۱۶:۴۷ ۱۴۰۳/۰۷/۱۲
معرفی یک الگوی مفهومی متکی بر «هوش مصنوعی»

اپلیکیشن هوشمند ساخت و مدیریت سازه

«اپلیکیشن هوشمند ساخت و مدیریت سازه» یک الگوی مفهومی است که می‌تواند در تمامی عرصه‌های ساخت، از صنعت ساختمان تا جاده و غیره انقلاب مهمی برپا کند. این یادداشت اختصاصی «اقتصاد معاصر»، به معرفی این مفهوم و یک مثال کاربردی از آن پرداخته است.
اپلیکیشن هوشمند ساخت و مدیریت سازه
کد خبر:۴۱۷۳

به گزارش خبرنگار اقتصاد معاصر؛ بیایید تصور کنیم که برنامه‌ای و دستگاهی وجود داشته باشد که بتواند مطابق پروتکل‌ها و دستوراتی که به آن می‌دهید، هر سطح ناهموار و پرفراز و نشیبی را بسازد یا هموار کند. اگر به چنین فناوری دست پیدا کنیم اولا ساخت یا ترمیم هر سطح ناهمواری ممکن خواهد شد؛ در ثانی با اتکا به ساخت قطعات پیش‌ساخته (بصورت پازل)، امکان ساخت ارزان‌قیمت و سریع و باکیفیت هر سازه‌ای فراهم خواهد شد. اینطور می‌توان گفت که این یک انقلاب در اجرای سازه (ساخت و اجرا) در سراسر دنیاست.

 

این الگوی مفهومی (conceptual model) را اولین بار در ایران، بصورت محدود، دکتر محمدتقی امانپور (عضو هیات موسس جهادسازندگی و تنها معاون آموزش تحقیقات وزارت جهادسازندگی طی ادوار گوناگون) در سال گذشته مطرح کرد. گرچه برخی قسمت‌ها و ماژول‌های مشابه اجرایی شده اما اینکه از این مفهوم در دنیا نمونه‌ای کامل عملیاتی شده یا خیر، اطلاعی نداریم.

 

در همین زمینه بیشتر بخوانید

+ انقلاب در «سیاستگذاری» با «هوش مصنوعی»

+ ۷ چالش تکنیکی به‌کارگیری هوش مصنوعی در سازمان‌ها

+ محافظت هوش مصنوعی از جنگل‌های جهان

+ چرا باید به «هوش مصنوعی» توجه کرد؟

 

کامل نیست هنوز ......7.12 هوش مصنوعی ////// اپلیکیشن هوشمند ساخت و مدیریت سازه

 با این الگوی مفهومی می‌توان کلیه اختلالات سطوح را به بهترین نحو اصلاح کرد

 

خوب است اینجا این الگو را توسعه بدهیم و به ابعاد کاربردی آن هم اشاره‌ای داشته باشیم. ابتدا به این بپردازیم که اپلیکیشن بر چه اساسی «تصمیم» می‌گیرد که یک سازه را ایجاد کند؟ مساله در واقع این است که «تصمیم بهینه» برای ساخت یک سازه چیست. این موضوع متکی بر الگو‌ها و ادبیات و ابزار‌های متعدد «مدیریت استراتژیک دانش» و «هوش مصنوعی» و «نظریه تصمیم» قابل حل است. طرح چند مثال در این زمینه، موضوع را روشن خواهد کرد: 

 

مثال اول: ترمیم سطوح جاده‌ای 

فرض کنید مساله ما این باشد که می‌خواهیم بهترین ترمیم‌ها یا اصلاحات را در سطح یک جاده ۱۲۰ کیلومتری انجام بدهیم، طوری که شاخص‌های مطلوب و مورد نظر ما (که کمی بعدتر تعریف می‌کنیم) بهبود پیدا کند. اجزاء این الگو را کمی روشن‌تر توصیف کنیم:

 

