როგორ აძლიერებს AI მდგრადობას? 

როდესაც ადამიანები კითხულობენ, თუ როგორ აძლიერებს ხელოვნური ინტელექტი მდგრადობას, უშუალო ფიქრი ხშირად გადადის დიდ ხედვამდე: გლობალური მიწოდების ჯაჭვების ოპტიმიზაცია ღამით ან კლიმატის მოდელირების ჯადოსნური გადაწყვეტა. ადგილზე მუშაობისას წარმოების და ლოჯისტიკის გუნდებთან ერთად დავინახე, რომ რეალური ზემოქმედება უფრო მარცვლოვანია, ხშირად ბინძური და შორს ვერცხლის ტყვიისგან. მცდარი წარმოდგენა არის ის, რომ AI მუშაობს ვაკუუმში - ეს ასე არ არის. მისი ღირებულება განბლოკილია მხოლოდ მაშინ, როდესაც ის ღრმად არის ჩადებული არსებულ, ხშირად არაეფექტურ პროცესებში. ეს ნაკლებად ეხება ინტელექტუალურ ალგორითმებს და უფრო მეტად მატერიალური ნაკადების, ენერგიის მოხმარებისა და ნარჩენების შაბლონების პრაქტიკულ კორექტირებას. ნება მომეცით გავიარო რამდენიმე სფერო, სადაც ეს რეალურად ხდება და სადაც ხანდახან აბრკოლებს.

ბეტონი: ენერგიისა და რესურსების ოპტიმიზაცია

მიიღეთ ტიპიური სამრეწველო გარემო, როგორიცაა შესაკრავების მწარმოებელი ქარხანა. ენერგიის დატვირთვა არ არის მუდმივი; ის ცვივა გაყალბების ან თერმული დამუშავების დროს. ჩვენ ვმუშაობდით გუნდთან ერთად ჰებეის ობიექტში - წარმოიდგინეთ სამრეწველო კლასტერი იონგნიანის ოლქში, რათა გამოგვეყენებინა შედარებით მარტივი მანქანათმცოდნეობის მოდელები ენერგიის მოხმარების ისტორიულ მონაცემებზე. მიზანი არ იყო პროცესის ხელახლა გამოგონება, არამედ მოთხოვნის მწვერვალების პროგნოზირება და არაკრიტიკული ოპერაციების შემაძრწუნებელი. შედეგი იყო პიკური დატვირთვის 7-8%-ით შემცირება, რაც პირდაპირ ამცირებს ნახშირბადის ანაბეჭდს და ხარჯებს. მოკრძალებულად ჟღერს, მაგრამ მასშტაბით, ასობით ღუმელში და პრესაში, კუმულაციური ეფექტი არსებითია. AI აქ არ ფიქრობს; ეს არის ნიმუშის ამოცნობა, რომელიც გამოიყენება ძალიან ხმაურიან, რეალურ სამყაროში არსებულ მონაცემთა ბაზაზე.

სადაც ეს რთულია არის მონაცემთა ინფრასტრუქტურა. ბევრი მცენარე, თუნდაც ისეთი დიდი, როგორიცაა Handan Zitai Fastener წარმოების კომპანია, შპს.აქვს მოძველებული SCADA სისტემები და სახელმძღვანელო ჟურნალები. პირველი დაბრკოლება არის მაღაზიის იატაკიდან სუფთა, დროში დაბეჭდილი მონაცემების მიღება. ჩვენ კვირები დავხარჯეთ მხოლოდ ძირითადი IoT სენსორების დაყენებაზე მოდელების შესანახად - ეს ნაბიჯი ხშირად იხსნება პრიალა შემთხვევის კვლევებში. ამის გარეშე, ხელოვნური ინტელექტის ნებისმიერი მოდელი მხოლოდ თეორიული სავარჯიშოა. ვებგვერდი https://www.zitaifasteners.com შესაძლოა აჩვენონ თავიანთი პროდუქტები, მაგრამ მდგრადობის ზრდა ხდება კულისებში, მონაცემთა ნაკადების უხეში ინტეგრაციის შედეგად მანქანებიდან, რომლებიც არასოდეს ყოფილა შექმნილი ერთმანეთთან სასაუბროდ.

