AI ಕೈಗಾರಿಕಾ ಸುಸ್ಥಿರತೆಯನ್ನು ಹೇಗೆ ಹೆಚ್ಚಿಸುತ್ತದೆ? 

ಜನರು AI ಮತ್ತು ಸಮರ್ಥನೀಯತೆಯ ಬಗ್ಗೆ ಮಾತನಾಡುವಾಗ, ಸಂಭಾಷಣೆಯು ಭವಿಷ್ಯದ ದೃಷ್ಟಿಕೋನಗಳಿಗೆ ನೇರವಾಗಿ ನೆಗೆಯುತ್ತದೆ: ಸ್ವಾಯತ್ತ ಗ್ರಿಡ್‌ಗಳು, ಸ್ವಯಂ-ಉತ್ತಮಗೊಳಿಸುವ ನಗರಗಳು. ನಿಜವಾದ ಉತ್ಪಾದನೆಯ ಕಂದಕಗಳಲ್ಲಿ, ವಾಸ್ತವವು ಹೆಚ್ಚು ಸಮಗ್ರವಾಗಿ ಮತ್ತು ಹೆಚ್ಚುತ್ತಿದೆ. ನಿಜವಾದ ಉತ್ತೇಜನವು ಮಾನವರನ್ನು ರೋಬೋಟ್‌ಗಳೊಂದಿಗೆ ಬದಲಾಯಿಸುವುದು ಅಲ್ಲ; ಇದು ಕುಖ್ಯಾತ ವ್ಯರ್ಥ ಮತ್ತು ಅಪಾರದರ್ಶಕ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಬಗ್ಗೆ. ಸಮರ್ಥನೀಯತೆಯು ಕಡಿಮೆ ಶಕ್ತಿಯನ್ನು ಬಳಸುವುದರ ಬಗ್ಗೆ ತಪ್ಪು ಕಲ್ಪನೆಯಾಗಿದೆ. ಇದು ಆಳವಾದದ್ದು-ಇದು ಕಚ್ಚಾ ವಸ್ತುವಿನಿಂದ ಲಾಜಿಸ್ಟಿಕ್ಸ್‌ಗೆ ವ್ಯವಸ್ಥಿತ ಸಂಪನ್ಮೂಲ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ, ಮತ್ತು ಅಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳು, ಕೇವಲ ಜೆನೆರಿಕ್ AI ಅಲ್ಲ, ಸದ್ದಿಲ್ಲದೆ ಆಟವನ್ನು ಬದಲಾಯಿಸುತ್ತಿವೆ.

ಫೌಂಡೇಶನ್: ಡೇಟಾ ಫಿಡೆಲಿಟಿ ಮತ್ತು ಡಾರ್ಕ್ ಫ್ಯಾಕ್ಟರಿ ಮಹಡಿ

ನೀವು ಅಳೆಯಲಾಗದದನ್ನು ನೀವು ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ, ಮತ್ತು ವರ್ಷಗಳವರೆಗೆ, ಕೈಗಾರಿಕಾ ಸಮರ್ಥನೀಯತೆಯು ಊಹೆಯಾಗಿದೆ. ನಾವು ಶಕ್ತಿಯ ಬಿಲ್‌ಗಳನ್ನು ಹೊಂದಿದ್ದೇವೆ, ಹೌದು, ಆದರೆ ಉತ್ಪಾದನಾ ಮಾರ್ಗ 3 ರ ನಿರ್ದಿಷ್ಟ ಬ್ಯಾಚ್‌ಗೆ ಬಳಕೆಯ ಹೆಚ್ಚಳವನ್ನು ಪರಸ್ಪರ ಸಂಬಂಧಿಸುವುದು ಅಸಾಧ್ಯವಾಗಿತ್ತು. ಮೊದಲ, ಅಸ್ಪಷ್ಟ ಹಂತವೆಂದರೆ ಸಂವೇದಕ ಪ್ರಸರಣ ಮತ್ತು ಡೇಟಾ ಹಿಸ್ಟರೈಸೇಶನ್. ಲೆಗಸಿ ಕಂಪ್ರೆಸರ್ ಸಿಸ್ಟಂಗಳಲ್ಲಿ ಸರಳ ಕಂಪನ ಮತ್ತು ಥರ್ಮಲ್ ಸೆನ್ಸರ್‌ಗಳನ್ನು ಸ್ಥಾಪಿಸುವುದು ಆವರ್ತಕ ಅಸಮರ್ಥತೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುವ ಸಸ್ಯಗಳನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ ಅದು ಅವುಗಳ ಶಕ್ತಿಯ 15% ನಷ್ಟು ವ್ಯರ್ಥವಾಯಿತು. AI ಬೂಸ್ಟ್ ಇಲ್ಲಿ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ: ಶಕ್ತಿ ಮತ್ತು ವಸ್ತು ಹರಿವಿನ ಉನ್ನತ-ನಿಷ್ಠೆ ಡಿಜಿಟಲ್ ಅವಳಿ ರಚಿಸುವುದು. ಈ ಅಡಿಪಾಯವಿಲ್ಲದೆ, ಯಾವುದೇ ಸಮರ್ಥನೀಯತೆಯ ಹಕ್ಕು ಕೇವಲ ಮಾರ್ಕೆಟಿಂಗ್ ಆಗಿದೆ.

ಇದು ಪ್ಲಗ್ ಮತ್ತು ಪ್ಲೇ ಅಲ್ಲ. ದೊಡ್ಡ ಅಡಚಣೆಯೆಂದರೆ ಡೇಟಾ ಸಿಲೋಸ್. ಉತ್ಪಾದನಾ ಡೇಟಾವು MES ನಲ್ಲಿ ಇರುತ್ತದೆ, ಇನ್ನೊಂದು ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಗುಣಮಟ್ಟದ ಡೇಟಾ ಮತ್ತು ಯುಟಿಲಿಟಿ ಮೀಟರ್‌ನಿಂದ ಶಕ್ತಿ ಡೇಟಾ. ಸಮಯ-ಸಿಂಕ್ರೊನೈಸ್ ಮಾಡಿದ ವೀಕ್ಷಣೆಯನ್ನು ಪಡೆಯುವುದು ಒಂದು ದುಃಸ್ವಪ್ನವಾಗಿದೆ. ಯಾವುದೇ ಮಾದರಿಗೆ ತರಬೇತಿ ನೀಡುವ ಮೊದಲು ಡೇಟಾ ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಯೋಜನೆಯಲ್ಲಿ ನಾವು ತಿಂಗಳುಗಳನ್ನು ಕಳೆದಿದ್ದೇವೆ. ಕೀಲಿಯು ಅಲಂಕಾರಿಕ ಅಲ್ಗಾರಿದಮ್ ಆಗಿರಲಿಲ್ಲ, ಆದರೆ ದೃಢವಾದ ಡೇಟಾ ಆನ್ಟಾಲಜಿ-ಪ್ರತಿ ಡೇಟಾ ಪಾಯಿಂಟ್ ಅನ್ನು ಸಂದರ್ಭದೊಂದಿಗೆ ಟ್ಯಾಗ್ ಮಾಡುವುದು (ಯಂತ್ರ ID, ಪ್ರಕ್ರಿಯೆ ಹಂತ, ಉತ್ಪನ್ನ SKU). ಈ ಗ್ರ್ಯಾನ್ಯುಲಾರಿಟಿಯು ನಂತರ ಅರ್ಥಪೂರ್ಣ ಸಮರ್ಥನೀಯತೆಯ ವಿಶ್ಲೇಷಣೆಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಫಾಸ್ಟೆನರ್ ತಯಾರಕರನ್ನು ಪರಿಗಣಿಸಿ ಹಟ್ಟನ್ ಜಿಟೈ ಫಾಸ್ಟೆನರ್ ಮ್ಯಾನ್ಯೂಫ್ಯಾಕ್ಚರಿಂಗ್ ಕಂ, ಲಿಮಿಟೆಡ್.. ಅವರ ಪ್ರಕ್ರಿಯೆಯು ಸ್ಟಾಂಪಿಂಗ್, ಥ್ರೆಡ್ಡಿಂಗ್, ಶಾಖ ಚಿಕಿತ್ಸೆ ಮತ್ತು ಲೇಪನವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಹಂತವು ವಿಭಿನ್ನ ಶಕ್ತಿಯ ಪ್ರೊಫೈಲ್‌ಗಳು ಮತ್ತು ವಸ್ತು ಇಳುವರಿಯನ್ನು ಹೊಂದಿದೆ. ಅವರ ಕುಲುಮೆಗಳು ಮತ್ತು ಲೋಹಲೇಪ ಸ್ನಾನದ ಮೂಲಕ, ಅವರು ಮಾಸಿಕ ಉಪಯುಕ್ತತೆಯ ಸರಾಸರಿಯಿಂದ ಪ್ರತಿ ಕಿಲೋಗ್ರಾಂ-ಔಟ್‌ಪುಟ್ ಶಕ್ತಿಯ ವೆಚ್ಚಕ್ಕೆ ಚಲಿಸಬಹುದು. ಈ ಬೇಸ್ಲೈನ್ ​​ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಇದು ಕಾರ್ಪೊರೇಟ್ ಕೆಪಿಐನಿಂದ ಸುಸ್ಥಿರತೆಯನ್ನು ಪ್ರೊಡಕ್ಷನ್-ಲೈನ್ ವೇರಿಯಬಲ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ, ಅದು ನೆಲದ ವ್ಯವಸ್ಥಾಪಕರು ವಾಸ್ತವವಾಗಿ ಪ್ರಭಾವ ಬೀರಬಹುದು.

ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ: ಆಳವಾದ ಬೇರುಗಳನ್ನು ಹೊಂದಿರುವ ಕಡಿಮೆ ನೇತಾಡುವ ಹಣ್ಣು

ಈ ಕುರಿತು ಹೆಚ್ಚಿನ ಚರ್ಚೆಗಳು ಅಲಭ್ಯತೆಯನ್ನು ತಪ್ಪಿಸುವುದರೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತವೆ. ಸಮರ್ಥನೀಯತೆಯ ಕೋನವು ಹೆಚ್ಚು ಬಲವಾದದ್ದು: ದುರಂತದ ವೈಫಲ್ಯವು ಶಕ್ತಿ ಮತ್ತು ವಸ್ತುಗಳನ್ನು ವ್ಯರ್ಥ ಮಾಡುತ್ತದೆ. ಹೆಚ್ಚಿನ ಟಾರ್ಕ್ ಸ್ಟಾಂಪಿಂಗ್ ಪ್ರೆಸ್ನಲ್ಲಿ ವಿಫಲವಾದ ಬೇರಿಂಗ್ ಕೇವಲ ಮುರಿಯುವುದಿಲ್ಲ; ಇದು ವಾರಗಳವರೆಗೆ ತಪ್ಪಾಗಿ ಜೋಡಿಸುವಿಕೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ, ಇದು ಆಫ್-ಸ್ಪೆಕ್ ಭಾಗಗಳಿಗೆ (ವಸ್ತು ತ್ಯಾಜ್ಯ) ಮತ್ತು ಹೆಚ್ಚಿದ ಪವರ್ ಡ್ರಾಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಮೋಟಾರು-ಚಾಲಿತ ವ್ಯವಸ್ಥೆಗಳಿಗಾಗಿ ನಾವು ಕಂಪನ ವಿಶ್ಲೇಷಣೆಯ ಮಾದರಿಯನ್ನು ಅಳವಡಿಸಿದ್ದೇವೆ, ಅದು ಕೇವಲ ವೈಫಲ್ಯವನ್ನು ಊಹಿಸುವುದಿಲ್ಲ, ಆದರೆ ಉಪ-ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯ ಸ್ಥಿತಿಗಳನ್ನು ಗುರುತಿಸಿದೆ. ಇದು ಸೂಕ್ಷ್ಮ ಭಾಗವಾಗಿದೆ. ಮಾದರಿಯು ಇನ್ನೂ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿರುವ ಆದರೆ 8% ದಕ್ಷತೆಯನ್ನು ಕಳೆದುಕೊಂಡಿರುವ ಪಂಪ್ ಅನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿದೆ, ಅಂದರೆ ಅದೇ ಕೆಲಸವನ್ನು ಮಾಡಲು ಅದು ಹೆಚ್ಚು ಕರೆಂಟ್ ಅನ್ನು ಸೆಳೆಯುತ್ತಿದೆ. ಅದನ್ನು ಸರಿಪಡಿಸುವುದು ಶಕ್ತಿಯನ್ನು ಉಳಿಸಿತು ಮತ್ತು ಮೋಟಾರಿನ ಜೀವನವನ್ನು ವಿಸ್ತರಿಸಿತು, ಬದಲಿಯಿಂದ ಸಾಕಾರಗೊಂಡ ಇಂಗಾಲವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ವೈಫಲ್ಯವು ಎಲ್ಲಾ ಸಾಧನಗಳಿಗೆ ಒಂದೇ ರೀತಿಯ ಮೇಲ್ವಿಚಾರಣೆಯ ಅಗತ್ಯವಿದೆ ಎಂದು ಊಹಿಸುತ್ತದೆ. ನಾವು ಸಂಪೂರ್ಣ ಅಸೆಂಬ್ಲಿ ಲೈನ್ ಅನ್ನು ಅತಿಯಾಗಿ ಉಪಕರಣ ಮಾಡಿದ್ದೇವೆ, ಅದು ದುಬಾರಿಯಾಗಿದೆ ಮತ್ತು ಗದ್ದಲದ ಡೇಟಾವನ್ನು ರಚಿಸಿದೆ. ನಾವು ಶಸ್ತ್ರಚಿಕಿತ್ಸಕರಾಗಲು ಕಲಿತಿದ್ದೇವೆ: ಹೆಚ್ಚಿನ ಶಕ್ತಿಯ ಗ್ರಾಹಕರು ಮತ್ತು ನಿರ್ಣಾಯಕ ಗುಣಮಟ್ಟದ ನೋಡ್‌ಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿ. ಬೀಜಿಂಗ್-ಗುವಾಂಗ್‌ಝೌ ರೈಲ್ವೇಯಂತಹ ಪ್ರಮುಖ ಸಾರಿಗೆ ಮಾರ್ಗಗಳ ಬಳಿ ಇರುವ Zitai ನಂತಹ ಕಂಪನಿಗೆ, ಲಾಜಿಸ್ಟಿಕ್ಸ್ ದಕ್ಷತೆಯ ಮೇಲೆ ಗಮನವನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಅವರ HVAC ಮತ್ತು ಸಂಕುಚಿತ ವಾಯು ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಇದೇ ರೀತಿಯ ಮುನ್ಸೂಚಕ ಮಾದರಿಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ-ಸಾಮಾನ್ಯವಾಗಿ ಸಸ್ಯದ ಅತಿದೊಡ್ಡ ಶಕ್ತಿಯ ಡ್ರೈನ್ಗಳು-ನೇರ ಇಂಗಾಲದ ಉಳಿತಾಯವನ್ನು ನೀಡುತ್ತದೆ. ದಿ ಜಿಟೈ ಫಾಸ್ಟೆನರ್ಸ್ ವೆಬ್‌ಸೈಟ್ ಅವುಗಳ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣವನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ; ಆ ಪರಿಮಾಣದಲ್ಲಿ, ಗಾಳಿಯ ಹರಿವಿನ ಮಾದರಿಯಿಂದ ಗುರುತಿಸಲ್ಪಟ್ಟ ಸಂಕುಚಿತ ಗಾಳಿಯ ಸೋರಿಕೆಯಲ್ಲಿ 2% ಕಡಿತವು ಬೃಹತ್ ಆರ್ಥಿಕ ಮತ್ತು ಪರಿಸರ ಆದಾಯಕ್ಕೆ ಅನುವಾದಿಸುತ್ತದೆ.

ಇಲ್ಲಿಯೂ ಸಾಂಸ್ಕೃತಿಕ ಪಲ್ಲಟವಿದೆ. ಉತ್ತಮವಾಗಿ ಕಾಣುವ ಭಾಗವನ್ನು ಬದಲಿಸಲು ಮಾದರಿಯ ಶಿಫಾರಸು ನಂಬಿಕೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ. ನಿರ್ವಹಣಾ ತಂಡಗಳಿಂದ ಖರೀದಿಸಲು ನಾವು kWh ಮತ್ತು ಡಾಲರ್‌ಗಳಲ್ಲಿ ಯೋಜಿತ ಶಕ್ತಿಯ ತ್ಯಾಜ್ಯವನ್ನು ತೋರಿಸುವ ಸರಳ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಬೇಕಾಗಿತ್ತು. ದತ್ತು ಸ್ವೀಕಾರಕ್ಕೆ ಈ ಸ್ಪಷ್ಟತೆ ಮುಖ್ಯವಾಗಿದೆ.

ಪ್ರಕ್ರಿಯೆ ಆಪ್ಟಿಮೈಸೇಶನ್: ಸೆಟ್ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಮೀರಿ

ಸಾಂಪ್ರದಾಯಿಕ ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣವು ಕುಲುಮೆಯ ತಾಪಮಾನದಂತಹ ಸೆಟ್ ಪಾಯಿಂಟ್ ಅನ್ನು ನಿರ್ವಹಿಸಲು PID ಲೂಪ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಆದರೆ ನೀಡಿದ ಬ್ಯಾಚ್‌ಗೆ ಸೂಕ್ತವಾದ ಸೆಟ್ ಪಾಯಿಂಟ್ ಯಾವುದು? ಇದು ಸುತ್ತುವರಿದ ಆರ್ದ್ರತೆ, ಕಚ್ಚಾ ವಸ್ತುಗಳ ಮಿಶ್ರಲೋಹದ ವ್ಯತ್ಯಾಸಗಳು ಮತ್ತು ಅಪೇಕ್ಷಿತ ಕರ್ಷಕ ಶಕ್ತಿಯನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಇದನ್ನು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಆಪ್ಟಿಮೈಜ್ ಮಾಡಬಹುದು. ಶಾಖ ಚಿಕಿತ್ಸೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ನಾವು ಕನಿಷ್ಟ ತಾಪಮಾನದ ರಾಂಪ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯಲು ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ಬಳಸಿದ್ದೇವೆ ಮತ್ತು ಮೆಟಲರ್ಜಿಕಲ್ ಸ್ಪೆಕ್ಸ್ ಸಾಧಿಸಲು ಬೇಕಾದ ಸಮಯವನ್ನು ನೆನೆಸುತ್ತೇವೆ. ಫಲಿತಾಂಶವು ಪ್ರತಿ ಬ್ಯಾಚ್‌ಗೆ ನೈಸರ್ಗಿಕ ಅನಿಲ ಬಳಕೆಯಲ್ಲಿ 12% ಕಡಿತವಾಗಿದೆ, ಗುಣಮಟ್ಟದಲ್ಲಿ ಯಾವುದೇ ರಾಜಿ ಇಲ್ಲ.

ಕ್ಯಾಚ್? ನೀವು ಪ್ರತಿಫಲ ಕಾರ್ಯವನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ವ್ಯಾಖ್ಯಾನಿಸಬೇಕಾಗಿದೆ. ಆರಂಭದಲ್ಲಿ, ನಾವು ಸಂಪೂರ್ಣವಾಗಿ ಶಕ್ತಿಗಾಗಿ ಹೊಂದುವಂತೆ ಮಾಡಿದ್ದೇವೆ ಮತ್ತು ಮಾದರಿಯು ಕಡಿಮೆ ತಾಪಮಾನವನ್ನು ಸೂಚಿಸಿತು, ಇದು ನಂತರದ ಲೋಹಲೇಪನ ಹಂತಗಳಲ್ಲಿ ಅಜಾಗರೂಕತೆಯಿಂದ ತುಕ್ಕು ಪ್ರಮಾಣವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ-ಪರಿಸರ ಹೊರೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ನಾವು ಬಹು-ಉದ್ದೇಶದ ಆಪ್ಟಿಮೈಸೇಶನ್ ಫ್ರೇಮ್‌ವರ್ಕ್, ಸಮತೋಲನ ಶಕ್ತಿ, ವಸ್ತು ಇಳುವರಿ ಮತ್ತು ಡೌನ್‌ಸ್ಟ್ರೀಮ್ ಪ್ರಕ್ರಿಯೆಯ ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಬೇಕಾಗಿತ್ತು. ಈ ಸಮಗ್ರ ದೃಷ್ಟಿಕೋನವು ನಿಜವಾದ ಕೈಗಾರಿಕಾ ಸುಸ್ಥಿರತೆಯ ಸಾರವಾಗಿದೆ; ಇದು ಒಂದು ಪ್ರದೇಶವನ್ನು ಇನ್ನೊಂದರ ವೆಚ್ಚದಲ್ಲಿ ಉಪ-ಉತ್ತಮಗೊಳಿಸುವುದನ್ನು ತಪ್ಪಿಸುತ್ತದೆ.

ಪ್ರಮಾಣಿತ ಭಾಗಗಳ ಉತ್ಪಾದನಾ ನೆಲೆಗೆ, ಸಾವಿರಾರು ಟನ್‌ಗಳಷ್ಟು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಇಂತಹ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮ್ಯಾಕ್ರೋ ಪರಿಣಾಮವು ಇರುತ್ತದೆ. ಇದು ಬಾಯ್ಲರ್ ಕೋಣೆಯಿಂದ ತಯಾರಿಕೆಯ ಮುಖ್ಯ ಪಾಕವಿಧಾನಕ್ಕೆ ಸಮರ್ಥನೀಯತೆಯನ್ನು ಚಲಿಸುತ್ತದೆ.

ಸಪ್ಲೈ ಚೈನ್ ಮತ್ತು ಲಾಜಿಸ್ಟಿಕ್ಸ್: ದಿ ನೆಟ್‌ವರ್ಕ್ ಎಫೆಕ್ಟ್

ಇಲ್ಲಿ AI ಯ ಸಾಮರ್ಥ್ಯವು ವಿಶಾಲ ಮತ್ತು ನಿರಾಶಾದಾಯಕವಾಗಿದೆ. ಕಾರ್ಖಾನೆಯು ಅತಿ-ಸಮರ್ಥವಾಗಿರಬಹುದು, ಆದರೆ ಅದರ ಪೂರೈಕೆ ಸರಪಳಿಯು ವ್ಯರ್ಥವಾಗಿದ್ದರೆ, ನಿವ್ವಳ ಲಾಭವು ಸೀಮಿತವಾಗಿರುತ್ತದೆ. ಬುದ್ಧಿವಂತ ರೂಟಿಂಗ್ ಮತ್ತು ದಾಸ್ತಾನು ಮುನ್ಸೂಚನೆಯ ಮೂಲಕ AI ಇಲ್ಲಿ ಸುಸ್ಥಿರತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಕಚ್ಚಾ ಉಕ್ಕಿನ ಸುರುಳಿಗಾಗಿ ಒಳಬರುವ ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಅನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ನಾವು ಯೋಜನೆಯಲ್ಲಿ ಕೆಲಸ ಮಾಡಿದ್ದೇವೆ. ಪೂರೈಕೆದಾರರ ಸ್ಥಳಗಳು, ಉತ್ಪಾದನಾ ವೇಳಾಪಟ್ಟಿಗಳು ಮತ್ತು ಟ್ರಾಫಿಕ್ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ, ಒಂದು ಮಾದರಿಯು ಟ್ರಕ್ ನಿಷ್ಕ್ರಿಯ ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮತ್ತು ಸಂಪೂರ್ಣ ಲೋಡ್‌ಗಳಿಗೆ ಅನುಮತಿಸುವ ವಿತರಣಾ ಕಿಟಕಿಗಳನ್ನು ರಚಿಸಿತು. ಇದು ತಯಾರಕರು ಮತ್ತು ಪೂರೈಕೆದಾರರಿಬ್ಬರಿಗೂ ಸ್ಕೋಪ್ 3 ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಕಡಿಮೆಗೊಳಿಸಿತು.

ಡೇಟಾ ಹಂಚಿಕೆಯಿಂದ ಹತಾಶೆ ಬರುತ್ತದೆ. ನೈಜ-ಸಮಯದ ಸಾಮರ್ಥ್ಯ ಅಥವಾ ಸ್ಥಳ ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಪೂರೈಕೆದಾರರು ಸಾಮಾನ್ಯವಾಗಿ ಹಿಂಜರಿಯುತ್ತಾರೆ. ಪ್ರಗತಿಯು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಅಲ್ಗಾರಿದಮ್‌ನೊಂದಿಗೆ ಅಲ್ಲ, ಆದರೆ ಸ್ವಾಮ್ಯದ ವಿವರಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸದೆ ಬದ್ಧತೆಗಳನ್ನು ಲಾಗ್ ಮಾಡಿದ ಸರಳವಾದ ಬ್ಲಾಕ್‌ಚೈನ್-ಆಧಾರಿತ ಲೆಡ್ಜರ್‌ನೊಂದಿಗೆ (ಅನುಮತಿ ಇದೆ, ಕ್ರಿಪ್ಟೋ ಅಲ್ಲ). ನಂಬಿಕೆ, ಮತ್ತೆ, ಅಡಚಣೆಯಾಗಿದೆ.

ಹಟ್ಟನ್ ಜಿಟೈ ಫಾಸ್ಟೆನರ್ ಮ್ಯಾನ್ಯೂಫ್ಯಾಕ್ಚರಿಂಗ್ ಕಂ, ಲಿಮಿಟೆಡ್.ಪ್ರಮುಖ ಹೆದ್ದಾರಿಗಳು ಮತ್ತು ರೈಲು ಮಾರ್ಗಗಳ ಪಕ್ಕದಲ್ಲಿರುವ ಆಯಕಟ್ಟಿನ ಸ್ಥಳವು ನೈಸರ್ಗಿಕ ಲಾಜಿಸ್ಟಿಕಲ್ ಆಸ್ತಿಯಾಗಿದೆ. AI-ಚಾಲಿತ ವ್ಯವಸ್ಥೆಯು ಆರ್ಡರ್‌ಗಳನ್ನು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಕ್ರೋಢೀಕರಿಸುವ ಮೂಲಕ ಹೊರಹೋಗುವ ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಅನ್ನು ಆಪ್ಟಿಮೈಜ್ ಮಾಡಬಹುದು ಮತ್ತು ತುರ್ತು ಆಧಾರದ ಮೇಲೆ ಕಡಿಮೆ-ಇಂಗಾಲ ಸಾರಿಗೆ ಮೋಡ್ (ರೈಲು ವಿರುದ್ಧ ಟ್ರಕ್) ಅನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತದೆ, ಪ್ರತಿ ಸಾಗಣೆಗೆ ಅದರ ಇಂಗಾಲದ ಹೆಜ್ಜೆಗುರುತನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಭೌಗೋಳಿಕ ಪ್ರಯೋಜನವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.

ವೃತ್ತಾಕಾರ ಮತ್ತು ಗುಣಮಟ್ಟದ ಬುದ್ಧಿವಂತಿಕೆ

ಸುಸ್ಥಿರತೆಗೆ ಅತ್ಯಂತ ನೇರವಾದ ಮಾರ್ಗವೆಂದರೆ ಕಡಿಮೆ ವಸ್ತುಗಳನ್ನು ಬಳಸುವುದು ಮತ್ತು ಕಡಿಮೆ ತ್ಯಾಜ್ಯವನ್ನು ಉತ್ಪಾದಿಸುವುದು. ಗುಣಮಟ್ಟದ ತಪಾಸಣೆಗಾಗಿ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಸಾಮಾನ್ಯವಾಗಿದೆ, ಆದರೆ ಸಮರ್ಥನೀಯತೆಗೆ ಅದರ ಲಿಂಕ್ ಆಳವಾದದ್ದು. ಆರಂಭಿಕ ಪತ್ತೆಯಾದ ದೋಷ ಎಂದರೆ ಒಂದು ಭಾಗವನ್ನು ಪುನರ್‌ನಿರ್ಮಾಣ ಮಾಡಬಹುದು ಅಥವಾ ಸ್ಥಾವರದಲ್ಲಿ ಮರುಬಳಕೆ ಮಾಡಬಹುದು, ಅದನ್ನು ಗ್ರಾಹಕರಿಗೆ ರವಾನಿಸುವ ಶಕ್ತಿಯ ವೆಚ್ಚವನ್ನು ತಪ್ಪಿಸುವುದು, ತಿರಸ್ಕರಿಸುವುದು ಮತ್ತು ಮರಳಿ ಸಾಗಿಸುವುದು. ಗುಣಮಟ್ಟವನ್ನು ಊಹಿಸಲು ಉತ್ಪಾದನೆಯ ಸಮಯದಲ್ಲಿ ಸ್ಪೆಕ್ಟ್ರಲ್ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಹೆಚ್ಚು ಮುಂದುವರಿದಿದೆ, ಇದು ನೈಜ-ಸಮಯದ ಪ್ರಕ್ರಿಯೆಯ ಹೊಂದಾಣಿಕೆಗಳಿಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ. ನಾವು ಇದನ್ನು ಪ್ಲೇಟಿಂಗ್ ಲೈನ್‌ನಲ್ಲಿ ನೋಡಿದ್ದೇವೆ: ಒಂದು XRF ವಿಶ್ಲೇಷಕವು ಪ್ಲೇಟಿಂಗ್ ಸ್ನಾನದ ರಸಾಯನಶಾಸ್ತ್ರವನ್ನು ನಿಯಂತ್ರಿಸುವ ಮಾದರಿಯಲ್ಲಿ ಡೇಟಾವನ್ನು ನೀಡಿತು, ಹೆವಿ ಮೆಟಲ್ ಬಳಕೆ ಮತ್ತು ಕೆಸರು ತ್ಯಾಜ್ಯವನ್ನು 20% ಕ್ಕಿಂತ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ನಂತರ ವೃತ್ತಾಕಾರದ ಆರ್ಥಿಕ ಕೋನವಿದೆ. ಮರುಬಳಕೆಗಾಗಿ ವಸ್ತು ವಿಂಗಡಣೆಯನ್ನು AI ಸುಗಮಗೊಳಿಸುತ್ತದೆ. ಮೆಟಲ್ ಫಾಸ್ಟೆನರ್‌ಗಳಿಗೆ, ಜೀವನದ ಅಂತ್ಯದ ವಿಂಗಡಣೆ ಒಂದು ಸವಾಲಾಗಿದೆ. ನಾವು ಹೈಪರ್‌ಸ್ಪೆಕ್ಟ್ರಲ್ ಇಮೇಜಿಂಗ್ ಮತ್ತು CNN ಅನ್ನು ಬಳಸಿಕೊಂಡು ಗ್ಯಾಲ್ವನೈಸ್ ಮಾಡಿದ ಸ್ಟೀಲ್ ಸ್ಕ್ರ್ಯಾಪ್‌ನಿಂದ ಸ್ಟೇನ್‌ಲೆಸ್ ಅನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವಿಂಗಡಿಸಲು, ಮರುಬಳಕೆಯ ಫೀಡ್‌ಸ್ಟಾಕ್‌ನ ಶುದ್ಧತೆ ಮತ್ತು ಮೌಲ್ಯವನ್ನು ಹೆಚ್ಚಿಸುವ ವ್ಯವಸ್ಥೆಯನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ನಡೆಸಿದ್ದೇವೆ. ಇದು ವಸ್ತು ಲೂಪ್ ಅನ್ನು ಮುಚ್ಚುವುದನ್ನು ಆರ್ಥಿಕವಾಗಿ ಲಾಭದಾಯಕವಾಗಿಸುತ್ತದೆ.

ಪ್ರಮುಖ ಉತ್ಪಾದನಾ ನೆಲೆಗಾಗಿ, ಈ ಗುಣಮಟ್ಟದ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಇಡೀಾದ್ಯಂತ ಸಂಯೋಜಿಸುವುದು ಪ್ರಮಾಣಿತ ಭಾಗ ಉತ್ಪಾದನಾ ಸರಪಳಿ ಎಂದರೆ ಕಡಿಮೆ ಕಚ್ಚಾ ವಸ್ತುಗಳನ್ನು ಹೊರತೆಗೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಕಡಿಮೆ ತ್ಯಾಜ್ಯವನ್ನು ಭೂಕುಸಿತಕ್ಕೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ. ಇದು ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣವನ್ನು ವೆಚ್ಚ ಕೇಂದ್ರದಿಂದ ಪ್ರಮುಖ ಸಮರ್ಥನೀಯ ಚಾಲಕವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.

ಹ್ಯೂಮನ್ ಫ್ಯಾಕ್ಟರ್ ಮತ್ತು ಇಂಪ್ಲಿಮೆಂಟೇಶನ್ ಕ್ವಾಗ್ಮಿಯರ್

ಜನರಿಲ್ಲದೆ ಇದ್ಯಾವುದೂ ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ. ನಿರ್ವಾತದಲ್ಲಿ ಎಂಜಿನಿಯರ್‌ಗಳು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಲೈಟ್ಸ್-ಔಟ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಪ್ರಾಜೆಕ್ಟ್‌ಗೆ ನಾನು ಸಾಕ್ಷಿಯಾಗಿರುವ ದೊಡ್ಡ ವೈಫಲ್ಯವಾಗಿದೆ. ಮಾದರಿಗಳು ಅದ್ಭುತವಾಗಿದ್ದವು, ಆದರೆ ಆರ್ದ್ರ ಮಧ್ಯಾಹ್ನಗಳಲ್ಲಿ ಯಂತ್ರ 4 ಬಿಸಿಯಾಗಿ ಚಲಿಸುತ್ತದೆ ಎಂದು ತಿಳಿದಿದ್ದ ನಿರ್ವಾಹಕರ ಮೌನ ಜ್ಞಾನವನ್ನು ಅವರು ನಿರ್ಲಕ್ಷಿಸಿದರು. ವ್ಯವಸ್ಥೆಯು ವಿಫಲವಾಗಿದೆ. ನಾವು ಹೈಬ್ರಿಡ್ ಸಲಹಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸಿದಾಗ ಯಶಸ್ಸು ಬಂದಿತು. ಮಾದರಿಯು ಸೆಟ್ ಪಾಯಿಂಟ್ ಅನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಆದರೆ ಆ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ಸಿಸ್ಟಮ್ ಕಲಿಯುವುದರೊಂದಿಗೆ ಆಪರೇಟರ್ ಅದನ್ನು ಅನುಮೋದಿಸಬಹುದು, ತಿರಸ್ಕರಿಸಬಹುದು ಅಥವಾ ಸರಿಹೊಂದಿಸಬಹುದು. ಇದು ನಂಬಿಕೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ ಮತ್ತು ಮಾನವ ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.

ಅನುಷ್ಠಾನವು ಮ್ಯಾರಥಾನ್ ಆಗಿದೆ. ಡೇಟಾ ಮೂಲಸೌಕರ್ಯವನ್ನು ನಿರ್ಮಿಸಲು ತಾಳ್ಮೆ, ಒಂದೇ ಪ್ರಕ್ರಿಯೆಯ ಸಾಲಿನಿಂದ ಪ್ರಾರಂಭಿಸಲು ನಮ್ರತೆ ಮತ್ತು OT, IT ಮತ್ತು ಸುಸ್ಥಿರತೆಯ ಪರಿಣತಿಯನ್ನು ಸಂಯೋಜಿಸುವ ಅಡ್ಡ-ಕಾರ್ಯಕಾರಿ ತಂಡಗಳ ಅಗತ್ಯವಿದೆ. ಗುರಿಯು ಹೊಳೆಯುವ AI-ಚಾಲಿತ ಪತ್ರಿಕಾ ಪ್ರಕಟಣೆಯಲ್ಲ. ಇದು ನೂರಾರು ಸಣ್ಣ ಆಪ್ಟಿಮೈಸೇಶನ್‌ಗಳ ಅನಾವಶ್ಯಕ, ಸಂಚಿತ ಪರಿಣಾಮವಾಗಿದೆ: ಇಲ್ಲಿ ಕುಲುಮೆಯಿಂದ ಕೆಲವು ಡಿಗ್ರಿಗಳನ್ನು ಕ್ಷೌರ ಮಾಡಲಾಗಿದೆ, ಟ್ರಕ್ ಮಾರ್ಗವನ್ನು ಮೊಟಕುಗೊಳಿಸಲಾಗಿದೆ, ಸ್ಕ್ರ್ಯಾಪ್‌ನ ಬ್ಯಾಚ್ ಅನ್ನು ತಪ್ಪಿಸಲಾಗಿದೆ. ಅದು ಹೇಗೆ AI ಪ್ರಾಮಾಣಿಕವಾಗಿ ಕೈಗಾರಿಕಾ ಸುಸ್ಥಿರತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ-ಬಂಗ್‌ನೊಂದಿಗೆ ಅಲ್ಲ, ಆದರೆ ಒಂದು ಮಿಲಿಯನ್ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳೊಂದಿಗೆ ಸದ್ದಿಲ್ಲದೆ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾದ, ಕಡಿಮೆ ವ್ಯರ್ಥವಾದ ಮಾರ್ಗವನ್ನು ಮುನ್ನಡೆಸುತ್ತದೆ.