الف) جمع‌آوری داده

برای بهترین سیاستگذاری یا تصمیم، به داده‌های متنوع مرتبط با این جاده نیازمندیم. داده‌های پایه مانند نوع زیرسازی و زمان ساخت و تابلو‌ها و قوانین مرتبط با مسیر (مانند سرعت مجاز) و غیره، داده‌های سازه‌های خاص مسیر مانند پل‌ها و تونل‌ها و غیره، سری زمانی داده‌های نگهداری و تعمیراتی جاده، داده‌های محیطی مانند آب‌وهوا و دما و رطوبت و اقلیم و باد و غیره، اسکن دقیق جاده شامل مسیر و شیب (طولی و عرضی جاده) و ترک‌ها و موج‌ها و گاردریل و سرعت‌گیر و غیره، داده‌های نقاط مسکونی اطراف جاده مانند جمعیت و تعداد خودرو و غیره، داده‌های نقاط بحرانی مانند عوارضی‌ها و مجتمع‌های خدماتی و رستوران‌ها و ایستگاه‌های پلیس و هلال احمر و مغازه‌ها و تفریحگاه‌ها و زیستگاه‌های خاص حیوانات و منابع طبیعی و نقاط حادثه‌خیز و غیره، و نهایتا داده‌های گوناگون تردد انسانی مانند نوع خودرو‌ها و تقویم ترافیکی و میزان تردد و غیره. 

 

این داده‌ها باید چند خاصیت داشته باشند: اولا هرکدام از آنها باید در تصمیم ما موثر باشند؛ داده‌های بی‌خاصیت به کار ما نمی‌آید. دوم اینکه باید مستقل از هم بوده و همپوشانی نداشته باشند، تا اثر یک داده را دو یا چند بار محاسبه نکنیم. سوم اینکه داده‌هایی که لازم است برخط باشند باید بصورت ماشینی و توسط دستگاه احصا شود و به‌دست بیاید (به سه دلیل گران‌قیمت بودن و دقت پایین و تعداد پایینِ داده‌های دستی). نکته پایانی درباره داده این است که این آمادگی باید در سازمان ما وجود داشته باشد که احتمالا صد‌ها یا هزاران نوع داده باید به‌کار گرفته شود تا تصمیم ما دقیق و اثربخش باشد. بطور معمول چنین است.

 

ب) تعریف متغیر‌های تصمیم

بعد از اینکه بستر برای جمع‌آوری داده‌ها فراهم شد، باید به این فکر کنیم که چه مطلوبیت‌هایی برای ما مطرح است. مثلا اینکه آیا می‌خواهیم عمر جاده حداکثر شود؟ یا می‌خواهیم ایمنی جاده افزایش پیدا کند؟ یا مایلیم سرعت تردد حداکثر شود و از مطلوبیت‌های دیگر به نفع این موضوع صرفنظر می‌کنیم؟ یا مایلیم زیباترین جاده را داشته باشیم؟ یا می‌خواهیم حداکثر تمهیدات زیست‌محیطی را داشته باشیم و حیات وحش را حفظ کنیم؟ یا می‌خواهیم کمترین هزینه تغییر (مثلا کمترین هزینه خاکبرداری و تعبیه تونل) را بپردازیم؟ یا می‌خواهیم یک روستا یا شهر یا بیمارستانی که در حاشیه جاده قرار دارند، کمترین آسیب را از جاده متحمل شود؟ و از این قبیل متغیرها. هر یک از این متغیرها، اقتضائاتی دارد که معمولا با افزایش مطلوبیت ناشی از انواع دیگر متغیر‌ها هیچ ارتباطی ندارد. 

 

برای اینکه این اتفاقات رقم بخورد، داده‌ها با منطق فازی و بصورت دو‌به‌دو و سه‌به‌سه و ... با یکدیگر سنجیده شده و دامنه داده‌های مورد قبول برای دستیابی به آن مطلوبیت مورد نظر به دست می‌آید. 

