যখন লোকেরা জিজ্ঞাসা করে যে AI কীভাবে স্থায়িত্ব বাড়ায়, তখন তাত্ক্ষণিক চিন্তা প্রায়শই দুর্দান্ত দৃষ্টিভঙ্গিতে ঝাঁপিয়ে পড়ে: বিশ্বব্যাপী সাপ্লাই চেইনকে রাতারাতি অপ্টিমাইজ করা বা জলবায়ু মডেলিংকে জাদুকরীভাবে সমাধান করা। ম্যানুফ্যাকচারিং এবং লজিস্টিক দলগুলির সাথে মাটিতে কাজ করার পরে, আমি দেখেছি যে আসল প্রভাব আরও দানাদার, প্রায়শই অগোছালো এবং সিলভার বুলেট থেকে অনেক দূরে। ভুল ধারণাটি হল যে এআই একটি শূন্যতায় কাজ করে-এটি তা নয়। এর মানটি তখনই আনলক করা হয় যখন এটি বিদ্যমান, প্রায়শই অদক্ষ, প্রক্রিয়াগুলিতে গভীরভাবে এম্বেড করা হয়। এটি বুদ্ধিমান অ্যালগরিদম সম্পর্কে কম এবং উপাদান প্রবাহ, শক্তি খরচ এবং বর্জ্য নিদর্শনগুলির ব্যবহারিক সমন্বয় সম্পর্কে আরও কিছু। আমাকে এমন কয়েকটি অঞ্চলের মধ্য দিয়ে হাঁটতে দিন যেখানে এটি বাস্তবে চলে এবং যেখানে এটি কখনও কখনও হোঁচট খায়।

কংক্রিট: শক্তি এবং সম্পদ অপ্টিমাইজেশান

একটি ফাস্টেনার উত্পাদন প্ল্যান্টের মতো একটি সাধারণ শিল্প সেটিং নিন। শক্তি লোড ধ্রুবক নয়; এটি forging বা তাপ চিকিত্সা সময় spikes. আমরা হেবেই-এর একটি সুবিধায় একটি টিমের সাথে কাজ করেছি—ইয়ংনিয়ান জেলার শিল্প ক্লাস্টারের কথা ভাবুন—ঐতিহাসিক বিদ্যুৎ খরচ ডেটাতে তুলনামূলকভাবে সহজ মেশিন লার্নিং মডেল স্থাপন করতে। লক্ষ্য ছিল প্রক্রিয়াটিকে নতুন করে উদ্ভাবন করা নয় বরং চাহিদা বৃদ্ধির পূর্বাভাস দেওয়া এবং অ-সমালোচনামূলক ক্রিয়াকলাপগুলিকে বিচলিত করা। ফলাফল হল পিক-লোড চার্জে 7-8% হ্রাস, যা সরাসরি কার্বন পদচিহ্ন এবং খরচ কমিয়ে দেয়। এটি বিনয়ী শোনাচ্ছে, কিন্তু স্কেলে, শত শত চুল্লি এবং প্রেস জুড়ে, ক্রমবর্ধমান প্রভাব যথেষ্ট। এখানে এআই চিন্তা করছে না; এটি একটি খুব কোলাহলপূর্ণ, বাস্তব-বিশ্বের ডেটাসেটে প্রয়োগ করা প্যাটার্ন স্বীকৃতি।

যেখানে এটি জটিল হয় তা হল ডেটা পরিকাঠামো। অনেক গাছপালা, এমনকি বড় বেশী পছন্দ হ্যান্ডান জিটাই ফাস্টেনার ম্যানুফ্যাকচারিং কোং, লিমিটেড, উত্তরাধিকার SCADA সিস্টেম এবং ম্যানুয়াল লগ আছে. প্রথম বাধা হল দোকানের মেঝে থেকে পরিষ্কার, সময়-স্ট্যাম্পযুক্ত ডেটা। আমরা মডেলগুলিকে খাওয়ানোর জন্য প্রাথমিক IoT সেন্সর সেট আপ করতে কয়েক সপ্তাহ কাটিয়েছি—একটি পদক্ষেপ যা প্রায়শই চকচকে কেস স্টাডিতে চকচকে হয়ে যায়। এটি ছাড়া, যে কোনও এআই মডেল কেবল একটি তাত্ত্বিক অনুশীলন। ওয়েবসাইট https://www.zitaifasteners.com তাদের পণ্য প্রদর্শন করতে পারে, কিন্তু স্থায়িত্ব লাভ পর্দার আড়ালে ঘটতে পারে, মেশিন থেকে ডেটা স্ট্রীমগুলির তীক্ষ্ণ একীকরণে যা কখনও একে অপরের সাথে কথা বলার জন্য ডিজাইন করা হয়নি।

