروع میشود و پس از طی چند مرحله به پایان میرسد. اما با استفاده از هوش مصنوعی، این فرآیند به یک چرخه هوشمند و پیوسته تبدیل میشود. فناوری هوش مصنوعی ذاتاً مبتنی بر کلانداده است؛ به بیان دیگر، بدون کلانداده، هوش مصنوعی معنا و کارکردی نخواهد داشت [23]. با این حال، در تحقیق و توسعه سنتی، بهویژه در فرآیند جمعآوری نیازهای کاربران، شرکتها اغلب از روشهای متعارف نظیر پرسشنامهها و مصاحبهها استفاده میکردند. بهطور معمول، اطلاعات بهدستآمده محدود بوده و نمونهها بر اساس روشهای نمونهگیری انتخاب میشدند؛ ازاینرو، احتمال وجود انحراف میان نتایج حاصل از نظرسنجی و شرایط واقعی بازار بالا بود. افزون بر این، کاربران در فرآیند گردآوری نیازهای تحقیق و توسعه، صرفاً بهعنوان موضوع پژوهش و منبع اطلاعاتی در نظر گرفته میشدند و نقشی در تصمیمگیری درباره انتخاب مفهوم یا محصول نهایی نداشتند. همچنین، کاربران بهندرت با یکدیگر تعامل داشتند و از سطح تعامل پایینی برخوردار بودند [24]. با این حال، با بهکارگیری هوش مصنوعی صنعتی، فعالیتهای تحقیق و توسعه با تغییرات اساسی همراه خواهد شد. هنگامی که محصولی که با استفاده از فناوری هوش مصنوعی توسعه یافته است تولید شده، وارد بازار میشود و توسط کاربران مورد استفاده قرار میگیرد، حسگرهای هوشمند تعبیهشده در محصول در تمام مدت استفاده، دادههای مربوط به رفتار کاربران را جمعآوری میکنند. این دادهها بهصورت پیوسته به مرکز داده ابری تولیدکننده ارسال میشوند و در نهایت، کلاندادهای از رفتار کاربران را شکل میدهند. در آینده، محصولاتی که بر پایه فناوری هوش مصنوعی توسعه مییابند، دارای قابلیتهایی نظیر حسکردن، پایش، خودانطباقی، اتصالپذیری، تعامل و هماهنگی خواهند بود و ازاینرو میتوان آنها را محصولات هوشمند نامید. در فرآیند تعامل میان کاربران و محصولات هوشمند، کلاندادههای رفتاری ایجادشده بهصورت هوشمند تحلیل میشوند و بدین ترتیب، چرخهای تکرارشونده از توسعه محصول بر اساس تعامل کاربران با یکدیگر شکل میگیرد. بهوضوح میتوان مشاهده کرد که فناوری هوش مصنوعی امکان جمعآوری و تحلیل بلادرنگ دادههای مرتبط با بازار و کاربران را در مرحله اولیه تحلیل تقاضا فراهم ساخته است. این دادهها دارای ویژگیهایی نظیر پوشش کامل، دامنه گسترده و اثربخشی بالا هستند .علاوه بر مرحله تحلیل اولیه تقاضای بازار، در مرحله طراحی محصول مبتنی بر هوش مصنوعی نیز تفاوتهای چشمگیری نسبت به روشهای سنتی مشاهده میشود. در طراحی سنتی محصول، واحد تحقیق و توسعه ناچار بود تحلیلهای امکانسنجی بازار و امکانسنجی فنی را برای محصول موردنظر انجام دهد، گزارش تحلیلی تهیه کرده و آن را به مدیریت ارشد ارائه کند تا مدیریت بتواند بر اساس کنترل ریسک و برنامهریزی بودجه سرمایهگذاری، نسبت به تصویب و بازبینی پروژه تصمیمگیری کند. پس از آن، در محیط واقعی تحقیق و توسعه، طراحی محصول توسط کارکنان تحقیق و توسعه شامل طراحی صنعتی، طراحی نرمافزار و طراحی سختافزار میشد و برای اطمینان از امکانپذیری راهحل فنی، فرآیندهای اشکالزدایی و شبیهسازی در سطوح مختلف انجام میگرفت. در نهایت، پیش از ورود به تولید انبوه، واحد تحقیق و توسعه به همراه واحد تولید، فرآیند تولید اولیه با تیراژ محدود را اجرا کرده و فرآیند تولید در مقیاس کوچک را پایش میکردند تا از یکنواختی و پایداری کیفیت محصول اطمینان حاصل شود و محصول آماده تولید انبوه گردد .[25]
در مقابل، تحقیق و توسعه مبتنی بر هوش مصنوعی میتواند بخش عمدهای از این فرآیندها را کوتاه کرده و بدین ترتیب کارایی تحقیق و توسعه را افزایش دهد. در مرحله امکانسنجی فنی تحقیق و توسعه، بهویژه در اعتبارسنجی قابلیت دسترسی فناوریهای جدید، مواد جدید و کارکردهای نوین، سازوکارهای تحلیل و بازخورد مبتنی بر هوش مصنوعی میتوانند به واحد تحقیق و توسعه کمک کنند تا نمونه دیجیتال یا دوقلوی دیجیتال محصول را ایجاد نمایند. دوقلوی دیجیتال، همانگونه که از نام آن پیداست، به یک نسخه کاملاً مشابه از شیء فیزیکی در دنیای واقعی که بهصورت دیجیتال در فضای مجازی ایجاد شده است اطلاق میشود و هدف آن، دستیابی به درک عمیق، تحلیل دقیق و بهینهسازی شیء فیزیکی است .[26]
