أولاً: المقدمة

تتعرض الشركات لضغوط هائلة لخفض التكاليف وتحسين الجودة وتقصير أوقات التسليم. تتأثر صناعة المعادن، وهي منتج حاسم للسلع الوسيطة، بشكل خاص بهذه المطالب. أحد أكثر التحديات استمرارًا في هذا القطاع هو الوفاء بالمواعيد النهائية للتسليم، والتي يمكن أن تتعرض للخطر بسبب العديد من العوامل مثل اضطرابات سلسلة التوريد، وعدم كفاءة إدارة المشاريع، والمشكلات الفنية، وتعديلات التصميم التي يطلبها العملاء، والمشاكل المتعلقة بالقوى العاملة، ومخاوف السلامة في مكان العمل، وعدم الدقة في تحديد أوقات النشاط.

للتغلب على هذه التحديات، تم اعتماد أساليب ومنهجيات مختلفة. تم تطبيق أدوات الإدارة الرشيقة (Agile) مثل Scrum و Prince2 Agile و Lean Project Management و Agile Project Management و DSDM (طريقة تطوير الأنظمة الديناميكية) لتعزيز مرونة وقابلية تكيف عمليات الإنتاج. كما يتم تطبيق الحلول التحليلية الكلاسيكية، مثل طريقة Gantt/Waterfall، ودليل PMBOK، والنموذج الحلزوني، و Prince2، وطريقة المسار الحرج (CPM)، وطريقة PERT، لتوفير رؤية أوضح وأكثر تنظيماً للمشاريع.

برز الذكاء الاصطناعي (AI) كأداة واعدة في إدارة المشاريع، حيث يقدم حلولاً محتملة للتنبؤ بالتأخيرات والتخفيف من حدتها، وتحسين الكفاءة التشغيلية، وتحسين تخصيص الموارد. تهدف مراجعة الأدبيات هذه إلى استكشاف تطبيقات الذكاء الاصطناعي في إدارة المشاريع، مع التركيز بشكل خاص على إمكاناته في صناعة المعادن. سيبدأ هيكل هذه المراجعة بنظرة عامة على أساليب الذكاء الاصطناعي، تليها دراسة لتطبيقات الذكاء الاصطناعي في إدارة المشاريع ومناقشة الوضع الحالي والإمكانات المستقبلية للذكاء الاصطناعي في إدارة مشاريع صناعة المعادن.

ثانياً: نظرة عامة على أساليب الذكاء الاصطناعي

أظهر الذكاء الاصطناعي إمكانات كبيرة، ويشير اعتماده المتزايد من قبل الشركات إلى تحول كبير في كيفية عمل الصناعات. مع النمو الهائل للبيانات، تتوسع تطبيقات الذكاء الاصطناعي بشكل كبير. تشير الدراسات العلمية إلى أن الذكاء الاصطناعي يمكن أن يحسن بشكل كبير التحكم في المشروع وإدارة الإنتاج.

الهدف الأساسي للذكاء الاصطناعي هو إنشاء أنظمة قادرة على محاكاة الذكاء البشري، وتمكينها من التعلم والاستدلال واتخاذ القرارات. تعتبر الشبكات العصبية الاصطناعية (ANNs)، المستوحاة من الدماغ البشري، تقنية ذكاء اصطناعي حاسمة. تتكون الشبكات العصبية الاصطناعية من طبقات مترابطة من الخلايا العصبية الاصطناعية التي تعالج المعلومات وتنقلها. تتلقى هذه الخلايا العصبية إشارات الإدخال، وتعالجها باستخدام وظائف رياضية، وتصدر إشارات الإخراج إلى الخلايا العصبية الأخرى. تتعلم الشبكة عن طريق تعديل أوزانها ومعاملاتها الداخلية لتقليل الخطأ بين المدخلات والمخرجات المرغوبة. بمجرد تدريب النموذج، يمكنه إجراء تنبؤات أو تصنيفات لبيانات جديدة. تُستخدم الشبكات العصبية الاصطناعية في مجالات مختلفة، بما في ذلك التعرف على الكلام والصورة، ومعالجة اللغة الطبيعية، والتنبؤ بالسلاسل الزمنية، وأنظمة التوصية، والألعاب، والتحكم في الروبوت، وإدارة المشاريع.

