وبلاگ
هوش مصنوعی در تضمین کیفیت و ممیزی؛ فرصت‌ها، ریسک‌ها و راهکارهای اجرایی
هوش مصنوعی در تضمین کیفیت و ممیزی؛ فرصت‌ها، ریسک‌ها و راهکارهای اجرایی
هوش مصنوعی می‌تواند در چند دقیقه پیش‌نویس یک گزارش ممیزی، فهرستی از ریسک‌های احتمالی یا تحلیلی اولیه از عدم انطباق‌ها تولید کند. اما آیا این خروجی الزاماً درست است؟ آیا می‌توان آن را به‌عنوان شاهد ممیزی پذیرفت؟ و اگر تصمیم مبتنی بر آن اشتباه باشد، مسئولیت با چه کسی است؟
هوش مصنوعی در تضمین کیفیت زمانی ارزش واقعی ایجاد می‌کند که علاوه بر افزایش سرعت، به بهبود تحلیل، قابلیت ردیابی اطلاعات و کیفیت تصمیم‌گیری کمک کند. استفاده بدون کنترل از این فناوری می‌تواند خطاهای جدیدی ایجاد کند؛ از ارائه اطلاعات نادرست و نادیده گرفتن شواهد گرفته تا افشای اطلاعات محرمانه و تصمیم‌گیری بر مبنای تحلیل ناقص.
در این مقاله، فرصت‌های کاربرد هوش مصنوعی در مدیریت کیفیت، محدودیت‌های آن و یک روش اجرایی برای استفاده کنترل‌شده از این فناوری در ممیزی و تضمین کیفیت را بررسی می‌کنیم.
چرا هوش مصنوعی به موضوعی مهم در مدیریت کیفیت تبدیل شده است؟
بسیاری از فعالیت‌های کیفیت با حجم زیادی از اطلاعات سروکار دارند؛ از گزارش‌های بازرسی و سوابق تولید گرفته تا شکایت مشتریان، نتایج آزمون، سوابق تأمین‌کنندگان، گزارش‌های عدم انطباق و اقدامات اصلاحی. بررسی دستی این اطلاعات می‌تواند زمان‌بر باشد، به‌ویژه زمانی که اطلاعات در فایل‌ها و سامانه‌های مختلف نگهداری می‌شوند.
ابزارهای هوش مصنوعی می‌توانند در جست‌وجو، دسته‌بندی، خلاصه‌سازی، شناسایی الگوهای احتمالی و تهیه پیش‌نویس مستندات کمک کنند. برای مثال، یک ابزار مناسب می‌تواند گزارش‌های عدم انطباق را بر اساس نوع مشکل دسته‌بندی کند یا فهرستی از موضوعات پرتکرار را برای بررسی کارشناس کیفیت پیشنهاد دهد.
پژوهشی با عنوان
A Generative AI-Based Framework for Proactive Quality Assurance and Auditing
که در سال ۲۰۲۶ در نشریه Applied Sciences منتشر شده، چارچوبی برای ادغام هوش مصنوعی مولد با فعالیت‌های تضمین کیفیت و ممیزی پیشنهاد می‌کند. در مطالعه اثبات مفهوم این پژوهش، یک جریان کاری مبتنی بر چت‌بات هوش مصنوعی با جریان کاری تیم کارشناسی در صنعت الکترونیک مقایسه شده است.
خروجی‌های بررسی‌شده شامل تحلیل حالات خرابی و آثار آن‌ها (PFMEA)، طرح کنترل، بسته درخواست مدارک تأیید قطعه از تأمین‌کننده (PPAP) و مجموعه شواهد ممیزی داخلی بوده‌اند. ارزیابی کارشناسی نیز جنبه‌هایی مانند کیفیت مستندات، منطق شناسایی و مهار مشکلات، قابلیت ردیابی و کارایی اجرا را در نظر گرفته است.
این پژوهش نشانه‌ای از ظرفیت بالقوه هوش مصنوعی در فعالیت‌های کیفیت است؛ اما یک مطالعه اثبات مفهوم، تضمین نمی‌کند که همان نتیجه در همه صنایع، ابزارها، زبان‌ها یا محیط‌های عملیاتی تکرار شود. هر سازمان باید کاربرد موردنظر را در شرایط واقعی خود ارزیابی کند.
