যখন লোকেরা উত্পাদনে AI শুনতে পায়, তখন তারা প্রায়শই সম্পূর্ণ স্বায়ত্তশাসিত, আলো-আউট কারখানাগুলির দর্শনে ঝাঁপিয়ে পড়ে। এটি একটি চটকদার লক্ষ্য, কিন্তু আজ স্থায়িত্ব বাড়ানোর আসল, জঘন্য কাজটি যেখানে ঘটছে তা নয়। প্রকৃত প্রভাব আরও সূক্ষ্ম, প্রায়শই প্রতিদিনের শক্তির ব্যবহার অপ্টিমাইজ করার, উপাদানের বর্জ্য কমানোর এবং সরবরাহ চেইনকে কম বিশৃঙ্খল করার মধ্যে লুকিয়ে থাকে। এটি রোবটগুলি গ্রহণ করা সম্পর্কে কম এবং বুদ্ধিমান সিস্টেমগুলিকে দানাদার দৃশ্যমানতা প্রদান করার বিষয়ে আরও অনেক কিছু যা অর্থনৈতিক এবং পরিবেশগতভাবে উভয়ই উপযুক্ত সিদ্ধান্ত নেওয়ার ক্ষেত্রে আমাদের সবসময় অভাব রয়েছে৷ এআই এবং স্থায়িত্বের মধ্যে সংযোগ স্বয়ংক্রিয় নয়; এটি পরিমাপ এবং নিয়ন্ত্রণ করার জন্য আমরা যা বেছে নিই তার একটি ইচ্ছাকৃত পরিবর্তন প্রয়োজন।

বিয়ন্ড দ্য হাইপ: প্রথম সীমান্ত হিসাবে শক্তি

চলুন শুরু করা যাক শক্তি দিয়ে, সবচেয়ে প্রত্যক্ষ খরচ এবং কার্বন ফুটপ্রিন্ট আইটেম। বছরের পর বছর ধরে, আমরা নির্ধারিত রক্ষণাবেক্ষণ এবং ব্রড-স্ট্রোক দক্ষতা রেটিং এর উপর নির্ভর করেছিলাম। গেম-চেঞ্জারটি সেন্সর এম্বেড করছে এবং ভবিষ্যদ্বাণীমূলক শক্তি অপ্টিমাইজেশানের জন্য এআই ব্যবহার করছে। আমি শুধু মেশিন বন্ধ করার কথা বলছি না। এটি একটি সম্পূর্ণ উত্পাদন লাইনের গতিশীল লোড বোঝার বিষয়ে। উদাহরণস্বরূপ, একটি AI মডেল শিখতে পারে যে একটি নির্দিষ্ট স্ট্যাম্পিং প্রেস শুধুমাত্র অপারেশনের সময় নয়, বরং 15 মিনিটের জন্য, কুলিং সিস্টেমগুলি চালানোর সময় শক্তি বৃদ্ধি করে। উত্পাদনের সময়সূচী বিশ্লেষণ করে, এটি একাধিক প্রেস থেকে একযোগে পিক ড্র এড়াতে ব্যাচগুলির মধ্যে মাইক্রো-বিলম্বের পরামর্শ দিতে পারে, থ্রুপুটকে প্রভাবিত না করে শক্তি বক্ররেখাকে সমতল করে। এটি তাত্ত্বিক নয়; আমি দেখেছি এটি একটি ফোরজিং সুবিধাতে শক্তি বিল থেকে 8-12% শেভ করে, যা স্কেলে বিশাল।

চতুর অংশ হল ডেটা গুণমান। আপনার মেশিন, সাবস্টেশন এবং এমনকি সম্ভব হলে গ্রিড থেকে দানাদার, সময়-সিরিজ ডেটা প্রয়োজন। প্রথম দিকে একটি ব্যর্থ প্রকল্প সঠিক গ্যাস প্রবাহ মিটার ছাড়া একটি তাপ চিকিত্সা চুল্লি অপ্টিমাইজ করার চেষ্টা করছিল। এআই মডেলটি মূলত অনুমান করা ছিল এবং অপ্টিমাইজেশনগুলি অংশগুলির ধাতব বৈশিষ্ট্যগুলির সাথে আপস করার ঝুঁকি নিয়েছিল। আমরা কঠিন উপায় শিখেছি: আপনি যা সঠিকভাবে পরিমাপ করতে পারবেন না তা পরিচালনা করতে পারবেন না। AI কেবলমাত্র সেন্সরি ইনপুটগুলির মতোই ভাল।