আরেকটি কোণ উপাদান ফলন হয়. ফাস্টেনার উত্পাদনে, কুণ্ডলী ইস্পাত খোঁচা এবং গঠিত হয়। স্ক্র্যাপ অনিবার্য, কিন্তু AI-চালিত কম্পিউটার ভিশন সিস্টেমগুলি এখন স্ট্যাম্পিং করার আগে ত্রুটিগুলির জন্য কাঁচামাল পরিদর্শন করতে পারে, এবং এমনকি বর্জ্য কমাতে গতিশীলভাবে কাটিংয়ের ধরণগুলি সামঞ্জস্য করতে পারে। আমরা এটি একজন অংশীদারের সাথে পাইলট করেছি, এবং অ্যালগরিদম কাজ করার সময়, সেটআপ জটিলতার কারণে ROI ছোট ব্যাচ রানের জন্য নেতিবাচক ছিল। এটি একটি গুরুত্বপূর্ণ বিষয়: টেকসইতার জন্য AI সর্বজনীনভাবে প্রযোজ্য নয়; এটি পরিশোধের জন্য একটি নির্দিষ্ট স্কেল এবং কর্মক্ষম পরিপক্কতা দাবি করে।

লজিস্টিকস এবং লুকানো নেটওয়ার্ক

পরিবহন একটি বিশাল কার্বন নিঃসরণকারী। এখানে, রুট অপ্টিমাইজেশানে AI এর ভূমিকা সুপরিচিত, কিন্তু বাস্তব-বিশ্বের সীমাবদ্ধতাগুলি এটিকে আকর্ষণীয় করে তোলে। বেইজিং-গুয়াংজু রেলওয়ে এবং জাতীয় মহাসড়ক 107 এর কাছাকাছি সুবিধাজনকভাবে অবস্থিত একটি প্রস্তুতকারকের জন্য, জিতাইয়ের মতো, প্রশ্নটি কেবলমাত্র সংক্ষিপ্ততম পথটি খুঁজে বের করা নয়। এটি আংশিক লোড একত্রীকরণ, পোর্ট বিলম্বের পূর্বাভাস এবং এমনকি ট্রাকের জন্য অলস সময় কমাতে রিয়েল-টাইম ট্র্যাফিক এবং আবহাওয়ার ডেটা ফ্যাক্টরিং সম্পর্কে। আমরা এমন একটি সিস্টেম প্রয়োগ করেছি যা এটি করেছে, এবং জ্বালানি সঞ্চয় গড়ে প্রায় 12%। যাইহোক, সিস্টেমের সুপারিশগুলি কখনও কখনও প্রেরকদের দ্বারা প্রত্যাখ্যান করা হয়েছিল যারা অ্যালগরিদম - একটি ক্লাসিক মানব-এআই সহযোগিতা চ্যালেঞ্জের উপর তাদের অভিজ্ঞতার উপর আস্থা রেখেছিল।