კიდევ ერთი კუთხე არის მასალის მოსავლიანობა. შესაკრავების წარმოებაში, ხვეული ფოლადი იჭრება და ყალიბდება. ჯართი გარდაუვალია, მაგრამ ხელოვნური ინტელექტის დაფუძნებული კომპიუტერული ხედვის სისტემებს ახლა შეუძლიათ შეამოწმონ ნედლეულის დეფექტები ჭედურობამდე და დინამიურად შეცვალონ ჭრის ნიმუშები ნარჩენების შესამცირებლად. ჩვენ ეს პილოტირება გავაკეთეთ პარტნიორთან ერთად და სანამ ალგორითმი მუშაობდა, ROI უარყოფითი იყო მცირე პარტიული გაშვებებისთვის დაყენების სირთულის გამო. ეს არის კრიტიკული ნიუანსი: AI მდგრადობისთვის საყოველთაოდ არ გამოიყენება; ის მოითხოვს გარკვეულ მასშტაბს და საოპერაციო სიმწიფეს, რომ ანაზღაურდეს.

ლოჯისტიკა და ფარული ქსელი

ტრანსპორტი არის ნახშირბადის მასიური გამოსხივება. აქ, AI-ს როლი მარშრუტის ოპტიმიზაციაში ცნობილია, მაგრამ რეალურ სამყაროში არსებული შეზღუდვები არის ის, რაც მას საინტერესოს ხდის. მწარმოებლისთვის, რომელიც უპირატესად მდებარეობს პეკინ-გუანჯოუს რკინიგზისა და ეროვნული მაგისტრალის 107-ის მახლობლად, როგორიცაა Zitai, საკითხი არ არის მხოლოდ უმოკლესი გზის პოვნა. საუბარია ნაწილობრივი დატვირთვების კონსოლიდაციაზე, პორტის შეფერხებების პროგნოზირებაზე და რეალურ დროში ტრაფიკისა და ამინდის მონაცემების ფაქტორზეც კი, სატვირთო მანქანებისთვის უმოქმედობის დროის შესამცირებლად. ჩვენ დავანერგეთ სისტემა, რომელმაც ეს გააკეთა და საწვავის დაზოგვა საშუალოდ დაახლოებით 12% იყო. თუმცა, სისტემის რეკომენდაციები ზოგჯერ უარყოფილი იყო დისპეტჩერების მიერ, რომლებიც ენდობოდნენ თავიანთ გამოცდილებას ალგორითმის მიმართ - ადამიანისა და ხელოვნური ინტელექტის თანამშრომლობის კლასიკური გამოწვევა.

მარშრუტების მიღმა, არის ინვენტარის ოპტიმიზაცია. ჭარბი ინვენტარის შენახვა აკავშირებს კაპიტალსა და სივრცეს და ხშირად იწვევს ნარჩენებს (განსაკუთრებით დაფარული ან დამუშავებული შესაკრავებისთვის შენახვის ვადის პრობლემებით). პროგნოზირებულმა მოდელებმა გაყიდვების მონაცემების, სეზონური ტენდენციების და კიდევ უფრო ფართო ეკონომიკური ინდიკატორების გამოყენებით შეიძლება გამკაცრდეს მარაგის დონე. მახსენდება ერთი პროექტი, სადაც ჩვენ შევამცირეთ უსაფრთხოების მარაგი 15%-ით მარაგის გასვლის რისკის გაზრდის გარეშე. მაგრამ მოდელი სანახაობრივად ჩავარდა, როდესაც რეგიონულმა პოლიტიკის უეცარმა ცვლილებამ მომარაგების ჯაჭვები შეაფერხა - ის არ იყო გაწვრთნილი შავი გედების ასეთ მოვლენებზე. ეს ხაზს უსვამს იმას, რომ ხელოვნური ინტელექტის მოდელები ისეთივე კარგია, როგორც მათ მიერ ნანახი ისტორიული მონაცემები; ისინი ებრძვიან ახალ სისტემურ შოკებს.

გაფართოებული მიწოდების ჯაჭვი არის ის, სადაც ის უფრო ფართოვდება. AI დაგეხმარებათ წრიული ეკონომიური მარყუჟების დიზაინში. მაგალითად, პროდუქტის სასიცოცხლო ციკლის მონაცემების ანალიზით, მას შეუძლია იწინასწარმეტყველოს, თუ როდის შეიძლება გახდეს გამორთული მზის ფერმიდან შესაკრავების ჯგუფი ხელახალი გამოყენების ან გადამუშავებისთვის, რაც ამცირებს ხელუხლებელი მასალის საჭიროებას. ეს ჯერ კიდევ ახალია, მაგრამ ევროკავშირის საპილოტე პროექტები ამას იკვლევენ. ის გადააქვს მდგრადობას უბრალო ეფექტურობიდან სისტემური რესურსების ციკლისკენ.

