כיצד AI מגביר את הקיימות? 

כשאנשים שואלים כיצד בינה מלאכותית מגבירה את הקיימות, המחשבה המיידית קופצת לעתים קרובות לחזונות גדולים: אופטימיזציה של שרשראות אספקה גלובליות בן לילה או פתרון קסם של מודלים אקלים. לאחר שעבדתי בשטח עם צוותי ייצור ולוגיסטיקה, ראיתי שההשפעה האמיתית היא יותר פרטנית, לרוב מבולגנת, ורחוקה מלהיות כדור כסף. התפיסה השגויה היא שבינה מלאכותית פועלת בחלל ריק - היא לא. הערך שלו נפתח רק כאשר הוא מוטמע עמוק בתהליכים קיימים, לעתים לא יעילים. זה פחות על אלגוריתמים חכמים ויותר על התאמות מעשיות לזרימות חומרים, צריכת אנרגיה ודפוסי בזבוז. תן לי לעבור דרך כמה אזורים שבהם זה באמת מתרחש, ואיפה זה לפעמים מועד.

הבטון: אופטימיזציה של אנרגיה ומשאבים

קחו סביבה תעשייתית טיפוסית, כמו מפעל לייצור מחברים. עומס האנרגיה אינו קבוע; הוא מתגבר במהלך חישול או טיפול בחום. עבדנו עם צוות במתקן בהביי - חשבו על האשכול התעשייתי במחוז יונגניאן - כדי לפרוס מודלים פשוטים יחסית של למידת מכונה על נתוני צריכת חשמל היסטוריים. המטרה לא הייתה להמציא את התהליך מחדש, אלא לחזות עליות בביקוש ולערער פעולות לא קריטיות. התוצאה הייתה הפחתה של 7-8% בעמלות עומס שיא, מה שמפחית ישירות את טביעת הרגל והעלות הפחמנית. זה נשמע צנוע, אבל בקנה מידה, על פני מאות תנורים ומכבשים, ההשפעה המצטברת היא משמעותית. ה-AI כאן לא חושב; זה זיהוי דפוסים המוחל על מערך נתונים רועש מאוד בעולם האמיתי.

המקום שבו זה נהיה מסובך הוא תשתית הנתונים. צמחים רבים, אפילו גדולים כמו Handan Zitai Fastener Manufacturing Co., בע"מ., יש מערכות SCADA מדור קודם ויומנים ידניים. המכשול הראשון הוא קבלת נתונים נקיים עם חותמת זמן מרצפת החנות. בילינו שבועות רק בהגדרת חיישני IoT בסיסיים כדי להאכיל את הדגמים - שלב שלעתים קרובות הוגה במחקרי מקרה מבריק. בלי זה, כל מודל AI הוא רק תרגיל תיאורטי. האתר https://www.zitaifasteners.com אולי מציגים את המוצרים שלהם, אבל רווח הקיימות מתרחש מאחורי הקלעים, באינטגרציה מטונפת של זרמי נתונים ממכונות שמעולם לא תוכננו לדבר אחד עם השני.

זווית נוספת היא תפוקת החומר. בייצור מחברים, פלדת סליל מחוררת ונוצרת. גרוטאות היא בלתי נמנעת, אבל מערכות ראייה ממוחשבת מונעות בינה מלאכותית יכולות כעת לבדוק חומר גלם לאיתור פגמים לפני ההחתמה, ואפילו להתאים באופן דינמי את דפוסי החיתוך כדי למזער בזבוז. ניסינו זאת עם שותף, ובעוד שהאלגוריתם עבד, החזר ה-ROI היה שלילי עבור ריצות אצווה קטנות יותר בגלל מורכבות ההגדרה. זהו ניואנס קריטי: AI לקיימות אינו ישים באופן אוניברסלי; זה דורש היקף מסוים ובגרות תפעולית כדי להשתלם.

לוגיסטיקה והרשת הנסתרת

תחבורה היא פולט פחמן מסיבי. כאן, תפקידה של AI באופטימיזציה של מסלולים ידוע היטב, אבל האילוצים בעולם האמיתי הם שהופכים אותו למעניין. עבור יצרן הממוקם בסמוך לרכבת בייג'ינג-גואנגזו והכביש הלאומי 107, כמו Zitai, השאלה היא לא רק למצוא את הנתיב הקצר ביותר. מדובר באיחוד עומסים חלקיים, חיזוי עיכובים ביציאות, ואפילו שילוב של נתוני תנועה ומזג אוויר בזמן אמת כדי לצמצם את זמן הסרק של משאיות. הטמענו מערכת שעשתה זאת, והחיסכון בדלק היה ממוצע של כ-12%. עם זאת, המלצות המערכת נדחו לפעמים על ידי שולחים שסמכו על הניסיון שלהם על פני האלגוריתם - אתגר קלאסי של שיתוף פעולה אנושי-AI.

מעבר למסלולים, יש אופטימיזציה של מלאי. החזקת מלאי עודף קושרת הון וחלל, ולעתים קרובות מובילה לבזבוז (במיוחד עבור מחברים מצופים או מטופלים עם חששות לחיי מדף). מודלים חזויים המשתמשים בנתוני מכירות, מגמות עונתיות ואפילו אינדיקטורים כלכליים רחבים יותר יכולים להדק את רמות המלאי. אני זוכר פרויקט אחד שבו הקטנו את מלאי הבטיחות ב-15% מבלי להגדיל את הסיכון למלאי. אבל המודל נכשל באופן מרהיב כאשר שינוי פתאומי במדיניות האזורית שיבש את שרשרת האספקה ​​- הוא לא הוכשר על אירועי ברבור שחור שכאלה. זה מדגיש שדגמי AI טובים רק כמו הנתונים ההיסטוריים שהם ראו; הם נאבקים עם זעזועים מערכתיים חדשים.

שרשרת האספקה המורחבת היא המקום שבו היא נעשית רחבה יותר. AI יכול לעזור לעצב לולאות כלכלה מעגלית. לדוגמה, על ידי ניתוח נתוני מחזור החיים של המוצר, הוא יכול לחזות מתי אצווה של מחברים מחווה סולארית שהושבתה עשויה להיות זמינה לשימוש חוזר או למיחזור, ובכך להפחית את הצורך בחומר בתולי. זה עדיין בהתהוות, אבל פרויקטי פיילוט באיחוד האירופי בוחנים את זה. זה מעביר את הקיימות מיעילות גרידא למחזור משאבים מערכתיים.

ניטור, דיווח ודחיפה לשקיפות

קיימות היום דורשת מדידה קפדנית. AI מאיץ באופן דרסטי את ניטור הסביבה. במקום ביקורת ידנית חודשית של פליטות או שפכים, רשתות חיישנים עם ניתוח AI יכולות לספק נתונים רציפים ופרטניים. עזרנו להקים מערכת לניטור פליטת תרכובות אורגניות נדיפות (VOC) בסדנת ציפוי. ה-AI לא רק מדדה; הוא זיהה מתאמים בין אצוות ייצור ספציפיות לבין עליות פליטה, מה שאיפשר התאמות תהליכים. זה הופך ציות ממרכז עלות למקור לתובנה תפעולית.

עם זאת, הפקת נתונים היא דבר אחד; לסמוך על זה זה משהו אחר. קיים מתח מתמשך בין מדדי קיימות שנוצרו בינה מלאכותית לבין הצורך ברשומות הניתנות לביקורת וניתנות לאימות עבור מסגרות כמו דיווח ESG. האם הרגולטורים והמשקיעים יכולים לסמוך על סיכום חשבונאות פחמן של AI? אנחנו בשלב שבו בינה מלאכותית מטפלת במשימות הכבדות של מחיקת נתונים, אבל עדיין דרושים מומחים אנושיים לאמת ולפרש. הכלי רב עוצמה, אבל הוא לא החליף את הצורך בשיקול דעת מקצועי.

בקנה מידה מאקרו, בינה מלאכותית מאפשרת מעקב מדויק יותר של טביעת רגל פחמן על פני שרשראות אספקה מורכבות. על ידי גירוד וניתוח נתונים מפורטלים של ספקים, מניפסטים למשלוח וחשבונות אנרגיה, הוא יכול ליצור מפת טביעת רגל כמעט בזמן אמת. עבור חברה כמו Zitai, שהיא חלק מבסיס ייצור עצום, הנראות הזו היא חיונית עבור לקוחות במורד הזרם באירופה או בצפון אמריקה שנמצאים בלחץ לדווח על פליטות סקופ 3. זה הופך את הקיימות ממחויבות מעורפלת למרכיב ניתן לכימות ומנוהל בעסק.