يمكن تصنيف أساليب الذكاء الاصطناعي بناءً على قدرتها ووظائفها والغرض منها. يقسم أحد التصنيفات الشائعة الذكاء الاصطناعي إلى مجموعتين رئيسيتين: الذكاء الاصطناعي الضيق أو الضعيف والذكاء الاصطناعي العام أو القوي.

• الذكاء الاصطناعي الضيق أو الضعيف: تم تصميم هذا النوع من الذكاء الاصطناعي للتركيز على وتنفيذ مهمة محددة ومحددة. يفتقر إلى القدرة على تطبيق المعرفة المكتسبة من تلك المهمة على مجالات أخرى، أو صياغة الخطط، أو فهم المفاهيم المجردة، أو الخضوع لتجارب ذاتية. بدلاً من ذلك، يتفاعل مع مجموعة محدودة من المدخلات المحددة مسبقًا بطريقة تحاكي الذكاء. يعد التعلم الآلي (ML) والتعلم العميق (DL) فرعين من فروع الذكاء الاصطناعي الضيق يعتمدان على الخوارزميات والبيانات لحل المشكلات المعقدة.
• التعلم الآلي (ML): يتضمن تعليم الآلة التعلم من البيانات التاريخية دون برمجة صريحة. تصنف تقنيات التعلم الآلي إلى التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. يستخدم التعلم الخاضع للإشراف بيانات تدريب مسماة لتطوير نماذج تنبؤية، بينما يحلل التعلم غير الخاضع للإشراف مجموعات البيانات غير المسماة لتحديد الأنماط والهياكل دون توجيه محدد. تشمل تقنيات التعلم الخاضع للإشراف الانحدار الخطي، والانحدار اللوجستي، وآلات المتجهات الداعمة (SVM)، وأشجار القرار، والشبكات العصبية الاصطناعية، وخوارزميات المجموعة (Random Forest و Gradient Boosting Machines)، و Gaussian Naive Bayes. تشمل تقنيات التعلم غير الخاضع للإشراف K-Means، وتحليل المكونات الرئيسية (PCA)، و Variational Autoencoder (VAE).
• التعلم العميق (DL): هذه طريقة للتعلم الآلي تستخدم الشبكات العصبية الاصطناعية ذات الطبقات المتعددة لاستخراج الأنماط والميزات من البيانات. يتم تطبيق تقنيات التعلم العميق في معالجة اللغة الطبيعية (NLP) ورؤية الكمبيوتر. تمكن معالجة اللغة الطبيعية الآلات من فهم وتفسير وإنشاء اللغة البشرية بشكل فعال. تتيح رؤية الكمبيوتر لأنظمة الكمبيوتر تفسير وفهم المعلومات المرئية، مما يمكنها من "رؤية" ومعالجة البيانات المرئية. تشمل تقنيات معالجة اللغة الطبيعية الترميز، ووضع علامات على أجزاء الكلام، والتعرف على الكيانات المسماة (NER)، ونماذج التسلسل إلى التسلسل، والمحولات (BERT)، وتحليل المشاعر، وتضمين الكلمات (Word2Vec و GloVe)، وشبكات الذاكرة طويلة المدى (LSTM)، وشبكات الذاكرة قصيرة المدى (GRU). تشمل تقنيات رؤية الكمبيوتر الشبكات العصبية التلافيفية (CNN)، والشبكات العصبية التلافيفية القائمة على المنطقة (R-CNN)، والشبكات العصبية المتكررة، والتعلم النقال، وشبكات الخصومة التوليدية (GANs).
• الذكاء الاصطناعي العام أو القوي: هذا شكل نظري من الذكاء الاصطناعي يهدف إلى تكرار الوظائف البشرية، مثل الاستدلال والتخطيط وحل المشكلات. يمكنه أداء أي مهمة فكرية يمكن للإنسان القيام بها، بما في ذلك القدرات المعرفية مثل الاستدلال والتعلم والتخطيط والإبداع والفهم العاطفي. سيعمل الذكاء الاصطناعي العام أو القوي بشكل مماثل للإنسان، وقادر على التفاعل مع المحفزات وأداء مجموعة واسعة من المهام. تشمل التقنيات في هذه الفئة التعلم المعزز، والخوارزميات التطورية، والمناهج الهجينة. يتضمن التعلم المعزز عوامل مستقلة تتعلم اتخاذ القرارات من خلال التفاعل مع البيئات الديناميكية وتلقي المكافآت أو العقوبات بناءً على أفعالها. تكرر الخوارزميات التطورية العمليات البيولوجية لتحسين الحلول، وتستخدم أساليب مثل الاختيار والطفرة وإعادة التركيب. تجمع الأساليب الهجينة بين التعلم المعزز والخوارزميات التطورية لإنشاء أنظمة أكثر قوة وقابلية للتكيف.

