Kuidas AI jätkusuutlikkust edendab? 

Kui inimesed küsivad, kuidas tehisintellekt jätkusuutlikkust suurendab, hüppavad nad sageli suurepäraste visioonide juurde: globaalsete tarneahelate optimeerimine üleöö või kliimamudelite maagiline lahendamine. Olles töötanud kohapeal koos tootmis- ja logistikameeskondadega, olen näinud, et tegelik mõju on teralisem, sageli räpane ja kaugeltki mitte hõbekuul. Väärarusaam on see, et AI töötab vaakumis – see ei toimi. Selle väärtus avaneb ainult siis, kui see on sügavalt sisse lülitatud olemasolevatesse, sageli ebatõhusatesse protsessidesse. See puudutab vähem intelligentseid algoritme ja rohkem materjalivoogude, energiatarbimise ja jäätmemustrite praktilisi kohandamisi. Lubage mul käia läbi mõned valdkonnad, kus see tegelikult toimib ja kus see mõnikord komistab.

Konkreetne: energia ja ressursside optimeerimine

Võtke tüüpiline tööstuskeskkond, näiteks kinnitusdetailide tootmistehas. Energiakoormus ei ole konstantne; see naelutab sepistamise või kuumtöötlemise ajal. Töötasime koos meeskonnaga Hebeis asuvas rajatises – mõelge Yongniani piirkonna tööstusklastrile –, et juurutada ajaloolistele energiatarbimise andmetele suhteliselt lihtsaid masinõppemudeleid. Eesmärk ei olnud protsessi uuesti leiutada, vaid nõudluse hüppeid ennustada ja mittekriitilisi toiminguid ajada. Tulemuseks oli tippkoormuse tasude vähenemine 7–8%, mis vähendab otseselt süsiniku jalajälge ja kulusid. See kõlab tagasihoidlikult, kuid mastaabis, sadade ahjude ja presside puhul on kumulatiivne mõju märkimisväärne. Siinne tehisintellekt ei mõtle; see on mustrituvastus, mida rakendatakse väga mürarikkale reaalmaailma andmestikule.

Keeruliseks läheb andmeinfrastruktuur. Paljud taimed, isegi suured, meeldivad Handan Zitai kinnitusdetailide Manufacturing Co., Ltd., neil on pärand-SCADA süsteemid ja käsitsi logid. Esimene takistus on puhaste ajatempliga andmete hankimine kauplusest. Veetsime nädalaid lihtsalt IoT põhiandurite seadistamiseks, et mudeleid toita – see samm on läikivates juhtumiuuringutes sageli varjutatud. Ilma selleta on iga AI-mudel vaid teoreetiline harjutus. Veebileht https://www.zitaifasteners.com võivad oma tooteid esitleda, kuid jätkusuutlikkuse kasu leiab aset kulisside taga, andmevoogude teravas integreerimises masinatest, mis pole kunagi loodud üksteisega suhtlemiseks.

Teine nurk on materjali saagikus. Kinnitusdetailide tootmisel stantsitakse ja vormitakse spiraalteras. Jäägid on vältimatu, kuid tehisintellektiga juhitavad arvutinägemissüsteemid saavad nüüd enne tembeldamist kontrollida toormaterjali defektide suhtes ja isegi raiskamise minimeerimiseks lõikemustreid dünaamiliselt kohandada. Pilootasime seda koos partneriga ja kuigi algoritm töötas, oli väiksemate partiide puhul seadistamise keerukuse tõttu ROI negatiivne. See on kriitiline nüanss: jätkusuutlikkuse AI ei ole üldiselt rakendatav; see nõuab teatud ulatust ja tegevusküpsust, et end ära tasuks.

Logistika ja varjatud võrk

Transport on tohutu süsinikuheitja. Siin on AI roll marsruudi optimeerimisel hästi teada, kuid tegelikud piirangud teevad selle huvitavaks. Tootja, kes asub soodsalt Pekingi-Guangzhou raudtee ja riikliku maantee 107 lähedal, nagu Zitai, ei seisne ainult lühima tee leidmises. See hõlmab osakoormuste koondamist, sadamate viivituste prognoosimist ja isegi reaalajas liiklus- ja ilmaandmete arvessevõtmist, et vähendada veokite tühikäiguaega. Võtsime kasutusele süsteemi, mis seda tegi ja kütusesääst oli keskmiselt umbes 12%. Siiski lükkasid süsteemi soovitused mõnikord tagasi dispetšerid, kes usaldasid algoritmi osas oma kogemusi – see on klassikaline inimese ja tehisintellekti koostöö väljakutse.

Lisaks marsruutidele on olemas varude optimeerimine. Üleliigsete varude hoidmine seob kapitali ja ruumi ning põhjustab sageli raiskamist (eriti kaetud või töödeldud kinnitusdetailide puhul, millel on probleeme säilivusajaga). Ennustavad mudelid, mis kasutavad müügiandmeid, hooajalisi trende ja isegi laiemaid majandusnäitajaid, võivad varude taset karmistada. Meenub üks projekt, kus me vähendasime ohutusvaru 15%, suurendamata laovarude riski suurendamata. Kuid mudel kukkus suurejooneliselt läbi, kui äkiline regionaalpoliitika nihe katkestas tarneahelad – seda ei olnud selliste musta luige sündmuste kohta koolitatud. See rõhutab, et tehisintellekti mudelid on ainult nii head kui nende ajaloolised andmed; nad võitlevad uudsete süsteemsete šokkidega.

Laiendatud tarneahel muutub laiemaks. AI võib aidata kujundada ringmajanduse ahelaid. Näiteks toote elutsükli andmeid analüüsides saab see ennustada, millal võib kasutuselt kõrvaldatud päikesefarmi kinnitusdetailide partii korduskasutamiseks või ringlussevõtuks saada, vähendades seega vajadust kasutamata materjali järele. See on alles kujunemisjärgus, kuid ELi katseprojektid uurivad seda. See viib jätkusuutlikkuse pelgalt tõhususest süsteemsele ressursitsüklile.

Järelevalve, aruandlus ja läbipaistvuse tõuge

Tänapäeva jätkusuutlikkus nõuab ranget mõõtmist. AI kiirendab drastiliselt keskkonnaseiret. Igakuise heite või heitvee käsitsi kontrollimise asemel võivad AI-analüütikaga andurivõrgud pakkuda pidevaid üksikasjalikke andmeid. Aitasime plaadistustöökojas luua lenduvate orgaaniliste ühendite (VOC) heitkoguste seiresüsteemi. AI mitte ainult ei mõõtnud; see tuvastas korrelatsioonid konkreetsete tootmispartiide ja heitkoguste hüppeliste vahel, võimaldades protsessi kohandamist. See muudab kulukeskuse järgimise operatiivse ülevaate allikaks.

Andmete genereerimine on aga üks asi; selle usaldamine on teine ​​asi. AI-ga loodud jätkusuutlikkuse mõõdikute ja selliste raamistike nagu ESG aruandluse auditeeritavate ja kontrollitavate kirjete vahel on pidev pinge. Kas reguleerivad asutused ja investorid võivad usaldada tehisintellekti süsinikuarvestuse kokkuvõtet? Oleme faasis, kus tehisintellekt peab toime tulema andmete krõpsutamise raske tõstmisega, kuid valideerimiseks ja tõlgendamiseks on endiselt vaja inimeksperte. Tööriist on võimas, kuid see ei ole asendanud vajadust professionaalse hinnangu järele.

Makromastaabis võimaldab AI täpsemat süsiniku jalajälje jälgimist keerukates tarneahelates. Tarnijate portaalidest, tarnemanifestidest ja energiaarvetest kraapides ja analüüsides saab see luua peaaegu reaalajas jalajäljekaardi. Sellise ettevõtte nagu Zitai jaoks, mis on osa tohutust tootmisbaasist, on see nähtavus ülioluline Euroopa või Põhja-Ameerika tootmisahela järgmise etapi klientide jaoks, kellel on surve 3. ulatuse heitkogustest teatada. See muudab jätkusuutlikkuse ebamäärasest kohustusest ettevõtte kvantifitseeritavaks, juhitavaks komponendiks.

