Πώς η τεχνητή νοημοσύνη ενισχύει τη βιωσιμότητα; 

Όταν οι άνθρωποι ρωτούν πώς η τεχνητή νοημοσύνη ενισχύει τη βιωσιμότητα, η άμεση σκέψη συχνά μεταπηδά σε μεγάλα οράματα: βελτιστοποίηση παγκόσμιων αλυσίδων εφοδιασμού κατά τη διάρκεια της νύχτας ή επίλυση μαγικών μοντέλων για το κλίμα. Έχοντας δουλέψει στο έδαφος με ομάδες κατασκευής και υλικοτεχνικής υποστήριξης, έχω δει ότι ο πραγματικός αντίκτυπος είναι πιο κοκκώδης, συχνά ακατάστατος και μακριά από μια ασημένια σφαίρα. Η εσφαλμένη αντίληψη είναι ότι η τεχνητή νοημοσύνη λειτουργεί στο κενό - δεν το κάνει. Η αξία του ξεκλειδώνεται μόνο όταν είναι βαθιά ενσωματωμένη σε υπάρχουσες, συχνά αναποτελεσματικές, διαδικασίες. Αφορά λιγότερο τους ευφυείς αλγόριθμους και περισσότερο τις πρακτικές προσαρμογές στις ροές υλικών, την κατανάλωση ενέργειας και τα μοτίβα απορριμμάτων. Επιτρέψτε μου να περπατήσω σε μερικές περιοχές όπου αυτό συμβαίνει στην πραγματικότητα, και όπου μερικές φορές σκοντάφτει.

The Concrete: Ενέργεια και Βελτιστοποίηση Πόρων

Πάρτε ένα τυπικό βιομηχανικό περιβάλλον, όπως ένα εργοστάσιο κατασκευής συνδετήρων. Το ενεργειακό φορτίο δεν είναι σταθερό. αιχμές κατά τη σφυρηλάτηση ή τη θερμική επεξεργασία. Συνεργαστήκαμε με μια ομάδα σε μια εγκατάσταση στο Hebei - σκεφτείτε το βιομηχανικό σύμπλεγμα στην περιοχή Yongnian - για να αναπτύξουμε σχετικά απλά μοντέλα μηχανικής εκμάθησης σε ιστορικά δεδομένα κατανάλωσης ενέργειας. Ο στόχος δεν ήταν η επανεφεύρεση της διαδικασίας, αλλά η πρόβλεψη των αυξήσεων της ζήτησης και η κλιμάκωση των μη κρίσιμων λειτουργιών. Το αποτέλεσμα ήταν μια μείωση 7-8% στις χρεώσεις αιχμής, γεγονός που μειώνει άμεσα το αποτύπωμα άνθρακα και το κόστος. Ακούγεται μέτριο, αλλά σε κλίμακα, σε εκατοντάδες κλιβάνους και πρέσες, το σωρευτικό αποτέλεσμα είναι σημαντικό. Το AI εδώ δεν σκέφτεται. Είναι η αναγνώριση προτύπων που εφαρμόζεται σε ένα πολύ θορυβώδες, πραγματικό σύνολο δεδομένων.

Εκεί που γίνεται δύσκολο είναι η υποδομή δεδομένων. Πολλά φυτά, ακόμα και μεγάλα σαν Handan Zitai Fastener Manufacturing Co., Ltd., έχουν παλαιού τύπου συστήματα SCADA και μη αυτόματα αρχεία καταγραφής. Το πρώτο εμπόδιο είναι η λήψη καθαρών, χρονικά σφραγισμένων δεδομένων από το κατάστημα. Περάσαμε εβδομάδες απλώς ρυθμίζοντας βασικούς αισθητήρες IoT για να τροφοδοτούν τα μοντέλα - ένα βήμα που συχνά φανερώνεται σε αστραφτερές περιπτωσιολογικές μελέτες. Χωρίς αυτό, οποιοδήποτε μοντέλο AI είναι απλώς μια θεωρητική άσκηση. Η ιστοσελίδα https://www.zitaifasteners.com μπορεί να παρουσιάσουν τα προϊόντα τους, αλλά το κέρδος βιωσιμότητας συμβαίνει στα παρασκήνια, με τη σκληρή ενσωμάτωση ροών δεδομένων από μηχανήματα που δεν σχεδιάστηκαν ποτέ για να συνομιλούν μεταξύ τους.