রুট ছাড়াও, ইনভেন্টরি অপ্টিমাইজেশন আছে। অতিরিক্ত ইনভেন্টরি রাখা পুঁজি এবং স্থানকে বেঁধে রাখে এবং প্রায়শই বর্জ্যের দিকে পরিচালিত করে (বিশেষ করে লেপা বা চিকিত্সা করা ফাস্টেনারগুলির জন্য যা শেলফ-লাইফের উদ্বেগ রয়েছে)। বিক্রয় ডেটা, মৌসুমী প্রবণতা এবং এমনকি বিস্তৃত অর্থনৈতিক সূচকগুলি ব্যবহার করে ভবিষ্যদ্বাণীমূলক মডেলগুলি জায় স্তরকে আঁটসাঁট করতে পারে। আমি একটি প্রকল্পের কথা মনে করি যেখানে আমরা স্টক-আউট ঝুঁকি না বাড়িয়ে 15% দ্বারা সুরক্ষা স্টক হ্রাস করেছি। কিন্তু মডেলটি চমত্কারভাবে ব্যর্থ হয়েছিল যখন হঠাৎ আঞ্চলিক নীতির পরিবর্তন সাপ্লাই চেইনকে ব্যাহত করেছিল - এটি এই জাতীয় কালো রাজহাঁস ইভেন্টগুলিতে প্রশিক্ষিত ছিল না। এটি হাইলাইট করে যে AI মডেলগুলি তাদের দেখা ঐতিহাসিক ডেটার মতোই ভাল; তারা অভিনব পদ্ধতিগত শক সঙ্গে সংগ্রাম.

বর্ধিত সরবরাহ শৃঙ্খল যেখানে এটি বিস্তৃত হয়। AI সার্কুলার ইকোনমি লুপ ডিজাইন করতে সাহায্য করতে পারে। উদাহরণস্বরূপ, পণ্যের জীবনচক্রের ডেটা বিশ্লেষণ করে, এটি ভবিষ্যদ্বাণী করতে পারে যে কখন একটি ডিকমিশনড সোলার ফার্ম থেকে ফাস্টেনারগুলির একটি ব্যাচ পুনরায় ব্যবহার বা পুনর্ব্যবহার করার জন্য উপলব্ধ হতে পারে, এইভাবে কুমারী উপাদানের প্রয়োজনীয়তা হ্রাস করে। এটি এখনও নবজাতক, তবে ইইউ-এর পাইলট প্রকল্পগুলি এটি অন্বেষণ করছে। এটি স্থায়িত্বকে নিছক দক্ষতা থেকে সিস্টেমিক রিসোর্স সাইক্লিংয়ে নিয়ে যায়।

মনিটরিং, রিপোর্টিং, এবং স্বচ্ছতা পুশ

স্থায়িত্ব আজ কঠোর পরিমাপ প্রয়োজন. এআই পরিবেশগত পর্যবেক্ষণকে ত্বরান্বিত করে। নির্গমন বা বর্জ্য জলের মাসিক ম্যানুয়াল অডিটের পরিবর্তে, এআই বিশ্লেষণ সহ সেন্সর নেটওয়ার্কগুলি ক্রমাগত, দানাদার ডেটা সরবরাহ করতে পারে। আমরা একটি প্লেটিং ওয়ার্কশপে উদ্বায়ী জৈব যৌগ (VOC) নির্গমন নিরীক্ষণের জন্য একটি সিস্টেম সেট আপ করতে সাহায্য করেছি৷ এআই শুধু পরিমাপ করেনি; এটি নির্দিষ্ট উত্পাদন ব্যাচ এবং নির্গমন স্পাইকগুলির মধ্যে পারস্পরিক সম্পর্ক সনাক্ত করেছে, প্রক্রিয়া সমন্বয়ের জন্য অনুমতি দেয়। এটি একটি ব্যয় কেন্দ্র থেকে সম্মতিকে কর্মক্ষম অন্তর্দৃষ্টির উত্সে পরিণত করে।

যাইহোক, ডেটা জেনারেট করা এক জিনিস; এটা বিশ্বাস অন্য. AI-উত্পন্ন স্থায়িত্ব মেট্রিক্স এবং ESG রিপোর্টিংয়ের মতো কাঠামোর জন্য নিরীক্ষণযোগ্য, যাচাইযোগ্য রেকর্ডের প্রয়োজনের মধ্যে একটি চলমান উত্তেজনা রয়েছে। নিয়ন্ত্রক এবং বিনিয়োগকারীরা কি AI এর কার্বন অ্যাকাউন্টিংয়ের সারাংশে বিশ্বাস করতে পারে? আমরা এমন একটি পর্যায়ে আছি যেখানে AI ডেটা ক্রাঞ্চিংয়ের ভারী উত্তোলনকে পরিচালনা করে, কিন্তু এখনও বৈধ এবং ব্যাখ্যা করার জন্য মানব বিশেষজ্ঞদের প্রয়োজন। টুলটি শক্তিশালী, কিন্তু এটি পেশাদার বিচারের প্রয়োজনকে প্রতিস্থাপন করেনি।