کاربردهای عملی هوش مصنوعی در تضمین کیفیت و ممیزی
۱. تحلیل اولیه عدم انطباق‌ها
یکی از کاربردهای مناسب، دسته‌بندی گزارش‌های عدم انطباق و شناسایی الگوهای احتمالی است. برای مثال، مدل می‌تواند گزارش‌های مربوط به ابعاد خارج از تلرانس، نقص پوشش، خطای مستندات یا تأخیر در کنترل را گروه‌بندی کند.
خروجی این مرحله باید به‌عنوان سرنخ تحلیلی در نظر گرفته شود. تشخیص اینکه یک الگو واقعاً وجود دارد، علت ریشه‌ای چیست و چه اقدامی مناسب است، به بررسی داده‌های معتبر و قضاوت کارشناسی نیاز دارد.
۲. آماده‌سازی پیش‌نویس چک‌لیست ممیزی
هوش مصنوعی می‌تواند بر اساس دامنه ممیزی، فرایند مورد بررسی و اطلاعات ارائه‌شده، پیش‌نویس پرسش‌های ممیزی و فهرست شواهد مورد انتظار را تهیه کند. این کار می‌تواند مرحله آماده‌سازی را سریع‌تر کند.
بااین‌حال، پرسش‌ها باید با معیارهای واقعی ممیزی، الزامات قراردادی، استانداردهای قابل‌اعمال و روش‌های اجرایی سازمان تطبیق داده شوند. پرسش تولیدشده توسط مدل، به‌تنهایی اثبات نمی‌کند که الزام خاصی در استاندارد وجود دارد.
۳. سازمان‌دهی شواهد ممیزی
در سازمان‌های بزرگ، یافتن شواهد مرتبط با یک موضوع می‌تواند دشوار باشد. در صورت وجود مجوز دسترسی و کنترل مناسب، ابزارهای هوش مصنوعی می‌توانند در جست‌وجو و خلاصه‌سازی سوابق یا ایجاد ارتباط اولیه میان موضوع ممیزی و مدارک مرتبط کمک کنند.
خروجی باید به سند مشخص و نسخه معتبر آن ارجاع دهد. خلاصه تولیدشده جایگزین مشاهده مدرک اصلی نیست و ممیز باید بتواند ادعای مطرح‌شده را در منبع اصلی بررسی کند.
۴. پشتیبانی از تحلیل ریسک و فرصت
هوش مصنوعی می‌تواند در تهیه فهرست اولیه ریسک‌ها و فرصت‌های مرتبط با فرایندها، محصولات یا تغییرات پیشنهادی مفید باشد. برای نمونه، در یک فرایند تولیدی ممکن است پیشنهادهایی درباره خرابی تجهیزات، خطای انسانی، تغییرات طراحی، کیفیت مواد اولیه یا ضعف ردیابی مطرح شود.
این پیشنهادها باید با شرایط واقعی سازمان، داده‌های تاریخی، نظر متخصصان و معیارهای ارزیابی ریسک تطبیق داده شوند. مدل ممکن است ریسک مهمی را نبیند یا موردی نامرتبط را برجسته کند؛ بنابراین خروجی آن نباید بدون بررسی به فهرست نهایی ریسک‌ها تبدیل شود.
۵. بررسی روند شکایت مشتریان و دوباره‌کاری
ابزارهای تحلیل داده و پردازش زبان می‌توانند به گروه‌بندی شکایت‌ها، شناسایی موضوعات تکرارشونده و تهیه خلاصه مدیریتی کمک کنند. ترکیب این اطلاعات با داده‌های تولید، کنترل کیفیت و خدمات پس از فروش می‌تواند زمینه مناسبی برای تعریف پروژه‌های بهبود فراهم سازد.
البته شناسایی هم‌زمانی دو رویداد به معنای اثبات رابطه علت و معلولی نیست. برای تعیین علت واقعی، باید روش مناسب تحلیل مسئله و شواهد معتبر به کار گرفته شوند.
