જ્યારે લોકો પૂછે છે કે કેવી રીતે AI ટકાઉપણાને વેગ આપે છે, ત્યારે તાત્કાલિક વિચાર ઘણીવાર ભવ્ય દ્રષ્ટિકોણ તરફ જાય છે: વૈશ્વિક સપ્લાય ચેનને રાતોરાત ઑપ્ટિમાઇઝ કરવું અથવા ક્લાઇમેટ મોડેલિંગને જાદુઈ રીતે ઉકેલવું. મેન્યુફેક્ચરિંગ અને લોજિસ્ટિક્સ ટીમો સાથે જમીન પર કામ કર્યા પછી, મેં જોયું છે કે વાસ્તવિક અસર વધુ દાણાદાર, ઘણીવાર અવ્યવસ્થિત અને સિલ્વર બુલેટથી દૂર હોય છે. ગેરસમજ એ છે કે AI શૂન્યાવકાશમાં કાર્ય કરે છે - એવું નથી. તેનું મૂલ્ય ફક્ત ત્યારે જ અનલૉક થાય છે જ્યારે તે હાલની, ઘણીવાર બિનકાર્યક્ષમ, પ્રક્રિયાઓમાં ઊંડાણપૂર્વક એમ્બેડ કરવામાં આવે છે. તે બુદ્ધિશાળી અલ્ગોરિધમ્સ વિશે ઓછું છે અને સામગ્રીના પ્રવાહ, ઉર્જા વપરાશ અને કચરા પેટર્નમાં વ્યવહારુ ગોઠવણો વિશે વધુ છે. મને એવા કેટલાક ક્ષેત્રોમાંથી પસાર થવા દો કે જ્યાં આ વાસ્તવમાં બહાર આવે છે, અને જ્યાં તે ક્યારેક ઠોકર ખાય છે.

કોંક્રિટ: એનર્જી એન્ડ રિસોર્સ ઓપ્ટિમાઇઝેશન

એક સામાન્ય ઔદ્યોગિક સેટિંગ લો, જેમ કે ફાસ્ટનર મેન્યુફેક્ચરિંગ પ્લાન્ટ. ઊર્જા ભાર સ્થિર નથી; તે ફોર્જિંગ અથવા હીટ ટ્રીટમેન્ટ દરમિયાન વધે છે. અમે ઐતિહાસિક પાવર વપરાશ ડેટા પર પ્રમાણમાં સરળ મશીન લર્નિંગ મોડલ્સનો ઉપયોગ કરવા માટે હેબેઈમાં એક સુવિધા પર એક ટીમ સાથે કામ કર્યું - યોંગનિયન ડિસ્ટ્રિક્ટમાં ઔદ્યોગિક ક્લસ્ટરનો વિચાર કરો. ધ્યેય પ્રક્રિયાને પુનઃશોધ કરવાનો ન હતો પરંતુ માંગમાં વધારો અને અસ્પષ્ટ બિન-જટિલ કામગીરીની આગાહી કરવાનો હતો. પરિણામ પીક-લોડ ચાર્જિસમાં 7-8% ઘટાડો હતો, જે કાર્બન ફૂટપ્રિન્ટ અને ખર્ચમાં સીધો ઘટાડો કરે છે. તે સાધારણ લાગે છે, પરંતુ સ્કેલ પર, સેંકડો ભઠ્ઠીઓ અને પ્રેસમાં, સંચિત અસર નોંધપાત્ર છે. AI અહીં વિચારતું નથી; તે ખૂબ જ ઘોંઘાટીયા, વાસ્તવિક દુનિયાના ડેટાસેટ પર લાગુ પડે છે.

