في عالم الصناعات الحديثة، يمثل تخطيط العمليات المعزز بالذكاء الاصطناعي (CAPP) عنصرًا حاسمًا لتحسين كفاءة الإنتاج. يعتمد هذا النظام كثيرًا على توفر بيانات دقيقة، لكن الكثير من الصناعات تعاني من محدودية البيانات المتاحة، مما يحد من فعالية النماذج المستخدمة.

تقدم الورقة البحثية الجديدة نهجًا مبتكرًا يتمثل في استخدام أسلوب التعلم شبه المراقب (Semi-supervised Learning) لتعزيز نماذج المحولات (Transformers) المستخدمة في تخطيط العمليات، دون الحاجة إلى تسميات يدوية للبيانات. يعتمد النظام على أوراكل مدرب يقوم بتصفية التنبؤات الصحيحة من أجزاء لم تُشاهد من قبل، ويتم استخدام هذه التنبؤات لإعادة تدريب النموذج في جلسة واحدة.

من خلال إجراء تجارب على بيانات صغيرة النطاق مع حقائق تم محاكاتها، أظهرت النتائج تحسنًا ملحوظًا في الدقة مقارنةً بالنماذج الأساسية، مما يدل على فعالية هذه الطريقة في بيئات التصنيع التي تعاني من نقص البيانات.

في النهاية، يُعتبر هذا التطور خطوة بارزة نحو تحسين الإنتاجية في القطاعات الصناعية، وهو يبرز أهمية الابتكار في معالجة تحديات عالم الذكاء الاصطناعي.