مهم‌ترین ریسک‌های استفاده از هوش مصنوعی در مدیریت کیفیت
کاربرد هوش مصنوعی در تحلیل داده‌های کیفیت و آماده‌سازی شواهد ممیزی در محیط صنعتی
| ریسک | نمونه پیامد | کنترل پیشنهادی |
|---|---|---|
| اطلاعات نادرست | ذکر الزام یا علت احتمالی که پشتوانه کافی ندارد | تطبیق ادعاهای مهم با منبع اصلی و شواهد واقعی |
| تحلیل ناقص | انتخاب اقدام اصلاحی بر اساس علت اشتباه | بررسی تخصصی و تحلیل علت ریشه‌ای با استفاده از داده‌های معتبر |
| نقض محرمانگی | افشای اطلاعات مشتری، نقشه یا سوابق داخلی | تعیین ابزار مجاز، کنترل دسترسی و ارزیابی امنیتی |
| نبود قابلیت ردیابی | نامشخص بودن منشأ یک ادعا یا تغییرات انجام‌شده | ثبت منابع، نسخه‌ها، تأییدها و تغییرات کارشناسی |
| اتکای بیش از حد | پذیرش پاسخ مدل بدون بررسی مستقل | تعریف مسئولیت انسانی و معیارهای تأیید خروجی |
| سوگیری داده‌ها | کم‌توجهی به بعضی انواع خطا یا شرایط عملیاتی | بررسی نمایندگی داده‌ها و ارزیابی عملکرد در شرایط مختلف |
کنترل این ریسک‌ها به معنی کنار گذاشتن هوش مصنوعی نیست. هدف، تعیین محدوده استفاده، شناخت محدودیت‌ها و ایجاد سازوکارهایی است که خطاها پیش از اثرگذاری بر تصمیم‌های مهم شناسایی شوند.
روش اجرایی پیشنهادی برای استفاده کنترل‌شده از هوش مصنوعی
مرحله اول: کاربرد مشخصی انتخاب کنید
به‌جای شروع با عنوان کلی «هوشمندسازی مدیریت کیفیت»، یک مسئله مشخص انتخاب کنید؛ مانند دسته‌بندی گزارش‌های عدم انطباق یا تهیه پیش‌نویس چک‌لیست ممیزی. بهتر است در مرحله آزمایشی، کاربردی انتخاب شود که خروجی آن به‌سادگی قابل بررسی باشد و تصمیم‌های پرخطر مستقیماً به مدل واگذار نشوند.
مرحله دوم: داده‌ها و محدودیت‌ها را تعریف کنید
مشخص کنید ابزار به چه داده‌هایی نیاز دارد، کدام اطلاعات محرمانه هستند، چه افرادی مجاز به استفاده‌اند و چه نوع داده‌ای نباید وارد سامانه شود. اگر اطلاعات از چند منبع می‌آیند، وضعیت اعتبار، کامل بودن و به‌روز بودن آن‌ها را نیز بررسی کنید.
مرحله سوم: معیارهای پذیرش خروجی را تعیین کنید
پیش از شروع، معیارهای ارزیابی را مشخص کنید. برای مثال، در تهیه پیش‌نویس چک‌لیست می‌توان صحت ارجاع‌ها، پوشش موضوعات ضروری، ارتباط پرسش‌ها با دامنه ممیزی و میزان اصلاحات کارشناسی را سنجید.
معیارها باید متناسب با نوع کاربرد باشند. برای یک کار ساده دسته‌بندی، معیار پذیرش با یک تحلیل ریسک مهم یا ارزیابی انطباق محصول یکسان نیست.
مرحله چهارم: خروجی را با شواهد اصلی تطبیق دهید
ادعاهای مهم باید به منبع مشخصی متصل باشند. اگر مدل شماره یک بند استاندارد، علت یک عدم انطباق یا وضعیت انطباق یک فرایند را بیان می‌کند، کارشناس باید بتواند منبع معتبر آن را بررسی کند.
در صورت نبود منبع معتبر، خروجی باید اصلاح یا کنار گذاشته شود. ظاهر حرفه‌ای متن یا میزان اطمینان مدل، جایگزین اعتبارسنجی نیست.
مرحله پنجم: مسئولیت تصمیم نهایی را روشن کنید
نقش‌ها را پیش از اجرا مشخص کنید: چه کسی خروجی را تهیه می‌کند، چه کسی آن را بررسی می‌کند، چه کسی مجاز به تأیید نهایی است و در صورت شناسایی خطا چه اقدامی باید انجام شود.
برای تصمیم‌هایی مانند پذیرش محصول، تعیین علت ریشه‌ای، تأیید اثربخشی اقدام اصلاحی یا اعلام انطباق، سازمان باید سطح نظارت و تأیید متناسب با اهمیت تصمیم را تعریف کند.
مرحله ششم: عملکرد را در طول زمان پایش کنید
عملکرد مدل ممکن است با تغییر داده‌ها، ابزار، تنظیمات یا روش استفاده متفاوت شود. بنابراین ارزیابی نباید تنها به زمان شروع پروژه محدود بماند. تغییرات مهم باید ثبت و اثر آن‌ها بررسی شود.
مثال فرضی: استفاده از هوش مصنوعی در تحلیل دوباره‌کاری
فرض کنید یک شرکت تولیدی در سه ماه گذشته با افزایش دوباره‌کاری در یک گروه محصول مواجه شده است. تیم کیفیت گزارش‌های عدم انطباق، سوابق تولید و نتایج بازرسی را گردآوری می‌کند و از یک ابزار هوش مصنوعی برای دسته‌بندی اولیه اطلاعات کمک می‌گیرد.
مدل پیشنهاد می‌دهد که بخشی از موارد ممکن است با آموزش ناکافی اپراتورها مرتبط باشد. این پیشنهاد می‌تواند یکی از فرضیه‌های بررسی باشد، اما هنوز علت ریشه‌ای اثبات نشده است.
تیم کیفیت برای ادامه بررسی می‌تواند اقدامات زیر را انجام دهد:
- تطبیق موارد شناسایی‌شده با گزارش‌های اصلی و بررسی صحت دسته‌بندی مدل.
- مقایسه اطلاعات با سوابق آموزش و شایستگی کارکنان مربوط.
- بررسی وضعیت تجهیزات، ابزارها، مواد اولیه و نسخه مدارک فنی.
- تحلیل داده‌ها به تفکیک شیفت، نوع محصول، زمان و شرایط تولید.
- تعیین علت‌های محتمل بر اساس شواهد و انتخاب اقدام متناسب.
- ارزیابی نتایج اقدام و مقایسه روند دوباره‌کاری قبل و بعد از اجرا.
اگر بررسی‌ها نشان دهد عامل اصلی به تغییر کنترل‌نشده مدارک فنی مربوط بوده است، تمرکز صرف بر آموزش کارکنان مسئله را حل نخواهد کرد. در این سناریو، هوش مصنوعی در مرحله سازمان‌دهی اطلاعات مفید بوده، اما تصمیم نهایی به بررسی واقعی شواهد وابسته مانده است.
ارتباط هوش مصنوعی با سیستم‌های مدیریتی
استفاده مسئولانه از هوش مصنوعی فقط موضوعی فنی نیست. سازمان باید اثر آن را بر فرایندها، مسئولیت‌ها، شایستگی‌ها، امنیت اطلاعات، مدیریت تغییر و ارزیابی عملکرد نیز در نظر بگیرد.
استاندارد ISO/IEC 42001:2023 الزامات و راهنمایی‌هایی برای ایجاد، استقرار، نگهداری و بهبود سیستم مدیریت هوش مصنوعی ارائه می‌کند. این استاندارد می‌تواند برای سازمان‌هایی که توسعه‌دهنده، ارائه‌دهنده یا استفاده‌کننده از محصولات و خدمات مبتنی بر هوش مصنوعی هستند، مرجعی برای رویکرد نظام‌مند به حاکمیت و مدیریت ریسک هوش مصنوعی باشد.
همچنین چارچوب مدیریت ریسک هوش مصنوعی NIST می‌تواند به سازمان‌ها در ساختاردهی فعالیت‌های مدیریت ریسک کمک کند. در ۷ آوریل ۲۰۲۶، NIST یادداشتی مفهومی برای پروفایل هوش مصنوعی قابل‌اعتماد در زیرساخت‌های حیاتی منتشر کرد؛ این موضوع اهمیت بررسی ریسک‌های مرتبط با کاربرد هوش مصنوعی در محیط‌های حساس را نشان می‌دهد.
