دومین ارائه تخصصی پایون هوش مصنوعی در فولاد با محوریت کارگاه «تحلیل بازار و بهینه‌سازی تولید با کمک مدل‌های زبانی بزرگ (LLMs)» برگزار شد.
به گزارش روابط عمومی شرکت فولاد کاوه جنوب کیش، در این نشست دکتر محمدعلی اخایی، پسا دکترا از دانشگاه سیدنی و سرپرست آزمایشگاه رایانش و مخابرات دانشگاه تهران، مسیر گذار صنعت فولاد ایران به سمت تصمیم‌گیری هوشمند را ترسیم کرد. اخایی گفت: موضوعی که امروز مطرح می‌کنیم این است که در وضعیت موجود، چگونه می‌توانیم از هوش مصنوعی در صنعت فولاد استفاده کنیم و تولید و بازار را به سمت مدل بازارمحور و داده‌محور سوق دهیم.
وی افزود: سیستم پیشنهادی ما یک رادار هوشمند است که بازار را رصد می‌کند و آلارم‌های تحلیلی را برای واحدهای تدارکات، فروش و تولید صادر می‌کند تا تصمیم‌سازی‌ها به‌جای تکیه بر تجربه شخصی، بر پایه داده‌های واقعی انجام شود.
گذار از برنامه‌ریزی سنتی به هوشمند
اخایی ضمن تشریح وضعیت فعلی تولید گفت: تا امروز برنامه‌ریزی تولید در کارخانه‌های فولاد بر پایه تجربه، خریدهای دوره‌ای و تصمیم‌های دیرهنگام انجام می‌شود. سازوکار فعلی وابسته به افراد خاص است؛ دانشی که در سینه‌ی معدود مدیران باقی مانده و با خروج آنان از سیستم، بهره‌وری هم فرو می‌ریزد. در مقابل، در مدل بازارمحور، داشبوردهای لحظه‌ای ایجاد می‌شود تا روند قیمت، نوسانات برق، هزینه حمل‌ونقل و وضعیت صادرات در لحظه تحلیل شود.
او ادامه داد: این سیستم از طریق داده‌های زنده، تحلیل روندها را پیش از وقوع نوسان انجام می‌دهد. به این ترتیب، مدیران می‌توانند در زمان درست، تصمیم درست بگیرند. وقتی بدانیم میلگرد سایز ۱۶ در هفته آینده گرانی خواهد داشت، تولید و فروش آن باید مقدم شود. این همان معنای واقعی گذار به هوش در تولید است.
خزنده‌های داده و مغز تحلیلی فولاد
این پژوهشگر در بخش دیگری از سخنان خود گفت: مدل‌های زبانی بزرگ قابلیت مطالعه و درک متن را دارند. به بیان ساده، ماشین می‌تواند هر مجله، توییت، کانال تلگرامی و گزارش تحلیلی را بخواند و پیوند میان اخبار ژئوپولیتیک، انرژی و قیمت قراضه را کشف کند. با استفاده از فناوری OCR، داده‌های غیرمتنی نیز – از قراردادها تا بارنامه‌ها – تبدیل به متن می‌شوند تا سیستم بتواند تحلیل کند که چه عاملی چه اثری در قیمت نهایی فولاد دارد.
وی توضیح داد: بلوک‌های حداقلی این مدل شامل خزنده‌ی خبر، استخراج داده از شبکه‌های اجتماعی، پیش‌بینی قیمت‌ها، محاسبه شاخص‌هایی مانند اختلاف قیمت پیش‌بینی‌شده با واقعی (PPV) و در نهایت تحلیل خواب سرمایه است. هدف، کاهش ریسک تصمیم‌گیری، افزایش دقت خرید و فروش و تعادل بین تولید و انبار است.
اخایی گفت: چرا امروز زمان گذار است؟ چون پایگاه داده‌ها قابل بهینه‌سازی است، الگوریتم‌های زبانی بزرگ بالغ شده‌اند و ماشین‌ها اکنون قادرند داده‌ها را بفهمند، استدلال کنند و حتی گزارش تحلیلی خودکار بنویسند.
ساخت رادار بازار و نقشه همبستگی قیمت‌ها
در ادامه، اخایی بخش فنی طرح را توضیح داد و گفت: رادار بازار مجموعه‌ای از ورودی‌های داخلی و خارجی را می‌خواند، از قیمت انرژی، ارز، مواد اولیه و هزینه حمل تا شاخص‌های جهانی مانند مجلات آرگوس و آیسیس.
این داده‌ها پس از پاک‌سازی و برچسب‌گذاری، وارد مدل می‌شوند تا شاخص‌های کلیدی از جمله همبستگی قیمت قراضه با بیلت یا میلگرد حاصل شود.
مثلاً اگر قیمت قراضه رشد کند، دو هفته بعد بیلت افزایش می‌یابد. این هشدار برای مدیر تولید یعنی اولویت تولید باید تغییر کند.
او افزود: نقشه همبستگی قیمت‌ها (Lead-Lag Map) شاخصی است که الگوی زمانی تأثیر متغیرها را نشان می‌دهد. بر این اساس، بخش فروش می‌تواند سقف و کف منطقی قیمت را بداند؛ بخش تولید ترتیب ساخت سایزها را تنظیم کند.