با افزایش حجم دادههای مربوط به محصول از جمله عملکرد محصول، رفتار کاربران و تقاضاهای بازار دوقلوی دیجیتال میتواند برای توسعه و آزمون محصولات مفهومی نیز مورد استفاده قرار گیرد؛ بهویژه با توجه به رشد چشمگیر فناوری یادگیری عمیق که بر کلانداده متکی است. یکی از نمونههای شاخص در این زمینه، مفهوم دوقلوی دیجیتال ارائهشده توسط شرکت زیمنس است. این مفهوم با هدف شبیهسازی محصولات نهایی در فضای سایبری برای شرکتهای تولیدی توسعه یافته است تا دیجیتالیسازی کامل فرآیند از طراحی دیجیتال تا تولید محقق شود. زمانی که دوقلوی دیجیتال برای پشتیبانی از الگوهای طراحی مشارکتی محصول نظیر طراحی کلی، طراحی ساختاری و طراحی فرآیندی به کار گرفته میشود، جنبههای مختلفی در این الگوها مورد بررسی قرار میگیرد؛ از جمله صحت تلرانسهای ابعادی، یکپارچگی عملکردی، تداخل قطعات، کیفیت مواد، تحلیل حرکت و تحلیل ارگونومی. همزمان، در مرحله تحقیق و توسعه صنعتی، نمونه دیجیتال میتواند برای ارزیابی فرآیندهای تولید محصول نیز مورد استفاده قرار گیرد؛ فرآیندهایی همچون روشهای ساخت، دقت ماشینکاری و مسیر ابزارها. بدین ترتیب، شبیهسازی تولید به کمک رایانه مبتنی بر نمونه دیجیتال سهبعدی برای نمونهسازی و برنامهریزی فرآیند امکانپذیر میشود. از طریق انجام شبیهسازیها بر بستر پلتفرم دوقلوی دیجیتال، کارکنان تحقیق و توسعه میتوانند در مقایسه با فرآیندهای سنتی گذشته، تعداد آزمونهای فیزیکی تماممقیاس را بهطور قابلتوجهی کاهش دهند؛ امری که به کاهش هزینههای تحقیق و توسعه و کوتاه شدن چرخه زمانی تحقیق و توسعه منجر میشود. افزون بر این، ترکیب فناوریهای شبیهسازی با مدیریت آزمایشها میتواند سطح اطمینان به نتایج شبیهسازی را افزایش دهد [27]. به عنوان مثالی دیگر، در شرکتهای طراحی موتور خودرو، فعالیت اصلی بر طراحی موتورهای کممصرف و کارآمد انرژی متمرکز است. بهطور معمول، مدلهای دیجیتال ترسیمی، نقشههای طراحی ماژول کنترل الکترونیکی و طرحهای مهندسی از جمله خروجیهای رایج مهندسی به شمار میآیند. با این حال، با بهکارگیری فناوری هوش مصنوعی، صحنههای سنتی گذشته مانند اتاقهای نقشهکشی شلوغ و انبوه نقشههای مهندسی روی میزها در طراحی موتورهای آینده به تاریخ خواهند پیوست. در این رویکرد، مدلهای سهبعدی میتوانند بهصورت خودکار به نقشههای دوبعدی تبدیل شوند. با افزایش مداوم دادههای مربوط به موتورهای خودرو و ارتقای پیوسته توان محاسباتی و الگوریتمها، فناوری هوش مصنوعی این امکان را فراهم میسازد که سیستمهای نرمافزاری مستقل بهصورت خودکار به طراحی موتور خودرو بپردازند. محصولات جدید میتوانند بر اساس دادهها و بازخوردهای حاصل از نسلهای پیشین موتور در حین رانندگی بهطور مستمر بهینهسازی شوند [28].
2-4- مزایای تحقیق و توسعه مبتنی بر هوشمصنوعی
2-4-1- شناسایی عینیتر نیازهای کاربران بهمنظور هدایت نوآوری بنگاه
وظیفه اصلی واحد تحقیق و توسعه، توسعه محصولات جدید است که ماهیتی نوآورانه دارد. خلاقیت محصول از اهمیت بالایی برخوردار بوده و نقشی حیاتی در موفقیت توسعه محصولات جدید ایفا میکند. در گذشته، مدل سنتی تحقیق و توسعه نسبتاً ثابت و بسته بود و خلاقیت محصول عمدتاً به قضاوتهای ذهنی (شامل تجربه، دانش و توانایی فردی) مهندسان تحقیق و توسعه وابسته بود. دلیل این امر آن بود که واحد تحقیق و توسعه شرکتها در تحلیل نیازهای کاربران و بازار، اغلب از روشهای نمونهگیری استفاده میکردند و به دلیل محدودیت زمان و بودجه، تنها تعداد محدودی پرسشنامه برای نظرسنجی توزیع میشد. پس از حذف پرسشنامههای با اعتبار پایین، تعداد پرسشنامههای معتبر حتی کمتر نیز میشد. افزون بر این، در مصاحبهها و نظرسنجیها، به دلیل محدودیت زمانی، ارتباط عمیق و مؤثری میان پژوهشگران و پاسخدهندگان برقرار نمیشد و در نتیجه، اطلاعات کارآمد و قابل اتکایی به دست نمیآمد. در چنین شرایطی، شرکتها ناچار بودند بیش از پیش به تجربه شخصی کارکنان تحقیق و توسعه برای توسعه محصول تکیه کنند. در این حالت، کارکنان تحقیق و توسعه عملاً نقش کاربران را ایفا میکردند و نتایج قضاوت آنها ماهیتی بیشتر ذهنی داشت [29]. اما، در تحقیق و توسعه مبتنی بر هوش مصنوعی، نیازهای کاربران بر اساس دادههای واقعی و گستردهای که در جریان استفاده طبیعی آنها جمعآوری میشود شناسایی میگردد، نه پرسشنامهها و نمونههای محدود. وقتی این دادهها بهصورت خودکار توسط سیستمهای هوش مصنوعی تحلیل میشوند، نتایج حاصل دقیقتر بوده و تصویر واقعیتری از نیازها و ترجیحات کاربران ارائه میدهند. در نتیجه، شرکتها میتوانند نیازهای کاربران را عینیتر و دقیقتر شناسایی کرده و تصمیمهای بهتری در فرآیند تحقیق و توسعه اتخاذ کنند.
