وقتی مردم می پرسند هوش مصنوعی چگونه پایداری را تقویت می کند، فکر فوری اغلب به چشم اندازهای بزرگ می رود: بهینه سازی زنجیره های تامین جهانی یک شبه یا حل جادویی مدل سازی آب و هوا. پس از کار روی زمین با تیم‌های تولیدی و لجستیکی، دیدم که تاثیر واقعی بیشتر، اغلب آشفته‌تر و به دور از یک گلوله نقره‌ای است. تصور غلط این است که هوش مصنوعی در خلاء عمل می کند - اینطور نیست. ارزش آن تنها زمانی باز می شود که عمیقاً در فرآیندهای موجود، اغلب ناکارآمد، تعبیه شده باشد. این کمتر در مورد الگوریتم های هوشمند و بیشتر در مورد تنظیمات عملی جریان مواد، مصرف انرژی و الگوهای ضایعات است. اجازه دهید از چند منطقه که در آن واقعاً اجرا می شود، و جایی که گاهی اوقات اتفاق می افتد، قدم بزنم.

بتن: بهینه سازی انرژی و منابع

از یک محیط صنعتی معمولی، مانند کارخانه تولید بست استفاده کنید. بار انرژی ثابت نیست؛ در حین آهنگری یا عملیات حرارتی میخکوب می شود. ما با تیمی در تأسیساتی در هبی کار کردیم - به خوشه صنعتی در ناحیه یونگنیان فکر کنید - تا مدل‌های یادگیری ماشینی نسبتاً ساده‌ای را بر روی داده‌های مصرف برق تاریخی مستقر کنیم. هدف اختراع مجدد این فرآیند نبود، بلکه پیش‌بینی افزایش تقاضا و عملیات‌های غیر بحرانی بود. نتیجه کاهش 7 تا 8 درصدی بار پیک بار بود که مستقیماً اثر کربن و هزینه را کاهش می‌دهد. ساده به نظر می رسد، اما در مقیاس، در صدها کوره و پرس، اثر تجمعی قابل توجهی است. هوش مصنوعی در اینجا فکر نمی کند. این تشخیص الگو برای یک مجموعه داده بسیار پر سر و صدا و در دنیای واقعی اعمال می شود.

جایی که مشکل می شود زیرساخت داده است. بسیاری از گیاهان، حتی گیاهان بزرگ مانند شرکت تولید اتصال دهنده Handan Zitai ، آموزشی ویبولیتین، سیستم های SCADA قدیمی و گزارش های دستی دارند. اولین مانع دریافت داده های تمیز و دارای مهر زمانی از طبقه مغازه است. ما هفته‌ها را صرف راه‌اندازی حسگرهای پایه اینترنت اشیا برای تغذیه مدل‌ها کردیم - مرحله‌ای که اغلب در مطالعات موردی براق به چشم می‌خورد. بدون این، هر مدل هوش مصنوعی فقط یک تمرین تئوری است. وب سایت https://www.zitaifasteners.com ممکن است محصولات خود را به نمایش بگذارند، اما افزایش پایداری در پشت صحنه اتفاق می افتد، در یکپارچگی شدید جریان های داده از ماشین هایی که هرگز برای صحبت با یکدیگر طراحی نشده اند.

زاویه دیگر عملکرد مواد است. در تولید بست، فولاد کویل پانچ شده و شکل می گیرد. ضایعات اجتناب‌ناپذیر است، اما سیستم‌های بینایی رایانه‌ای مبتنی بر هوش مصنوعی اکنون می‌توانند مواد خام را برای عیوب قبل از مهر زنی بررسی کنند و حتی الگوهای برش را به صورت پویا تنظیم کنند تا ضایعات را به حداقل برسانند. ما این را با یک شریک آزمایشی انجام دادیم، و در حالی که الگوریتم کار می کرد، ROI برای اجراهای دسته ای کوچکتر به دلیل پیچیدگی راه اندازی منفی بود. این یک نکته مهم است: هوش مصنوعی برای پایداری به طور جهانی قابل اجرا نیست. برای به دست آوردن نتیجه، مقیاس و بلوغ عملیاتی معینی را می طلبد.

لجستیک و شبکه پنهان

حمل و نقل یک انتشار دهنده عظیم کربن است. در اینجا، نقش هوش مصنوعی در بهینه سازی مسیر به خوبی شناخته شده است، اما محدودیت های دنیای واقعی آن چیزی است که آن را جالب می کند. برای سازنده‌ای که در نزدیکی راه‌آهن پکن-گوانگژو و بزرگراه ملی 107 قرار دارد، مانند Zitai، مسئله فقط یافتن کوتاه‌ترین مسیر نیست. این در مورد تجمیع بارهای جزئی، پیش‌بینی تأخیرهای بندر، و حتی فاکتورگیری در ترافیک و داده‌های آب‌وهوای بلادرنگ برای کاهش زمان بیکاری کامیون‌ها است. ما سیستمی را پیاده سازی کردیم که این کار را انجام داد و صرفه جویی در سوخت به طور متوسط ​​حدود 12٪ بود. با این حال، توصیه‌های سیستم گاهی اوقات توسط توزیع‌کنندگانی که به تجربه‌شان در مورد الگوریتم اعتماد داشتند رد می‌شد - یک چالش کلاسیک همکاری انسان و هوش مصنوعی.

فراتر از مسیرها، بهینه سازی موجودی نیز وجود دارد. نگهداری بیش از حد موجودی، سرمایه و فضا را به هم گره می‌زند و اغلب منجر به اتلاف می‌شود (مخصوصاً برای اتصال دهنده‌های روکش‌شده یا تصفیه‌شده با نگرانی‌های ماندگاری). مدل‌های پیش‌بینی با استفاده از داده‌های فروش، روندهای فصلی و حتی شاخص‌های اقتصادی گسترده‌تر می‌توانند سطح موجودی را کاهش دهند. من یک پروژه را به یاد می‌آورم که در آن ما سهام ایمنی را تا 15 درصد کاهش دادیم بدون اینکه ریسک موجودی را افزایش دهیم. اما این مدل زمانی که یک تغییر ناگهانی سیاست منطقه‌ای زنجیره‌های تامین را مختل کرد، به طرز شگفت‌انگیزی شکست خورد - این مدل در مورد چنین رویدادهای قو سیاه آموزش ندیده بود. این نشان می‌دهد که مدل‌های هوش مصنوعی به اندازه داده‌های تاریخی که دیده‌اند خوب هستند. آنها با شوک های سیستمیک جدید دست و پنجه نرم می کنند.

زنجیره تامین گسترده جایی است که گسترده تر می شود. هوش مصنوعی می تواند به طراحی حلقه های اقتصاد دایره ای کمک کند. به عنوان مثال، با تجزیه و تحلیل داده‌های چرخه عمر محصول، می‌توان پیش‌بینی کرد که چه زمانی دسته‌ای از بست‌ها از یک مزرعه خورشیدی از کار افتاده ممکن است برای استفاده مجدد یا بازیافت در دسترس باشند، بنابراین نیاز به مواد اولیه کاهش می‌یابد. این هنوز نوپا است، اما پروژه های آزمایشی در اتحادیه اروپا در حال بررسی این موضوع هستند. پایداری را از کارایی صرف به چرخه منابع سیستمی منتقل می کند.

نظارت، گزارش، و فشار شفافیت

امروزه پایداری نیاز به اندازه گیری دقیق دارد. هوش مصنوعی نظارت محیطی را به شدت تسریع می کند. به جای ممیزی دستی ماهانه آلاینده ها یا فاضلاب، شبکه های حسگر با تجزیه و تحلیل هوش مصنوعی می توانند داده های پیوسته و دانه ای را ارائه دهند. ما به راه اندازی سیستمی برای نظارت بر انتشار ترکیبات آلی فرار (VOC) در یک کارگاه آبکاری کمک کردیم. هوش مصنوعی فقط اندازه گیری نمی کرد. همبستگی بین دسته‌های تولید خاص و افزایش‌های انتشار را شناسایی کرد که امکان تنظیمات فرآیند را فراهم می‌کرد. این انطباق را از یک مرکز هزینه به منبع بینش عملیاتی تبدیل می کند.

با این حال، تولید داده یک چیز است. اعتماد به آن چیز دیگری است تنش مداومی بین معیارهای پایداری ایجاد شده توسط هوش مصنوعی و نیاز به سوابق قابل بازرسی و تأیید برای چارچوب هایی مانند گزارش ESG وجود دارد. آیا تنظیم کننده ها و سرمایه گذاران می توانند به خلاصه حسابداری کربن یک هوش مصنوعی اعتماد کنند؟ ما در مرحله‌ای هستیم که هوش مصنوعی مشکلات سختی را بر عهده دارد، اما هنوز به متخصصان انسانی برای تأیید و تفسیر نیاز است. این ابزار قدرتمند است، اما نیاز به قضاوت حرفه ای را جایگزین نکرده است.

در مقیاس کلان، هوش مصنوعی ردیابی ردپای کربن دقیق‌تری را در زنجیره‌های تامین پیچیده امکان‌پذیر می‌کند. با جمع‌آوری و تجزیه و تحلیل داده‌ها از پورتال‌های تامین‌کننده، مانیفست‌های حمل و نقل و صورت‌حساب‌های انرژی، می‌تواند یک نقشه ردپای تقریباً واقعی ایجاد کند. برای شرکتی مانند Zitai که بخشی از یک پایگاه تولید گسترده است، این دید برای مشتریان پایین دستی در اروپا یا آمریکای شمالی که تحت فشار برای گزارش انتشار آلاینده‌های Scope 3 هستند، بسیار مهم است. این امر پایداری را از یک تعهد مبهم به یک جزء قابل سنجش و مدیریت شده کسب و کار تبدیل می کند.

دام ها و هزینه های نادیده گرفته شده

همش مثبت نیست هزینه محاسباتی آموزش و اجرای مدل های بزرگ هوش مصنوعی خود یک بار محیطی است. پروژه ای که بر صرفه جویی در مصرف انرژی در یک کارخانه متمرکز است، باید با انرژی استفاده شده توسط سرورهای ابری که مدل ها را آموزش می دهند، مقایسه شود. در کارمان، به همین دلیل به استفاده از مدل‌های کارآمدتر و تخصصی‌تر روی آورده‌ایم تا یادگیری عمیق بیرحمانه. گاهی اوقات، یک مدل آماری ساده‌تر، 80 درصد سود را با 1 درصد از سربار محاسباتی به شما می‌دهد. پایداری از طریق هوش مصنوعی باید ردپای خود را در نظر بگیرد.

همچنین این خطر وجود دارد که یک قسمت از یک سیستم به قیمت قسمت دیگر بهینه شود. زمانی یک زمان‌بندی تولید را برای بهره‌وری انرژی بهینه‌سازی کردیم، اما متوجه شدیم که سایش برخی ابزارها را افزایش می‌دهد که منجر به جایگزینی مکرر و ضایعات مواد مرتبط می‌شود. نگاه کل نگر ضروری است. پایداری واقعی به ماکزیمم محلی نیست، بلکه به انعطاف پذیری در کل سیستم و حداقل تأثیر کلی مربوط می شود. سیستم‌های هوش مصنوعی باید با بهینه‌سازی چند هدفه طراحی شوند، که مشکل بسیار سخت‌تری است.

در نهایت عنصر انسانی. اجرای تغییرات مبتنی بر هوش مصنوعی به پرسنل ماهر، مدیریت تغییر و اغلب سرمایه اولیه نیاز دارد. برای بسیاری از شرکت های کوچک و متوسط ​​در کمربند تولیدی، اولویت بقا و انجام سفارش است. بحث پایداری باید با یک سود اقتصادی روشن و کوتاه مدت همراه باشد. به همین دلیل است که موفق‌ترین خلبان‌هایی که من دیده‌ام با میوه‌های کم‌آویز شروع می‌کنند: تعمیر و نگهداری پیش‌بینی‌کننده برای جلوگیری از توقف پرهزینه و اتلاف مواد، یا کنترل‌های هوشمند روشنایی/گرمایش که در کمتر از دو سال بازپرداخت می‌شوند.

نگاه به آینده: یکپارچگی، نه انزوا

بنابراین، چگونه هوش مصنوعی واقعاً پایداری را تقویت می کند؟ این از طریق هوش مصنوعی پر زرق و برق و مستقل برای پروژه های خوب نیست. این از طریق ادغام تدریجی، اغلب غیرجنسی، در پشته فناوری عملیاتی صنایعی مانند تولید، لجستیک و انرژی است. با ساختن باعث افزایش پایداری می شود بهره وری منابع قابل اندازه گیری و عمل، با کشف جریان های زباله که قبلا نامرئی بودند، و با فعال کردن سیستم های سازگارتر و پاسخگو.

به نظر من آینده در هوش مصنوعی تعبیه شده نهفته است. به یک ماشین صنعتی فکر کنید که پارامترهای خود را برای حداقل مصرف انرژی تنظیم می کند و در عین حال کیفیت را حفظ می کند، یا یک پلت فرم لجستیکی که به طور خودکار گزینه حمل و نقل با کمترین کربن را انتخاب می کند که محدودیت های هزینه و زمان را برآورده می کند. این یک ویژگی استاندارد می شود، نه یک ابتکار جداگانه. کار در مکان هایی مانند پایگاه تولید Yongnian، با شبکه متراکم تولید کنندگان آن، زمینه آزمایش کاملی برای این رویکردهای یکپارچه است.

در نهایت، هوش مصنوعی ابزار قدرتمندی است، اما این فقط یک ابزار است. سهم آن در پایداری توسط دستانی که آن را به کار می گیرند و مشکلاتی که برای حل آن انتخاب می کنند دیکته می شود. این افزایش از تمرکز بی‌وقفه بر بتن، دستاوردهای فزاینده در جریان‌های مواد و انرژی حاصل می‌شود که با داده‌هایی که اکنون می‌توانیم در نهایت دریافت و درک کنیم، به دست می‌آید. این یک سفر عملی، پر از آزمون و خطا، به دور از چرخه تبلیغات است، و دقیقاً همان جایی است که ارزش واقعی آن برای آینده ای پایدار ساخته می شود.