پشت پرده 30 هزار آژیر بی‌اثر در نیروی هوایی آمریکا
تولید ۳۰ هزار هشدار پیش‌بینی خرابی توسط هوش مصنوعی پَندا، نتوانسته گره تأخیرهای طولانی‌مدت در تعمیر و بازگشت هواگردهای آمریکا به خدمت را باز کند.
گروه علم و پیشرفت خبرگزاری فارس - رونمایی از سامانه‌های هوشمند در ادبیات نظامی آمریکا همواره با وعده «افزایش جهشی آمادگی رزمی» همراه بوده است.
در همین راستا، نیروی هوایی آمریکا سامانه هوش مصنوعی «پَندا» (PANDA) را به‌عنوان ابزار مرجع نگهداری پیش‌بینانه مستقر کرد؛ الگوریتمی که مدعی است با پردازش تله‌متری حسگرها و سوابق قطعات، نقص‌های فنی را پیش از رخ دادن فاجعه پیش‌بینی می‌کند.
البته که تولید بیش از ۳۰ هزار هشدار هوشمند در ۱۶ پلتفرم پروازی، روی کاغذ از موفقیت یک ارتش مدرن خبر می‌دهد. اما وقتی پرده از آمارهای پشت‌صحنه برداشته می‌شود، تصویر دیگری شکل می‌گیرد: گزارش‌های تازه دفتر پاسخ‌گویی دولت آمریکا (GAO) افشا می‌کنند که میزان تأخیر در مرکز تعمیرات انبارگاهی پنتاگون از ۳۱ درصد به ۷۳ درصد جهش یافته و جنگ‌های منطقه‌ای هزینه‌ای ۳۸ میلیارد دلاری بر بخش پشتیبانی تحمیل کرده است.
این تناقض، یک پرسش بنیادین و استراتژیک را پیش می‌کشد: آیا هوش مصنوعی واقعاً ناوگان هوایی آمریکا را سرپا نگه داشته، یا ارتش آمریکا در تله تحلیل‌های انتزاعی و داده‌های بی‌اثری گرفتار شده که توان عبور از گلوگاه‌های فیزیکی تعمیرگاه‌ها را ندارند؟
سامانه پَندا (PANDA)، مخفف «دستیار تحلیل پیش‌بینانه و تصمیم‌یار» (Predictive Analytics and Decision Assistant)، نرم‌افزاری مبتنی بر هوش مصنوعی و یادگیری ماشین است که برای بهبود نگهداری تجهیزات و پیش‌بینی خرابی قطعات در نیروی هوایی آمریکا توسعه یافته است.
این سامانه با همکاری دفتر پشتیبانی سریع نیروی هوایی و شرکت سی‌تری دات اِی‌آی ساخته شد و در مه ۲۰۲۳ عنوان سامانه مرجع رسمی نیروی هوایی برای نگهداری مبتنی بر وضعیت تجهیزات را دریافت کرد.
منطق عملکرد پَندا بر اتصال دو نوع داده استوار است. الگوریتم‌های مبتنی بر حسگر داده‌های حسگرها و تله‌متری هواگرد را برای شناسایی افت عملکرد یا نشانه‌های اولیه خرابی بررسی می‌کنند. در کنار آن، نگهداری مبتنی بر قابلیت اطمینان ارتقایافته (ERCM) از سوابق خرابی قطعات برای برآورد احتمال نقص‌های آینده استفاده می‌کند.
به این ترتیب، تعمیرات به‌جای اتکا به برنامه‌های زمانی ثابت یا انتظار برای وقوع خرابی، می‌تواند بر اساس شواهد وضعیت واقعی تجهیزات اولویت‌بندی شود.
این سازوکار از نظر عملیاتی اهمیت دارد: تشخیص زودهنگام یک نقص ممکن است مانع تبدیل خرابی کوچک به توقف طولانی هواگرد شود. اما پَندا سامانه پیش‌بینی حمله دشمن نیست و برای جلوگیری از اصابت موشک یا انهدام هواگرد در میدان نبرد طراحی نشده است.
بنابراین، خسارت ۴۵ پهپاد ریپر مستقیماً به شکست در ردیابی سیستم هوشمند ارتش آمریکا مرتبط نیست و مسئله اصلی دقیقاً این است که سنجش توان پَندا در نگهداری تجهیزاتی است که هنوز امکان تعمیر و بازگشت به خدمت دارند.