ثالثاً: تطبيقات الذكاء الاصطناعي في إدارة المشاريع

تضمنت منهجية مراجعة الأدبيات تحليل المقالات العلمية من قاعدة بيانات Scopus، باستخدام كلمات رئيسية مثل "إدارة المشاريع"، و "الذكاء الاصطناعي"، و "التخطيط"، و "الجدول الزمني"، و "التنبؤ". تم إجراء البحث باستخدام ثلاث مجموعات من الكلمات الرئيسية: "إدارة المشاريع AND الذكاء الاصطناعي AND التنبؤ"، و "إدارة المشاريع AND الذكاء الاصطناعي AND الجدول الزمني"، و "إدارة المشاريع AND الذكاء الاصطناعي AND التخطيط". تمت تصفية المقالات لتشمل تلك المنشورة بين عامي 2019 و 2023.

أسفر البحث الأولي عن 198 مقالة، تم تضييقها بعد ذلك إلى 107 مقالة فريدة. بعد تحليل دقيق، تم تحديد 48 مقالة قدمت منهجيات الذكاء الاصطناعي الرئيسية المستخدمة بنجاح في إدارة المشاريع. ومع ذلك، تم استبعاد بعض المقالات لأنها كانت مكررة، أو مراجعات ببليوغرافية، أو قدمت معلومات نوعية دون بيانات ذات صلة. تم تطبيق عوامل التصفية لتشمل فقط المقالات باللغة الإنجليزية، والمنشورة في المجلات، مع إمكانية الوصول الكامل إلى المحتوى. تألف الاختيار النهائي من 23 مقالة.

كشف تحليل هذه المقالات عن منهجيات الذكاء الاصطناعي الرئيسية التالية المستخدمة في إدارة المشاريع:

• التعلم الآلي (ML): منهجيات التعلم الآلي هي الأكثر انتشارًا في إدارة المشاريع. من بين تقنيات التعلم الآلي، تعد الشبكات العصبية الاصطناعية (ANNs) الأكثر استخدامًا. الشبكات العصبية الاصطناعية قادرة على تعلم الأنماط المعقدة من خلال البيانات الخاضعة للإشراف. تعد خوارزميات المجموعة (Random Forest و Gradient Boosting Machines) أيضًا بدائل موثوقة. تُستخدم آلات المتجهات الداعمة (SVMs) في الأبحاث الطبية والقطاع الكهربائي، ويتم تطبيق الانحدار اللوجستي في مجال الطب.
• التعلم العميق (DL): ضمن التعلم العميق، تعد الشبكات العصبية التلافيفية (CNN) هي الأكثر شيوعًا، ويتم تطبيقها في مشاريع عبر مجالات مختلفة، مثل القطاع الزراعي وقطاع البناء والأبحاث الطبية. تُستخدم شبكات الخصومة التوليدية (GANs) في قطاعي العمليات والبناء.

