تحول دیجیتال، شیوه شناسایی، ارزیابی و کنترل مخاطرات شغلی را دستخوش تغییر کرده است. در این میان، هوش مصنوعی با قابلیت پردازش حجم زیادی از داده‌ها، تشخیص الگوهای پنهان و شناسایی برخی شرایط ناایمن، ظرفیت قابل‌توجهی برای ارتقای مدیریت بهداشت، ایمنی و محیط‌زیست (HSE) دارد. کاربردهایی نظیر تحلیل پیش‌بینانه حوادث، تشخیص تجهیزات حفاظت فردی، پایش شرایط محیطی، شناسایی ناهنجاری‌های فرایندی و تحلیل گزارش‌های شبه‌حادثه می‌توانند به تصمیم‌گیری سریع‌تر و هدفمندتر کمک کنند.

بااین‌حال، استفاده از این فناوری لزوماً به کاهش حوادث منجر نمی‌شود. کیفیت داده‌ها، اعتبار مدل، شرایط واقعی محیط کار، خطای تشخیص، حریم خصوصی کارکنان و نحوه ادغام خروجی سامانه با فرایندهای مدیریتی، همگی بر اثربخشی آن تأثیر می‌گذارند. مرور نظام‌مند منتشرشده در سال ۲۰۲۶ در مجله Journal of Public Health، پس از بررسی ۵۴۰ رکورد، ۴۳ مطالعه واجد شرایط را شناسایی کرده است. این مطالعات کاربردهایی مانند پیش‌بینی ریسک، تشخیص تجهیزات حفاظت فردی و پایش ارگونومی را گزارش کرده‌اند؛ در عین حال، نویسندگان به تفاوت کیفیت پژوهش‌ها و کمبود استانداردسازی اشاره می‌کنند. بنابراین، دقت گزارش‌شده مدل‌ها را نباید معادل اثبات کاهش حوادث در مقیاس صنعتی دانست. 

این مقاله، ضمن بررسی کاربردهای عملی هوش مصنوعی در HSE، چارچوبی برای ارزیابی ریسک، انتخاب فناوری، اجرای آزمایشی، سنجش عملکرد و استقرار مسئولانه آن ارائه می‌دهد. استدلال اصلی مقاله این است که هوش مصنوعی زمانی ارزش واقعی ایجاد می‌کند که در خدمت نظام مدیریت ایمنی قرار گیرد، نه اینکه جایگزین قضاوت تخصصی، مشارکت کارکنان یا کنترل‌های مهندسی شود.

واژگان کلیدی: مدیریت HSE، هوش مصنوعی، یادگیری ماشین، ایمنی پیش‌بینانه، تحلیل حوادث، تجهیزات حفاظت فردی، مدیریت ریسک، ایمنی صنعتی.

۱.  مقدمه: چرا رویکردهای سنتی HSE به‌تنهایی کافی نیستند؟

در بسیاری از سازمان‌های صنعتی، اطلاعات ایمنی در گزارش‌های حادثه، فرم‌های بازرسی، مجوزهای کار، گزارش‌های شبه‌حادثه، سوابق تعمیرات و نتایج پایش محیطی ثبت می‌شود. این اطلاعات می‌توانند مبنای مناسبی برای تصمیم‌گیری باشند؛ اما پراکندگی داده‌ها، تأخیر در ثبت، تفاوت شیوه گزارش‌دهی و محدودیت تحلیل دستی، ممکن است مانع شناسایی به‌موقع برخی الگوهای خطر شوند.

مدیریت سنتی ایمنی معمولاً بر سه فعالیت اساسی تکیه دارد:

• بررسی حوادث پس از وقوع و شناسایی علل آن‌ها؛
• بازرسی‌های دوره‌ای و ارزیابی شرایط ناایمن؛
• اجرای اقدامات اصلاحی و پیشگیرانه بر اساس یافته‌های بازرسی و بررسی حادثه.

این فعالیت‌ها همچنان ضروری‌اند. مسئله آن است که در محیط‌های پیچیده صنعتی، بخشی از تغییرات خطر می‌تواند میان دو بازرسی رخ دهد یا در مجموعه بزرگی از داده‌ها پنهان بماند.

برای مثال، افزایش تعداد مجوزهای کار هم‌زمان، تکرار خرابی یک تجهیز، افزایش هشدارهای گاز، طولانی‌شدن شیفت کاری و تکرار نقص در یک ناحیه ممکن است هرکدام به‌تنهایی نشانه‌ای محدود باشند؛ اما بررسی ارتباط آن‌ها می‌تواند به شناسایی وضعیتی نیازمند مداخله منجر شود.

هوش مصنوعی این امکان را فراهم می‌کند که داده‌های ساختاریافته و، در موارد مناسب، داده‌های متنی، تصویری و حسگری با یکدیگر تحلیل شوند. البته شناسایی هم‌زمان چند نشانه به‌خودی‌خود اثبات نمی‌کند که حادثه‌ای در شرف وقوع است. ارزش تحلیل زمانی مشخص می‌شود که خروجی آن با ارزیابی مهندسی، شرایط واقعی عملیات و شواهد مستقل اعتبارسنجی شود.

