هاری پراشاد گووینداراجان از شرکت DXC در بریتانیا و ایرلند، واکاوی میکند که چرا مشکل هوش مصنوعی در صنعت ریلی، در واقع ریشه در جزیرهای بودن دادهها، حاکمیت متناسب و اقدام بر مبنای پیشبینیها دارد.
اخیراً فرصتی دست داد تا با مدیران ارشد زیرساختهای ریلی، بهرهبرداران قطار، تأمینکنندگان ناوگان و شرکای فناورانه بریتانیا نشستی داشته باشیم؛ نشستی پیرامون اینکه هوش مصنوعی (AI) واقعاً کجا میتواند به بهبود بهرهبرداری از شبکه ریلی کمک کند.
آنچه بیش از همه توجه من را جلب کرد این بود که چالش اصلی، اصلاَ ربطی به خود هوش مصنوعی ندارد.
تقریباً هر سازمانی صحبتهایش را با این جمله آغاز میکند: «ما به یک استراتژی هوش مصنوعی نیاز داریم.» پاسخ معمول من یک پرسش است: «میتوانم استراتژی دادههای شما را ببینم؟» اما در اغلب موارد، اصلاً چنین استراتژی وجود ندارد.
امروزه هر سازمانی تحت فشار است تا برای خود استراتژی هوش مصنوعی تعریف کند؛ در نتیجه، فعالیتهای مرتبط با هوش مصنوعی همهجا دیده میشوند، اما دستاوردهای ملموس و قابلسنجش، خیر.
مطالعه پشت سر مطالعه، به نتیجهای واحد میرسد: بیشتر پروژههای آزمایشی هوش مصنوعی در سطح کلانشرکتها هرگز به ارزش ملموسی منجر نمیشوند. با این حال، دلیل این امر بهندرت خود مدلها هستند. ساختن یک مدل، امروزه بخش آسان کار است. چالش اصلی و محل پیروزی یا شکست ارزشها، جاریسازی، نظاممند کردن و تنیدن آن در ابعاد وسیع درون یک سازمان پیچیده و حیاتی از منظر ایمنی است.
این چالش در وهله نخست از جنس فناوری نیست، بلکه یک مسئله سازمانی است.
بنابراین، شاید از زبان کسی در جایگاه شغلی من عجیب به نظر برسد، اما واقعیت این است که صنعت ریلی به هوش مصنوعی بیشتری نیاز ندارد؛ بلکه به هوش مصنوعی «درست»، برای حل مسئلهای «درست» و پیوندخورده با نحوه کارکرد واقعی سازمان نیازمند است.
هوش مصنوعی تنها بخشی از راهحل است، نه خود راهحل.
چتگپتو مترادف هوش مصنوعی شده و این خود یک مشکل است
ظهور هوش مصنوعی در قالب پنجرههای گفتگو (چتباکس)، هیجان زیادی به پا کرد اما یک تصور غلط و آسیبزا را نیز دامن زد: اینکه یک مدل زبانی بزرگ (LLM)، تمامِ هوش مصنوعی است؛ در حالی که این تنها بخشی از تصویر است.
هوش مصنوعی در کنار مدلهای زبانی، شامل هوش علّی (Causal AI)، گرافهای دانش، بینایی ماشین و مدلهای چندوجهی است. هنر واقعی در این است که بدانیم کدام رویکرد را باید برای کدام مسئله به کار گرفت.
یک نمونه عینی، کاربرد هوش علّی و گراف دانش ریلی در ریشهیابی تاخیرهاست؛ کاری که پیشتر فرآیندی کند و دستی بود، اکنون از ۹ یا ۱۰ روز به چند دقیقه کاهش یافته و دقت آن نیز بیشتر شده است.
عکس این قضیه نیز صادق است. تلورانسها و خطاهای آزادی که از یک چتبات همهمنظوره میپذیریم، در تصمیمگیریهای حساسِ مرتبط با ایمنی به هیچ وجه قابل قبول نیستند. این حوزه به سیستمهای اختصاصی، کاملاً تنظیمشده و تحت نظارت دقیق نیاز دارد. شناختن مرز میان این دو، خود یک قابلیت کلیدی سازمانی است.