જ્યાં તે મુશ્કેલ બને છે તે ડેટા ઇન્ફ્રાસ્ટ્રક્ચર છે. ઘણા છોડ, મોટા કદના છોડ પણ ગમે છે હેન્ડન ઝીતાઇ ફાસ્ટનર મેન્યુફેક્ચરિંગ કું., લિ., લેગસી SCADA સિસ્ટમ્સ અને મેન્યુઅલ લોગ્સ ધરાવે છે. પ્રથમ અવરોધ એ છે કે દુકાનના માળેથી સ્વચ્છ, સમય-સ્ટેમ્પ્ડ ડેટા મેળવવામાં આવે છે. અમે મોડલ્સને ફીડ કરવા માટે મૂળભૂત IoT સેન્સર્સને સેટ કરવામાં અઠવાડિયા વિતાવ્યા-એક પગલું જે ઘણીવાર ચળકતા કેસ સ્ટડીમાં ચમકતું હતું. આ વિના, કોઈપણ AI મોડેલ માત્ર એક સૈદ્ધાંતિક કસરત છે. વેબસાઈટ https://www.zitaifasteners.com તેમના ઉત્પાદનોનું પ્રદર્શન કરી શકે છે, પરંતુ ટકાઉપણું ગેઇન પડદા પાછળ થાય છે, મશીનોમાંથી ડેટા સ્ટ્રીમના તીક્ષ્ણ એકીકરણમાં જે ક્યારેય એકબીજા સાથે વાત કરવા માટે ડિઝાઇન કરવામાં આવ્યા ન હતા.

બીજો ખૂણો સામગ્રી ઉપજ છે. ફાસ્ટનરના ઉત્પાદનમાં, કોઇલ સ્ટીલને પંચ કરીને બનાવવામાં આવે છે. સ્ક્રેપ અનિવાર્ય છે, પરંતુ AI-સંચાલિત કમ્પ્યુટર વિઝન સિસ્ટમ્સ હવે સ્ટેમ્પિંગ પહેલાં ખામીઓ માટે કાચા માલનું નિરીક્ષણ કરી શકે છે, અને કચરો ઘટાડવા માટે કટીંગ પેટર્નને ગતિશીલ રીતે સમાયોજિત કરી શકે છે. અમે આને ભાગીદાર સાથે પાઇલોટ કર્યું, અને જ્યારે અલ્ગોરિધમ કામ કરી રહ્યું હતું, ત્યારે સેટઅપ જટિલતાને કારણે નાની બેચ રન માટે ROI નેગેટિવ હતો. આ એક નિર્ણાયક સૂચક છે: ટકાઉપણું માટે AI સાર્વત્રિક રીતે લાગુ પડતું નથી; તે ચૂકવવા માટે ચોક્કસ સ્કેલ અને ઓપરેશનલ પરિપક્વતાની માંગ કરે છે.

લોજિસ્ટિક્સ અને હિડન નેટવર્ક

પરિવહન એક વિશાળ કાર્બન ઉત્સર્જક છે. અહીં, રૂટ ઑપ્ટિમાઇઝેશનમાં AI ની ભૂમિકા જાણીતી છે, પરંતુ વાસ્તવિક દુનિયાની મર્યાદાઓ તેને રસપ્રદ બનાવે છે. બેઇજિંગ-ગુઆંગઝુ રેલ્વે અને રાષ્ટ્રીય ધોરીમાર્ગ 107 ની નજીક ફાયદાકારક રીતે સ્થિત ઉત્પાદક માટે, ઝિતાઇની જેમ, પ્રશ્ન ફક્ત ટૂંકો રસ્તો શોધવાનો નથી. તે આંશિક લોડને એકીકૃત કરવા, પોર્ટ વિલંબની આગાહી કરવા અને ટ્રક માટે નિષ્ક્રિય સમય ઘટાડવા માટે રીઅલ-ટાઇમ ટ્રાફિક અને હવામાન ડેટામાં ફેક્ટરિંગ વિશે છે. અમે એક સિસ્ટમ લાગુ કરી જેણે આ કર્યું, અને ઇંધણની બચત સરેરાશ 12% જેટલી થઈ. જો કે, સિસ્ટમની ભલામણોને ડિસ્પેચર્સ દ્વારા નકારી કાઢવામાં આવી હતી જેમણે અલ્ગોરિધમ પર તેમના અનુભવ પર વિશ્વાસ રાખ્યો હતો - એક ઉત્તમ માનવ-એઆઈ સહયોગ પડકાર.