এটি একটি সূক্ষ্ম বিন্দুর দিকে নিয়ে যায়: AI প্রায়শই গভীর যন্ত্রের ন্যায্যতা দেয়। AI-এর জন্য একটি টেকসই কেস তৈরি করতে, আপনি প্রথমে ভাল মিটারিংয়ে বিনিয়োগ করুন৷ এটি একটি পুণ্য চক্র। একবার আপনার কাছে সেই ডেটা স্ট্রীম হয়ে গেলে, আপনি ভবিষ্যদ্বাণী থেকে প্রেসক্রিপটিভ অ্যাকশনে যেতে পারেন—যেমন একটি বায়ুসংক্রান্ত নেটওয়ার্কে রিয়েল-টাইম চাহিদার উপর ভিত্তি করে স্বয়ংক্রিয়ভাবে কম্প্রেসার চাপ সেটপয়েন্ট সামঞ্জস্য করা, এমন কিছু যা সর্বদা সবচেয়ে খারাপ পরিস্থিতির জন্য সেট করা ছিল, বিপুল পরিমাণ শক্তি নষ্ট করে।

বর্জ্যের বিরুদ্ধে যুদ্ধ: স্ক্র্যাপ হিপস থেকে ডিজিটাল টুইনস পর্যন্ত

বস্তুগত বর্জ্য বিশুদ্ধ আর্থিক এবং পরিবেশগত ক্ষতি। ফাস্টেনার উত্পাদন, যেমন একটি কোম্পানির মত হ্যান্ডান জিটাই ফাস্টেনার ম্যানুফ্যাকচারিং কোং, লিমিটেড চীনের প্রধান স্ট্যান্ডার্ড পার্ট প্রোডাকশন বেসে অবস্থিত, প্রথাগত পদ্ধতিতে উৎপাদন-পরবর্তী পরিদর্শন জড়িত: একটি ব্যাচ তৈরি করা হয়, কিছু নমুনা করা হয়, এবং যদি ত্রুটিগুলি পাওয়া যায়, পুরো লটটি স্ক্র্যাপ বা পুনরায় কাজ করা হতে পারে। এটি অবিশ্বাস্যভাবে অপচয়কারী।

রিয়েল-টাইম ত্রুটি সনাক্তকরণের জন্য কম্পিউটার দৃষ্টি এখন টেবিলের বাঁক। কিন্তু AI এর আরও গভীর ব্যবহার হল প্রক্রিয়া প্যারামিটার অপ্টিমাইজেশানে যাতে প্রথম স্থানে বর্জ্য তৈরি না হয়। ঠাণ্ডা শিরোনাম প্রক্রিয়া থেকে ডেটা খাওয়ানোর মাধ্যমে—তারের ব্যাস, তাপমাত্রা, মেশিনের গতি, ডাই পরিধান—একটি মডেলে, আমরা একটি একক অংশ তৈরি করার আগে মাথা ফাটল বা মাত্রিক ত্রুটির সম্ভাবনার পূর্বাভাস দিতে পারি। সিস্টেম তারপরে সামঞ্জস্যের সুপারিশ করতে পারে, বলুন, অ্যানিলিং তাপমাত্রায় সামান্য বৃদ্ধি বা ফিডের হার হ্রাস।

আমি একটি প্রকল্পের কথা মনে করি যেখানে আমরা একটি বোল্ট উত্পাদন লাইনের জন্য একটি ডিজিটাল ছায়া (সম্পূর্ণ ডিজিটাল টুইন এর একটি সহজ সংস্করণ) তৈরি করেছি। লক্ষ্য ছিল ছাঁটা ক্ষয় কমানো - একটি বল্টু কাটা পরে অবশিষ্ট তারের। অর্ডার পোর্টফোলিও এবং মেশিনের সীমাবদ্ধতাগুলি বিশ্লেষণ করে, এআই শিডিউলিং সিস্টেম তারের কয়েলগুলিকে আরও সম্পূর্ণরূপে ব্যবহার করার জন্য অর্ডারগুলিকে ক্রমানুসারে তৈরি করতে পারে, যা 3.2% থেকে 1.7% এর নিচে ট্রিম বর্জ্য হ্রাস করে। এটি ছোট শোনাচ্ছে, কিন্তু বার্ষিক হাজার হাজার টন ইস্পাত জুড়ে, কাঁচামালের সঞ্চয় এবং ইস্পাত উত্পাদন থেকে যুক্ত কার্বন নির্গমন যথেষ্ট। আপনি দেখতে পাচ্ছেন কিভাবে ইয়ংনিয়ান জেলার মতো হাবের কোম্পানিগুলি তাদের উচ্চ ভলিউম আউটপুট সহ, এই ধরনের দানাদার অপ্টিমাইজেশন থেকে প্রচুর লাভ করতে পারে।

