Kako AI potiče održivost? 

Kad se ljudi pitaju kako umjetna inteligencija potiče održivost, trenutna pomisao često prelazi na velike vizije: optimiziranje globalnih opskrbnih lanaca preko noći ili čarobno rješavanje klimatskog modeliranja. Radeći na terenu s timovima za proizvodnju i logistiku, vidio sam da je stvarni učinak detaljniji, često neuredan i daleko od srebrnog metka. Zabluda je da umjetna inteligencija radi u vakuumu - nije. Njegova vrijednost se otkriva samo kada je duboko ugrađen u postojeće, često neučinkovite procese. Manje se radi o inteligentnim algoritmima, a više o praktičnim prilagodbama tokova materijala, potrošnje energije i obrazaca otpada. Dopustite mi da prođem kroz nekoliko područja u kojima se to zapravo događa i gdje se ponekad spotiče.

Beton: Optimizacija energije i resursa

Uzmimo tipično industrijsko okruženje, poput tvornice za proizvodnju zatvarača. Energetsko opterećenje nije konstantno; šilja se tijekom kovanja ili toplinske obrade. Radili smo s timom u postrojenju u Hebeiju—sjetimo se industrijskog klastera u okrugu Yongnian—na implementaciji relativno jednostavnih modela strojnog učenja na povijesnim podacima o potrošnji energije. Cilj nije bio ponovno osmisliti proces, već predvidjeti skokove potražnje i posrtati nekritične operacije. Rezultat je bio 7-8% smanjenje vršnog opterećenja, što izravno smanjuje ugljični otisak i troškove. Zvuči skromno, ali u razmjerima, u stotinama peći i preša, kumulativni učinak je znatan. AI ovdje ne razmišlja; to je prepoznavanje uzoraka primijenjeno na vrlo bučan skup podataka iz stvarnog svijeta.

Ono gdje postaje nezgodno je podatkovna infrastruktura. Mnoge biljke, čak i one velike Handan Zitai Fastener Manufacturing Co., Ltd., imaju stare SCADA sustave i ručne zapisnike. Prva prepreka je dobivanje čistih podataka s vremenskim žigom iz pogona. Proveli smo tjedne samo postavljajući osnovne IoT senzore za napajanje modela - korak koji se često prešućuje u sjajnim studijama slučaja. Bez toga, bilo koji AI model samo je teoretska vježba. web stranica https://www.zitaifasteners.com mogli prikazati svoje proizvode, ali dobitak održivosti događa se iza kulisa, u gruboj integraciji tokova podataka sa strojeva koji nikada nisu bili dizajnirani da međusobno komuniciraju.

Drugi kut je prinos materijala. U proizvodnji spojnica, čelik u koturima se probija i oblikuje. Otpad je neizbježan, ali sustavi računalnog vida vođeni umjetnom inteligencijom sada mogu provjeriti ima li u sirovom materijalu nedostataka prije žigosanja, pa čak i dinamički prilagoditi uzorke rezanja kako bi smanjili otpad. Isprobali smo to s partnerom i iako je algoritam radio, ROI je bio negativan za manje serije zbog složenosti postavljanja. Ovo je kritična nijansa: umjetna inteligencija za održivost nije univerzalno primjenjiva; zahtijeva određeni opseg i operativnu zrelost da bi se isplatio.

Logistika i skrivena mreža

Prijevoz je veliki emiter ugljika. Ovdje je uloga umjetne inteligencije u optimizaciji rute dobro poznata, ali ograničenja u stvarnom svijetu ono što je čini zanimljivom. Za proizvođača koji se povoljno nalazi u blizini željeznice Peking-Guangzhou i nacionalne autoceste 107, kao što je Zitai, pitanje nije samo pronaći najkraći put. Radi se o konsolidaciji djelomičnih tereta, predviđanju kašnjenja u luci, pa čak i uzimanju u obzir prometnih i vremenskih podataka u stvarnom vremenu kako bi se smanjilo vrijeme mirovanja kamiona. Implementirali smo sustav koji je to učinio, a ušteda goriva iznosila je u prosjeku oko 12%. Međutim, preporuke sustava ponekad su odbijali dispečeri koji su vjerovali svom iskustvu umjesto algoritmu - klasičan izazov suradnje između čovjeka i umjetne inteligencije.

Osim ruta, postoji optimizacija inventara. Držanje viška zaliha povezuje kapital i prostor i često dovodi do rasipanja (posebno za obložene ili tretirane spojne elemente s rokom trajanja). Prediktivni modeli koji koriste podatke o prodaji, sezonske trendove i čak šire ekonomske pokazatelje mogu smanjiti razine zaliha. Sjećam se jednog projekta u kojem smo smanjili sigurnosnu zalihu za 15% bez povećanja rizika nestanka zaliha. Ali model je spektakularno podbacio kada je iznenadna promjena regionalne politike poremetila opskrbne lance - nije bio obučen za takve događaje crnog labuda. Ovo naglašava da su AI modeli dobri onoliko koliko su dobri povijesni podaci koje su vidjeli; bore se s novim sustavnim šokovima.

Prošireni opskrbni lanac mjesto je gdje postaje širi. AI može pomoći u dizajniranju petlji kružnog gospodarstva. Na primjer, analizom podataka o životnom ciklusu proizvoda, može predvidjeti kada bi serija spojnih elemenata iz povučene solarne farme mogla postati dostupna za ponovnu upotrebu ili recikliranje, čime se smanjuje potreba za izvornim materijalom. To je još u povoju, ali pilot projekti u EU to istražuju. Pomiče održivost s puke učinkovitosti na sustavno kruženje resursa.