2-4-2- شناسایی دقیقتر روندهای بازار
دقت در جایگاهیابی محصول یکی از عوامل تعیینکننده موفقیت آن است و جایگاهیابی محصول به میزان درک و قضاوت تصمیمگیرندگان از وضعیت کلی بازار وابسته است. در مدل سنتی، محصولات پس از توسعه بهصورت انبوه تولید شده و سپس وارد بازار میشدند؛ امری که با عدمقطعیت بالای بازار همراه بود، زیرا مدیران نمیتوانستند اطمینان حاصل کنند که تمامی محصولات مورد استقبال مصرفکنندگان قرار خواهند گرفت. در صورتی که محصولات با استقبال مناسبی مواجه نمیشدند، تولیدکنندگان با مشکلاتی نظیر ظرفیت مازاد تولید، انباشت موجودی و اتلاف منابع تولیدی روبهرو میشدند که این وضعیت بهعنوان شکست تحقیق و توسعه تلقی میگردید .[30] به همین دلیل، تعیین دقیق جایگاه محصول در بازار، پیشبینی درست روندهای بازار و شناسایی گروههای بالقوه کاربران به یکی از مسائل فوری واحدهای تحقیق و توسعه و مدیران سازمان تبدیل شده است. فناوری هوش مصنوعی میتواند با تحلیل دادهها، جایگاه محصولات را بهصورت دقیق مشخص کرده و نیازهای گروههای مختلف کاربران را شفافسازی کند و در نتیجه، سازگاری محصولات با بازار را افزایش دهد. برای این منظور، روشهایی مانند دادهکاوی طبقهبندی، تحلیل خوشهای و استخراج قواعد ارتباطی به کار گرفته میشوند. در میان این روشها، تحلیل خوشهای با گروهبندی کاربران بر اساس ویژگیهای مشابه، امکان شناخت بهتر مشتریان و پیشبینی روندهای بازار را فراهم میکند .[31]
2-4-3- افزایش کارایی در طراحی محصول
فناوری هوش مصنوعی موجب افزایش کارایی فرآیند توسعه محصول شده است. این افزایش کارایی از دو جنبه قابل بررسی است. نخست، از منظر فرآیند تحقیق و توسعه، تحقیق و توسعه مبتنی بر هوش مصنوعی امکان گردآوری هوشمندتر و کارآمدتر اطلاعات مربوط به نیازهای کاربران و بهرهگیری از منابع دادهای گستردهتر و جامعتر را فراهم میسازد. دوم، فرآیندهایی از مرحله طراحی طرح محصول تا اجرای فعالیتهای مشخص تحقیق و توسعه، انتخاب مواد، آزمون کارکردها و در نهایت تولید اولیه با تیراژ محدود، میتوانند بهصورت خودکار توسط سیستم انجام شوند. این امر بهطور چشمگیری چرخه توسعه را کوتاه کرده، هزینهها را کاهش داده و کارایی توسعه محصول را افزایش میدهد. بهعنوان نمونه، در صنایع تولیدی فرآیندمحور، تحقیق و توسعه فنی در حوزه مواد جدید از اهمیت بالایی برای ارتقای توان ملی و تضمین امنیت ملی برخوردار است. با این حال، توسعه صنعت مواد برای مدتهای طولانی تحت سلطه مدل آزمون و خطای دستی بوده که منجر به چرخههای تحقیق و توسعه طولانی و هزینههای بالا شده است. پژوهشها نشان میدهد که دستکم ۲۰ سال زمان لازم است تا یک ماده جدید از مرحله کشف، به تأیید آزمایشگاهی و سپس به کاربرد در محصولات پیشرفتهای مانند تجهیزات هوافضا برسد .[32] روش کلاسیک آزمونوخطا که بر تجربه انسانی متکی است، کارایی پایینی دارد و بهشدت به توان و تجربه افراد محدود میشود. با پیشرفت حسگرهای هوشمند، حجم زیادی از دادههای فرآیند تحقیق و توسعه قابل جمعآوری شده است. هوش مصنوعی با استفاده از این دادهها میتواند از طریق شبیهسازی و مدلسازی، فرآیند تحقیق و توسعه را سادهتر و سریعتر کند. دادهمحور بودن این رویکرد باعث افزایش دقت علمی، اعتبار نتایج و بهبود چشمگیر کارایی تحقیق و توسعه میشود.
2-4-4- کاهش ریسک در فرآیند تحقیق و توسعه
علاوه بر افزایش کارایی، فناوری هوش مصنوعی میتواند ریسکهای تحقیق و توسعه را نیز کاهش دهد، بهویژه ریسکهای مرتبط با تأثیر محصولات جدید بر انسان. یکی از نمونههای شاخص در این زمینه، تحقیق و توسعه در صنعت زیستدارویی است که بخش مهمی از اقتصاد ملی را تشکیل میدهد. در حال حاضر، تحقیق و توسعه دارو با چالشهایی نظیر هزینه بالا، چرخه زمانی طولانی و ریسکهای زیاد مواجه است [33].
3- مدل پیشنهادی استقرار تحقیق و توسعه مبتنی بر هوش مصنوعی در سازمان
این راهنما با الهام از مقاله Exploring AI-driven Innovation in Public Sector R&D Organization تدوین شده است و تحقیق و توسعه مبتنی بر هوش مصنوعی را نه بهعنوان یک پروژه فناوری اطلاعات، بلکه بهعنوان یک فرآیند تحول سازمانی تدریجی در نظر میگیرد [34].