একটি ম্যাক্রো স্কেলে, AI জটিল সরবরাহ চেইন জুড়ে আরও সঠিক কার্বন ফুটপ্রিন্ট ট্র্যাকিং সক্ষম করছে। সরবরাহকারী পোর্টাল, শিপিং ম্যানিফেস্ট এবং শক্তি বিল থেকে ডেটা স্ক্র্যাপ এবং বিশ্লেষণ করে, এটি একটি কাছাকাছি-রিয়েল-টাইম ফুটপ্রিন্ট মানচিত্র তৈরি করতে পারে। Zitai এর মতো একটি কোম্পানির জন্য, যা একটি বিশাল উৎপাদন ভিত্তির অংশ, এই দৃশ্যমানতা ইউরোপ বা উত্তর আমেরিকার নিম্নধারার গ্রাহকদের জন্য অত্যন্ত গুরুত্বপূর্ণ যারা স্কোপ 3 নির্গমনের রিপোর্ট করার জন্য চাপের মধ্যে রয়েছে। এটি একটি অস্পষ্ট প্রতিশ্রুতি থেকে স্থায়িত্বকে ব্যবসার একটি পরিমাপযোগ্য, পরিচালিত উপাদানে পরিণত করে।

ক্ষতি এবং উপেক্ষা খরচ

এটি সব ইতিবাচক নয়। প্রশিক্ষণ এবং বড় এআই মডেল চালানোর গণনামূলক খরচ নিজেই একটি পরিবেশগত বোঝা। একটি কারখানায় শক্তি সঞ্চয়ের উপর দৃষ্টি নিবদ্ধ করা একটি প্রকল্পের মডেলগুলিকে প্রশিক্ষণ দেওয়া ক্লাউড সার্ভার দ্বারা ব্যবহৃত শক্তির বিপরীতে ওজন করা উচিত। আমাদের কাজে, আমরা এই কারণেই ব্রুট-ফোর্স ডিপ লার্নিংয়ের পরিবর্তে আরও দক্ষ, বিশেষায়িত মডেলগুলি ব্যবহার করার দিকে সরে এসেছি। কখনও কখনও, একটি সহজ পরিসংখ্যান মডেল আপনাকে কম্পিউটেশনাল ওভারহেডের 1% সহ 80% সুবিধা দেয়। AI এর মাধ্যমে স্থায়িত্ব অবশ্যই তার নিজের পদচিহ্নের জন্য দায়ী।

একটি সিস্টেমের একটি অংশ অন্যের খরচে অপ্টিমাইজ করার ঝুঁকিও রয়েছে। আমরা একবার শক্তি দক্ষতার জন্য একটি উত্পাদন সময়সূচী অপ্টিমাইজ করেছি, শুধুমাত্র এটি খুঁজে বের করার জন্য যে এটি নির্দিষ্ট সরঞ্জামগুলিতে পরিধান বৃদ্ধি করেছে, যা আরও ঘন ঘন প্রতিস্থাপন এবং সংশ্লিষ্ট উপাদান বর্জ্যের দিকে পরিচালিত করে। একটি সামগ্রিক দৃষ্টিভঙ্গি অপরিহার্য। প্রকৃত স্থায়িত্ব স্থানীয় ম্যাক্সিমা সম্পর্কে নয় বরং সিস্টেম-ব্যাপী স্থিতিস্থাপকতা এবং সর্বনিম্ন মোট প্রভাব সম্পর্কে। এআই সিস্টেমগুলিকে বহু-অবজেক্টিভ অপ্টিমাইজেশন মাথায় রেখে ডিজাইন করা দরকার, যা একটি উল্লেখযোগ্যভাবে কঠিন সমস্যা।