بزرگترین مشکل هوش مصنوعی، خودِ هوش مصنوعی نیست
هر گفتگویی درباره هوش مصنوعی در صنعت ریلی، به گفتگو درباره «داده» تبدیل میشود. بزرگترین مانع نیز الگوریتمها نیستند، بلکه دادههایی هستند که در جزیرههای ایزوله و جدا از هم محبوس شدهاند و با یکدیگر ارتباطی ندارند؛ زیرساخت و بهرهبرداری، خط و قطار، اپراتور و تامینکننده.
تا زمانی که این دادهها نتوانند به گردش درآیند، حتی پیشرفتهترین سیستمهای هوش مصنوعی نیز از ملزومات حیاتی برای موفقیت محروم خواهند ماند.
غریزه نخستین این است که مشکل را با یک استاندارد واحد و سراسری در کل صنعت حل کنیم؛ اما این مسیری کند، پرچالش و شاید دستنیافتنی باشد. مدل کاربردیتری در حال ظهور است: هر سازمان دادههای خود را به بهترین شکل استانداردسازی کند و هوش مصنوعی بستر ارتباطی و زمینه (Context) میان آنها را فراهم سازد. لازم نیست همه یکسان باشند، بلکه باید پیشبینیپذیر باشند.
آنجا که دادهها باید به جریان بیفتند، مانع اصلی فناوری نیست، بلکه بحث مالکیت و ملاحظات تجاری است.
صنعت هوانوردی این مسئله را با استانداردهای مدیریتشده جهانی حل کرد؛ صنعت ریلی نیز برای انجام این کار به یک نهاد بیطرف نیاز دارد.
حاکمیت داده باید سرعتبخش پذیرش باشد، نه کندکننده آن
حاکمیتهای سنگین و متمرکز، حس مسئولیتپذیری میدهند، اما غالباً نتیجهای معکوس دارند.
اگر تمام انرژی خود را صرف نظارت بر کاربردهای کمریسک کنید – مانند استفاده از دستیار هوشمند برای پیشنویس کردن یک ایمیل – احساس میکنید وظیفهشناس بودهاید، اما در عین حال تصمیمات پرخطر را از دست دادهاید و کل سازمان را هم کند کردهاید؛ این یک جریان دو سر باخت است.
مدل کارآمد، حاکمیتی متناسب با میزان ریسک است: پذیرش موارد کمریسک را بیدردسر سازید و تمرکز نظارتی خود را معطوف به بخشهایی از هوش مصنوعی کنید که بر ایمنی، مسافران یا عملکرد شرکتی تأثیر میگذارند. این ساختار را با حضور همزمان تیمهای حقوقی، مهندسی، داده و بهرهبرداری طراحی کنید. افراد از فرآیندی که خود در طراحیاش نقش داشتهاند حمایت میکنند و راه دور زدن فرآیندهای تحمیلی را یاد میگیرند.
پیشبینی بدون اقدام، هیچ ارزشی ندارد
این همان نکتهای است که من بیش از همه بر آن تأکید میکنم.
شما میتوانید مسئلهای را با دقت پیشبینی کنید اما هیچ اقدام مفیدی در قبال آن انجام ندهید؛ چرا که دادهها، جزیرههای ایزوله (بهویژه میان فناوری اطلاعات IT و فناوری عملیاتی OT) و مدل پاسخگویی با یکدیگر هماهنگ و یکپارچه نیستند.
سایر صنایع درسهای مفیدی برای ارائه دارند: یک حادثه جدی در بزرگراه، در محیطی با هماهنگی مرکزی کمتر نسبت به راهآهن، به سرعت جمعوجور میشود؛ چرا که پلیس، اورژانس، امداد خودرو و مراجع راهداری بر اساس مدلهای پاسخگویی تمرینشده و هماهنگ عمل میکنند. فناوری پیشبینی و تشخیص وجود دارد؛ حلقه مفقوده، مدل اجرایی (Operating Model) است که پیشبینی را به تصمیم و تصمیم را به اقدام تبدیل میکند.