ازاین‌رو، پرسش اصلی این نیست که آیا هوش مصنوعی می‌تواند جایگزین متخصص HSE شود؛ بلکه این است که چگونه می‌توان از آن برای افزایش کیفیت تصمیم‌گیری، شناسایی زودهنگام خطر و تقویت کنترل‌های موجود استفاده کرد.

۲.  هوش مصنوعی در HSE دقیقاً به چه معناست؟

هوش مصنوعی مجموعه‌ای از روش‌های محاسباتی است که به سامانه‌ها امکان می‌دهد وظایفی مانند تشخیص الگو، طبقه‌بندی، پیش‌بینی یا پردازش زبان را انجام دهند. در مدیریت HSE، نوع فناوری باید بر اساس مسئله واقعی انتخاب شود؛ نه اینکه ابتدا فناوری انتخاب و سپس برای آن کاربردی جست‌وجو شود.

1.2. یادگیری ماشین

در یادگیری ماشین (Machine Learning)، الگوریتم با استفاده از داده‌های گذشته، الگوهایی را برای طبقه‌بندی یا پیش‌بینی می‌آموزد.

کاربردهای احتمالی در HSE عبارت‌اند از:

• شناسایی الگوهای مرتبط با افزایش احتمال آسیب در یک فعالیت؛
• رتبه‌بندی نواحی یا تجهیزات بر اساس شاخص‌های ریسک؛
• تحلیل عوامل مرتبط با تکرار حوادث؛
• شناسایی ناهنجاری در داده‌های حسگرها.

خروجی چنین مدلی باید متناسب با کیفیت داده و دامنه اعتبارسنجی آن تفسیر شود. مدلی که در یک کارخانه عملکرد مناسبی دارد، الزاماً در کارخانه‌ای دیگر با تجهیزات، نیروی انسانی و شرایط عملیاتی متفاوت قابل‌اعتماد نیست.

۲.۲. بینایی ماشین

بینایی ماشین (Computer Vision) امکان تحلیل تصاویر و ویدئو را فراهم می‌کند.

در کاربردهای ایمنی، این فناوری می‌تواند برای شناسایی برخی موارد مانند استفاده از کلاه ایمنی، حضور در محدوده ممنوعه، نزدیکی خطرناک به ماشین‌آلات یا انسداد مسیرهای مشخص به کار رود.

بااین‌حال، کیفیت تصویر، زاویه دوربین، نور، گردوغبار، پوشیدگی تجهیزات و شرایط محیطی می‌توانند احتمال خطا را افزایش دهند. بنابراین، خروجی سامانه باید در شرایط واقعی و برای هر کاربرد مشخص ارزیابی شود.

3.2. پردازش زبان طبیعی

پردازش زبان طبیعی (Natural Language Processing) به تحلیل متون انسانی کمک می‌کند.

در HSE، گزارش‌های بازرسی، شرح حوادث، گزارش‌های شبه‌حادثه و صورت‌جلسات می‌توانند با این روش دسته‌بندی شوند. برای نمونه، سامانه ممکن است گزارش‌های مرتبط با سقوط، نشت مواد، نقص تجهیزات، خستگی یا ضعف در مجوز کار را از میان مجموعه بزرگی از اسناد استخراج کند.

این کاربرد به‌ویژه زمانی مفید است که اطلاعات فراوانی وجود دارد، اما امکان بررسی دقیق و یکپارچه تمام اسناد با نیروی انسانی محدود است.

4.2. تحلیل پیش‌بینانه

تحلیل پیش‌بینانه (Predictive Analytics) به استفاده از داده‌ها برای برآورد وضعیت‌ها یا پیامدهای احتمالی آینده گفته می‌شود.

نکته مهم این است که هر سامانه تحلیل پیش‌بینانه الزاماً از هوش مصنوعی استفاده نمی‌کند؛ مدل‌های آماری و روش‌های سنتی تحلیل ریسک نیز می‌توانند چنین نقشی داشته باشند.

در محیط صنعتی، انتخاب روش باید بر مبنای پیچیدگی مسئله، حجم و کیفیت داده، قابلیت توضیح نتایج و پیامدهای خطای تصمیم انجام شود.

۳. مهم‌ترین کاربردهای هوش مصنوعی در مدیریت HSE

1.3. شناسایی زودهنگام شرایط ناایمن

یکی از کاربردهای مهم هوش مصنوعی، کمک به شناسایی شرایطی است که می‌توانند احتمال وقوع حادثه را افزایش دهند.

برای مثال، در یک مجتمع پتروشیمی می‌توان داده‌های بازرسی، خرابی تجهیزات، هشدارهای سامانه‌های پایش، مجوزهای کار و گزارش‌های شبه‌حادثه را در یک بستر تحلیلی گردآوری کرد.

سامانه می‌تواند افزایش تکرار برخی نقص‌ها یا هم‌زمانی شرایط غیرعادی را شناسایی و برای بررسی بیشتر به مسئول مربوطه اعلام کند.

اما باید میان سه مفهوم تمایز قائل شد:

۱. تشخیص ناهنجاری: سامانه متوجه می‌شود وضعیت فعلی با الگوی معمول تفاوت دارد.

۲. پیش‌بینی ریسک:

مدل بر اساس داده‌های معتبر، احتمال یا سطح خطر یک پیامد تعریف‌شده را برآورد می‌کند.