لم تجد المراجعة أي مقالات علمية ذكرت التعلم المعزز بالذكاء الاصطناعي، أو الخوارزميات التطورية، أو المناهج الهجينة في إدارة المشاريع بنتائج إيجابية.

رابعاً: الذكاء الاصطناعي في إدارة مشاريع صناعة المعادن

من النتائج المهمة لمراجعة الأدبيات هذه ندرة الدراسات التي تركز بشكل خاص على تطبيقات الذكاء الاصطناعي في صناعة المعادن. على الرغم من التطورات والتطبيقات للذكاء الاصطناعي في إدارة المشاريع في قطاعات أخرى، إلا أن إمكاناته في صناعة المعادن لا تزال غير مستكشفة إلى حد كبير.

يمكن لصناعة المعادن أن تستفيد بشكل كبير من الذكاء الاصطناعي، لا سيما في تحسين العمليات، وتعزيز الجودة والكفاءة، وربما إحداث ثورة في الإنتاج. يمكن تطبيق الذكاء الاصطناعي لتحسين دقة تقديرات الوقت، وتحسين تخصيص الموارد، والتنبؤ بالتأخيرات والتخفيف من حدتها، وتعزيز فعالية المشروع بشكل عام.

أحد الاتجاهات الواعدة للبحث المستقبلي هو تطوير أداة ذكاء اصطناعي لتخطيط المشاريع المتعددة في صناعة المعادن، مع التركيز على استخدام الشبكات العصبية الاصطناعية (ANNs). يمكن لمثل هذه الأداة التنبؤ بأوقات الإنتاج بشكل أكثر دقة والمساهمة في تحسين العمليات الصناعية، وخفض التكاليف، وزيادة الكفاءة التشغيلية، وتقليل أوقات تسليم المشاريع. يمكن لهذه الأداة تحديد أوقات المشروع بناءً على معايير مجموعة من المعلمات التي تميز النظام في لحظة محددة.

خامساً: الخاتمة

تسلط مراجعة الأدبيات هذه الضوء على التحديات والفجوات في البحث حول استخدام الذكاء الاصطناعي في إدارة المشاريع. كشف الفحص المنهجي أن العديد من المقالات كانت إما بحثًا نوعيًا، أو غير ذات صلة بنطاق الدراسة، أو مكررة. أظهر تحليل منهجيات الذكاء الاصطناعي تفضيلاً للتعلم الآلي (ML)، وخاصة الشبكات العصبية الاصطناعية (ANNs).

هناك فجوة ملحوظة تتمثل في قلة الدراسات حول تطبيقات الذكاء الاصطناعي في صناعة المعادن، مما يشير إلى مجال واعد للبحث المستقبلي. تحمل بنية المحولات (Transformer)، بينما تستخدم في المقام الأول في معالجة اللغة الطبيعية (NLP) مع نماذج مثل BERT و GPT، إمكانات لمجالات أخرى، بما في ذلك إدارة المشاريع. يمكن للبحث المستقبلي استكشاف استخدام بنيات المحولات في إدارة المشاريع لتحسين العمليات المختلفة.

بشكل عام، يتمتع الذكاء الاصطناعي بإمكانية كبيرة لتحسين أوقات الإنتاج، وخفض التكاليف، وزيادة الكفاءة في صناعة المعادن. يمكن أن يؤدي تطوير الأدوات التي تعتمد على الذكاء الاصطناعي، وخاصة تلك التي تستخدم الشبكات العصبية الاصطناعية، إلى تخطيط وتنفيذ أكثر دقة للمشاريع في هذا القطاع. هناك حاجة إلى مزيد من البحث والتنفيذ للذكاء الاصطناعي في صناعة المعادن لتحقيق هذه الفوائد بالكامل ودفع الابتكار في الصناعة.
أسئلة وأجوبة حول الذكاء الاصطناعي في إدارة المشاريع، وتحديدًا في صناعة تشغيل المعادن