انتظار برای «GBR» این مشکل را حل نمیکند
وسوسهبرانگیز است که برای سامان گرفتن اوضاع، منتظر تشکیل شرکت «راهآهن بزرگ بریتانیا» (GBR) بمانیم؛ اما من دقیقاً برعکس آن را توصیه میکنم. نه به این دلیل که GBR واقعی نیست، بلکه کاملاً چنین است.
لایحه راهآهن در پارلمان در حال پیشرفت است، بیشتر بهرهبرداران پیش از این به بخش دولتی منتقل شدهاند و GBR حدود یک سال پس از تصویب نهایی لایحه، عملیاتی خواهد شد.
با این حال، ساختار همچنان در حال تکامل است و دقیقاً به همین دلیل، دست روی دست گذاشتن انتخاب درستی نیست.
GBR ساختار میآورد و امیدوارم اختیار تصمیمگیری در سطح مناسب را نیز فراهم کند. اما قرار نیست با تیمی از کارشناسان جدید از راه برسد تا راهآهن را نجات دهد. کسانی که قرار است راهآهن را بهبود ببخشند، عمدتاً همان افرادی هستند که همین الان هم در آن حضور دارند. یا به قول یکی از حاضران در جلسه: «این همان آدمها هستند که فقط کارت شناسایی (لنیارد) متفاوتی به گردن میآویزند؛ پس کار را شروع کنید!»
خلاصه کلام
در صنعت ریلی، چتباتهای همهمنظوره هوش مصنوعی قرار نیست در موقعیتهای حساسِ مرتبط با ایمنی کارایی داشته باشند؛ بلکه به سیستمهای اختصاصی، کاملاً تنظیمشده و تحت نظارت دقیق نیاز دارید.
با این وجود، مانع اصلی خودِ هوش مصنوعی نیست، بلکه دادههای محبوس در جزیرههای ایزوله مانند زیرساخت و بهرهبرداری است. مسائل پیشبینی میشوند اما حل نمیگردند، زیرا دادهها، سیلوها و مدلهای پاسخگویی به یکدیگر متصل نیستند.
انتظار برای راهاندازی «راهآهن بزرگ بریتانیا» (GBR) – که احتمالاً در سال ۲۰۲۷ اتفاق میافتد – پاسخگوی حل این مشکل نیست. کار را با تمرکز بر حوزههای محدود و طراحی پذیر آغاز کنید.
راهآهن از کجا باید آغاز کند؟
تمرکز بر یک حوزه محدود اما با طراحی برای مقیاسپذیری.
یک مسئله مشخص و باارزش بالا را انتخاب کنید و فقط مشتدادههای محدودی را که آن را هدایت میکنند، پاکسازی کنید. اما هرگز تصور نکنید که این بخش بهتنهایی کار میکند؛ در راهآهن تقریباً هیچچیز منفرد نیست و همه چیز به هم متصل است.
بنابراین، ارزش کار را ظرف چند هفته به اثبات برسانید، از روز نخست ساختار را به گونهای طراحی کنید که به بیرون متصل باشد و مطمئن شوید هر پیشبینی، متولی مشخصی با اختیار عمل دارد.
صنعت ریلی بیش از هر زمان دیگری در تاریخ خود دارای داده، فناوری اثباتشده و الگوهای بینصنعتی است. فرصت پیشرو این است که از پروژههای آزمایشی به سمت عملکرد واقعی حرکت کنیم؛ از نمایشهای جذاب به سمت بهبودهای ملموس در ایمنی، قابلیت اطمینان و بهرهبرداری عملیاتی.
راهآهن به هر شکل و ماهیتی که دربیاید، باز هم این خودِ ما هستیم که آن را اداره میکنیم.
پس بیایید از انتظار برای کسب اجازهای که هماکنون در اختیار داریم، دست برداریم.
موقعیت پیشرو، ساختن هوش مصنوعی بیشتر نیست؛ بلکه ساختن راهآهن است که استفاده از آن را بلد باشد.
(منبع: Global Railway Review، 24 September 2026)