گزارش رسمی نیروی هوایی آمریکا در ۲ مه ۲۰۲۳ اعلام کرد پَندا در ۱۶ مجموعه پلتفرمی هواگرد و هر ۹ فرماندهی اصلی این نیرو گسترش یافته بود و بیش از ۳۰ هزار توصیه نگهداری پیش‌بینانه و هشدار مبتنی بر حسگر تولید می‌کر که در واثع این عدد دارد مقیاس فعالیت سامانه را نشان می‌دهد.
اما اگر بخواهیم از منظر دقیق‌تر به گزارش بنگریم، گزارش مشخص نمی‌کند این شمار در چه بازه زمانی تولید شده یا چه سهمی از هشدارها به پیشگیری موفق از خرابی منجر شده‌اند.
تفاوت میان این دو شاخص تعیین‌کننده است. یک سامانه ممکن است هزاران هشدار صادر کند، اما اگر بخشی از آنها نادرست باشند، تعمیر غیرضروری ایجاد کنند یا به دلیل نبود قطعه و نیروی متخصص به اقدام عملی منجر نشوند، تعداد خروجی‌های الگوریتمی به‌تنهایی معادل افزایش آمادگی نیست.
در منابع رسمی عمومی بررسی‌شده برای این گزارش، شاخص‌های مستقلی برای تعیین نرخ صحت هشدارهای پَندا، تعداد خرابی‌های جلوگیری‌شده، کاهش ساعات توقف تجهیزات یا میزان صرفه‌جویی مالی آن منتشر نشده است. این خلأ، شاید ناکارآمدی سامانه را اثبات نکند، اما اجازه هم نمی‌دهد ادعای موفقیت اقتصادی آن نیز صرفاً بر پایه حجم داده و تعداد هشدارها پذیرفته شود.
گزارش ۱۴ مه ۲۰۲۶ دفتر پاسخ‌گویی دولت آمریکا (GAO) نشان داد سهم هواگردهایی که تعمیرات انبارگاهی آنها از موعد اولیه فراتر رفت، از ۳۱ درصد در سال مالی ۲۰۱۹ به ۷۳ درصد در سال مالی ۲۰۲۴ افزایش یافته است. در همین دوره، ۸۳ درصد هواگردهای ترابری سنگین سی‌ـ۵ با تأخیر تعمیر شدند و تأخیر میانه آنها به ۳۷۶ روز رسید. برای هواگردهای کی‌سی‌ـ۴۶، سهم تعمیرات تأخیردار ۴۶ درصد و تأخیر میانه هشت روز بود.
البته که این گزارش عملکرد اختصاصی پَندا را اندازه‌گیری نمی‌کند و اهمیت داده‌ها در جای دیگری است. آن هم آنجا که گزارش مدنظر دارد حتی اگر هوش مصنوعی نقص قطعه‌ای را به‌موقع پیش‌بینی کند، تعمیر آن همچنان به قطعه قابل‌دسترس، نیروی متخصص، مجوزهای فنی و ظرفیت مرکز تعمیر وابسته است.
دفتر پاسخ‌گویی دولت آمریکا همچنین هشدار داد نیروی هوایی در گزارش‌دهی تأخیرها عمدتاً از موعدهای اصلاح‌شده استفاده می‌کند؛ موعدهایی که در برخی موارد پس از تکمیل تعمیرات تغییر کرده‌اند تا با زمان واقعی پایان کار تطبیق پیدا کنند. از نگاه این نهاد، چنین رویه‌ای می‌تواند ابعاد واقعی تأخیر را پنهان کند
اداره بودجه کنگره آمریکا در ۱۵ سپتامبر ۲۰۲۶ هزینه عملیاتی، لجستیکی و پشتیبانی جنگ با ایران را تا اول اوت حدود ۳۸ میلیارد دلار برآورد کرد.
این رقم شامل ۲۱٫۷ میلیارد دلار برای جایگزینی مهمات مصرف‌شده، ۱۰٫۴ میلیارد دلار برای افزایش ساعات پرواز، ۲٫۷ میلیارد دلار هزینه افزایش قیمت سوخت، ۱٫۵ میلیارد دلار سایر هزینه‌های عملیاتی و حدود ۱٫۹ میلیارد دلار برای جایگزینی تجهیزات ازدست‌رفته است. اجزای این برآورد گرد شده‌اند و ممکن است دقیقاً با جمع کل منطبق نباشند.
پَندا بالقوه می‌تواند بخشی از هزینه‌های نگهداری را کاهش دهد؛ برای مثال، با تشخیص زودتر فرسودگی قطعات یا کمک به برنامه‌ریزی تعمیرات.
اما این سامانه نمی‌تواند به‌تنهایی هزینه مهمات مصرف‌شده، ساعات پرواز عملیاتی یا افزایش قیمت سوخت را حذف کند. حتی درباره هزینه تعمیر تجهیزات نیز صرفه‌جویی احتمالی به اثربخشی واقعی هشدارها و امکان اجرای توصیه‌های تعمیراتی بستگی دارد.
محدودیت شواهد در این بخش نیز مهم است. اداره بودجه کنگره اعلام کرد وزارت دفاع آمریکا به درخواست اطلاعات آن پاسخ نداده و به همین دلیل برآورد هزینه‌ها بر داده‌های دولتی و گزارش‌های عمومی متکی بوده است. این نهاد همچنین نتوانست هزینه تعمیر یا بازسازی پایگاه‌های آسیب‌دیده را محاسبه کند. بنابراین، رقم ۳۸ میلیارد دلار تمام پیامدهای مالی جنگ را در بر نمی‌گیرد.
دفتر پاسخ‌گویی دولت آمریکا در گزارش دسامبر ۲۰۲۲ اعلام کرده بود وزارت دفاع سالانه نزدیک به ۹۰ میلیارد دلار برای نگهداری سامانه‌های تسلیحاتی زمینی، دریایی و هوایی هزینه می‌کند.
همان گزارش نشان داد نیروهای مسلح، با وجود اجرای برنامه‌های نگهداری پیش‌بینانه، عموماً سنجه‌های کافی برای ارزیابی نتایج آنها نداشتند. در آخرین وضعیت قابل‌مشاهده در صفحه توصیه‌های این نهاد تا ژانویه ۲۰۲۶، توصیه مربوط به تعیین اهداف کمی برای نگهداری پیش‌بینانه در نیروی هوایی همچنان باز بود.
برای ارزیابی واقعی پَندا، انتشار چند شاخص اهمیت بیشتری از اعلام تعداد هشدارها دارد: نرخ هشدارهای درست، تعداد خرابی‌های پیشگیری‌شده، ساعات توقف صرفه‌جویی‌شده، تغییر هزینه تعمیر به ازای هر ساعت پرواز و میزان افزایش آمادگی عملیاتی. مقایسه این شاخص‌ها پیش و پس از استفاده از سامانه، همراه با کنترل تفاوت نوع هواگرد و شرایط عملیاتی، می‌تواند نشان دهد که فناوری واقعاً چه ارزشی ایجاد کرده است.
پَندا نمونه‌ای از تلاش ارتش آمریکا برای تبدیل داده به تصمیم تعمیراتی است؛ اما داده‌های موجود هنوز فاصله میان مقیاس نرم‌افزار و نتیجه قابل‌اندازه‌گیری را پر نمی‌کنند.
در شرایطی که تأخیر تعمیرات انبارگاهی افزایش یافته و جنگ هزینه‌های سنگینی بر بودجه نظامی تحمیل کرده است، اینکه هوش مصنوعی چند هشدار تولید می‌کند واقعاً اهمیت اصلی ماجرا را نمی‌رساند بلکه آنچه که مهم است این است که چند خرابی را واقعاً پیشگیری می‌کند، چه میزان زمان و هزینه می‌کاهد و در نهایت چند هواگرد را زودتر به خدمت بازمی‌گرداند؟!
بمنظور دسترسی پایدار به اخبار و مطالب ما، آخرین نسخه اپلیکیشن خبرگزاری فارس را می‌توانید از اینجا و در فروشگاه‌های «کافه بازار» و «مایکت» دانلود و نصب کنید.
https://www.everycrsreport.com/reports/IN12692.html
https://www.afmc.af.mil/News/Article-Display/Article/3382942/rapid-sustainment-offices-condition-based-maintenance-plus-artificial-intellige/
https://www.aflcmc.af.mil/RSO-CBM-Plus/
https://www.gao.gov/products/gao-26-107890
https://www.cbo.gov/publication/62756
https://www.gao.gov/products/gao-23-105556
#هوش_مصنوعی #پندا #نگهداری_پیش‌بینانه #صنایع_دفاعی #هزینه_جنگ