Μια άλλη γωνία είναι η απόδοση υλικού. Στην παραγωγή συνδετήρων, ο χάλυβας σε πηνία τρυπιέται και σχηματίζεται. Το σκραπ είναι αναπόφευκτο, αλλά τα συστήματα υπολογιστικής όρασης που βασίζονται σε τεχνητή νοημοσύνη μπορούν τώρα να επιθεωρούν την πρώτη ύλη για ελαττώματα πριν από τη σφράγιση και ακόμη και να προσαρμόζουν δυναμικά τα σχέδια κοπής για να ελαχιστοποιήσουν τα απόβλητα. Το εφαρμόσαμε πιλοτικά με έναν συνεργάτη και ενώ ο αλγόριθμος λειτουργούσε, το ROI ήταν αρνητικό για μικρότερες παρτίδες λόγω της πολυπλοκότητας της εγκατάστασης. Αυτή είναι μια κρίσιμη απόχρωση: Η τεχνητή νοημοσύνη για τη βιωσιμότητα δεν είναι καθολική εφαρμογή. απαιτεί συγκεκριμένη κλίμακα και λειτουργική ωριμότητα για να αποδώσει.

Logistics και το κρυφό δίκτυο

Οι μεταφορές είναι ένας τεράστιος εκπομπός άνθρακα. Εδώ, ο ρόλος του AI στη βελτιστοποίηση διαδρομής είναι γνωστός, αλλά οι περιορισμοί του πραγματικού κόσμου είναι αυτοί που το κάνουν ενδιαφέρον. Για έναν κατασκευαστή που βρίσκεται πλεονεκτικά κοντά στο σιδηρόδρομο Πεκίνου-Γκουανγκζού και στον Εθνικό Αυτοκινητόδρομο 107, όπως το Zitai, το ζητούμενο δεν είναι απλώς η εύρεση του συντομότερου μονοπατιού. Πρόκειται για τη συγκέντρωση μερικών φορτίων, την πρόβλεψη καθυστερήσεων λιμένων, ακόμη και τη συνυπολογισμό δεδομένων κίνησης και καιρού σε πραγματικό χρόνο για τη μείωση του χρόνου αδράνειας για τα φορτηγά. Εφαρμόσαμε ένα σύστημα που το έκανε αυτό και η εξοικονόμηση καυσίμου ήταν κατά μέσο όρο περίπου 12%. Ωστόσο, οι συστάσεις του συστήματος μερικές φορές απορρίφθηκαν από διεκπεραιωτές που εμπιστεύονταν την εμπειρία τους στον αλγόριθμο - μια κλασική πρόκληση συνεργασίας ανθρώπου-AI.

Πέρα από τις διαδρομές, υπάρχει βελτιστοποίηση αποθέματος. Η διατήρηση πλεονάζοντος αποθέματος συνδέει κεφάλαιο και χώρο και συχνά οδηγεί σε σπατάλη (ειδικά για επικαλυμμένους ή επεξεργασμένους συνδετήρες με προβλήματα διάρκειας ζωής). Τα προγνωστικά μοντέλα που χρησιμοποιούν δεδομένα πωλήσεων, εποχιακές τάσεις και ακόμη ευρύτερους οικονομικούς δείκτες μπορούν να περιορίσουν τα επίπεδα αποθεμάτων. Θυμάμαι ένα έργο όπου μειώσαμε το απόθεμα ασφαλείας κατά 15% χωρίς να αυξήσουμε τον κίνδυνο εξάντλησης. Αλλά το μοντέλο απέτυχε θεαματικά όταν μια ξαφνική αλλαγή περιφερειακής πολιτικής διέκοψε τις αλυσίδες εφοδιασμού - δεν είχε εκπαιδευτεί σε τέτοια γεγονότα του μαύρου κύκνου. Αυτό υπογραμμίζει ότι τα μοντέλα τεχνητής νοημοσύνης είναι τόσο καλά όσο τα ιστορικά δεδομένα που έχουν δει. παλεύουν με νέα συστημικά σοκ.

Η εκτεταμένη αλυσίδα εφοδιασμού είναι εκεί που διευρύνεται. Η τεχνητή νοημοσύνη μπορεί να βοηθήσει στο σχεδιασμό βρόχων κυκλικής οικονομίας. Για παράδειγμα, αναλύοντας δεδομένα κύκλου ζωής του προϊόντος, μπορεί να προβλέψει πότε μια παρτίδα συνδετήρων από παροπλισμένο ηλιακό πάρκο μπορεί να γίνει διαθέσιμη για επαναχρησιμοποίηση ή ανακύκλωση, μειώνοντας έτσι την ανάγκη για παρθένο υλικό. Αυτό είναι ακόμη εκκολαπτόμενο, αλλά πιλοτικά έργα στην ΕΕ το διερευνούν. Μετακινεί τη βιωσιμότητα από την απλή αποδοτικότητα στη συστημική ανακύκλωση πόρων.