সাপ্লাই চেইন রেজিলিয়েন্স এবং কার্বন ফুটপ্রিন্ট

এটি যেখানে জটিল হয়ে ওঠে। একটি টেকসই সরবরাহ শৃঙ্খল শুধুমাত্র একটি সবুজ সরবরাহকারী নির্বাচন সম্পর্কে নয়; এটি জরুরী, কার্বন-নিবিড় এয়ার ফ্রেট এড়াতে দক্ষতা এবং স্থিতিস্থাপকতা সম্পর্কে। এআই-চালিত চাহিদার পূর্বাভাস, যখন এটি কাজ করে, উৎপাদনকে মসৃণ করে, ওভারটাইমের প্রয়োজন হ্রাস করে (যা প্রায়শই কম দক্ষ, শক্তি-নিবিড় রান বোঝায়) এবং প্যানিক অর্ডারিং।

আমরা একটি ক্লায়েন্টের জন্য লজিস্টিক অপ্টিমাইজেশান সহ বহু-স্তরের সরবরাহ চেইন ঝুঁকি বিশ্লেষণকে একীভূত করেছি। সিস্টেমটি আবহাওয়া, বন্দরের যানজট এবং এমনকি সরবরাহকারী অঞ্চলের শক্তির মিশ্রণ পর্যবেক্ষণ করে (যেমন, তাদের গ্রিড কি আজ কয়লা বা পুনর্নবীকরণযোগ্য পদার্থে চলছে?)। এটি টাইমলাইন অনুমোদিত হলে শিপমেন্টকে ধীরগতিতে কিন্তু কম নির্গমন-সমুদ্রের মালবাহী মালবাহী করার পরামর্শ দিয়েছে, অথবা সাধারণ 85% এর পরিবর্তে 98% ধারণক্ষমতার পাত্রে লোডগুলিকে একত্রিত করার জন্য। দ টেকসই এখানে লাভ হল পরোক্ষ কিন্তু শক্তিশালী: এটি প্রতিদিনের লজিস্টিক সিদ্ধান্তে কার্বন দক্ষতাকে এম্বেড করে।

এখানে ব্যর্থতার মোড হল ওভার-অপ্টিমাইজেশন। একটি মডেল সর্বদা পরিবহন নির্গমন কমানোর জন্য একটি একক, খুব সবুজ কিন্তু ক্ষমতা-সীমাবদ্ধ সরবরাহকারী ব্যবহার করার পরামর্শ দিয়েছে। এটি একটি শাটডাউনের ঝুঁকির জন্য অ্যাকাউন্টে ব্যর্থ হয়েছে, যা অবশেষে ঘটেছে, একাধিক, কম সর্বোত্তম সরবরাহকারীদের কাছে ঝাঁকুনি দিতে বাধ্য হয়েছে। পাঠটি ছিল যে টেকসই উদ্দেশ্যগুলিকে AI এর উদ্দেশ্যমূলক কার্যে দৃঢ়তার সীমাবদ্ধতার সাথে ভারসাম্যপূর্ণ হতে হবে। আপনি শুধু কার্বন কমাতে পারবেন না; আপনাকে ঝুঁকি পরিচালনা করতে হবে।

মানব উপাদান: বর্ধিত সিদ্ধান্ত গ্রহণ

এটা সমালোচনামূলক. AI কারখানা চালায় না; মানুষ করে। আমি দেখেছি সবচেয়ে কার্যকরী বাস্তবায়ন যেখানে AI একজন উপদেষ্টা হিসাবে কাজ করে। এটি একটি অসঙ্গতি চিহ্নিত করে: লাইন 3-এ প্রতি ইউনিট শক্তি খরচ বর্তমান পণ্য মিশ্রণের জন্য বেঞ্চমার্কের 18% বেশি। সম্ভাব্য কারণ: পরিবাহক মোটর B-12-এ বিয়ারিং পরিধান, আনুমানিক কার্যক্ষমতা 22% হ্রাস। এটি রক্ষণাবেক্ষণ দলকে একটি সুস্পষ্ট স্থায়িত্ব এবং খরচের প্রভাব সহ একটি লক্ষ্যযুক্ত, অগ্রাধিকারমূলক কাজ দেয়।