 

ج) تعریف محدودیت‌ها

به همراه تعریف متغیرها، محدودیت‌ها نیز باید درنظر گرفته شود. یک مثال ملموس این است: درست این است که شرایط جاده طوری اصلاح شود که سرعت تردد خودرو‌ها افزایش پیدا کند، اما گاهی به دلایل گوناگون ممکن است در این زمینه نیازمند اعمال محدودیت باشیم.

 

د) تابع هدف تصمیم

متغیر‌های تصمیم ما باید با هم ترکیب شوند و یک «تابع هدف تصمیم» بسازند. این تابع هدف می‌تواند با شرایط زیر تعریف شود:

 

اولا، ممکن است بخواهیم در هر بخشی از جاده یکی از متغیر‌های تصمیم بالا را به حداکثر مطلوبیت برسانیم. مثلا در حاشیه یک پارک ملی طبیعی که زیستگاه جانوران حفاظت‌شده است، اتفاقا با افزایش پیچ‌ها و موانع و غیره، از سرعت تردد مردم یا عمر جاده به نفع این زیستگاه بکاهیم؛ یا در حاشیه یک شهر سرعت را در محدوده خاصی نگه‌داریم؛ و به همین ترتیب.

 

ثانیا، ممکن است ترکیبی از متغیر‌ها برای ما مهم باشد. یعنی مثلا ۱۰ درصد افزایش عمر جاده، ۶۰ درصد ایمنی مسافران، و ۳۰ درصد محیط زیست مهم باشد.

 

ثالثا، ممکن است ترکیبی از دو عامل بالا برای ما مطلوب باشد؛ یعنی در هر قسمت از جاده ترکیبی از این متغیر‌ها مطلوب باشد (که معمولا چنین است).

 

رابعا، ممکن است در هر لحظه، بسته به شرایط، تابع هدف ما تغییر کند. برای مثال با تغییرات دما (مثلا بروز یخبندان) تصمیمات متفاوتی مورد نیاز باشد.

 

هوش مصنوعی با اتکا به موارد بالا برای شما تعریف می‌کند که چه نوع اصلاحاتی در جاده نیاز دارید: مثلا به‌کارگیری عامل انسانی (مانند پلیس)، یا هموار کردن سطح جاده، تعبیه سرعت‌گیر، کاهش یا افزایش شیب عرضی، ایجاد سکوی فرار در شیب‌های تند، ساخت تونل، تغییر مسیر جاده، تغییر آسفالت جاده به آسفالت گرم یا سرد، و انواع اصلاحات دیگر می‌تواند در هر محلی پیشنهاد شود تا به بهترین بازدهی بر حسب متغیر‌های تصمیم برسیم؛ و نهایتا اپلیکیشن، به کارخانه دستور می‌دهد که پازل‌هایی از سازه‌های پیش‌ساخته را با ابعاد مورد نظر و برای اصلاحات مورد نظر طراحی و اجرا کند؛ و سپس این سازه‌ها در جاده اجرا یا نصب خواهد شد.

 

سؤال:

آیا چنین منطقی رویایی و غیرواقعی نیست؟ آیا قابل اجراست؟ مثلا آیا پرهزینه بودن چنین منطقی، موجب نخواهد شد اجرایی نباشد؟

 

پاسخ این است که البته شرایط و نوع اجرا و نگاه به ایجاد این تکنولوژی، در اجرایی بودن آن بسیار مهم است، اما کاملا اجرایی است. درجاتی از این منطق با تفاوت‌هایی در آمریکا به کار گرفته شده است. طرفه اینکه ایجادکننده این فناوری و مجری آن، در آن کشور یک دانشمند ایرانی است! 

 

در روز‌های آتی، نمونه‌های دیگری از کاربرد‌های این مفهوم فنی انقلابی متکی بر هوش مصنوعی (اپلیکیشن هوشمند ساخت و مدیریت سازه) مطرح شده و توسعه داده خواهد شد.

ارسال نظرات