રૂટ ઉપરાંત, ઇન્વેન્ટરી ઓપ્ટિમાઇઝેશન છે. વધારાની ઇન્વેન્ટરી રાખવાથી મૂડી અને જગ્યા જોડાય છે અને ઘણી વખત કચરો થાય છે (ખાસ કરીને કોટેડ અથવા ટ્રીટેડ ફાસ્ટનર્સ માટે શેલ્ફ-લાઇફની ચિંતાઓ સાથે). વેચાણ ડેટા, મોસમી વલણો અને વ્યાપક આર્થિક સૂચકાંકોનો ઉપયોગ કરીને અનુમાનિત મોડેલો ઇન્વેન્ટરી સ્તરને કડક કરી શકે છે. મને એક પ્રોજેક્ટ યાદ છે જ્યાં અમે સ્ટોક-આઉટ જોખમ વધાર્યા વિના સલામતી સ્ટોકમાં 15% ઘટાડો કર્યો હતો. પરંતુ મોડલ અદભૂત રીતે નિષ્ફળ ગયું જ્યારે અચાનક પ્રાદેશિક નીતિમાં ફેરફારથી સપ્લાય ચેઇન વિક્ષેપિત થઈ - તેને આવા કાળા હંસની ઘટનાઓ પર તાલીમ આપવામાં આવી ન હતી. આ હાઇલાઇટ કરે છે કે AI મૉડલ તેઓ જોયેલા ઐતિહાસિક ડેટા જેટલા જ સારા છે; તેઓ નવલકથા પ્રણાલીગત આંચકા સાથે સંઘર્ષ કરે છે.

વિસ્તૃત સપ્લાય ચેઇન તે છે જ્યાં તે વ્યાપક બને છે. AI ગોળાકાર અર્થતંત્ર લૂપ્સ ડિઝાઇન કરવામાં મદદ કરી શકે છે. દાખલા તરીકે, પ્રોડક્ટ લાઇફસાઇકલ ડેટાનું પૃથ્થકરણ કરીને, તે આગાહી કરી શકે છે કે ડિકમિશન કરાયેલા સોલાર ફાર્મમાંથી ફાસ્ટનર્સનો બેચ ક્યારે પુનઃઉપયોગ અથવા રિસાયક્લિંગ માટે ઉપલબ્ધ થશે, આમ વર્જિન સામગ્રીની જરૂરિયાત ઘટશે. આ હજુ પણ પ્રારંભિક છે, પરંતુ EU માં પાયલોટ પ્રોજેક્ટ્સ આની શોધ કરી રહ્યા છે. તે ટકાઉપણાને માત્ર કાર્યક્ષમતાથી પ્રણાલીગત સંસાધન સાયકલિંગ તરફ લઈ જાય છે.

મોનીટરીંગ, રીપોર્ટીંગ અને પારદર્શિતા પુશ

સ્થિરતા માટે આજે સખત માપનની જરૂર છે. AI પર્યાવરણીય દેખરેખને ભારે વેગ આપે છે. ઉત્સર્જન અથવા ગંદાપાણીના માસિક મેન્યુઅલ ઓડિટને બદલે, AI એનાલિટિક્સ સાથેના સેન્સર નેટવર્ક સતત, દાણાદાર ડેટા પ્રદાન કરી શકે છે. અમે પ્લેટિંગ વર્કશોપમાં વોલેટાઈલ ઓર્ગેનિક કમ્પાઉન્ડ (VOC) ઉત્સર્જનની દેખરેખ માટે સિસ્ટમ સેટ કરવામાં મદદ કરી. AI એ માત્ર માપન કર્યું નથી; તે ચોક્કસ ઉત્પાદન બેચ અને ઉત્સર્જન સ્પાઇક્સ વચ્ચેના સહસંબંધોને ઓળખી કાઢે છે, પ્રક્રિયા ગોઠવણો માટે પરવાનગી આપે છે. આ ખર્ચ કેન્દ્ર તરફથી અનુપાલનને ઓપરેશનલ સૂઝના સ્ત્રોતમાં ફેરવે છે.

જો કે, ડેટા જનરેટ કરવો એ એક વસ્તુ છે; તેના પર વિશ્વાસ કરવો એ બીજી બાબત છે. AI-જનરેટેડ સસ્ટેનેબિલિટી મેટ્રિક્સ અને ESG રિપોર્ટિંગ જેવા ફ્રેમવર્ક માટે ઑડિટેબલ, ચકાસી શકાય તેવા રેકોર્ડ્સની જરૂરિયાત વચ્ચે સતત તણાવ છે. શું નિયમનકારો અને રોકાણકારો કાર્બન એકાઉન્ટિંગના AIના સારાંશ પર વિશ્વાસ કરી શકે છે? અમે એવા તબક્કામાં છીએ જ્યાં AI ડેટા ક્રંચિંગના ભારે પ્રશિક્ષણને હેન્ડલ કરે છે, પરંતુ હજી પણ માન્યતા અને અર્થઘટન માટે માનવ નિષ્ણાતોની જરૂર છે. સાધન શક્તિશાળી છે, પરંતુ તે વ્યાવસાયિક નિર્ણયની જરૂરિયાતને બદલતું નથી.