استفاده از این استانداردها و چارچوب‌ها باید متناسب با شرایط و نیازهای سازمان بررسی شود. این مقاله به معنی الزام همه سازمان‌ها به اخذ گواهینامه ISO/IEC 42001 یا استفاده از یک چارچوب خاص نیست.
چک‌لیست آمادگی برای استفاده از هوش مصنوعی در کیفیت
پیش از استقرار یک کاربرد هوش مصنوعی در تضمین کیفیت یا ممیزی، پرسش‌های زیر را بررسی کنید:
- کاربرد و هدف استفاده از هوش مصنوعی به‌صورت مشخص تعریف شده است.
- محدودیت‌های ابزار و موارد استفاده غیرمجاز مشخص شده‌اند.
- مالک فرایند و مسئول تأیید خروجی تعیین شده‌اند.
- داده‌های ورودی از نظر اعتبار، کامل بودن و محرمانگی بررسی شده‌اند.
- معیارهای پذیرش خروجی و روش اعتبارسنجی آن مشخص شده‌اند.
- برای ادعاهای مهم، امکان ردیابی به منبع اصلی وجود دارد.
- سوابق لازم از نسخه‌ها، تغییرات و تأییدهای کارشناسی نگهداری می‌شوند.
- کاربران درباره محدودیت‌ها و ریسک‌های ابزار آموزش دیده‌اند.
- عملکرد کاربرد آزمایشی پیش از توسعه دامنه استفاده ارزیابی شده است.
- معیارهایی برای پایش خطا، اثربخشی و نیاز به بازنگری تعیین شده‌اند.
- برای بروز خطا، افشای اطلاعات یا خروجی نامعتبر، روش رسیدگی وجود دارد.
اشتباهات رایج در پیاده‌سازی هوش مصنوعی
تمرکز بر سرعت به‌جای کیفیت تصمیم
کاهش زمان تهیه گزارش می‌تواند مفید باشد، اما اگر خطاهای گزارش بیشتر شوند یا تصمیم‌های نامناسب گرفته شوند، صرفه‌جویی زمانی به‌تنهایی نشانه موفقیت نیست.
استفاده از داده‌های نامعتبر
مدل نمی‌تواند به‌طور قابل‌اعتماد ضعف داده‌های ورودی را جبران کند. داده ناقص یا قدیمی می‌تواند خروجی گمراه‌کننده تولید کند؛ بنابراین کیفیت داده باید بخشی از برنامه استقرار باشد.
واگذاری تصمیم نهایی به مدل
پیشنهاد تحلیلی، تصمیم مدیریتی و تأیید انطباق سه مفهوم متفاوت‌اند. مسئولیت تصمیم‌های مهم باید روشن بماند و سطح نظارت متناسب با ریسک تعیین شود.
نبود روش رسمی برای استفاده
اگر کارکنان هرکدام به‌صورت متفاوت از ابزارهای هوش مصنوعی استفاده کنند، کنترل محرمانگی، اعتبارسنجی و نگهداری سوابق دشوار می‌شود. سازمان باید قواعد روشن و متناسب با کاربرد تدوین کند.
پرسش‌های متداول
آیا هوش مصنوعی می‌تواند ممیزی داخلی را به‌طور کامل انجام دهد؟
هوش مصنوعی می‌تواند در آماده‌سازی پرسش‌ها، سازمان‌دهی مدارک و تحلیل اولیه داده‌ها کمک کند؛ اما اعتبارسنجی شواهد، ارزیابی شرایط واقعی، مصاحبه‌ها و قضاوت حرفه‌ای باید بر اساس روش ممیزی سازمان و الزامات قابل‌اعمال مدیریت شوند. استفاده از مدل به‌تنهایی اثبات‌کننده انطباق نیست.
آیا خروجی هوش مصنوعی می‌تواند شاهد ممیزی محسوب شود؟
خروجی مدل به‌خودی‌خود اثبات‌کننده یک واقعیت عملیاتی نیست. اگر در فرایند ممیزی استفاده می‌شود، باید منشأ داده‌ها، اعتبار اطلاعات، روش تولید و ارتباط آن با شواهد اصلی قابل بررسی باشد.
آیا استفاده از هوش مصنوعی به معنی نیاز قطعی به ISO/IEC 42001 است؟
خیر. تصمیم درباره استفاده از ISO/IEC 42001 باید بر اساس دامنه فعالیت، نوع کاربرد هوش مصنوعی، ریسک‌ها، الزامات قانونی و نیازهای کسب‌وکار گرفته شود. این استاندارد چارچوبی برای سیستم مدیریت هوش مصنوعی ارائه می‌کند، اما این مقاله الزام عمومی به اخذ گواهینامه مطرح نمی‌کند.
برای شروع چه کاربردی مناسب‌تر است؟
معمولاً بهتر است از یک کاربرد محدود و قابل ارزیابی، مانند دسته‌بندی اولیه گزارش‌های عدم انطباق یا تهیه پیش‌نویس چک‌لیست، شروع شود. پیش از توسعه استفاده، معیارهای پذیرش، محرمانگی، قابلیت ردیابی و مسئولیت تأیید را تعریف کنید.
اثربخشی هوش مصنوعی در کیفیت چگونه سنجیده می‌شود؟
علاوه بر زمان انجام کار، می‌توان نرخ خطای خروجی، میزان اصلاحات کارشناسی، کامل بودن شواهد، تعداد موارد جاافتاده، کیفیت تصمیم نهایی و میزان تحقق هدف کاربرد را سنجید. شاخص‌ها باید متناسب با کاربرد انتخاب شوند.
جمع‌بندی: هوش مصنوعی باید قابل اعتماد باشد، نه فقط سریع
هوش مصنوعی در تضمین کیفیت و ممیزی ظرفیت بالایی برای کمک به تحلیل اطلاعات، سازمان‌دهی سوابق و تهیه پیش‌نویس مستندات دارد. بااین‌حال، ارزش آن به نحوه استفاده سازمان، کیفیت داده‌ها، اعتبارسنجی خروجی و شفافیت مسئولیت‌ها وابسته است.
رویکرد پیشنهادی این است که ابتدا یک کاربرد مشخص انتخاب شود، سپس معیارهای پذیرش و کنترل ریسک تعیین شوند و عملکرد ابزار در یک محیط محدود ارزیابی شود. پس از بررسی نتایج، سازمان می‌تواند درباره توسعه دامنه استفاده تصمیم بگیرد.
در نهایت، فناوری زمانی به بهبود مدیریت کیفیت کمک می‌کند که تصمیم‌ها را قابل‌اتکاتر کند، نه اینکه صرفاً اسناد بیشتری در زمان کمتر تولید کند. کیفیت همچنان به شواهد معتبر، تفکر انتقادی، مسئولیت‌پذیری و یادگیری سازمانی نیاز دارد.
پرسش پایانی برای مدیران و کارشناسان کیفیت
اگر قرار باشد در سازمان شما یک کاربرد هوش مصنوعی برای تضمین کیفیت انتخاب شود، کدام فرایند بیشترین ارزش را ایجاد می‌کند و برای کنترل ریسک آن چه سازوکاری لازم است؟
منابع و مطالعه بیشتر
-
Ilieva, G. et al. (2026).
A Generative AI-Based Framework for Proactive Quality Assurance and Auditing.
Applied Sciences, 16(9), 4237.
مشاهده مقاله پژوهشی
-
International Organization for Standardization (ISO).
ISO/IEC 42001:2023 — Artificial intelligence management system.
صفحه استاندارد در وب‌سایت ISO
-
Article on Artificial Intelligence in Internal Auditing on the Management Systems website.
Article: Artificial Intelligence in Internal Auditing.
مطالعه مقاله هوش مصنوعى در مميزى داخلى در سایت سیستم های مدیریت
این مقاله محتوای آموزشی و تحلیلی است و جایگزین متن استانداردها، ارزیابی ریسک اختصاصی سازمان یا مشاوره حقوقی و امنیت اطلاعات نیست. پیش از استفاده عملی از ابزارهای هوش مصنوعی، الزامات محرمانگی، امنیت، مالکیت داده و قواعد داخلی سازمان را بررسی کنید.