۳. پیشگیری از حادثه:

سازمان بر اساس یافته‌ها، مداخله مؤثری انجام می‌دهد و نتیجه آن را ارزیابی می‌کند.

عبور از مرحله اول به مرحله سوم خودکار نیست. حتی مدل دقیق نیز بدون مسئول مشخص، سازوکار پاسخ‌گویی و اقدام کنترلی مناسب، الزاماً تأثیری بر ایمنی نخواهد داشت.

2.3. پایش هوشمند تجهیزات حفاظت فردی

تجهیزات حفاظت فردی (PPE) آخرین لایه دفاعی در بسیاری از سناریوهای مواجهه شغلی هستند و نباید جایگزین حذف خطر یا کنترل‌های مهندسی شوند.

سامانه‌های بینایی ماشین می‌توانند در محدوده تعریف‌شده، استفاده از کلاه ایمنی، جلیقه دیدپذیر یا برخی تجهیزات دیگر را بررسی کنند.

برای نمونه، در یک کارگاه ساختمانی، سامانه ممکن است ورود فرد به محدوده مشخصی را بدون تجهیزات لازم تشخیص دهد و به ناظر هشدار بدهد.

بااین‌حال، چند محدودیت مهم وجود دارد:

• تشخیص تصویری به معنای تأیید سلامت یا مناسب‌بودن تجهیز نیست.
• ممکن است سامانه استفاده نادرست از تجهیزات را تشخیص ندهد.
• انسداد تصویر یا تغییر شرایط نور می‌تواند خطا ایجاد کند.
• تشخیص چهره یا ردیابی مستمر افراد ممکن است خطرات جدی حریم خصوصی ایجاد کند.

بنابراین، بهتر است سامانه بر تشخیص وضعیت ایمنی متمرکز باشد، نه رتبه‌بندی یا تنبیه خودکار کارکنان. تصمیم‌های انضباطی نیز نباید صرفاً بر مبنای یک هشدار الگوریتمی اتخاذ شوند.

۳.۳. تحلیل هوشمند شبه‌حوادث و حوادث

گزارش‌های شبه‌حادثه (Near Miss) از منابع ارزشمند یادگیری سازمانی‌اند؛ زیرا اطلاعاتی درباره ضعف موانع حفاظتی و شرایط خطرناک فراهم می‌کنند، حتی اگر آسیبی رخ نداده باشد.

هوش مصنوعی می‌تواند این گزارش‌ها را بر اساس نوع خطر، فعالیت، محل، تجهیز، عامل سازمانی و شدت بالقوه پیامد دسته‌بندی کند.

برای مثال، بررسی مجموعه گزارش‌های یک واحد صنعتی ممکن است نشان دهد که تعدادی از شبه‌حوادث، با تداخل فعالیت‌های تعمیراتی، ضعف هماهنگی پیمانکاران یا نقص در ایزولاسیون انرژی مرتبط‌اند.

در چنین شرایطی، ارزش سامانه در یافتن رابطه‌های قابل بررسی و تسهیل تحقیقات تخصصی است؛ نه در تعیین قطعی علت ریشه‌ای حادثه.

تعیین علت ریشه‌ای همچنان به شواهد، مصاحبه، بازسازی توالی رویدادها و بررسی عوامل فنی و سازمانی نیاز دارد.

4.3. پیش‌بینی خرابی تجهیزات و ارتباط آن با ایمنی فرایند

نگهداری و تعمیرات پیش‌بینانه (Predictive Maintenance) با استفاده از داده‌های وضعیت تجهیز، تلاش می‌کند احتمال خرابی یا نیاز به تعمیر را پیش از وقوع آن شناسایی کند.

داده‌های ارتعاش، دما، فشار، جریان، خوردگی و سوابق تعمیرات ممکن است برای شناسایی برخی الگوهای غیرعادی استفاده شوند.

در صنایع فرایندی، این کاربرد می‌تواند به اولویت‌بندی بازرسی تجهیزات مهم کمک کند؛ به‌ویژه هنگامی که خرابی یک تجهیز ممکن است به نشت مواد خطرناک، آتش‌سوزی، انفجار یا از دست رفتن یک مانع حفاظتی منجر شود.

بااین‌حال، سلامت تجهیز را نمی‌توان صرفاً بر اساس خروجی یک مدل نرم‌افزاری تأیید کرد. برنامه بازرسی مبتنی بر ریسک، آزمون‌های فنی، تعمیرات مصوب و الزامات یکپارچگی مکانیکی باید همچنان اجرا شوند.

همچنین سامانه‌های هوش مصنوعی عمومی نباید بدون طراحی ایمنی، اعتبارسنجی تخصصی و سازوکارهای حفاظتی لازم، مستقیماً در مسیر کنترل تجهیزات حیاتی یا عملکردهای ابزار دقیق ایمنی قرار گیرند.

5.3. پایش مواجهه‌های شغلی و عوامل زیان‌آور

در حوزه بهداشت حرفه‌ای، داده‌های مربوط به صدا، دما، ذرات معلق، گازها، بخارات و سایر عوامل زیان‌آور می‌توانند با روش‌های تحلیلی ترکیب شوند.

برای نمونه، سامانه می‌تواند روند تغییرات غلظت یک آلاینده را بررسی کند یا شرایطی را شناسایی کند که نیازمند اندازه‌گیری تکمیلی و بازنگری کنترل‌های مواجهه هستند.

در مدیریت تنش گرمایی نیز ترکیب اطلاعات شرایط محیطی، نوع فعالیت، مدت مواجهه و برنامه استراحت می‌تواند به برنامه‌ریزی بهتر کمک کند.

بااین‌حال، برآورد نرم‌افزاری جایگزین اندازه‌گیری معتبر، روش‌های نمونه‌برداری استاندارد، ارزیابی تخصصی بهداشت حرفه‌ای یا تشخیص پزشکی نیست. داده‌های حسگر نیز باید از نظر کالیبراسیون، محل نصب و تناسب با هدف اندازه‌گیری بررسی شوند.

6.3. تحلیل هوشمند مجوز کار و فعالیت‌های هم‌زمان

در واحدهای عملیاتی بزرگ، هم‌زمانی فعالیت‌های تعمیراتی، عملیات فرایندی، کار گرم، ورود به فضای بسته و جابه‌جایی تجهیزات سنگین می‌تواند خطرات متقابل ایجاد کند.

هوش مصنوعی می‌تواند اطلاعات مجوزهای کار را استخراج و فعالیت‌هایی را که احتمال تداخل دارند برای بررسی مسئولان عملیات و HSE علامت‌گذاری کند.

برای مثال، سامانه می‌تواند مجاورت مکانی یک عملیات جوشکاری با فعالیت دیگری را که احتمال آزادسازی ماده قابل‌اشتعال دارد، به‌عنوان یک وضعیت نیازمند بازبینی شناسایی کند.

اما صدور یا تأیید مجوز کار باید تابع رویه مصوب سازمان، ارزیابی خطر، ایزولاسیون انرژی، آزمون‌های لازم و تأیید افراد دارای صلاحیت باشد. پیشنهاد الگوریتمی نباید به‌تنهایی مجوز آغاز کار محسوب شود.

۴. آیا هوش مصنوعی واقعاً حوادث را کاهش می‌دهد؟

این پرسش مهم‌ترین نقطه ارزیابی علمی فناوری است.

باید بین اثبات عملکرد یک الگوریتم در تشخیص الگو و اثبات اثر آن بر پیامدهای واقعی ایمنی تفاوت قائل شد.

برای مثال، اگر یک مدل در مجموعه داده آزمایشی توانایی بالایی در تشخیص کلاه ایمنی نشان دهد، این نتیجه به‌تنهایی ثابت نمی‌کند که استقرار آن تعداد حوادث را کاهش می‌دهد. برای رسیدن به چنین نتیجه‌ای باید مشخص شود که هشدارها به اقدام مؤثر منجر شده‌اند، کارکنان و سرپرستان چگونه به سامانه واکنش نشان داده‌اند و آیا تغییر مشاهده‌شده واقعاً به فناوری مربوط بوده است.

مرور نظام‌مند La Torre و همکاران که در مارس ۲۰۲۶ منتشر شده است، ۴۳ مطالعه را از میان ۵۴۰ رکورد بررسی کرده و کاربردهایی مانند پیش‌بینی ریسک، تشخیص تجهیزات حفاظت فردی، پایش ارگونومی و پیشگیری از خطر را گزارش می‌کند. در بسیاری از مطالعات، عملکرد پیش‌بینی یا طبقه‌بندی مطلوب گزارش شده است؛ بااین‌حال، نویسندگان تفاوت کیفیت مطالعات، چالش‌های داده و کمبود استانداردسازی را نیز برجسته می‌کنند. 

از منظر ارزیابی HSE، این شواهد از ظرفیت فناوری حمایت می‌کنند، اما برای نتیجه‌گیری درباره اثربخشی آن در تمام صنایع کافی نیستند.

1.4. چرا دقت بالا ممکن است گمراه‌کننده باشد؟

فرض کنیم یک سامانه برای شناسایی شرایط خطرناک در هزار مورد ارزیابی شده است. تنها ۲۰ مورد واقعاً خطرناک‌اند و ۹۸۰ مورد در گروه بدون خطر قرار دارند.

اگر مدل همه موارد را بدون خطر اعلام کند، دقت کلی آن ۹۸ درصد خواهد بود؛ اما تمام موارد خطرناک را از دست داده است.

این مدل از نظر ایمنی کاملاً نامناسب است، هرچند عدد دقت ظاهراً بالایی دارد.

به همین دلیل، ارزیابی مدل باید دست‌کم شامل شاخص‌های زیر باشد:

• حساسیت (Recall): چه سهمی از موارد واقعاً خطرناک شناسایی شده‌اند؟
• ارزش اخباری مثبت (Precision): چه سهمی از هشدارهای صادرشده واقعاً درست بوده‌اند؟
• نرخ منفی کاذب: چه سهمی از خطرهای واقعی از دست رفته‌اند؟
• نرخ هشدار کاذب: چند هشدار بدون وجود وضعیت خطرناک صادر شده‌اند؟
• زمان هشدار: آیا هشدار پیش از زمانی صادر می‌شود که امکان مداخله مؤثر وجود داشته باشد؟
• عملکرد در شرایط واقعی: آیا مدل در شیفت‌ها، فصل‌ها، واحدها و شرایط عملیاتی مختلف نیز قابل‌اعتماد است؟

هیچ‌یک از این شاخص‌ها به‌تنهایی کافی نیست. معیار پذیرش باید با توجه به شدت پیامد، فرصت مداخله و ماهیت کاربرد تعریف شود.