મેક્રો સ્કેલ પર, AI જટિલ પુરવઠા શૃંખલાઓમાં વધુ સચોટ કાર્બન ફૂટપ્રિન્ટ ટ્રેકિંગને સક્ષમ કરી રહ્યું છે. સપ્લાયર પોર્ટલ, શિપિંગ મેનિફેસ્ટ અને એનર્જી બિલ્સમાંથી ડેટાને સ્ક્રેપ કરીને અને તેનું વિશ્લેષણ કરીને, તે નજીકના-રીઅલ-ટાઇમ ફૂટપ્રિન્ટ મેપ બનાવી શકે છે. Zitai જેવી કંપની માટે, જે વિશાળ ઉત્પાદન આધારનો ભાગ છે, આ દૃશ્યતા યુરોપ અથવા ઉત્તર અમેરિકાના ડાઉનસ્ટ્રીમ ગ્રાહકો માટે નિર્ણાયક છે કે જેઓ સ્કોપ 3 ઉત્સર્જનની જાણ કરવા દબાણ હેઠળ છે. તે અસ્પષ્ટ પ્રતિબદ્ધતામાંથી ટકાઉપણુંને વ્યવસાયના પરિમાણપાત્ર, સંચાલિત ઘટકમાં ફેરવે છે.

મુશ્કેલીઓ અને અવગણના ખર્ચ

તે બધા હકારાત્મક નથી. પ્રશિક્ષણ અને મોટા AI મોડલ ચલાવવાની કોમ્પ્યુટેશનલ કિંમત પોતે જ પર્યાવરણીય બોજ છે. ફેક્ટરીમાં ઉર્જા બચાવવા પર ધ્યાન કેન્દ્રિત કરેલ પ્રોજેક્ટને ક્લાઉડ સર્વર્સ દ્વારા મોડેલોને તાલીમ આપવા માટે ઉપયોગમાં લેવાતી ઉર્જા સામે વજન આપવું જોઈએ. અમારા કાર્યમાં, અમે આ જ કારણસર બ્રુટ-ફોર્સ ડીપ લર્નિંગને બદલે વધુ કાર્યક્ષમ, વિશિષ્ટ મોડલ્સનો ઉપયોગ કરવા તરફ વળ્યા છીએ. કેટલીકવાર, એક સરળ આંકડાકીય મોડેલ તમને કોમ્પ્યુટેશનલ ઓવરહેડના 1% સાથે 80% લાભ મેળવે છે. AI દ્વારા ટકાઉપણું તેના પોતાના પદચિહ્ન માટે જવાબદાર હોવું જોઈએ.

સિસ્ટમના એક ભાગને બીજાના ખર્ચે ઑપ્ટિમાઇઝ કરવાનું જોખમ પણ છે. અમે એકવાર ઉર્જા કાર્યક્ષમતા માટે ઉત્પાદન શેડ્યૂલને ઑપ્ટિમાઇઝ કર્યું, માત્ર તે શોધવા માટે કે તે ચોક્કસ સાધનો પરના વસ્ત્રોમાં વધારો કરે છે, જે વધુ વારંવાર રિપ્લેસમેન્ટ અને સંકળાયેલ સામગ્રી કચરો તરફ દોરી જાય છે. સર્વગ્રાહી દૃષ્ટિકોણ જરૂરી છે. સાચી ટકાઉપણું સ્થાનિક મેક્સિમા વિશે નથી પરંતુ સિસ્ટમ-વ્યાપી સ્થિતિસ્થાપકતા અને ન્યૂનતમ કુલ અસર વિશે છે. AI સિસ્ટમને બહુ-ઉદ્દેશ્ય ઑપ્ટિમાઇઝેશનને ધ્યાનમાં રાખીને ડિઝાઇન કરવાની જરૂર છે, જે નોંધપાત્ર રીતે મુશ્કેલ સમસ્યા છે.

