埃及信息学大学计算机与信息科学学院的两个学生团队开发了两款应用，旨在解决制造业中的两个实际问题：提高生产和机器效率，以及发现原材料供应延迟风险。两项项目是在德国、西班牙和荷兰专家的合作下开发的，并接受了通过Zoom举行的评估，导师和专家参加了该评估。
据该大学介绍，这两款应用是为了响应与智能产业和第五次工业革命相关机构的需求而设计的，并借鉴了由Horizon Europe计划资助的智能、灵活和可再生制造网络项目。外部评估委员会由德国教授贝恩德·克拉默主持，成员包括迈克·帕帕佐格鲁教授、玛丽亚·拉米雷斯·古铁雷斯博士，以及西班牙AIDIMME机构的费尔南多·吉甘特先生。
从传感器数据到维护决策
第一款应用名为“基于知识模型的生产和机器效率优化器”。它旨在解决现代制造平台中的一个常见问题，即系统仍停留在被动响应模式，只有在机器发生故障或生产出现瓶颈后才进行处理。
该应用依托一个混合决策支持平台，将包括Isolation Forest和XGBoost在内的机器学习模型，与使用OWL语言的本体推理相结合。系统将传感器数据流与工厂资产层级结构连接起来，然后利用SWRL规则追踪组件退化、系统瓶颈和生产效率损失之间的因果关系。
该平台包含一个基于大型语言模型的解释模块，用于将复杂的语义状态转化为更易理解的维护建议。项目还设有知识库扩展层，由六个竞争性人工智能代理管理，其任务是监测新的行为模式，并提出由工程师审核后再采用的SWRL规则。该大学表示，该设计旨在使平台能够在容器化、低延迟的工厂环境中运行。
面向原材料风险的数字孪生
第二款应用“用于发现和处理原材料供应风险的语义数字孪生”，重点关注制造物流中即时可见性不足，以及难以处理非结构化服务级别协议条款的问题。该系统旨在提前发现交付延迟，并在需要时启动替代供应商。
该应用将机器学习用于预测延迟概率，将大型语言模型用于把合同文本转换为结构化的“本体三元组”，并使用本体推理机支持决策执行。通过构建连接数据和依赖关系的知识图谱，该框架试图将供应管理从延迟发生后的响应转向主动干预，同时为库存可用性相关信息提供统一来源。
为什么这一进展很重要？
两项项目的重要性在于，它们将人工智能技术与知识表示方法结合起来，应用于两个明确的工业场景，而不是笼统展示人工智能的能力。实际上，第一个项目侧重于使传感器数据可解释并可用于决策；第二个项目则侧重于将分散的合同和供应链数据转化为可用于预测和干预的模型。
不过，材料没有提供量化的运营结果，例如故障减少或供应时间改善，也没有说明两款应用是否已进入商业使用阶段或现场测试阶段。因此，所公布的工业影响仍与开发和评估阶段相关，而不是与在运行中的工厂取得的已证实绩效结果相关。
第一款应用团队成员包括阿卜杜勒·卡里姆·艾哈迈德、赛义夫·瓦菲克、穆罕默德·侯赛因、里纳德·萨米赫和马利克·蒙塔赛尔，指导教师为希琳·费尤米博士。第二款应用团队成员包括马修·瓦埃勒、优素福·法里斯、优素福·乌萨马和马克·塔德罗斯，指导教师相同。