მონიტორინგი, ანგარიშგება და გამჭვირვალობა

მდგრადობა დღეს მოითხოვს მკაცრ გაზომვას. AI მკვეთრად აჩქარებს გარემოს მონიტორინგს. ემისიების ან ჩამდინარე წყლების ყოველთვიური ხელით აუდიტის ნაცვლად, სენსორულ ქსელებს ხელოვნური ინტელექტის ანალიტიკით შეუძლიათ უზრუნველყონ უწყვეტი, მარცვლოვანი მონაცემები. ჩვენ დავეხმარეთ ჩამოყალიბებულიყო არასტაბილური ორგანული ნაერთების (VOC) გამონაბოლქვის მონიტორინგის სისტემის ჩამოყალიბებაში პლასტმასის სახელოსნოში. ხელოვნური ინტელექტი მხოლოდ არ ზომავდა; მან დაადგინა კორელაციები წარმოების სპეციფიკურ პარტიებსა და ემისიის მწვერვალებს შორის, რაც პროცესის კორექტირების საშუალებას იძლევა. ეს აქცევს შესაბამისობას ხარჯების ცენტრიდან ოპერატიული ინფორმაციის წყაროდ.

თუმცა, მონაცემების გენერირება ერთია; მისი ნდობა სხვაა. არსებობს მუდმივი დაძაბულობა ხელოვნური ინტელექტის მიერ გენერირებული მდგრადობის მეტრიკასა და აუდიტორული, დამოწმებადი ჩანაწერების საჭიროებას შორის ისეთი ჩარჩოებისთვის, როგორიცაა ESG ანგარიში. შეუძლიათ თუ არა მარეგულირებლებს და ინვესტორებს ენდონ ხელოვნური ინტელექტის შეჯამებას ნახშირბადის აღრიცხვის შესახებ? ჩვენ იმ ფაზაში ვართ, როდესაც ხელოვნური ინტელექტი ახორციელებს მონაცემთა შეკუმშვის მძიმე აწევას, მაგრამ ადამიანური ექსპერტები ჯერ კიდევ საჭიროა დადასტურებისა და ინტერპრეტაციისთვის. ინსტრუმენტი მძლავრია, მაგრამ მან არ შეცვალა პროფესიული განსჯის საჭიროება.

მაკრო მასშტაბით, ხელოვნური ინტელექტი უზრუნველყოფს ნახშირბადის ნაკვალევის უფრო ზუსტ მიკვლევას კომპლექსურ მიწოდების ჯაჭვებში. მიმწოდებლის პორტალებიდან, მიწოდების მანიფესტებისა და ენერგეტიკული გადასახადების მონაცემების შეგროვებითა და ანალიზით, მას შეუძლია შექმნას თითქმის რეალურ დროში ნაკვალევი რუკა. ისეთი კომპანიისთვის, როგორიც არის Zitai, რომელიც წარმოადგენს ვრცელი საწარმოო ბაზის ნაწილს, ეს ხილვადობა გადამწყვეტია ევროპისა და ჩრდილოეთ ამერიკის ქვედა დინების მომხმარებლებისთვის, რომლებიც იმყოფებიან ზეწოლის ქვეშ, რათა შეატყობინონ Scope 3 ემისია. ის მდგრადობას ბუნდოვანი ვალდებულებიდან აქცევს ბიზნესის რაოდენობრივად მართულ კომპონენტად.

ხაფანგები და შეუმჩნეველი ხარჯები

ეს ყველაფერი დადებითი არ არის. სწავლისა და დიდი AI მოდელების გამოთვლითი ღირებულება თავისთავად გარემოსდაცვითი ტვირთია. პროექტი, რომელიც ორიენტირებულია ქარხანაში ენერგიის დაზოგვაზე, უნდა შეესაბამებოდეს იმ ენერგიას, რომელსაც იყენებენ ღრუბლოვანი სერვერები, რომლებიც ასწავლიან მოდელებს. ჩვენს მუშაობაში, ჩვენ გადავედით უფრო ეფექტური, სპეციალიზებული მოდელების გამოყენებაზე, ვიდრე უხეში ძალის გამოყენებით ღრმა სწავლებაზე სწორედ ამ მიზეზით. ზოგჯერ, უფრო მარტივი სტატისტიკური მოდელი მოგცემთ სარგებელის 80%-ს გამოთვლითი ზედნადების 1%-ით. ხელოვნური ინტელექტის საშუალებით მდგრადობამ უნდა გაითვალისწინოს საკუთარი კვალი.

ასევე არსებობს სისტემის ერთი ნაწილის ოპტიმიზაციის რისკი მეორის ხარჯზე. ჩვენ ერთხელ ოპტიმიზირებულია წარმოების გრაფიკი ენერგოეფექტურობისთვის, მაგრამ აღმოვაჩინეთ, რომ მან გაზარდა გარკვეული ხელსაწყოების ცვეთა, რამაც გამოიწვია უფრო ხშირი ჩანაცვლება და მასთან დაკავშირებული მასალების ნარჩენები. ჰოლისტიკური ხედვა აუცილებელია. ჭეშმარიტი მდგრადობა არ ეხება ადგილობრივ მაქსიმუმს, არამედ სისტემურ მდგრადობას და მინიმალურ მთლიან გავლენას. ხელოვნური ინტელექტის სისტემები უნდა იყოს შემუშავებული მრავალმიზნობრივი ოპტიმიზაციის გათვალისწინებით, რაც გაცილებით რთული პრობლემაა.

და ბოლოს, ადამიანის ელემენტი. AI-ზე ორიენტირებული ცვლილებების განხორციელებას სჭირდება გამოცდილი პერსონალი, ცვლილებების მენეჯმენტი და ხშირად, წინასწარი კაპიტალი. წარმოების სარტყელში მყოფი მრავალი მცირე და საშუალო საწარმოსთვის პრიორიტეტია გადარჩენა და შეკვეთის შესრულება. მდგრადობის არგუმენტი უნდა დაერთოს მკაფიო, მოკლე და საშუალოვადიან ეკონომიკურ სარგებელს. სწორედ ამიტომ, ყველაზე წარმატებული პილოტები, რომლებიც მე მინახავს, ​​იწყებენ დაბალი დაკიდების ხილით: პროგნოზირებადი მოვლა, რათა თავიდან აიცილოთ ძვირადღირებული დრო და მატერიალური ნარჩენები, ან ჭკვიანი განათების/გათბობის კონტროლი, რომელიც ანაზღაურდება ორ წელზე ნაკლებ დროში.

ყურება წინ: ინტეგრაცია და არა იზოლაცია

მაშ, როგორ აძლიერებს ხელოვნური ინტელექტი მდგრადობას? ეს არ არის ნათელი, დამოუკიდებელი AI კარგი პროექტებისთვის. ეს არის მისი თანდათანობითი, ხშირად არასექსუალური ინტეგრაცია ინდუსტრიების საოპერაციო ტექნოლოგიების დასტაში, როგორიცაა წარმოება, ლოჯისტიკა და ენერგია. ეს ზრდის მდგრადობას დამზადებით რესურსების ეფექტურობა გაზომვადი და ქმედითუნარიანი, ნარჩენების ნაკადების აღმოჩენით, რომლებიც ადრე უხილავი იყო და უფრო ადაპტირებული, რეაგირებადი სისტემების ჩართვით.

მომავალი, ჩემი აზრით, დევს ჩაშენებულ AI-ში. წარმოიდგინეთ სამრეწველო მანქანა, რომელიც დამოუკიდებლად არეგულირებს თავის პარამეტრებს ენერგიის მინიმალური მოხმარებისთვის ხარისხის შენარჩუნებისას, ან ლოჯისტიკური პლატფორმა, რომელიც ავტომატურად ირჩევს ყველაზე დაბალი ნახშირბადის გადაზიდვის ვარიანტს, რომელიც აკმაყოფილებს ხარჯების და დროის შეზღუდვებს. ეს ხდება სტანდარტული ფუნქცია და არა ცალკე ინიციატივა. სამუშაოები ისეთ ადგილებში, როგორიცაა Yongnian-ის საწარმოო ბაზა, მწარმოებელთა მჭიდრო ქსელით, არის სრულყოფილი ტესტირება ამ ინტეგრირებული მიდგომებისთვის.

საბოლოო ჯამში, ხელოვნური ინტელექტი მძლავრი ინსტრუმენტია, მაგრამ ეს არის მხოლოდ ინსტრუმენტი. მისი წვლილი მდგრადობაში ნაკარნახევია ხელებით, რომლებიც ფლობენ მას და მათ მიერ გადაწყვეტილ პრობლემებს. სტიმული მომდინარეობს მატერიალურ და ენერგეტიკულ ნაკადებზე დაუნდობელ ფოკუსირებაზე, რომელიც არის ინფორმირებული იმ მონაცემებით, რომლებიც ახლა საბოლოოდ შეგვიძლია აღვბეჭდოთ და გავიგოთ. ეს არის პრაქტიკული მოგზაურობა, სავსე საცდელებითა და შეცდომით, შორს არის აჟიოტაჟის ციკლისგან და სწორედ აქ ყალიბდება მისი რეალური ღირებულება მდგრადი მომავლისთვის.