Praćenje, izvješćivanje i transparentnost

Održivost danas zahtijeva rigorozno mjerenje. AI drastično ubrzava praćenje okoliša. Umjesto mjesečnih ručnih revizija emisija ili otpadnih voda, mreže senzora s AI analitikom mogu pružiti kontinuirane, granularne podatke. Pomogli smo postaviti sustav za praćenje emisija hlapivih organskih spojeva (VOC) u radionici za presvlačenje. AI nije samo mjerio; identificirao je korelacije između specifičnih proizvodnih serija i skokova emisija, omogućujući prilagodbe procesa. Time se usklađenost s troškovnog mjesta pretvara u izvor operativnog uvida.

Međutim, generiranje podataka je jedna stvar; vjerovati je drugo. Postoji stalna napetost između mjernih podataka održivosti koje generira umjetna inteligencija i potrebe za revizijskim, provjerljivim zapisima za okvire kao što je ESG izvješćivanje. Mogu li regulatori i investitori vjerovati sažetku računovodstva ugljika umjetne inteligencije? Nalazimo se u fazi u kojoj umjetna inteligencija nosi težak posao obrade podataka, ali još uvijek su potrebni ljudski stručnjaci za provjeru i tumačenje. Alat je moćan, ali nije zamijenio potrebu za profesionalnom prosudbom.

Na makro razini, umjetna inteligencija omogućuje preciznije praćenje ugljičnog otiska kroz složene opskrbne lance. Prikupljanjem i analizom podataka s portala dobavljača, otpremničkih manifesta i računa za energiju, može stvoriti mapu otiska gotovo u stvarnom vremenu. Za tvrtku kao što je Zitai, koja je dio goleme proizvodne baze, ova vidljivost je ključna za daljnje kupce u Europi ili Sjevernoj Americi koji su pod pritiskom da prijave emisije Scope 3. Pretvara održivost iz nejasne obveze u mjerljivu, upravljanu komponentu poslovanja.

Zamke i previđeni troškovi

Nije sve pozitivno. Računalni trošak obuke i pokretanja velikih AI modela sam je teret za okoliš. Projekt usmjeren na uštedu energije u tvornici mora biti odvagan u odnosu na energiju koju koriste serveri u oblaku koji treniraju modele. U svom smo radu prešli na korištenje učinkovitijih, specijaliziranih modela umjesto dubokog učenja grubom silom upravo iz tog razloga. Ponekad vam jednostavniji statistički model donosi 80% koristi uz 1% troškova računanja. Održivost putem umjetne inteligencije mora uzeti u obzir vlastiti trag.

Također postoji rizik optimizacije jednog dijela sustava nauštrb drugog. Jednom smo optimizirali plan proizvodnje za energetsku učinkovitost, samo da bismo otkrili da povećava trošenje određenih alata, što dovodi do češće zamjene i povezanog rasipanja materijala. Neophodan je holistički pogled. Prava održivost ne odnosi se na lokalne maksimume, već na otpornost cijelog sustava i minimalan ukupni utjecaj. Sustavi umjetne inteligencije trebaju biti dizajnirani imajući na umu optimizaciju s više ciljeva, što je znatno teži problem.

Na kraju, ljudski element. Implementacija promjena vođenih umjetnom inteligencijom zahtijeva kvalificirano osoblje, upravljanje promjenama i često početni kapital. Mnogim malim i srednjim poduzećima u proizvodnom pojasu prioritet je opstanak i ispunjavanje narudžbi. Argument održivosti mora biti povezan s jasnom, kratkoročnom do srednjoročnom ekonomskom koristi. Zato najuspješniji pilot projekti koje sam vidio započinju s niskim plodom: prediktivno održavanje kako bi se izbjegli skupi zastoji i rasipanje materijala ili pametne kontrole rasvjete/grijanja koje se isplate za manje od dvije godine.

Pogled unaprijed: integracija, a ne izolacija

Dakle, kako umjetna inteligencija istinski potiče održivost? To nije kroz blistavu, samostalnu umjetnu inteligenciju za dobre projekte. To je kroz njegovu postupnu, često neseksi, integraciju u operativni tehnološki niz industrija poput proizvodnje, logistike i energetike. Povećava održivost izradom učinkovitost resursa mjerljivi i djelotvorni, otkrivanjem tokova otpada koji su prije bili nevidljivi i omogućavanjem prilagodljivijih sustava koji bolje reagiraju.

Budućnost, po mom mišljenju, leži u ugrađenoj umjetnoj inteligenciji. Zamislite industrijski stroj koji sam prilagođava svoje parametre za minimalnu potrošnju energije uz održavanje kvalitete ili logističku platformu koja automatski odabire opciju otpreme s najnižim udjelom ugljika koja zadovoljava ograničenja troškova i vremena. To postaje standardna značajka, a ne zasebna inicijativa. Rad na mjestima kao što je proizvodna baza Yongnian, s gustom mrežom proizvođača, savršen je poligon za testiranje ovih integriranih pristupa.

Na kraju, AI je moćan alat, ali on je samo to - alat. Njegov doprinos održivosti diktiraju ruke koje njime upravljaju i problemi koje odlučuju riješiti. Poticaj dolazi iz neumoljive usredotočenosti na konkretne, inkrementalne dobitke u materijalnim i energetskim tokovima, utemeljene na podacima koje sada konačno možemo uhvatiti i razumjeti. To je praktično putovanje, puno pokušaja i pogrešaka, daleko od hype ciklusa, i upravo se tu gradi njegova prava vrijednost za održivu budućnost.