2.4. مسئله هشدارهای کاذب

هشدارهای مکرر و بی‌فایده می‌توانند باعث خستگی هشدار (Alarm Fatigue) شوند. در این وضعیت، کارکنان یا اپراتورها به‌تدریج هشدارها را کم‌اهمیت تلقی می‌کنند و ممکن است هشدار واقعی نیز نادیده گرفته شود.

در محیط‌های حساس، طراحی سامانه باید اولویت‌بندی هشدارها، سطح فوریت، مسئول دریافت هشدار، زمان پاسخ و روش تشدید موضوع را مشخص کند.

سامانه‌ای که هشدارهای زیادی تولید می‌کند اما مسئولیت اقدام و نحوه پاسخ به آن تعریف نشده است، الزاماً عملکرد ایمنی مناسبی ندارد.

۵. مخاطرات جدید ناشی از استفاده از هوش مصنوعی

ورود فناوری به محیط کار، علاوه بر فرصت‌ها، مجموعه‌ای از ریسک‌های تازه ایجاد می‌کند. بنابراین، سامانه هوش مصنوعی نیز باید موضوع ارزیابی ریسک قرار گیرد.

1.5. وابستگی بیش از حد به فناوری

اگر کارکنان تصور کنند سامانه همه خطرها را تشخیص می‌دهد، ممکن است حساسیت آنان نسبت به علائم هشداردهنده کاهش یابد.

این مسئله به‌خصوص در محیط‌هایی اهمیت دارد که مدل به برخی خطرها دسترسی داده‌ای ندارد یا در شرایط خارج از دامنه آموزش خود قرار می‌گیرد.

اصل کنترلی: هوش مصنوعی باید ابزار کمکی باشد و محدودیت‌های آن در آموزش، دستورالعمل‌ها و رویه‌های عملیاتی به‌روشنی بیان شود.

2.5. سوگیری و ضعف داده‌ها

اگر داده‌های آموزشی عمدتاً از یک سایت، یک نوع فعالیت یا یک گروه از کارکنان جمع‌آوری شده باشند، مدل ممکن است در شرایط دیگر عملکرد ضعیف‌تری داشته باشد.

همچنین، کمبود گزارش حوادث یا ثبت ناقص شبه‌حوادث می‌تواند تصویری نادرست از وضعیت ایمنی ایجاد کند.

نبود گزارش حادثه لزوماً به معنای نبود خطر نیست؛ ممکن است نتیجه ضعف نظام گزارش‌دهی یا نگرانی کارکنان از پیامدهای گزارش باشد.

3.5. تهدیدهای امنیت سایبری

اتصال سامانه‌های تحلیلی به داده‌های صنعتی، به‌ویژه در محیط‌های حساس، می‌تواند مخاطرات امنیت اطلاعات ایجاد کند.

دست‌کاری داده، دسترسی غیرمجاز، ازکارافتادن سامانه یا ارائه خروجی نادرست ممکن است تصمیم‌گیری ایمنی را تحت تأثیر قرار دهد.

کنترل دسترسی، تفکیک شبکه‌های فناوری اطلاعات و فناوری عملیاتی، ثبت رویدادها، پشتیبان‌گیری و برنامه تداوم فعالیت باید متناسب با سطح ریسک طراحی شوند.

4.5. حریم خصوصی و سلامت روان کارکنان

پایش تصویری و تحلیل داده‌های رفتاری ممکن است به احساس نظارت دائمی، کاهش اعتماد و فشار روانی منجر شود.

آژانس اروپایی ایمنی و سلامت شغلی در گزارش‌های خود درباره مدیریت کارکنان با هوش مصنوعی، هم فرصت‌های این فناوری و هم خطرهایی مانند افزایش فشار کاری، کاهش اختیار کارکنان و مخاطرات روانی‌اجتماعی را مطرح کرده است. ^۲

بنابراین، استفاده از این فناوری باید هدف مشخص، ضرورت قابل دفاع، دسترسی محدود، شفافیت و سازوکار رسیدگی به اعتراض داشته باشد.

بهتر است در موارد امکان، داده‌های مربوط به وضعیت خطر و شرایط محیطی بر جمع‌آوری غیرضروری اطلاعات هویتی کارکنان اولویت داشته باشند.

۵.۵. ابهام در مسئولیت تصمیم‌گیری

اگر سامانه وضعیت خطرناکی را تشخیص ندهد، مسئولیت بررسی و اصلاح ضعف چگونه تعیین می‌شود؟

پاسخ باید پیش از استقرار فناوری مشخص شده باشد. مسئولیت طراحی، تأیید، نگهداری، نظارت، واکنش به هشدار و تصمیم عملیاتی باید میان واحدهای مربوطه به‌صورت روشن توزیع شود.

نباید مسئولیت ایمنی به یک سامانه نرم‌افزاری واگذار شود یا کارکنان به دلیل پیروی از یک خروجی الگوریتمی نادرست، به‌طور خودکار مقصر شناخته شوند.

۶. چارچوب پیشنهادی برای استقرار هوش مصنوعی در نظام مدیریت HSE

استقرار موفق هوش مصنوعی با خرید نرم‌افزار آغاز نمی‌شود؛ بلکه با تعریف مسئله، ارزیابی ریسک و تعیین معیار موفقیت آغاز می‌شود.

استاندارد ISO 45001:2018 چارچوبی برای مدیریت نظام‌مند ایمنی و بهداشت شغلی، مشارکت کارکنان، شناسایی خطر، کنترل ریسک و بهبود مستمر فراهم می‌کند. این نسخه در زمان تهیه مقاله همچنان نسخه جاری معرفی‌شده از سوی سازمان بین‌المللی استانداردسازی است. ^۳

از سوی دیگر، چارچوب مدیریت ریسک هوش مصنوعی مؤسسه ملی استاندارد و فناوری آمریکا (NIST AI RMF) چهار کارکرد اصلی را مطرح می‌کند: حاکمیت، شناخت زمینه و ریسک، اندازه‌گیری و مدیریت ریسک. این چارچوب داوطلبانه است و می‌توان از آن برای طراحی فرایند مسئولانه استفاده کرد. ^۴

ترکیب این دو رویکرد، مبنای مناسبی برای تدوین برنامه اجرایی HSE فراهم می‌کند.

مرحله اول: تعریف مسئله و تعیین هدف

پیش از انتخاب فناوری، سازمان باید مسئله را دقیق تعریف کند.

برای مثال، به‌جای هدف کلی «هوشمندسازی HSE»، می‌توان مسئله را چنین تعریف کرد:

«کاهش تأخیر در شناسایی و رسیدگی به نقص‌های تکرارشونده تجهیزات حفاظتی در یک ناحیه عملیاتی مشخص.»

در این مرحله باید مشخص شود:

• خطر یا ضعف موردنظر چیست؟
• چه پیامدی ممکن است ایجاد کند؟
• وضعیت فعلی چگونه اندازه‌گیری می‌شود؟
• چه داده‌هایی در دسترس‌اند؟
• چه کسی مسئول اقدام خواهد بود؟
• چه معیاری موفقیت را اثبات می‌کند؟

اگر مسئله با یک اصلاح ساده در فرایند بازرسی، آموزش یا نگهداری قابل حل باشد، ممکن است استفاده از هوش مصنوعی ضرورتی نداشته باشد.

مرحله دوم: ارزیابی داده‌ها و امکان‌پذیری

سازمان باید کیفیت، کامل‌بودن، صحت و تناسب داده‌ها را بررسی کند.

داده‌های موردنیاز ممکن است شامل گزارش‌های حوادث، شبه‌حوادث، بازرسی‌ها، مجوزهای کار، سوابق تعمیرات یا اطلاعات حسگرها باشند.

در این مرحله باید موارد زیر بررسی شوند:

• آیا داده‌ها به‌طور منظم و با تعریف یکسان ثبت شده‌اند؟
• آیا اطلاعات مهم از قلم افتاده‌اند؟
• آیا داده‌ها نماینده شرایط واقعی عملیات هستند؟
• آیا اطلاعات حساس کارکنان در سامانه وجود دارد؟
• آیا می‌توان نتایج مدل را به شواهد قابل بررسی مرتبط کرد؟

مدلی که بر داده‌های ناقص یا نامعتبر ساخته شده باشد، ممکن است نتایجی ظاهراً دقیق اما از نظر عملیاتی گمراه‌کننده ارائه دهد.

مرحله سوم: انتخاب روش و تعیین سطح اختیار سامانه

نوع سامانه باید متناسب با کاربرد انتخاب شود.

برای دسته‌بندی گزارش‌ها، پردازش زبان طبیعی ممکن است مناسب باشد. برای شناسایی وضعیت‌های تصویری، بینایی ماشین می‌تواند کاربرد داشته باشد. برای تحلیل روندها نیز روش‌های آماری یا یادگیری ماشین قابل بررسی‌اند.

در عین حال، باید مشخص شود سامانه صرفاً اطلاعات ارائه می‌دهد، هشدار صادر می‌کند یا در یک فرایند عملیاتی دخالت دارد.

هرچه پیامد خطای سامانه شدیدتر باشد، نیاز به اعتبارسنجی، نظارت، کنترل مستقل و محدودیت اختیار آن بیشتر خواهد بود.

مرحله چهارم: اجرای آزمایشی محدود

بهتر است فناوری ابتدا در یک واحد یا فعالیت مشخص آزمایش شود.

در این مرحله می‌توان خروجی سامانه را در کنار ارزیابی انسانی بررسی کرد، بدون آنکه تصمیم‌های حیاتی ایمنی به مدل واگذار شوند.

نتایج باید شامل خطاهای تشخیص، هشدارهای کاذب، موارد ازدست‌رفته، زمان پاسخ، قابلیت استفاده و اثر واقعی بر فرایند کاری باشند.

آزمایش محدود همچنین امکان بررسی پیامدهای ناخواسته بر کارکنان، حریم خصوصی و بار کاری را فراهم می‌کند.

مرحله پنجم: سنجش اثربخشی و تصمیم درباره توسعه

پس از اجرای آزمایشی، سازمان باید تصمیم بگیرد که سامانه توسعه یابد، اصلاح شود یا کنار گذاشته شود.

این تصمیم باید بر مبنای داده‌های ثبت‌شده، ارزیابی کارشناسی و مقایسه با وضعیت پایه اتخاذ شود.

کاهش هشدارها به‌تنهایی معیار موفقیت نیست؛ زیرا ممکن است سامانه به‌جای کاهش خطر، حساسیت خود را از دست داده باشد.

به همین ترتیب، افزایش گزارش شبه‌حادثه لزوماً نشانه بدترشدن ایمنی نیست و ممکن است ناشی از بهبود فرهنگ گزارش‌دهی باشد.

مرحله ششم: پایش مستمر و بازنگری

پس از استقرار، عملکرد سامانه باید در طول زمان بررسی شود.

تغییر تجهیزات، شیوه انجام کار، ترکیب نیروی انسانی، شرایط محیطی یا الگوی داده‌ها می‌تواند عملکرد مدل را تغییر دهد.

بنابراین، بازاعتبارسنجی دوره‌ای، ثبت تغییرات، بررسی رخدادهای غیرعادی و تعیین شرایط توقف سامانه باید بخشی از برنامه مدیریت فناوری باشند.

۷. شاخص‌های کلیدی عملکرد برای ارزیابی پروژه

برای ارزیابی موفقیت یک پروژه هوش مصنوعی در HSE، باید شاخص‌های فنی و شاخص‌های واقعی عملکرد ایمنی در کنار یکدیگر بررسی شوند.

نکته اساسی این است که شاخص‌ها باید با هدف پروژه متناسب باشند. برای نمونه، در سامانه تشخیص نقص تجهیزات حفاظت فردی، حساسیت مدل و کیفیت رسیدگی به هشدارها اهمیت دارند؛ درحالی‌که برای سامانه پایش سلامت تجهیز، شاخص‌های مرتبط با تشخیص به‌موقع خرابی و کیفیت برنامه نگهداری مهم‌تر خواهند بود.

چگونه اثربخشی را علمی ارزیابی کنیم؟

برای پرهیز از نتیجه‌گیری شتاب‌زده، بهتر است پیش از اجرا، یک دوره پایه تعریف شود. سپس عملکرد پیش و پس از استقرار مقایسه شود.

در صورت امکان، استفاده از یک واحد مقایسه‌ای مناسب یا طراحی ارزیابی مرحله‌ای می‌تواند به تفکیک اثر فناوری از تغییرات دیگر کمک کند.

تغییر در حجم تولید، ساعات کار، ترکیب نیروی انسانی، برنامه تعمیرات و شدت فعالیت‌ها باید در تفسیر نتایج لحاظ شود.

همچنین، حوادث شدید معمولاً کم‌تکرارند. بنابراین، نبود حادثه در یک دوره کوتاه به‌تنهایی اثبات نمی‌کند که فناوری مؤثر بوده است. ارزیابی باید علاوه بر پیامدهای نهایی، کیفیت کنترل‌های ریسک و شاخص‌های پیشرو را نیز بررسی کند.

۸. مطالعه موردی فرضی: کاربرد هوش مصنوعی در یک مجتمع پتروشیمی

برای نشان‌دادن نحوه کاربرد چارچوب پیشنهادی، یک سناریوی فرضی در نظر بگیریم.

توجه: مثال زیر برای تشریح روش اجرا طراحی شده است و گزارش یک پروژه واقعی یا نتیجه اندازه‌گیری‌شده صنعتی نیست.

مسئله

در یک مجتمع پتروشیمی، بررسی‌های داخلی نشان می‌دهد که بخشی از نقص‌های ثبت‌شده در فعالیت‌های تعمیراتی، دیرتر از زمان مورد انتظار پیگیری می‌شوند. همچنین، تعدادی از گزارش‌های شبه‌حادثه به تداخل فعالیت‌ها و ضعف هماهنگی عملیاتی مربوط‌اند.

راهکار پیشنهادی

سازمان یک سامانه تحلیلی محدود طراحی می‌کند که اطلاعات مجوزهای کار، گزارش‌های بازرسی، سوابق نقص و شبه‌حوادث را بررسی کند.

سامانه برای موارد زیر هشدار بررسی صادر می‌کند:

• نقص تکرارشونده در یک تجهیز؛
• فعالیت‌های دارای احتمال تداخل مکانی یا زمانی؛
• گزارش‌های مرتبط با ضعف ایزولاسیون انرژی؛
• اقدامات اصلاحی عقب‌افتاده در موارد پرخطر.

این هشدارها برای بررسی در اختیار مسئولان تعیین‌شده قرار می‌گیرند و جایگزین تأیید مجوز کار یا تصمیم عملیاتی نمی‌شوند.

کنترل‌های لازم

پیش از بهره‌برداری باید صحت استخراج اطلاعات، نرخ خطای تشخیص، امنیت داده‌ها، مسئولیت رسیدگی به هشدارها و روش ثبت تصمیم‌ها ارزیابی شود.

همچنین، اگر سامانه یک تداخل احتمالی را شناسایی نکند، فرایند مصوب مجوز کار و هماهنگی عملیات باید همچنان برقرار باشد.

معیار تصمیم‌گیری

پس از دوره آزمایشی، سازمان می‌تواند زمان رسیدگی به نقص‌های پرخطر، درصد اقدامات اصلاحی به‌موقع، تعداد هشدارهای کاذب، کیفیت بررسی مجوزهای کار و میزان مشارکت کارکنان را بررسی کند.