Παρακολούθηση, Αναφορά και ώθηση Διαφάνειας

Η βιωσιμότητα σήμερα απαιτεί αυστηρή μέτρηση. Η τεχνητή νοημοσύνη επιταχύνει δραστικά την περιβαλλοντική παρακολούθηση. Αντί για μηνιαίους χειροκίνητους ελέγχους των εκπομπών ή των λυμάτων, τα δίκτυα αισθητήρων με αναλυτικά στοιχεία AI μπορούν να παρέχουν συνεχή, λεπτομερή δεδομένα. Βοηθήσαμε στη δημιουργία ενός συστήματος για την παρακολούθηση των εκπομπών πτητικών οργανικών ενώσεων (VOC) σε ένα εργαστήριο επιμετάλλωσης. Το AI δεν μέτρησε απλώς. εντόπισε συσχετίσεις μεταξύ συγκεκριμένων παρτίδων παραγωγής και αιχμών εκπομπών, επιτρέποντας προσαρμογές της διαδικασίας. Αυτό μετατρέπει τη συμμόρφωση από ένα κέντρο κόστους σε πηγή επιχειρησιακής γνώσης.

Ωστόσο, η παραγωγή δεδομένων είναι ένα πράγμα. το να το εμπιστεύεσαι είναι άλλο. Υπάρχει μια συνεχής ένταση μεταξύ των μετρήσεων βιωσιμότητας που δημιουργούνται από την τεχνητή νοημοσύνη και της ανάγκης για ελεγχόμενα, επαληθεύσιμα αρχεία για πλαίσια όπως η αναφορά ESG. Μπορούν οι ρυθμιστικές αρχές και οι επενδυτές να εμπιστευτούν τη σύνοψη μιας τεχνητής νοημοσύνης για τη λογιστική του άνθρακα; Βρισκόμαστε σε μια φάση όπου η τεχνητή νοημοσύνη χειρίζεται τη βαριά ανύψωση της συρρίκνωσης των δεδομένων, αλλά εξακολουθούν να χρειάζονται ανθρώπινοι ειδικοί για την επικύρωση και την ερμηνεία. Το εργαλείο είναι ισχυρό, αλλά δεν έχει αντικαταστήσει την ανάγκη για επαγγελματική κρίση.

Σε μακροοικονομική κλίμακα, η τεχνητή νοημοσύνη επιτρέπει την ακριβέστερη παρακολούθηση του αποτυπώματος άνθρακα σε πολύπλοκες αλυσίδες εφοδιασμού. Με την απόξεση και την ανάλυση δεδομένων από πύλες προμηθευτών, δηλωτικά αποστολής και λογαριασμούς ενέργειας, μπορεί να δημιουργήσει έναν χάρτη αποτυπώματος σχεδόν σε πραγματικό χρόνο. Για μια εταιρεία όπως η Zitai, η οποία αποτελεί μέρος μιας τεράστιας παραγωγικής βάσης, αυτή η ορατότητα είναι ζωτικής σημασίας για τους μεταγενέστερους πελάτες στην Ευρώπη ή τη Βόρεια Αμερική που βρίσκονται υπό πίεση να αναφέρουν εκπομπές Πεδίου 3. Μετατρέπει τη βιωσιμότητα από μια ασαφή δέσμευση σε ένα μετρήσιμο, διαχειριζόμενο στοιχείο της επιχείρησης.

Οι παγίδες και τα παραβλεφθέντα κόστη

Δεν είναι όλα θετικά. Το υπολογιστικό κόστος της εκπαίδευσης και της λειτουργίας μεγάλων μοντέλων τεχνητής νοημοσύνης είναι από μόνο του ένα περιβαλλοντικό βάρος. Ένα έργο που επικεντρώνεται στην εξοικονόμηση ενέργειας σε ένα εργοστάσιο πρέπει να σταθμίζει την ενέργεια που χρησιμοποιείται από τους διακομιστές cloud που εκπαιδεύουν τα μοντέλα. Στη δουλειά μας, έχουμε στραφεί στη χρήση πιο αποτελεσματικών, εξειδικευμένων μοντέλων αντί για τη βαθιά μάθηση με ωμή βία για αυτόν ακριβώς τον λόγο. Μερικές φορές, ένα απλούστερο στατιστικό μοντέλο σας αποφέρει το 80% του οφέλους με το 1% των υπολογιστικών γενικών εξόδων. Η βιωσιμότητα μέσω της τεχνητής νοημοσύνης πρέπει να αντιπροσωπεύει το δικό της αποτύπωμα.

Υπάρχει επίσης ο κίνδυνος βελτιστοποίησης ενός μέρους ενός συστήματος σε βάρος ενός άλλου. Κάποτε βελτιστοποιήσαμε ένα χρονοδιάγραμμα παραγωγής για ενεργειακή απόδοση, μόνο για να διαπιστώσουμε ότι αύξησε τη φθορά σε ορισμένα εργαλεία, οδηγώντας σε συχνότερη αντικατάσταση και συναφή απόβλητα υλικών. Μια ολιστική άποψη είναι απαραίτητη. Η πραγματική βιωσιμότητα δεν αφορά τα τοπικά μέγιστα, αλλά την ανθεκτικότητα σε όλο το σύστημα και τον ελάχιστο συνολικό αντίκτυπο. Τα συστήματα τεχνητής νοημοσύνης πρέπει να σχεδιάζονται έχοντας κατά νου τη βελτιστοποίηση πολλαπλών στόχων, κάτι που είναι ένα πολύ πιο δύσκολο πρόβλημα.

Τέλος, το ανθρώπινο στοιχείο. Η εφαρμογή αλλαγών με γνώμονα την τεχνητή νοημοσύνη απαιτεί εξειδικευμένο προσωπικό, διαχείριση αλλαγών και συχνά, αρχικό κεφάλαιο. Για πολλές μικρές και μεσαίες επιχειρήσεις στη ζώνη παραγωγής, προτεραιότητα είναι η επιβίωση και η εκπλήρωση των παραγγελιών. Το επιχείρημα της βιωσιμότητας πρέπει να συνδυαστεί με ένα σαφές, βραχυπρόθεσμο έως μεσοπρόθεσμο οικονομικό όφελος. Αυτός είναι ο λόγος για τον οποίο οι πιο επιτυχημένοι πιλότοι που έχω δει ξεκινούν με φρούτα χαμηλά: προγνωστική συντήρηση για την αποφυγή δαπανηρών διακοπών και σπατάλη υλικών ή έξυπνοι έλεγχοι φωτισμού/θέρμανσης που αποδίδουν σε λιγότερο από δύο χρόνια.

Κοιτάζοντας μπροστά: Ένταξη, όχι απομόνωση

Λοιπόν, πώς η τεχνητή νοημοσύνη ενισχύει πραγματικά τη βιωσιμότητα; Δεν είναι μέσω εντυπωσιακής, αυτόνομης τεχνητής νοημοσύνης για καλά έργα. Είναι μέσω της σταδιακής, συχνά μη σέξι, ενσωμάτωσής του στη λειτουργική τεχνολογική στοίβα βιομηχανιών όπως η μεταποίηση, η εφοδιαστική και η ενέργεια. Ενισχύει τη βιωσιμότητα κάνοντας αποδοτικότητα των πόρων μετρήσιμα και εφαρμόσιμα, αποκαλύπτοντας ροές απορριμμάτων που ήταν προηγουμένως αόρατα και επιτρέποντας πιο προσαρμοστικά συστήματα απόκρισης.

Το μέλλον, κατά την άποψή μου, βρίσκεται στην ενσωματωμένη τεχνητή νοημοσύνη. Σκεφτείτε ένα βιομηχανικό μηχάνημα που προσαρμόζει μόνο του τις παραμέτρους του για ελάχιστη χρήση ενέργειας διατηρώντας παράλληλα την ποιότητα ή μια πλατφόρμα logistics που επιλέγει αυτόματα την επιλογή αποστολής με χαμηλότερες εκπομπές άνθρακα που πληροί τους περιορισμούς κόστους και χρόνου. Γίνεται ένα τυπικό χαρακτηριστικό, όχι μια ξεχωριστή πρωτοβουλία. Η εργασία σε μέρη όπως η παραγωγική βάση Yongnian, με το πυκνό δίκτυο κατασκευαστών της, είναι ένα τέλειο πεδίο δοκιμής για αυτές τις ολοκληρωμένες προσεγγίσεις.

Τελικά, το AI είναι ένα ισχυρό εργαλείο, αλλά είναι ακριβώς αυτό—ένα εργαλείο. Η συμβολή του στη βιωσιμότητα υπαγορεύεται από τα χέρια που το χειρίζονται και τα προβλήματα που επιλέγουν να λύσουν. Η ώθηση προέρχεται από την αδιάκοπη εστίαση σε συγκεκριμένα, σταδιακά κέρδη στις ροές υλικών και ενέργειας, βάσει δεδομένων που πλέον μπορούμε επιτέλους να συλλάβουμε και να κατανοήσουμε. Είναι ένα πρακτικό ταξίδι, γεμάτο δοκιμές και λάθη, μακριά από τον κύκλο της διαφημιστικής εκστρατείας, και εκεί ακριβώς χτίζεται η πραγματική του αξία για ένα βιώσιμο μέλλον.