অবশেষে, মানব উপাদান। এআই-চালিত পরিবর্তনগুলি বাস্তবায়নের জন্য দক্ষ কর্মী, পরিবর্তন ব্যবস্থাপনা এবং প্রায়শই, অগ্রিম মূলধন প্রয়োজন। ম্যানুফ্যাকচারিং বেল্টে অনেক ছোট এবং মাঝারি আকারের উদ্যোগের জন্য, অগ্রাধিকার হল বেঁচে থাকা এবং অর্ডার পূরণ করা। স্থায়িত্বের যুক্তি অবশ্যই একটি স্পষ্ট, স্বল্প থেকে মধ্যমেয়াদী অর্থনৈতিক সুবিধার সাথে মিলিত হতে হবে। এই কারণেই আমি দেখেছি সবচেয়ে সফল পাইলটরা কম ঝুলন্ত ফল দিয়ে শুরু করেন: ব্যয়বহুল ডাউনটাইম এবং উপাদানের অপচয় এড়াতে ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ, বা স্মার্ট লাইটিং/হিটিং নিয়ন্ত্রণ যা দুই বছরের মধ্যে ফেরত দেয়।

সামনের দিকে তাকিয়ে: একীকরণ, বিচ্ছিন্নতা নয়

সুতরাং, কীভাবে এআই প্রকৃতপক্ষে স্থায়িত্ব বাড়ায়? এটি ভাল প্রকল্পগুলির জন্য চটকদার, স্বতন্ত্র AI এর মাধ্যমে নয়। এটি উত্পাদন, সরবরাহ এবং শক্তির মতো শিল্পগুলির অপারেশনাল প্রযুক্তি স্ট্যাকের সাথে ধীরে ধীরে, প্রায়শই অস্বস্তিকর, একীকরণের মাধ্যমে। এটি তৈরি করে স্থায়িত্ব বাড়ায় সম্পদ দক্ষতা পরিমাপযোগ্য এবং কর্মযোগ্য, পূর্বে অদৃশ্য বর্জ্য প্রবাহ উন্মোচন করে এবং আরও অভিযোজিত, প্রতিক্রিয়াশীল সিস্টেম সক্ষম করে।

ভবিষ্যত, আমার দৃষ্টিতে, এমবেডেড এআই এর মধ্যে রয়েছে। একটি শিল্প মেশিনের কথা চিন্তা করুন যা গুণমান বজায় রাখার সময় ন্যূনতম শক্তি ব্যবহারের জন্য তার পরামিতিগুলিকে স্ব-সংযোজন করে, বা একটি লজিস্টিক প্ল্যাটফর্ম যা স্বয়ংক্রিয়ভাবে সর্বনিম্ন-কার্বন শিপিং বিকল্পটি নির্বাচন করে যা খরচ এবং সময়ের সীমাবদ্ধতা পূরণ করে। এটি একটি আদর্শ বৈশিষ্ট্য হয়ে ওঠে, একটি পৃথক উদ্যোগ নয়। Yongnian উত্পাদন ভিত্তির মত জায়গায় কাজ, নির্মাতাদের ঘন নেটওয়ার্ক সহ, এই সমন্বিত পদ্ধতির জন্য একটি নিখুঁত পরীক্ষার স্থল।

শেষ পর্যন্ত, এআই একটি শক্তিশালী হাতিয়ার, তবে এটি কেবল এটিই - একটি সরঞ্জাম। টেকসইতার ক্ষেত্রে এর অবদান তাদের হাতে এবং তারা যে সমস্যাগুলি সমাধান করতে বেছে নেয় তার দ্বারা নির্দেশিত হয়। বুস্ট আসে কংক্রিটের উপর নিরলস ফোকাস থেকে, উপাদান এবং শক্তি প্রবাহে ক্রমবর্ধমান লাভ, ডেটা দ্বারা অবহিত যা আমরা এখন শেষ পর্যন্ত ক্যাপচার করতে এবং বুঝতে পারি। এটি একটি ব্যবহারিক যাত্রা, পরীক্ষা এবং ত্রুটিতে পূর্ণ, হাইপ চক্র থেকে অনেক দূরে, এবং ঠিক এখানেই একটি টেকসই ভবিষ্যতের জন্য এর আসল মূল্য তৈরি করা হচ্ছে।