1. لماذا هناك حاجة لتحسين إدارة المشاريع في صناعات مثل تشغيل المعادن؟
   تدفع المنافسة الشديدة الشركات إلى خفض التكاليف وتحسين الجودة وتقصير أوقات التسليم. تواجه صناعة تشغيل المعادن تحديات في الوفاء بالمواعيد النهائية للتسليم بسبب مشاكل سلسلة التوريد، وصعوبات إدارة المشاريع (نقص التنسيق، وقضايا الاتصال)، والمشاكل الفنية (عيوب المعدات، ونقص المهارات)، والتغييرات في التصميم التي يطلبها العميل، ومشاكل القوى العاملة (قلة التدريب، والتغيب)، ومخاوف تتعلق بالسلامة، وعدم دقة تقدير الوقت لأنشطة المشروع. يُعد تقدير وقت النشاط غير الدقيق سببًا وثيق الصلة بالتأخيرات في صناعة تشغيل المعادن.
2. ما هي الأساليب التقليدية التي تم استخدامها لمعالجة تحديات إدارة المشاريع وعدم دقة تقدير الوقت؟
   تشمل الأساليب التقليدية أدوات الإدارة الرشيقة مثل Scrum و Prince2 Agile و Lean Project Management و Agile Project Management و DSDM (طريقة تطوير الأنظمة الديناميكية). تُستخدم أيضًا الحلول التحليلية الكلاسيكية، مثل طريقة Gantt / Waterfall، ودليل PMBOK، والنموذج الحلزوني، و Prince2، وطريقة المسار الحرج (CPM) و / أو طريقة PERT، لتوفير رؤية أوضح وأكثر تنظيماً للمشاريع. تُستخدم خوارزميات مثل مونت كارلو، والخوارزميات الجينية، وخوارزميات البرمجة الخطية وغير الخطية، وخوارزميات السرب لتحسين إدارة الموارد.
3. كيف يتم تطبيق الذكاء الاصطناعي (AI) على إدارة المشاريع، وما هي تقنيات الذكاء الاصطناعي المحددة الأكثر استخدامًا؟
   يظهر الذكاء الاصطناعي كأداة واعدة لإدارة المشاريع، لا سيما في التنبؤ بالتأخيرات والتخفيف من حدتها، وتحسين الكفاءة التشغيلية، وتحسين تخصيص الموارد. التعلم الآلي (ML) هو تقنية الذكاء الاصطناعي الأكثر تفضيلاً، مع التركيز القوي على الشبكات العصبية الاصطناعية (ANNs). يتم استخدام التعلم العميق (DL) أيضًا، وإن كان ذلك بشكل أقل تكرارًا من التعلم الآلي.
4. ما هما الفئتان الرئيسيتان للذكاء الاصطناعي، وكيف يختلفان في تطبيقهما على إدارة المشاريع؟
   ينقسم الذكاء الاصطناعي على نطاق واسع إلى الذكاء الاصطناعي الضيق أو الضعيف والذكاء الاصطناعي العام أو القوي.
• يركز الذكاء الاصطناعي الضيق أو الضعيف على مهام محددة ومحددة مع قدرة محدودة على تطبيق المعرفة على مجالات أخرى. يندرج التعلم الآلي (ML) والتعلم العميق (DL) ضمن هذه الفئة.
• يهدف الذكاء الاصطناعي العام أو القوي إلى تكرار الذكاء البشري، بما في ذلك الاستدلال والتخطيط وحل المشكلات. على الرغم من قوته النظرية، لم تجد هذه الدراسة أي دليل على تطبيق تقنيات الذكاء الاصطناعي العام أو القوي (مثل التعلم المعزز أو الخوارزميات التطورية أو الأساليب الهجينة) بنجاح في إدارة المشاريع.
5. هل يمكنك وصف بعض تقنيات التعلم الآلي (ML) والتعلم العميق (DL) المحددة وتطبيقاتها في إدارة المشاريع؟