گام اول: تعریف مسئله، چشمانداز و هدف تحقیق و توسعه مبتنی بر هوشمصنوعی
در اولین گام، سازمان باید بهطور شفاف مشخص کند که چرا قصد استفاده از هوش مصنوعی در تحقیق و توسعه را دارد. در این مرحله، مدیران تحقیق و توسعه و تصمیمگیران باید مشخص کنند که هدف اصلی چیست؛ کاهش زمان توسعه محصول، افزایش دقت شناسایی نیاز بازار، کاهش ریسک آزمایشها، بهبود طراحی محصول یا افزایش بهرهوری تیم تحقیق و توسعه. اهداف باید واقعبینانه، قابلاندازهگیری و متناسب با مأموریت سازمان باشند. همچنین در همین مرحله باید بررسی شود که کدام اهداف به دلیل محدودیتهای بودجه، سطح فناوری یا منابع انسانی قابل تحقق نیستند تا از شروع پروژههای پرریسک جلوگیری شود.
گام دوم: تشخیص وضعیت موجود بر پایه داده
پس از تعیین هدف، سازمان باید وضعیت فعلی تحقیق و توسعه را بهصورت دادهمحور تحلیل کند. در این مرحله، فرآیندهای موجود تحقیق و توسعه، نحوه تصمیمگیری، روشهای جمعآوری نیاز بازار، نحوه طراحی و آزمایش محصول و همچنین منابع داده موجود (دادههای آزمایشگاهی، بازار، خدمات پس از فروش، تعمیرات، بازخورد کاربران) شناسایی میشوند. هدف این گام، کشف گلوگاههایی است که بیشترین اتلاف زمان، هزینه یا خطا را ایجاد میکنند و بیشترین پتانسیل را برای مداخله هوش مصنوعی دارند. این مرحله جایگزین قضاوتهای شخصی و شهودی مدیران با تحلیل واقعی دادهها میشود.
گام سوم: طراحی راهبرد هوش مصنوعی برای تحقیق و توسعه
در این مرحله، سازمان مشخص میکند که هوش مصنوعی دقیقاً در کدام بخشهای تحقیق و توسعه وارد عمل میشود. برای مثال، آیا هوش مصنوعی برای تحلیل نیاز بازار و خوشهبندی مشتریان استفاده میشود؟ یا برای طراحی محصول، شبیهسازی، دوقلوی دیجیتال و کاهش آزمونهای فیزیکی؟ یا برای پشتیبانی از تصمیمگیری مدیریتی؟ در این گام، نوع فناوریها اعم از یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی، شبیهسازی، سطح خودکارسازی و نقش انسان در کنار هوشمصنوعی بهصورت شفاف تعریف میشود. خروجی این مرحله یک نقشه راه هوشمصنوعی در تحقیق و توسعه است که اولویتها را مشخص میکند.
گام چهارم: توسعه تدریجی سیستم تحقیق وتوسعه تقویتشده با هوش مصنوعی
پس از تعیین راهبرد، توسعه سیستم باید بهصورت مرحلهای و آزمایشی انجام شود. در این گام، مدلهای هوش مصنوعی با دادههای واقعی سازمان آموزش داده میشوند و ابزارهایی مانند تحلیل داده، شبیهسازی یا دوقلوی دیجیتال بهصورت محدود در پروژههای منتخب تحقیق و توسعه به کار گرفته میشوند. هدف این مرحله، جایگزینی کامل انسان نیست، بلکه تقویت توان تصمیمگیری و تحلیل تیم تحقیق و توسعه است. مشارکت فعال کارکنان تحقیق و توسعه در این مرحله بسیار حیاتی است، زیرا عدم پذیرش کاربران یکی از مهمترین دلایل شکست پروژههای هوشمصنوعی محسوب میشود.
گام پنجم: آزمایش، شبیهسازی و ارزیابی سازمانی
پیش از استقرار کامل، عملکرد سیستم هوشمصنوعی باید در محیطهای شبیهسازیشده یا پروژههای واقعی اما محدود ارزیابی شود. در این مرحله بررسی میشود که آیا هوشمصنوعی واقعاً باعث بهبود تصمیمها، کاهش زمان توسعه، کاهش خطا یا کاهش هزینهها شده است یا خیر. استفاده از شبیهسازی و دوقلوی دیجیتال در این گام کمک میکند تا بسیاری از ریسکهای فنی و سازمانی قبل از اجرای گسترده شناسایی و اصلاح شوند.
گام ششم: پایش مستمر و بهبود مبتنی بر داده
پس از استقرار، سیستم تحقیق و توسعه مبتنی بر هوش مصنوعی نباید ثابت باقی بماند. دادههای جدید حاصل از بازار، کاربران و فرآیندهای داخلی باید بهطور مستمر به سیستم بازگردانده شوند تا مدلها بهروزرسانی شوند. در این مرحله، شاخصهایی مانند زمان چرخه تحقیق و توسعه، نرخ موفقیت پروژهها، هزینهها و کیفیت تصمیمگیری بهطور مداوم پایش میشوند. این گام باعث میشود تحقیق و توسعه به یک سیستم یادگیرنده و پویا تبدیل شود.
گام هفتم: نهادینهسازی فرهنگی و توسعه توانمندی انسانی
در نهایت، برای پایداری تحقیق و توسعه مبتنی بر هوش مصنوعی، سازمان باید فرهنگ تصمیمگیری دادهمحور را تقویت کند. آموزش کارکنان، شفافسازی نقش هوشمصنوعی در کنار انسان، توجه به ملاحظات اخلاقی و ایجاد اعتماد به سیستمهای هوشمند، از الزامات این مرحله است. بدون این گام، هوش مصنوعی صرفاً به یک ابزار کوتاهمدت تبدیل شده و تأثیر راهبردی خود را از دست خواهد داد.