Lõksud ja tähelepanuta jäetud kulud

See pole kõik positiivne. Treeningu ja suurte tehisintellekti mudelite käitamise arvutuskulud on iseenesest keskkonnakoormus. Tehase energia säästmisele keskenduv projekt peab kaaluma mudeleid koolitavate pilveserverite kulutatavat energiat. Oma töös oleme just sel põhjusel nihkunud tõhusamate ja erimudelite kasutamisele, mitte jõhkra jõuga süvaõppele. Mõnikord annab lihtsam statistiline mudel teile 80% kasust ja 1% arvutuskuludest. Jätkusuutlikkus AI kaudu peab arvestama oma jalajäljega.

Samuti on oht optimeerida süsteemi üht osa teise arvelt. Kunagi optimeerisime tootmisgraafikut energiatõhususe huvides, kuid avastasime, et see suurendas teatud tööriistade kulumist, põhjustades sagedasemat vahetust ja sellega seotud materjali raiskamist. Terviklik vaade on hädavajalik. Tõeline jätkusuutlikkus ei seisne kohalikes maksimumides, vaid kogu süsteemis vastupidavuses ja minimaalses kogumõjus. AI-süsteemid tuleb kavandada mitme eesmärgi optimeerimist silmas pidades, mis on oluliselt raskem probleem.

Lõpuks inimlik element. AI-põhiste muudatuste elluviimine nõuab kvalifitseeritud personali, muudatuste juhtimist ja sageli ka esialgset kapitali. Paljude tootmislindi väikeste ja keskmise suurusega ettevõtete jaoks on prioriteet ellujäämine ja tellimuste täitmine. Jätkusuutlikkuse argumendiga peab kaasnema selge lühiajaline majanduslik kasu. Seetõttu alustavad kõige edukamad piloodid, mida olen näinud, madalalt rippuva viljaga: prognoositav hooldus, et vältida kulukaid seisakuid ja materjaliraiskamist, või nutikad valgustuse/kütte juhtseadmed, mis tasuvad end ära vähem kui kahe aastaga.

Tulevikku vaadates: integratsioon, mitte isolatsioon

Niisiis, kuidas AI tõeliselt jätkusuutlikkust suurendab? See ei toimu heade projektide jaoks toretseva, eraldiseisva AI kaudu. Seda tänu selle järkjärgulisele, sageli ebaseksikale integreerimisele selliste tööstusharude operatiivtehnoloogia virnasse nagu tootmine, logistika ja energeetika. See suurendab jätkusuutlikkust valmistades ressursitõhusus mõõdetavad ja rakendatavad, avastades varem nähtamatud jäätmevood ning võimaldades kohanemisvõimelisemaid ja reageerimisvõimelisemaid süsteeme.

Minu arvates peitub tulevik manustatud tehisintellektis. Mõelge tööstuslikule masinale, mis reguleerib ise oma parameetreid minimaalse energiatarbimise tagamiseks, säilitades samal ajal kvaliteedi, või logistikaplatvormile, mis valib automaatselt madalaima süsinikusisaldusega transpordivõimaluse, mis vastab kulu- ja ajapiirangutele. Sellest saab standardfunktsioon, mitte eraldi algatus. Töö sellistes kohtades nagu Yongnian tootmisbaas oma tiheda tootjate võrgustikuga on nende integreeritud lähenemisviiside jaoks ideaalne katsepolügooniks.

Lõppkokkuvõttes on AI võimas tööriist, kuid see on lihtsalt tööriist. Selle panuse jätkusuutlikkusesse määravad käed, kes seda kasutavad, ja probleemid, mille nad otsustavad lahendada. Tõuke annab lakkamatu keskendumine konkreetsetele, materjali- ja energiavoogude järkjärgulisele suurenemisele, mis põhineb andmetel, mida saame nüüd lõpuks tabada ja mõista. See on praktiline teekond, mis on täis katse-eksitusi, mis on hüpetsüklist kaugel, ja just seal luuakse selle tegelik väärtus jätkusuutliku tuleviku jaoks.