اگر نتایج نشان دهد که سامانه به شناسایی بهتر خطر و اجرای مؤثرتر اقدامات اصلاحی کمک می‌کند، توسعه آن قابل بررسی خواهد بود. در غیر این صورت، باید مدل یا فرایند کاری اصلاح شود.

ارزش این پروژه نه در پیچیدگی فناوری، بلکه در بهبود قابل‌اندازه‌گیری کنترل ریسک است.

۹. آینده مدیریت HSE: همکاری انسان و هوش مصنوعی

آینده HSE احتمالاً به سمت ترکیب داده‌های صنعتی، ابزارهای دیجیتال، سامانه‌های تحلیلی و دانش تخصصی نیروی انسانی حرکت خواهد کرد.

در این مسیر، چند تحول اهمیت ویژه‌ای دارند:

نخست، حرکت از گزارش‌دهی پراکنده به تحلیل یکپارچه: اتصال مناسب اطلاعات تعمیرات، عملیات، بازرسی و بهداشت حرفه‌ای می‌تواند تصویر کامل‌تری از وضعیت ریسک فراهم کند.

دوم، تمرکز بر کیفیت کنترل‌ها به‌جای شمارش صرف حوادث: سامانه‌های تحلیلی می‌توانند به شناسایی ضعف موانع حفاظتی و اولویت‌بندی اقدامات اصلاحی کمک کنند.

سوم، توجه بیشتر به عوامل انسانی و روانی‌اجتماعی: فشار کاری، خستگی، کاهش اختیار و نظارت الگوریتمی ممکن است خود منشأ ریسک شوند. گزارش جهانی سازمان بین‌المللی کار در سال ۲۰۲۶ نیز بر اهمیت طراحی شغل، بار کاری، زمان کار، اختیار کارکنان و فرایندهای منصفانه و شفاف تأکید می‌کند. ^۵

چهارم، توسعه حاکمیت هوش مصنوعی: با افزایش کاربرد این فناوری، سازمان‌ها به سیاست‌های مشخص برای اعتبارسنجی، امنیت، حریم خصوصی، مسئولیت‌پذیری و پایش مستمر نیاز خواهند داشت.

پنجم، حفظ نقش محوری انسان: متخصصان HSE باید بتوانند خروجی سامانه را نقد کنند، محدودیت‌های آن را بشناسند و در شرایط لازم، تصمیم الگوریتمی را نپذیرند.

فناوری زمانی به ارتقای ایمنی منجر می‌شود که قابلیت‌های آن با ساختار مسئولیت، فرهنگ گزارش‌دهی، آموزش و کنترل‌های عملیاتی سازگار باشد.

۱۰. نتیجه‌گیری

هوش مصنوعی ظرفیت مهمی برای توسعه مدیریت داده‌محور HSE دارد. تحلیل هوشمند گزارش‌های حوادث، شناسایی برخی شرایط ناایمن، پایش تجهیزات حفاظت فردی، تحلیل مجوزهای کار و پشتیبانی از نگهداری پیش‌بینانه از جمله کاربردهای قابل بررسی آن هستند.

بااین‌حال، نباید میان توانایی فنی یک مدل و اثربخشی واقعی آن در کاهش آسیب‌های شغلی یا حوادث عمده معادل‌سازی کرد. شواهد پژوهشی موجود امیدوارکننده‌اند، اما کیفیت داده‌ها، قابلیت تعمیم نتایج، خطای مدل و محدودیت‌های ارزیابی همچنان اهمیت اساسی دارند.

از دیدگاه حرفه‌ای، استقرار هوش مصنوعی در HSE باید با تعریف دقیق مسئله، ارزیابی ریسک، انتخاب روش متناسب، اجرای آزمایشی، سنجش شاخص‌های معتبر و نظارت مستمر انجام شود. الزامات قانونی، کنترل‌های مهندسی، نظام مجوز کار، آمادگی اضطراری و مسئولیت مدیریتی نیز باید بدون تضعیف باقی بمانند.

پیام نهایی مقاله روشن است: هوش مصنوعی به‌خودی‌خود ایمنی ایجاد نمی‌کند؛ این سازمان است که باید خروجی فناوری را به تصمیم درست، کنترل مؤثر و یادگیری مستمر تبدیل کند.

منابع علمی و استانداردهای مورد استناد

[۱] La Torre و همکاران (۲۰۲۶). Artificial Intelligence and Occupational Health and Safety: A Systematic Review. Journal of Public Health. https://link.springer.com/article/10.1007/s10389-026-02738-8

[۲] European Agency for Safety and Health at Work (EU-OSHA). Worker Management through AI: Implications for Occupational Safety and Health. https://healthy-workplaces.osha.europa.eu/en/publications/worker-management-through-ai-implications-occupational-safety-and-health

[۳] International Organization for Standardization (ISO). ISO 45001:2018 — Occupational health and safety management systems. https://www.iso.org/standard/63787.html

[۴] National Institute of Standards and Technology (NIST). Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://www.nist.gov/itl/ai-risk-management-framework

[۵] International Labour Organization (ILO), 2026. The Psychosocial Working Environment: Global Developments and Pathways for Action. https://www.ilo.org/publications/psychosocial-working-environment-global-developments-and-pathways-action