• تقنيات التعلم الآلي (ML):
• الشبكات العصبية الاصطناعية (ANNs): تُستخدم لتعلم الأنماط المعقدة وهي التقنية الأكثر استخدامًا للمشاريع في صناعة البناء.
• خوارزميات المجموعة (Random Forest, Gradient Boosting Machines): بدائل موثوقة لمشاريع مختلفة، بما في ذلك البناء.
• آلات المتجهات الداعمة (SVMs): تُطبق على التصنيف والانحدار، خاصة في الأبحاث الطبية والقطاع الكهربائي.
• الانحدار اللوجستي: يُستخدم لمشاكل التصنيف الثنائي.
• تقنيات التعلم العميق (DL):
• الشبكات العصبية التلافيفية (CNNs): شائعة في التعلم العميق، مع تطبيقات في مجالات الزراعة والبناء والأبحاث الطبية.
• شبكات الخصومة التوليدية (GANs): تُستخدم لتوليد بيانات تركيبية واقعية، قابلة للتطبيق في العمليات والبناء.
• شبكات الذاكرة طويلة-قصيرة الأجل (LSTM): تستخدم للتنبؤ بالسلاسل الزمنية.
6. ما هي التحديات الموجودة في تطبيق الذكاء الاصطناعي على إدارة المشاريع، وخاصة في صناعة تشغيل المعادن؟
   يشير البحث إلى ندرة الدراسات حول تطبيقات الذكاء الاصطناعي في إدارة المشاريع، وخاصة في صناعة تشغيل المعادن. كان جزء كبير من المقالات التي تمت مراجعتها إما بحثًا نوعيًا، أو غير ذي صلة بنطاق الدراسة، أو مكررًا. يكشف هذا عن فجوة في الأدبيات ويشير إلى مجال غير مستكشف لتنفيذ تقنيات الذكاء الاصطناعي في تشغيل المعادن. لم تذكر أي مقالات تمت مراجعتها تطبيق التعلم المعزز، والخوارزميات التطورية، والمناهج الهجينة بنتائج إيجابية في إدارة المشاريع.
7. ما هو مجال إدارة المشاريع المحدد الذي يظهر أكبر قدر من الوعد لتطبيق الذكاء الاصطناعي؟
   بناءً على الأدبيات التي تمت مراجعتها، يُظهر الذكاء الاصطناعي، وتحديداً تقنيات التعلم الآلي مثل الشبكات العصبية الاصطناعية، وعدًا في تحسين دقة تقدير الوقت في إدارة المشاريع. معالجة هذا الأمر أمر بالغ الأهمية للتخفيف من التأخير وتحسين كفاءة المشروع بشكل عام.
8. ما هي اتجاهات البحث المستقبلية التي تقترحها هذه الدراسة، خاصة فيما يتعلق بصناعة تشغيل المعادن؟
   تقترح الدراسة تطوير أداة ذكاء اصطناعي باستخدام الشبكات العصبية الاصطناعية (ANNs) لدعم تخطيط المشاريع المتعددة وتحسين دقة تحديد وقت الإنتاج في سياق تشغيل المعادن. يمكن أن يؤدي هذا إلى عمليات صناعية محسّنة، وخفض التكاليف، وزيادة الكفاءة التشغيلية، وتقليل أوقات تسليم المشاريع. علاوة على ذلك، فإن بنية المحولات لديها إمكانات تتجاوز معالجة اللغة الطبيعية في تطبيقات إدارة المشاريع.

(سيلفا وآخرون، 2024)

Silva, J., Ávila, P., Matias, J., Faria, L., Bastos, J., Ferreira, L., & Castro, H. (2024). Bibliographic review of AI applied to project management and its analysis in the context of the metalworking industry. IFAC-PapersOnLine, 58(27), 177–187. https://doi.org/10.1016/j.procir.2024.10.073