3-1- نتایج مطالعه میدانی و سنجشپذیری استقرار هوش مصنوعی در واحد تحقیق و توسعه یک شرکت تولیدی سیم و کابل
3-1-1- معرفی اجمالی شرکت مورد مطالعه
این شرکت یکی از تولیدکنندگان سیم و کابل در صنعت برق کشور است که فعالیت خود را در شهرک صنعتی شمسآباد تهران آغاز کرده است. این شرکت با بیش از سه دهه تجربه در زمینه تولید انواع سیم و کابل مسی و آلومینیومی، از جمله کابلهای خودنگهدار، کابلهای آلومینیوم–فولاد روکشدار XLPE، سیمهای هوایی مسی و آلومینیومی، و کابلهای فشار ضعیف، توانسته سهم قابلتوجهی از نیازهای بازار داخلی را تأمین کند.
گام اول: تحلیل رقابتی و تبیین چرایی استقرار تحقیق و توسعه مبتنی بر هوش مصنوعی
بررسیهای انجامشده در این مطالعه میدانی نشان میدهد که صنعت سیم و کابل ایران طی سالهای اخیر با تشدید رقابت داخلی و خارجی مواجه شده است. از یکسو، تعدد تولیدکنندگان داخلی با فناوریهای نسبتاً مشابه موجب شده است که مزیت رقابتی بسیاری از شرکتها بهطور سنتی بر پایه قیمت پایینتر شکل گیرد و از سوی دیگر، حضور محصولات وارداتی یا رقبای منطقهای با استانداردهای بالاتر، فشار مضاعفی بر تولیدکنندگان داخلی برای ارتقای کیفیت و تنوع محصول وارد کرده است. در چنین شرایطی، شرکت مورد مطالعه دریافت که ادامه فعالیت صرفاً بر مبنای روشهای سنتی تحقیق و توسعه، آن را در موقعیت دنبالهرو رقبا قرار میدهد و توان ایجاد تمایز پایدار را از بین میبرد. مقایسه فرآیندهای تحقیق و توسعه شرکت با برخی رقبا نشان داد که بخش قابل توجهی از رقبا همچنان از الگوهای مشابه آزمونوخطای تجربی، وابستگی به تجربه فردی کارشناسان و آزمونهای فیزیکی پرهزینه استفاده میکنند. این وضعیت اگرچه در کوتاهمدت ممکن است هزینه سرمایهگذاری فناوری را کاهش دهد، اما در میانمدت و بلندمدت منجر به طولانی شدن زمان توسعه محصول، افزایش دوبارهکاریها، نوسان کیفیت و افزایش هزینه تمامشده میشود. در مقابل، تجربه شرکتهای پیشرو جهانی نشان میدهد که بهرهگیری از هوش مصنوعی در تحقیق و توسعه میتواند این محدودیتها را به فرصت تبدیل کند. از منظر رقابتی، مدیران شرکت مورد مطالعه به این جمعبندی رسیدند که استقرار هوش مصنوعی در واحد تحقیق و توسعه میتواند دو مزیت کلیدی و همزمان ایجاد کند. نخست، در بعد کیفیت، استفاده از تحلیل داده، شبیهسازی و دوقلوی دیجیتال امکان طراحی دقیقتر، کاهش خطاهای پنهان و افزایش یکنواختی کیفیت محصولات را فراهم میسازد؛ مزیتی که بسیاری از رقبا به دلیل فقدان زیرساخت دادهمحور از آن محروم هستند. دوم، در بعد هزینه، کاهش تعداد آزمونهای فیزیکی، کوتاه شدن چرخه توسعه، و بهینهسازی مصرف مواد اولیه میتواند به کاهش هزینههای تحقیق و توسعه و در نهایت کاهش قیمت تمامشده محصول منجر شود؛ موضوعی که در بازار حساس به قیمت سیم و کابل ایران اهمیت حیاتی دارد. تحلیل رقابتی همچنین نشان داد که شرکتهایی که زودتر به سمت تحقیق و توسعه مبتنی بر هوش مصنوعی حرکت کنند، قادر خواهند بود سریعتر از رقبا به تغییرات بازار پاسخ دهند، محصولات سفارشیتری ارائه کنند و حتی در برخی بخشها نقش تعیینکننده استانداردهای بازار را بر عهده بگیرند. بر همین اساس، استقرار هوش مصنوعی در تحقیق و توسعه نهتنها بهعنوان یک ابزار فناورانه، بلکه بهعنوان یک تصمیم راهبردی برای ایجاد فاصله رقابتی با سایر تولیدکنندگان داخلی و منطقهای در دستور کار شرکت قرار گرفت. این تحلیل رقابتی مبنای تعریف چشمانداز و اهداف استقرار هوش مصنوعی در واحد تحقیق و توسعه شرکت را شکل داد.
