Ինչպե՞ս է AI-ն խթանում կայունությունը: 

Երբ մարդիկ հարցնում են, թե ինչպես է արհեստական ինտելեկտը խթանում կայունությունը, անմիջական միտքը հաճախ ցատկում է դեպի մեծ տեսլականներ՝ գլոբալ մատակարարման շղթաների օպտիմալացում գիշերում կամ կախարդական եղանակով լուծում կլիմայի մոդելավորում: Աշխատելով գետնի վրա արտադրական և լոգիստիկ թիմերի հետ՝ ես տեսա, որ իրական ազդեցությունն ավելի հատիկավոր է, հաճախ խառնաշփոթ և հեռու է արծաթե գնդակից: Սխալ պատկերացումն այն է, որ AI-ն գործում է վակուումում, դա այդպես չէ: Դրա արժեքը բացվում է միայն այն դեպքում, երբ այն խորապես ներկառուցված է գոյություն ունեցող, հաճախ անարդյունավետ գործընթացներում: Խոսքն ավելի քիչ խելացի ալգորիթմների մասին է, և ավելի շատ՝ նյութական հոսքերի, էներգիայի սպառման և թափոնների օրինաչափությունների գործնական ճշգրտումների մասին: Թույլ տվեք քայլել մի քանի ոլորտներով, որտեղ դա իրականում տեղի է ունենում, և որտեղ այն երբեմն սայթաքում է:

Բետոն. էներգիայի և ռեսուրսների օպտիմալացում

Վերցրեք տիպիկ արդյունաբերական պարամետրը, ինչպես ամրացումների արտադրական գործարանը: Էներգիայի բեռը մշտական ​​չէ. դարբնոցային կամ ջերմային մշակման ժամանակ այն բծում է: Մենք աշխատեցինք թիմի հետ Հեբեյում գտնվող հաստատությունում, օրինակ՝ Յոննյան թաղամասի արդյունաբերական կլաստերի մասին, որպեսզի կիրառենք համեմատաբար պարզ մեքենայական ուսուցման մոդելներ էլեկտրաէներգիայի սպառման պատմական տվյալների վրա: Նպատակը ոչ թե գործընթացը վերահայտնագործելն էր, այլ պահանջարկի աճի կանխատեսումը և ոչ կրիտիկական գործողությունների ցնցումը: Արդյունքն եղավ 7-8%-ով գագաթնակետային լիցքերի կրճատում, որն ուղղակիորեն նվազեցնում է ածխածնի հետքը և ծախսերը: Համեստ է հնչում, բայց մասշտաբով, հարյուրավոր վառարաններում և մամլիչներում, կուտակային ազդեցությունը զգալի է: AI-ն այստեղ չի մտածում. դա օրինաչափությունների ճանաչումն է, որը կիրառվում է շատ աղմկոտ, իրական աշխարհի տվյալների բազայի վրա:

Այնտեղ, որտեղ դա բարդ է դառնում, տվյալների ենթակառուցվածքն է: Բազմաթիվ բույսեր, նույնիսկ նման զգալի բույսեր Handan Zitai Fastener արտադրություն Co., Ltd., ունեն ժառանգական SCADA համակարգեր և ձեռքով տեղեկամատյաններ: Առաջին խոչընդոտը խանութի հատակից մաքուր, ժամանակով կնքված տվյալներ ստանալն է: Մենք շաբաթներ անցկացրեցինք պարզապես ստեղծելով IoT հիմնական սենսորները մոդելներին կերակրելու համար, մի քայլ, որը հաճախ բացահայտվում է փայլուն դեպքերի ուսումնասիրություններում: Առանց դրա, ցանկացած AI մոդել պարզապես տեսական վարժություն է: Կայքը https://www.zitaifasteners.com կարող են ցուցադրել իրենց արտադրանքը, բայց կայունության ձեռքբերումը տեղի է ունենում կուլիսների հետևում, մեքենաների տվյալների հոսքերի կոպիտ ինտեգրման մեջ, որոնք երբեք չեն նախագծվել միմյանց հետ խոսելու համար:

Մեկ այլ անկյուն նյութի բերքատվությունն է: Ամրակման արտադրության մեջ կծիկի պողպատը ծակվում և ձևավորվում է: Գրությունը անխուսափելի է, բայց AI-ի վրա հիմնված համակարգչային տեսողության համակարգերն այժմ կարող են ստուգել հումքը թերությունների համար նախքան դրոշմելը, և նույնիսկ դինամիկ կերպով կարգավորել կտրման նախշերը՝ նվազագույնի հասցնելու թափոնները: Մենք փորձարկեցինք սա գործընկերոջ հետ, և մինչ ալգորիթմն աշխատում էր, ROI-ն բացասական էր ավելի փոքր խմբաքանակային գործարկումների համար՝ կարգավորումների բարդության պատճառով: Սա կարևոր նրբերանգ է. AI-ն կայունության համար համընդհանուր կիրառելի չէ. այն պահանջում է որոշակի մասշտաբ և գործառնական հասունություն, որպեսզի այն վճարի:

Լոգիստիկա և թաքնված ցանց

Տրանսպորտը ածխածնի զանգվածային արտանետող է: Այստեղ AI-ի դերը երթուղու օպտիմալացման գործում հայտնի է, բայց իրական աշխարհի սահմանափակումներն են այն հետաքրքիր դարձնում: Պեկին-Գուանչժոու երկաթուղու և 107 ազգային մայրուղու մոտ գտնվող արտադրողի համար, ինչպիսին է Zitai-ն, հարցը միայն ամենակարճ ճանապարհը գտնելը չէ: Խոսքը մասնակի բեռների համախմբման, նավահանգիստների հետաձգումների կանխատեսման և նույնիսկ իրական ժամանակի երթևեկության և եղանակային տվյալների հաշվառման մասին է՝ բեռնատարների պարապուրդի ժամանակը նվազեցնելու համար: Մենք ներդրեցինք մի համակարգ, որն արեց դա, և վառելիքի խնայողությունը միջինը մոտ 12% էր: Այնուամենայնիվ, համակարգի առաջարկությունները երբեմն մերժվում էին դիսպետչերների կողմից, ովքեր վստահում էին իրենց փորձին ալգորիթմի նկատմամբ՝ մարդ-AI համագործակցության դասական մարտահրավեր:

Երթուղիներից այն կողմ կա գույքագրման օպտիմալացում: Գույքագրման ավելցուկ պահելը կապում է կապիտալն ու տարածքը և հաճախ հանգեցնում է թափոնների (հատկապես ծածկված կամ մշակված ամրացումների համար, որոնց պահպանման ժամկետի խնդիր կա): Վաճառքի տվյալների, սեզոնային միտումների և նույնիսկ ավելի լայն տնտեսական ցուցանիշների օգտագործմամբ կանխատեսող մոդելները կարող են խստացնել պաշարների մակարդակը: Ես հիշում եմ մի նախագիծ, որտեղ մենք նվազեցրինք անվտանգության պաշարները 15%-ով՝ առանց պաշարների սպառման ռիսկի ավելացման: Բայց մոդելը տպավորիչ կերպով ձախողվեց, երբ տարածաշրջանային քաղաքականության հանկարծակի փոփոխությունը խաթարեց մատակարարման շղթաները. այն չէր վերապատրաստվել սև կարապի նման իրադարձությունների վրա: Սա ընդգծում է, որ AI մոդելները նույնքան լավն են, որքան իրենց տեսած պատմական տվյալները. նրանք պայքարում են նոր համակարգային ցնցումների դեմ։

Ընդլայնված մատակարարման շղթան այն է, որտեղ այն ավելի լայնանում է: AI-ն կարող է օգնել նախագծել շրջանաձև տնտեսության օղակներ: Օրինակ՝ արտադրանքի կյանքի ցիկլի տվյալները վերլուծելով՝ այն կարող է կանխատեսել, թե երբ շահագործումից հանված արևային ֆերմայից ամրացումների խմբաքանակը կարող է հասանելի դառնալ կրկնակի օգտագործման կամ վերամշակման համար՝ այդպիսով նվազեցնելով մաքուր նյութի կարիքը: Սա դեռ նոր է, բայց ԵՄ-ում փորձնական ծրագրերն ուսումնասիրում են դա: Այն կայունությունը տեղափոխում է զուտ արդյունավետությունից դեպի համակարգային ռեսուրսների հեծանիվ:

Մոնիտորինգ, հաշվետվություն և թափանցիկության խթանում

Կայունությունն այսօր պահանջում է խիստ չափումներ: AI-ն կտրուկ արագացնում է շրջակա միջավայրի մոնիտորինգը: Արտանետումների կամ կեղտաջրերի ամսական ձեռքով աուդիտի փոխարեն, AI վերլուծությամբ սենսորային ցանցերը կարող են ապահովել շարունակական, հատիկավոր տվյալներ: Մենք օգնեցինք ստեղծել մի համակարգ՝ ցնդող օրգանական միացությունների (VOC) արտանետումների մոնիտորինգի համար սալիկապատման արտադրամասում: AI-ն պարզապես չէր չափում. այն հայտնաբերել է փոխկապակցվածություն արտադրության հատուկ խմբաքանակների և արտանետումների աճի միջև՝ թույլ տալով գործընթացի ճշգրտումներ: Սա ծախսերի կենտրոնից համապատասխանությունը վերածում է գործառնական պատկերացումների աղբյուրի:

Այնուամենայնիվ, տվյալների ստեղծումը մեկ բան է. դրան վստահելը այլ բան է: Շարունակական լարվածություն կա AI-ի կողմից ստեղծված կայունության չափանիշների և աուդիտի ենթակա, ստուգելի գրառումների միջև, ինչպիսին է ESG հաշվետվությունը: Կարո՞ղ են կարգավորողներն ու ներդրողները վստահել AI-ի ածխածնային հաշվառման ամփոփագրին: Մենք գտնվում ենք մի փուլում, երբ AI-ն կառավարում է տվյալների խզման ծանրաբեռնվածությունը, բայց դեռևս անհրաժեշտ են մարդկային փորձագետներ՝ վավերացնելու և մեկնաբանելու համար: Գործիքը հզոր է, բայց այն չի փոխարինել մասնագիտական ​​դատողության անհրաժեշտությանը:

Մակրո մասշտաբով AI-ն հնարավորություն է տալիս ավելի ճշգրիտ հետևել ածխածնի հետքի հետագծմանը բարդ մատակարարման շղթաներում: Մատակարարների պորտալներից, առաքման մանիֆեստներից և էներգիայի օրինագծերից տվյալները քերելով և վերլուծելով՝ այն կարող է ստեղծել գրեթե իրական ժամանակի հետքի քարտեզ: Zitai-ի նման ընկերության համար, որը հսկայական արտադրական բազայի մաս է կազմում, այս տեսանելիությունը շատ կարևոր է Եվրոպայի կամ Հյուսիսային Ամերիկայի ստորին հոսանքում գտնվող հաճախորդների համար, ովքեր ճնշման տակ են՝ զեկուցելու Scope 3 արտանետումները: Այն կայունությունը անորոշ պարտավորությունից վերածում է բիզնեսի քանակական, կառավարվող բաղադրիչի:

Որոգայթները և անտեսված ծախսերը

Ամեն ինչ դրական չէ. Արհեստական ​​ինտելեկտի մեծ մոդելների ուսուցման և գործարկման հաշվողական արժեքը ինքնին բնապահպանական բեռ է: Նախագիծը, որը կենտրոնացած է գործարանում էներգիայի խնայողության վրա, պետք է կշռի այն էներգիայի հետ, որն օգտագործվում է մոդելները վերապատրաստող ամպային սերվերների կողմից: Մեր աշխատանքում մենք անցել ենք ավելի արդյունավետ, մասնագիտացված մոդելների կիրառմանը, այլ ոչ թե դաժան ուժով խորը ուսուցման հենց այս պատճառով: Երբեմն ավելի պարզ վիճակագրական մոդելը ձեզ տալիս է օգուտի 80%-ը՝ հաշվողական ծախսերի 1%-ով: AI-ի միջոցով կայունությունը պետք է հաշվի առնի իր սեփական հետքը:

Կա նաև համակարգի մի մասի օպտիմալացման ռիսկ՝ մյուսի հաշվին: Մենք ժամանակին օպտիմիզացրել ենք արտադրության ժամանակացույցը էներգաարդյունավետության համար, միայն պարզել ենք, որ այն մեծացրել է որոշակի գործիքների մաշվածությունը՝ հանգեցնելով ավելի հաճախակի փոխարինման և հարակից նյութերի թափոնների: Ամբողջական տեսակետը էական է: Իրական կայունությունը ոչ թե տեղական առավելագույնի, այլ ամբողջ համակարգի ճկունության և նվազագույն ընդհանուր ազդեցության մասին է: AI համակարգերը պետք է նախագծվեն՝ հաշվի առնելով բազմաբնույթ օպտիմալացումը, ինչը զգալիորեն ավելի բարդ խնդիր է:

Վերջապես, մարդկային տարրը. AI-ի վրա հիմնված փոփոխությունների իրականացումը պահանջում է հմուտ անձնակազմ, փոփոխությունների կառավարում և հաճախ՝ նախնական կապիտալ: Արտադրական գոտում գտնվող շատ փոքր և միջին ձեռնարկությունների համար առաջնահերթությունը գոյատևումն է և պատվերի կատարումը: Կայունության փաստարկը պետք է զուգակցվի հստակ, կարճաժամկետ և միջնաժամկետ տնտեսական օգուտի հետ: Ահա թե ինչու ամենահաջող օդաչուները, որոնց ես տեսել եմ, սկսում են ցածր կախված մրգերից՝ կանխատեսելի սպասարկում՝ ծախսատար պարապուրդից և նյութական թափոններից խուսափելու համար, կամ լուսավորության/ջեռուցման խելացի կառավարում, որը վերադարձնում է մինչև երկու տարի:

Նայելով առաջ. ինտեգրում, ոչ թե մեկուսացում

Այսպիսով, ինչպե՞ս է AI-ն իսկապես խթանում կայունությունը: Լավ նախագծերի համար դա վառ, ինքնուրույն AI-ի միջոցով չէ: Դա տեղի է ունենում իր աստիճանական, հաճախ ոչ սեքսուալ ինտեգրման միջոցով այնպիսի ոլորտների գործառնական տեխնոլոգիական փաթեթին, ինչպիսիք են արտադրությունը, լոգիստիկան և էներգետիկան: Այն խթանում է կայունությունը՝ կատարելով ռեսուրսների արդյունավետությունը չափելի և գործունակ՝ բացահայտելով թափոնների հոսքերը, որոնք նախկինում անտեսանելի էին, և հնարավորություն տալով ավելի հարմարվող, արձագանքող համակարգերին:

Ապագան, իմ կարծիքով, ներկառուցված AI-ի մեջ է: Մտածեք արդյունաբերական մեքենայի մասին, որն ինքնուրույն կարգավորում է իր պարամետրերը էներգիայի նվազագույն օգտագործման համար՝ պահպանելով որակը, կամ լոգիստիկ հարթակ, որն ավտոմատ կերպով ընտրում է նվազագույն ածխածնի առաքման տարբերակը, որը համապատասխանում է ծախսերի և ժամանակի սահմանափակումներին: Դա դառնում է ստանդարտ հատկանիշ, այլ ոչ թե առանձին նախաձեռնություն: Աշխատանքն այնպիսի վայրերում, ինչպիսին է Yongnian արտադրական բազան, իր արտադրողների խիտ ցանցով, կատարյալ փորձադաշտ է այս ինտեգրված մոտեցումների համար:

Ի վերջո, AI-ն հզոր գործիք է, բայց դա հենց դա է՝ գործիք: Նրա ներդրումը կայունության գործում թելադրված է այն ձեռքերով, որոնք տիրապետում են այն և այն խնդիրներին, որոնք նրանք ընտրում են լուծել: Ակտիվացումը գալիս է նյութական և էներգիայի հոսքերի կոնկրետ, աճող ձեռքբերումների վրա անխնա կենտրոնացումից, որը տեղեկացված է տվյալների հիման վրա, որոնք մենք այժմ կարող ենք վերջապես գրավել և հասկանալ: Դա գործնական ճամփորդություն է՝ լի փորձություններով և սխալներով, հեռու հիփերի ցիկլից, և հենց այստեղ է կառուցվում դրա իրական արժեքը կայուն ապագայի համար: