מבוא

המעבר מתפיסת Industry 4.0, שהתמקדה באיסוף נתונים ואוטומציה ממוקדת, אל עידן Industry 5.0, שבו המוקד הוא אנושיות, קיימות ועמידות, דורש גישה חדשה. לא די לייצר תחזיות מתקדמות; יש לוודא שהן מהימנות ומובנות למשתמשים, ולצד זאת לדעת להפוך אותן להחלטות ולפעולות אוטונומיות. שני מאמרים מחקריים משלימים מציעים נקודות מבט קריטיות למסלול זה: פייפר ועמיתיו (2025) מציגים כיצד ניתן להפוך תחזיות המבוססות על LLM לשקופות, ניתנות להסבר ובנות שימוש בייצור; רומרו וסויאמה (2025) מציעים מסגרת עבודה מבוססת Agentic AI המתרגמת כוונות של מפעילים לשורת פעולות מבוצעות בפועל. המסקנות שלהם מתיישבות היטב עם הניסיון המעשי של Data Raven, שבו מפעלים מחפשים שילוב של שקיפות ואוטונומיה כדי לאמץ פתרונות מבוססי AI.

מודלים גדולים מהימנים בייצור

במאמר "From Theory to Practice: Real-World Use Cases on Trustworthy LLM-Driven Process Modeling, Prediction and Automation" (פייפר ועמיתיו, 2025), מוצג הפער המרכזי ביישום AI בייצור: אמון. החוקרים מראים כיצד שילוב בין Process Mining, למידת מכונה עם הערכת אי-ודאות, וטכניקות Explainable AI מאפשר להפוך תחזיות אטומות לכלים שניתן לבדוק, לשאול ולוודא. בנוסף, מוצגת יכולת חדשה של ממשקים שיחתיים ליצירת מודלים תהליכיים (BPMN) המנגישים את התהליך גם למי שאינם מומחים טכניים. גישה זו אינה מנסה להחליף את המומחים, אלא מחזקת שיח אינטראקטיבי בין אינטואיציה אנושית לתובנות של המערכת.

מניסיוננו ב-Data Raven אנו רואים את אותה דרישה בדיוק: מפעילי קווים ומהנדסי ייצור לא מוכנים לאמץ תחזיות שאינם מבינים, אך מקבלים במהירות פתרונות כאשר הן שקופות, ניתנות לבקרה ומוסברות בשפה עסקית. כך למשל, בפרויקטים בתחום האלקטרוניקה גילינו שהוספת הערכת אי-ודאות לכל תחזית הייתה המפתח לאמון מצד המשתמשים.

Agentic AI לאוטומציה תעשייתית מבוססת כוונה

במאמר "Agentic AI for Intent-Based Industrial Automation" (רומרו וסויאמה, 2025) מושם הדגש על שלב הביצוע. במקום ממשקים מורכבים והוראות מפורטות, המפעיל מגדיר יעד כללי בשפה טבעית – לדוגמה "מניעת השבתות בלתי צפויות" – והמערכת מפרקת אותו לציפיות, תנאים, הקשרים ויעדים הניתנים לביצוע. המודל כולל סוכן מרכזי שמחלק משימות לסוכני משנה מומחים בתחומים כמו תחזוקה חזויה, תזמון או אבחון. הוכחת היתכנות באמצעות מערך הנתונים CMAPSS הדגימה כיצד ניתן להפיק תוכניות תחזוקה מונעות ישירות מתוך נתוני Remaining Useful Life של מנועים, ללא צורך בהתערבות אנושית מורכבת.

בפרויקטים שאנו מובילים ב-Data Raven, זו בדיוק הדרישה העולה לאחר שמתקבלת שקיפות ראשונית: היכולת לא רק להבין תחזיות אלא גם לפעול לפיהן באופן אוטונומי. במפעלי מים, למשל, הצעד הבא אחרי תחזיות מהימנות היה הרצון במערכת שתבצע בפועל את תכנון התחזוקה המונעת – על בסיס כוונות כלליות שמוגדרות על ידי ההנהלה.

סינתזה: מהשקיפות אל האוטונומיה

המאמרים מציעים יחד מסלול דו-שלבי ברור לתעשייה: בשלב הראשון יש לבסס אמון באמצעות מודלים גדולים מהימנים שמספקים תחזיות ניתנות להסבר, ובשלב השני לבנות על בסיס זה יכולות אוטונומיות המופעלות לפי כוונות. בסופו של דבר שני הכיוונים מתלכדים לתפיסה אחת של Industry 5.0, שבה הטכנולוגיה אינה מחליפה את האדם אלא מרחיבה את יכולותיו, תוך שמירה על קיימות ועמידות.

מניסיוננו בשטח ברור כי האיזון בין שקיפות לאוטונומיה הוא קריטי. ללא אמון, ארגונים לא יסכימו להפקיד את פעולותיהם בידי מערכות אוטונומיות; אך ברגע שהאמון נבנה, הם מבקשים בדיוק את היכולת הזו – מערכות שמבצעות עבורם תחזוקה, תזמון ותכנון מורכב, ומפנות את המפעילים להחלטות אסטרטגיות.

התאמה לניסיון התעשייתי של Data Raven

העקרונות שמציגים המחקרים עולים בקנה אחד עם מה שאנחנו רואים במגוון ענפי תעשייה: בייצור אלקטרוני שילוב תחזיות ניתנות לביקורת הוריד שיעור דחיות שגויות ושיפר אמון משתמשים; בייצור שסתומי מים אנו בוחנים מערכות סוכניות המבצעות תכנון תחזוקה מונעת לפי כוונות כלליות; ובייצור PCB או טקסטיל אנו פוגשים שוב ושוב את אותו דפוס – קודם כל דרישה לשקיפות ואחריה פתיחות לאוטונומיה. בפועל, השילוב בין שתי הגישות הוא הדרך שמייצרת ערך כלכלי ותפעולי אמיתי.

מסקנה: מפת דרכים ליישום בייצור

עבור יצרנים, מסלול האימוץ של AI צריך להיות מדורג. בשלב הראשון יש להטמיע מערכות המספקות תחזיות שקופות וניתנות לבקרה. לאחר מכן ניתן לעבור לשלב של אוטונומיה מונעת כוונה, שבו המפעילים מגדירים יעדים והמערכת מבצעת אותם. בשלב האחרון, שני הכיוונים משתלבים ליצירת סביבת ייצור חכמה, אנושית וברת קיימא.

ב-Data Raven אנו רואים את מסלול זה מתממש כבר היום בפרויקטים שאנו מובילים. כאשר יש אמון בתחזיות – המפעלים מוכנים להפקיד בידי המערכת גם את הביצוע. כך ניתן להימנע מהמלכודת של "קופסה שחורה" ולבנות מערכות ייצור חכמות שמביאות לתוצאות מוכחות.

מקורות

Pfeiffer, P., Rombach, A., Majlatow, M., & Mehdiyev, N. (2025). From Theory to Practice: Real-World Use Cases on Trustworthy LLM-Driven Process Modeling, Prediction and Automation. ACM SIGMOD/PODS. arXiv:2506.03801v1

Romero, M. L., & Suyama, R. (2025). Agentic AI for Intent-Based Industrial Automation. Federal University of ABC. arXiv:2506.04980v1