છેલ્લે, માનવ તત્વ. AI-સંચાલિત ફેરફારોને અમલમાં મૂકવા માટે કુશળ કર્મચારીઓ, પરિવર્તન વ્યવસ્થાપન અને ઘણી વખત અપફ્રન્ટ મૂડીની જરૂર પડે છે. મેન્યુફેક્ચરિંગ બેલ્ટમાં ઘણા નાના અને મધ્યમ કદના સાહસો માટે, અગ્રતા અસ્તિત્વ અને ઓર્ડરની પરિપૂર્ણતા છે. સ્થિરતાની દલીલ સ્પષ્ટ, ટૂંકા-થી-મધ્યમ-ગાળાના આર્થિક લાભ સાથે જોડાયેલી હોવી જોઈએ. તેથી જ મેં જોયેલા સૌથી સફળ પાઇલોટ્સ ઓછા લટકતા ફળથી શરૂ થાય છે: ખર્ચાળ ડાઉનટાઇમ અને સામગ્રીનો કચરો ટાળવા માટે અનુમાનિત જાળવણી, અથવા સ્માર્ટ લાઇટિંગ/હીટિંગ નિયંત્રણો કે જે બે વર્ષથી ઓછા સમયમાં ચૂકવણી કરે છે.

આગળ જોઈએ છીએ: એકીકરણ, અલગતા નહીં

તો, AI ખરેખર ટકાઉપણું કેવી રીતે વધારશે? તે સારા પ્રોજેક્ટ્સ માટે આકર્ષક, એકલ AI દ્વારા નથી. તે મેન્યુફેક્ચરિંગ, લોજિસ્ટિક્સ અને એનર્જી જેવા ઉદ્યોગોના ઓપરેશનલ ટેક્નોલોજી સ્ટેકમાં તેના ક્રમિક, ઘણીવાર અનસેક્સી, એકીકરણ દ્વારા છે. તે બનાવીને ટકાઉપણું વધારે છે સંસાધન કાર્યક્ષમતા માપી શકાય તેવું અને કાર્યવાહી કરી શકાય તેવું, અગાઉ અદ્રશ્ય રહેલા કચરાના પ્રવાહોને બહાર કાઢીને અને વધુ અનુકૂલનશીલ, પ્રતિભાવશીલ સિસ્ટમોને સક્ષમ કરીને.

ભવિષ્ય, મારી દૃષ્ટિએ, એમ્બેડેડ AI માં રહેલું છે. એક ઔદ્યોગિક મશીન વિશે વિચારો કે જે ગુણવત્તા જાળવી રાખતી વખતે ન્યૂનતમ ઉર્જા વપરાશ માટે તેના પરિમાણોને સ્વ-વ્યવસ્થિત કરે છે, અથવા લોજિસ્ટિક્સ પ્લેટફોર્મ જે આપમેળે સૌથી ઓછા-કાર્બન શિપિંગ વિકલ્પને પસંદ કરે છે જે ખર્ચ અને સમયની મર્યાદાઓને પૂર્ણ કરે છે. તે એક પ્રમાણભૂત લક્ષણ બની જાય છે, અલગ પહેલ નહીં. ઉત્પાદકોના તેના ગાઢ નેટવર્ક સાથે, યોન્ગ્નીયન ઉત્પાદન આધાર જેવા સ્થળો પરનું કાર્ય, આ સંકલિત અભિગમો માટે એક સંપૂર્ણ પરીક્ષણ મેદાન છે.

અંતે, AI એ એક શક્તિશાળી સાધન છે, પરંતુ તે માત્ર એટલું જ છે - એક સાધન. ટકાઉપણુંમાં તેનું યોગદાન તે હાથો દ્વારા નક્કી કરવામાં આવે છે જે તેને ચલાવે છે અને તેઓ જે સમસ્યાઓ હલ કરવાનું પસંદ કરે છે. બૂસ્ટ કોંક્રિટ પરના અવિરત ધ્યાનથી આવે છે, સામગ્રી અને ઉર્જા પ્રવાહમાં વધારાના લાભો, ડેટા દ્વારા જાણ કરવામાં આવે છે જેને આપણે હવે આખરે કેપ્ચર અને સમજી શકીએ છીએ. આ એક વ્યવહારુ સફર છે, અજમાયશ અને ભૂલથી ભરેલી છે, હાઇપ ચક્રથી ઘણી દૂર છે, અને તે જ જગ્યાએ ટકાઉ ભવિષ્ય માટે તેનું વાસ્તવિક મૂલ્ય નિર્માણ થઈ રહ્યું છે.