המלכודות והעלויות שהתעלמו מהן

לא הכל חיובי. העלות החישובית של אימון והפעלת מודלים גדולים של בינה מלאכותית היא כשלעצמה נטל סביבתי. פרויקט המתמקד בחיסכון באנרגיה במפעל חייב לשקול את האנרגיה המשמשת את שרתי הענן המאמנים את המודלים. בעבודתנו עברנו לשימוש במודלים יעילים ומתמחים יותר במקום למידה עמוקה בכוח גס בדיוק מהסיבה הזו. לפעמים, מודל סטטיסטי פשוט יותר משיג לך 80% מהתועלת עם 1% מהתקורה החישובית. קיימות באמצעות AI חייבת להסביר את טביעת הרגל שלה.

קיים גם סיכון של אופטימיזציה של חלק אחד של מערכת על חשבון חלק אחר. פעם ביצענו אופטימיזציה של לוח הזמנים של ייצור ליעילות אנרגטית, רק כדי לגלות שזה הגביר את הבלאי בכלים מסוימים, מה שהוביל להחלפה תכופה יותר ולבזבוז חומרים נלווים. ראייה הוליסטית היא חיונית. קיימות אמיתית אינה קשורה למקסימום מקומי, אלא לחוסן כלל מערכתי והשפעה כוללת מינימלית. מערכות בינה מלאכותיות צריכות להיות מתוכננות מתוך מחשבה על אופטימיזציה רב-אובייקטיבית, שזו בעיה קשה משמעותית.

לבסוף, האלמנט האנושי. יישום שינויים מונעי בינה מלאכותית דורש כוח אדם מיומן, ניהול שינויים, ולעתים קרובות, הון מראש. עבור ארגונים קטנים ובינוניים רבים בחגורת הייצור, העדיפות היא הישרדות ומילוי הזמנות. יש לצרף את טיעון הקיימות עם תועלת כלכלית ברורה לטווח קצר עד בינוני. זו הסיבה שהפיילוטים המוצלחים ביותר שראיתי מתחילים עם פירות תלויים נמוך: תחזוקה חזויה כדי להימנע מזמן השבתה יקר ובזבוז חומרים, או בקרות תאורה/חימום חכמות שמחזירות את עצמה תוך פחות משנתיים.

מבט קדימה: אינטגרציה, לא בידוד

אז איך בינה מלאכותית באמת מגבירה את הקיימות? זה לא באמצעות AI נוצץ ועצמאי לפרויקטים טובים. זה הודות לשילוב ההדרגתי, לעתים קרובות לא סקסי, בערימת הטכנולוגיה התפעולית של תעשיות כמו ייצור, לוגיסטיקה ואנרגיה. זה מגביר את הקיימות על ידי ייצור יעילות משאבים ניתן למדידה וניתנת לפעולה, על ידי חשיפת זרמי פסולת שבעבר לא היו נראים, ועל ידי מתן אפשרות למערכות אדפטיביות ומגוונות יותר.

העתיד, לדעתי, טמון ב-AI משובץ. חשבו על מכונה תעשייתית שמכווננת את הפרמטרים שלה לשימוש מינימלי באנרגיה תוך שמירה על איכות, או פלטפורמה לוגיסטית שבוחרת אוטומטית את אפשרות המשלוח הנמוכה ביותר בפחמן העומדת במגבלות העלות והזמן. זה הופך לתכונה סטנדרטית, לא ליוזמה נפרדת. העבודה במקומות כמו בסיס הייצור של Yongnian, עם רשת היצרנים הצפופה שלו, היא שדה בדיקה מושלם לגישות המשולבות הללו.

בסופו של דבר, AI הוא כלי רב עוצמה, אבל זה בדיוק זה - כלי. תרומתה לקיימות מוכתבת על ידי הידיים האוחזות בה והבעיות שהם בוחרים לפתור. הדחיפה מגיעה מהתמקדות בלתי פוסקת ברווחים קונקרטיים, מצטברים בזרימות חומר ואנרגיה, המבוססת על נתונים שעכשיו אנחנו יכולים סוף סוף לתפוס ולהבין. זה מסע מעשי, מלא בניסוי וטעייה, רחוק ממעגל ההייפ, ושם בדיוק נבנה הערך האמיתי שלו לעתיד בר קיימא.