گام دوم: تشخیص وضعیت موجود بر پایه داده (تحلیل وضع موجود و شکاف نسبت به رقبا)
پس از تبیین چرایی و اهداف راهبردی، شرکت وارد مرحلهای شد که در آن باید واقعیتهای عملیاتی واحد تحقیق و توسعه را بدون اتکا به برداشتهای شهودی و بر اساس شواهد دادهای شفاف کند. تحلیل میدانی نشان داد که مانند بسیاری از شرکتهای تولیدی ایرانی، دادههای حیاتی تحقیق و توسعه در شرکت وجود دارد اما به شکل جزیرهای، ناهمگون و عمدتاً غیرقابل استفاده تحلیلی ذخیره شده است. برای مثال، نتایج آزمونهای آزمایشگاهی کابلها (هدایت الکتریکی، مقاومت عایقی، تست کشش، تست حرارتی، تستهای استاندارد ملی)، گزارشهای QC از خط تولید، سوابق تغییرات فرمولاسیون مواد عایقی/روکش، گزارشهای خرابیهای برگشتی از پروژهها (پیمانکاران، توزیعکنندگان) و حتی تجربههای ضمنی کارشناسان ارشد همگی منابع دادهای بودند که یا روی کاغذ و فایلهای جداگانه ثبت میشدند یا در بهترین حالت داخل اکسلهای پراکنده قرار داشتند. این وضعیت باعث میشد چرخه یادگیری سازمانی شکل نگیرد؛ یعنی خطاها تکرار شوند و تجربیات ارزشمند به دارایی سازمانی تبدیل نشوند. در مقایسه با رقبا، شکاف اصلی شرکت نه صرفاً در کمبود داده، بلکه در بلوغ دادهای بود. رقبا عموماً در همان سطح شرکت قرار داشتند و بنابراین هر شرکتی که بتواند دادهها را استانداردسازی و یکپارچه کند، عملاً یک گام جلوتر میایستد. در این مرحله شرکت سه اقدام کلیدی انجام داد: (۱) ترسیم نقشه فرآیند تحقیق و توسعه از نیاز بازار تا تأیید نمونه و مشخص کردن نقاط تولید داده در هر گام؛ (۲) ایجاد کاتالوگ دادهها شامل نوع داده، مالک داده، فرکانس تولید، کیفیت و قابلیت اتکا؛ (۳) تعریف گلوگاههای هزینهزا و خطاساز. یافتهها نشان داد گلوگاههای اصلی معمولاً در سه نقطه رخ میدهند: انتخاب مواد اولیه (بهویژه در شرایط نوسان بازار)، طراحی و تعیین پارامترهای فرآیند، و مرحله آزمون/تایید نمونه که وابسته به آزمون فیزیکی و تکرارپذیری پایین است. خروجی این گام، یک تصویر شفاف از پرسش "کجا هوشمصنوعی بیشترین بازده را دارد بود" و عملاً مرحلهای بود که تصمیمگیری را از سطح حدس و تجربه به سطح تحلیل مستند منتقل کرد.
گام سوم: طراحی راهبرد هوش مصنوعی برای تحقیق و توسعه (انتخاب نقاط مداخله و معماری تصمیم)
پس از روشن شدن شکاف دادهای و گلوگاهها، شرکت وارد مرحله طراحی راهبرد شد؛ مرحلهای که در آن باید مشخص میکرد هوش مصنوعی را کجا و چگونه وارد کند تا هم اثر اقتصادی داشته باشد و هم ریسک سازمانی را مدیریت کند. تحلیل رقابتی نشان داد که بسیاری از پروژههای هوشمضنوعی در صنایع ایران به دلیل انتخاب غلط مسئله شکست میخورند؛ یعنی بهجای حل یک درد واقعی (مثل کاهش آزمونهای پرهزینه یا کاهش ضایعات مواد)، به سمت پروژههای نمایشی میروند (مثل داشبوردهای غیرکاربردی). بنابراین شرکت راهبرد را بر پایه اصل بازگشت سرمایه سریع + اثر فنی ملموس طراحی کرد.
راهبرد شرکت سه لایه داشت:
لایه بازار و نیاز مشتری: استفاده از تحلیل دادههای فروش، شکایات مشتریان، درخواستهای سفارشی پیمانکاران، و حتی پیامهای نمایندگیها برای خوشهبندی بازار (مثلاً تفکیک مشتریان ساختمانی، صنعتی، نیروگاهی، مخابراتی) و استخراج نیازهای واقعی هر گروه.
لایه طراحی و مهندسی: تمرکز بر شبیهسازی و مدلهای پیشبینی برای انتخاب بهینه مواد PVC/XLPE) و افزودنیها)، پیشبینی عملکرد در شرایط حرارتی/مکانیکی، و کاهش وابستگی به آزمونهای تکراری.
لایه تصمیمگیری مدیریتی: تعریف مدلهای توصیهگر برای تصمیمهای تکرارشونده (مثلاً انتخاب تامینکننده ماده، یا تصمیم درباره ادامه/توقف پروژههای تحقیق وتوسعه تا تصمیمها کمتر سلیقهای شوند.
گام چهارم: توسعه تدریجی سیستم تحقیق و توسعه تقویتشده با هوشمصنوعی (نسخه آزمایشی)
شرکت با توجه به محدودیتهای رایج در ایران از جمله محدودیت زیرساخت محاسباتی، کمبود متخصص، و حساسیت به هزینه، توسعه را با پایلوت کوچک به شرح زیر در نظر گرفت:
پایلوت ۱: پیشبینی کیفیت و کاهش دوبارهکاری
مدلهای یادگیری ماشین با دادههای کنترل کیفیت و آزمایشگاه آموزش داده شود تا احتمال رد شدن نمونه در آزمونهای کلیدی را پیشبینی کنند. هدف این بود که قبل از ورود به مرحله آزمون نهایی، هشدار داده شود و پارامترهای طراحی اصلاح شوند.
پایلوت ۲: تحلیل شکایات و بازخورد مشتریان برای طراحی محصول
دادههای شکایات (مثلاً ترکخوردگی روکش، گرمشدن غیرعادی، مشکلات نصب) و گزارشهای مشتریان دستهبندی شود و مدلهای ساده پردازش زبان طبیعی برای استخراج الگوهای تکرارشونده اجرا شود.
گام پنجم: آزمایش، شبیهسازی و ارزیابی سازمانی (راستیآزمایی اثر و کنترل ریسک)
در این مرحله، از جانب مدیران این سؤال مطرح شد که آیا هوشمصنوعی واقعاً زمان توسعه را کم میکند؟ آیا تعداد آزمونهای تکراری را کاهش میدهد؟ آیا کیفیت پایدارتر میشود؟ بر همین اساس، ارزیابی در سه سطح انجام شد:
سطح فنی: دقت پیشبینی مدلها، نرخ خطای نوع اول/دوم، حساسیت به تغییر مواد اولیه
سطح فرآیندی: کاهش تعداد دفعات تکرار آزمون، کاهش زمان تصمیمگیری درباره اصلاح طراحی
سطح اقتصادی: کاهش مصرف مواد در نمونهسازی، کاهش ضایعات، کاهش هزینه تستها
در بخش طراحی، قرار شد تا استفاده از شبیهسازی (در سطح محدود و نه یک Digital Twin کامل) باشد و سناریوهای طراحی بدون تولید نمونه واقعی بررسی شوند. این کار در صنعت سیم و کابل که هزینه مواد و آزمونها بالاست، ارزش اقتصادی فوری دارد و دقیقاً نقطهای است که شرکت میتواند نسبت به رقبا جلو بیفتد.
گام ششم: پایش مستمر و بهبود مبتنی بر داده (چرخه یادگیری و جلوگیری از فرسودگی مدل)
یکی از مسائل مطرح شده این بود که مدل اگر رها شود، سریع بیاثر میشود؛ چون کیفیت مواد اولیه، شرایط تولید، تأمینکنندهها و حتی استانداردها تغییر میکند. بنابراین شرکت یک چرخه پایش تعریف کرد که در آن دادههای جدید بازار و تولید به صورت دورهای وارد سیستم میشود و مدلها بازآموزی میشوند. همچنین شاخصهای کلیدی پایش تعریف شد:
زمان چرخه تحقیق و توسعه از تعریف نیاز تا تأیید نمونه
درصد پروژههایی که در آزمون نهایی رد میشوند
میزان دوبارهکاری و اصلاح طراحی
میزان ضایعات و مصرف مواد در نمونهسازی
تعداد شکایات مرتبط با عملکرد محصول در ۶ ماه اول عرضه
این پایش باعث میشود تا سیستم از حالت پروژه مقطعی به سمت قابلیت سازمانی دائمی حرکت کند.
گام هفتم: نهادینهسازی فرهنگی و توسعه توانمندی انسانی
در نهایت، شرکت به این جمعبندی رسید که بزرگترین مانع نه فناوری است، نه حتی داده؛ بلکه فرهنگ سازمانی است. در بسیاری از شرکتهای ایرانی، کارکنان تحقیق و توسعه به تجربه شخصی و روشهای امتحانشده وابستهاند و نسبت به ابزارهای جدید بدبین هستند. بنابراین شرکت برنامهای برای نهادینهسازی تدوین کرد که شامل:
آموزشهای کوتاهمدت برای تحقیقتوسعه مبتنی بر هوشمصنوعی برای مهندسان، نه هوشمصنوعی پیچیده دانشگاهی
ایجاد تیم مشترک R&D + IT + QC برای مالکیت مشترک پروژه
تعریف قواعد اعتماد به خروجی هوشمصنوعی (چه جاهایی پیشنهاد میدهد، چه جاهایی نظر انسان مقدم است)
نظام تشویقی برای ثبت داده و همکاری در پایلوتها
شفافسازی اینکه هوشمصنوعی جایگزین افراد نیست، بلکه ابزار کاهش خطا و افزایش کیفیت است
4- نتیجهگیری
این پژوهش نشان میدهد که هوش مصنوعی در واحد تحقیق و توسعه، نه یک گزینه تجملی و آیندهمحور، بلکه یک ضرورت راهبردی برای بقا و رقابتپذیری صنایع تولیدی ایران در شرایط امروز بازار است. یافتههای مقاله بهروشنی آشکار میسازد که تداوم اتکای صرف بر الگوهای سنتی تحقیق و توسعه که مبتنی بر آزمونوخطا، تجربه فردی و تصمیمگیریهای شهودی هستند، دیگر پاسخگوی فشارهای فزاینده بازار، نوسانات هزینه و الزامات کیفیت نیست و در نهایت سازمان را به جایگاه دنبالهرو رقبا سوق میدهد. مطالعه میدانی انجامشده در یک شرکت تولیدی سیم و کابل ایرانی نشان داد که استقرار تحقیق و توسعه مبتنی بر هوش مصنوعی، برخلاف تصور رایج، یک پروژه پیچیده و دستنیافتنی نیست؛ بلکه یک مسیر قابل اجرا، مرحلهای و قابل مدیریت است، مشروط بر آنکه از مسائل واقعی صنعت آغاز شود. نتایج گفتوگو با مدیران و خبرگان شرکت حاکی از آن است که هوش مصنوعی میتواند همزمان دو مزیت کلیدی و بهظاهر متضاد را محقق سازد: ارتقای یکنواختی و پایداری کیفیت محصول از یک سو، و کاهش هزینه و زمان توسعه از سوی دیگر؛ ترکیبی که جوهره مزیت رقابتی پایدار را شکل میدهد. با این حال، یافتهها تأکید میکند که چالش اصلی استقرار این رویکرد در ایران، نه کمبود فناوری یا الگوریتم، بلکه سطح بلوغ دادهای سازمانها، آمادگی فرهنگی و توان مدیریت تغییر است. سازمانهایی که دادههای خود را به دارایی راهبردی تبدیل نکنند و نیروی انسانی را در این تحول مشارکت ندهند، حتی با دسترسی به پیشرفتهترین ابزارهای هوش مصنوعی نیز به نتایج معنادار دست نخواهند یافت.
نوشته شده توسط مریم کاشانی
دانشجوی مقطع ارشد رشته مدیریت فناوری
منابع
[1] McCarthy, J., & Hayes, P. J. (1981). Some philosophical problems from the standpoint of artificial intelligence. In Readings in artificial intelligence (pp. 431-450). Morgan Kaufmann.
[2] Ramos, C., Augusto, J. C., & Shapiro, D. (2008). Ambient intelligence—the next step for artificial intelligence. IEEE Intelligent Systems, 23(2), 15-18.
[3] Kahraman, C., Kaya, I., & Çevikcan, E. (2011). Intelligence decision systems in enterprise information management. Journal of Enterprise Information Management, 24(4), 360-379.
[4] Li, B. H., Hou, B. C., Yu, W. T., Lu, X. B., & Yang, C. W. (2017). Applications of artificial intelligence in intelligent manufacturing: a review. Frontiers of Information Technology & Electronic Engineering, 18(1), 86-96.
[5] Graetz, G., & Michaels, G. (2018). Robots at work. Review of economics and statistics, 100(5), 753-768.
[6] Cowls, J., Tsamados, A., Taddeo, M., & Floridi, L. (2023). The AI gambit: leveraging artificial intelligence to combat climate change—opportunities, challenges, and recommendations. Ai & Society, 38(1), 283-307.
[7] Nahar, S. (2024). Modeling the effects of artificial intelligence (AI)-based innovation on sustainable development goals (SDGs): Applying a system dynamics perspective in a cross-country setting. Technological Forecasting and Social Change, 201, 123203.
[8] Benzidia, S., Makaoui, N., & Bentahar, O. (2021). The impact of big data analytics and artificial intelligence on green supply chain process integration and hospital environmental performance. Technological forecasting and social change, 165, 120557.
[9] Lee, C. C., Qin, S., & Li, Y. (2022). Does industrial robot application promote green technology innovation in the manufacturing industry? Technological Forecasting and Social Change, 183, 121893.
[10] WEF. (2023a). The global economy will be $16 trillion bigger by 2030 thanks to AI. https://www.weforum.org/agenda/2017/06/the-global-economy will-be-14-bigger-in-2030-because-of-ai/
[11] Truong, Y., & Papagiannidis, S. (2022). Artificial intelligence as an enabler for innovation: A review and future research agenda. Technological Forecasting and Social Change, 183, 121852.
[12] Lammers, T., Rashid, L., Kratzer, J., & Voinov, A. (2022). An analysis of the sustainability goals of digital technology start-ups in Berlin. Technological Forecasting and Social Change, 185, 122096.
[13] Wang, Q., Li, Y., & Li, R. (2024). Ecological footprints, carbon emissions, and energy transitions: the impact of artificial intelligence (AI). Humanities and Social Sciences Communications, 11(1), 1-18.
[14] Kovalenko, I., Li, H., & Li, Y. (2024). Harnessing controls and robotics for sustainable manufacturing. In Encyclopedia of Sustainable Technologies, Second Edition: Volumes 1-4 (pp. V1-663). Elsevier.
[15] Li, J., Ma, S., Qu, Y., & Wang, J. (2023). The impact of artificial intelligence on firms' energy and resource efficiency: Empirical evidence from China. Resources Policy, 82, 103507.
[16] Liu, J., Chang, H., Forrest, J. Y.-L., & Yang, B. (2020). Influence of artificial intelligence on technological innovation: Evidence from the panel data of China's manufacturing sectors. Technological Forecasting and Social Change, 158, 120142.
[17] Güngör, A., & Alp, G. T. (2019). Cognitive styles affecting the performance of research and development (R&D) employees in the era of Industry 4.0. Industry 4.0, 4(5), 203-205.
[18] Anthony, S. D., Viguerie, S. P., Schwartz, E. I., & Van Landeghem, J. (2018). 2018 Corporate longevity forecast: Creative destruction is accelerating. Innosight Holdings.
[19] Johnson, J. S., Friend, S. B., & Lee, H. S. (2017). Big data facilitation, utilization, and monetization: Exploring the 3Vs in a new product development process. Journal of Product Innovation Management, 34(5), 640-658.
[20] Swink, M., & Song, M. (2007). Effects of marketing-manufacturing integration on new product development time and competitive advantage. Journal of operations management, 25(1), 203-217.
[21] Burkart, R. E. (1994). Reducing R&D cycle time. Research-Technology Management, 37(3), 27-32.
[22] Thamhain, H. J. (2003). Managing innovative R&D teams. R&d Management, 33(3), 297-311.
[23] O'Leary, D. E. (2013). Artificial intelligence and big data. IEEE intelligent systems, 28(2), 96-99.
[24] Russell, C. A., Stern, B. B., & Stern, B. B. (2006). Consumers, characters, and products: A balance model of sitcom product placement effects. Journal of Advertising, 35(1), 7-21.
[25] Makridakis, S. (2017). The forthcoming Artificial Intelligence (AI) revolution: Its impact on society and firms. Futures, 90, 46-60.
[26] Gaggioli, A. (2018). Digital twins: an emerging paradigm in cyberpsychology research? CyberPsychology, Behavior & Social Networking, 21(7).
[27] Vachálek, J., Bartalský, L., Rovný, O., Šišmišová, D., Morháč, M., & Lokšík, M. (2017, June). The digital twin of an industrial production line within the industry 4.0 concept. In 2017 21st international conference on process control (PC) (pp. 258-262). IEEE.
[28] Wang, F. Y. (2017). Artificial intelligence and intelligent transportation: Driving into the 3rd axial age with ITS. IEEE Intelligent transportation systems magazine, 9(4), 6-9.
[29] Shin, N., Kraemer, K. L., & Dedrick, J. (2017). R&D and firm performance in the semiconductor industry. Industry and Innovation, 24(3), 280-297.
[30] Khanna, R., Guler, I., & Nerkar, A. (2016). Fail often, fail big, and fail fast? Learning from small failures and R&D performance in the pharmaceutical industry. Academy of Management Journal, 59(2), 436-459.
[31] Hsu, F. C., Lin, Y. H., & Chen, C. N. (2015). Applying cluster analysis for consumer's affective responses toward product forms. Journal of Interdisciplinary Mathematics, 18(6), 657-666.
[32] Abbe, G., & Smith, H. (2016). Technological development trends in Solar‐powered Aircraft Systems. Renewable and Sustainable Energy Reviews, 60, 770-783.
[33] Sander, T., Freyss, J., Von Korff, M., & Rufener, C. (2015). DataWarrior: an open-source program for chemistry aware data visualization and analysis. Journal of chemical information and modeling, 55(2), 460-473.
[34] Kwak, J. S. (2024). Exploring AI-driven Innovation in Public Sector R&D Organizations. Asia-pacific Journal of Convergent Research Interchange (APJCRI), 87-96.