এটি সংস্কৃতি পরিবর্তন করে। স্থায়িত্ব উৎপাদন দক্ষতা থেকে একটি পৃথক KPI হওয়া বন্ধ করে। ফ্লোর ম্যানেজার যখন দেখেন যে কম স্ক্র্যাপ রেটগুলির জন্য অপ্টিমাইজ করা ভাল অংশে শক্তি এবং কাঁচামালের ব্যবহারও হ্রাস করে, তখন লক্ষ্যগুলি সারিবদ্ধ হয়। এআই প্রশিক্ষণ মানুষকেও প্রশিক্ষণ দেয়। একটি ত্রুটি সনাক্তকরণ মডেলের জন্য ডেটা লেবেল করতে, গুণমান প্রকৌশলীদের ব্যর্থতার মোডগুলি গভীরভাবে বিশ্লেষণ করতে হবে। এই প্রক্রিয়াটি নিজেই প্রায়শই মডেলটি স্থাপন করার আগে প্রক্রিয়ার উন্নতির দিকে নিয়ে যায়।

প্রতিরোধ স্বাভাবিক। ব্ল্যাক বক্স সুপারিশের একটি বৈধ ভয় আছে। এজন্য ব্যাখ্যাযোগ্যতা গুরুত্বপূর্ণ। যদি সিস্টেম বলে চুল্লির তাপমাত্রা 15 ডিগ্রি সেলসিয়াস কমাতে, তবে এটি অবশ্যই যুক্তি প্রদান করবে: ঐতিহাসিক ডেটা দেখায় যে এই নিম্ন তাপমাত্রায় X এবং Y পরামিতিগুলির সাথে চলে ফলে 8% কম প্রাকৃতিক গ্যাস খরচের সাথে অভিন্ন কঠোরতা দেখা দেয়। এটি আস্থা তৈরি করে এবং এআইকে টেকসই করার জন্য একটি সহযোগী টুলে পরিণত করে উত্পাদন.

সামনের দিকে তাকিয়ে: ইন্টিগ্রেশন চ্যালেঞ্জ

ভবিষ্যত শক্তি বা গুণমানের জন্য স্বতন্ত্র এআই অ্যাপ্লিকেশনগুলিতে নয়। এটি সমন্বিত প্রক্রিয়া অপ্টিমাইজেশানে যা একাধিক, কখনও কখনও প্রতিযোগিতামূলক, উদ্দেশ্যগুলির ভারসাম্য বজায় রাখে: থ্রুপুট, ফলন, শক্তি ব্যবহার, সরঞ্জাম পরিধান এবং কার্বন পদচিহ্ন। এটি একটি মাল্টি-অবজেক্টিভ অপ্টিমাইজেশন সমস্যা যা রিয়েল-টাইমে মানুষের গণনার বাইরে।

আমরা এমন সিস্টেম পাইলটিং করছি যা গ্রাহকের অর্ডার নেয় এবং গতিশীলভাবে সবচেয়ে টেকসই উৎপাদন রুট নির্ধারণ করে। ফাস্টেনারগুলির এই ব্যাচটি কি পুরানো, ধীরগতির লাইনে তৈরি করা উচিত যা এখন কারখানার নতুন সোলার অ্যারে দ্বারা চালিত, নাকি নতুন, দ্রুত লাইনে যা গ্রিড-চালিত কিন্তু কম স্ক্র্যাপ রেট আছে? AI যেকোনো সম্ভাব্য স্ক্র্যাপে মূর্ত কার্বন সহ নেট কার্বন প্রভাব গণনা করতে পারে এবং সত্যিকারের সর্বোত্তম পথের সুপারিশ করতে পারে। এটি পরবর্তী স্তরের চিন্তাভাবনা।

চূড়ান্ত বাধা হল জীবনচক্র মূল্যায়ন একীকরণ। আসল বৃদ্ধি টেকসইতা আসবে যখন ম্যানুফ্যাকচারিং এ AI উপকরণ এবং প্রক্রিয়ার সম্পূর্ণ জীবনচক্রের প্রভাবের ডেটাতে অ্যাক্সেস পাবে। একটি দস্তা প্রলেপ এবং একটি নতুন পলিমার আবরণ মধ্যে নির্বাচন শুধুমাত্র একটি খরচ সিদ্ধান্ত নয়; এটি রাসায়নিক ব্যবহার, স্থায়িত্ব এবং জীবনের শেষের পুনর্ব্যবহারযোগ্যতার বিষয়ে একটি সিদ্ধান্ত। আমরা এখনও সেখানে নেই, কিন্তু মৌলিক কাজ—প্রসেসগুলিকে ডিজিটাইজ করা, যন্ত্রযুক্ত করা এবং অভিযোজিত নিয়ন্ত্রণের অধীনে—যা সেই ভবিষ্যতকে সম্ভব করে তোলে৷ এটি একবারে একটি ছোট, অপ্রয়োজনীয় সমস্যা সমাধানের একটি দীর্ঘ, অদ্ভূত রাস্তা।