AI ತಯಾರಿಕೆಯಲ್ಲಿ ಸುಸ್ಥಿರತೆಯನ್ನು ಹೇಗೆ ಹೆಚ್ಚಿಸುತ್ತದೆ? 

ಜನರು ಉತ್ಪಾದನೆಯಲ್ಲಿ AI ಅನ್ನು ಕೇಳಿದಾಗ, ಅವರು ಸಾಮಾನ್ಯವಾಗಿ ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತ, ಲೈಟ್ಸ್-ಔಟ್ ಫ್ಯಾಕ್ಟರಿಗಳ ದೃಷ್ಟಿಗೆ ನೆಗೆಯುತ್ತಾರೆ. ಅದು ಮಿನುಗುವ ಗುರಿಯಾಗಿದೆ, ಆದರೆ ಸುಸ್ಥಿರತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ನೈಜ, ಸಮಗ್ರವಾದ ಕೆಲಸ ಇಂದು ನಡೆಯುತ್ತಿಲ್ಲ. ನಿಜವಾದ ಪರಿಣಾಮವು ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ, ಸಾಮಾನ್ಯವಾಗಿ ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ಉತ್ತಮಗೊಳಿಸುವ, ವಸ್ತುಗಳ ತ್ಯಾಜ್ಯವನ್ನು ಕಡಿತಗೊಳಿಸುವ ಮತ್ತು ಪೂರೈಕೆ ಸರಪಳಿಗಳನ್ನು ಕಡಿಮೆ ಅಸ್ತವ್ಯಸ್ತವಾಗಿಸುವ ದೈನಂದಿನ ಗ್ರೈಂಡ್‌ನಲ್ಲಿ ಮರೆಮಾಡಲಾಗಿದೆ. ರೋಬೋಟ್‌ಗಳು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಳ್ಳುವ ಬಗ್ಗೆ ಕಡಿಮೆ ಮತ್ತು ಬುದ್ಧಿವಂತ ವ್ಯವಸ್ಥೆಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚು ಆರ್ಥಿಕವಾಗಿ ಮತ್ತು ಪರಿಸರೀಯವಾಗಿ ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ನಾವು ಯಾವಾಗಲೂ ಕೊರತೆಯಿರುವ ಹರಳಿನ ಗೋಚರತೆಯನ್ನು ಒದಗಿಸುತ್ತೇವೆ. AI ಮತ್ತು ಸುಸ್ಥಿರತೆಯ ನಡುವಿನ ಸಂಪರ್ಕವು ಸ್ವಯಂಚಾಲಿತವಾಗಿಲ್ಲ; ನಾವು ಅಳೆಯಲು ಮತ್ತು ನಿಯಂತ್ರಿಸಲು ಆಯ್ಕೆಮಾಡುವುದರಲ್ಲಿ ಉದ್ದೇಶಪೂರ್ವಕ ಬದಲಾವಣೆಯ ಅಗತ್ಯವಿದೆ.

ಬಿಯಾಂಡ್ ದಿ ಹೈಪ್: ಎನರ್ಜಿ ಆಸ್ ದಿ ಫಸ್ಟ್ ಫ್ರಾಂಟಿಯರ್

ಶಕ್ತಿಯೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸೋಣ, ಅತ್ಯಂತ ನೇರ ವೆಚ್ಚ ಮತ್ತು ಇಂಗಾಲದ ಹೆಜ್ಜೆಗುರುತು ಐಟಂ. ವರ್ಷಗಳವರೆಗೆ, ನಾವು ನಿಗದಿತ ನಿರ್ವಹಣೆ ಮತ್ತು ವಿಶಾಲ-ಸ್ಟ್ರೋಕ್ ದಕ್ಷತೆಯ ರೇಟಿಂಗ್‌ಗಳನ್ನು ಅವಲಂಬಿಸಿದ್ದೇವೆ. ಗೇಮ್-ಚೇಂಜರ್ ಸಂವೇದಕಗಳನ್ನು ಎಂಬೆಡ್ ಮಾಡುತ್ತಿದೆ ಮತ್ತು ಭವಿಷ್ಯಸೂಚಕ ಶಕ್ತಿ ಆಪ್ಟಿಮೈಸೇಶನ್‌ಗಾಗಿ AI ಅನ್ನು ಬಳಸುತ್ತಿದೆ. ನಾನು ಕೇವಲ ಯಂತ್ರಗಳನ್ನು ಆಫ್ ಮಾಡುವ ಬಗ್ಗೆ ಮಾತನಾಡುವುದಿಲ್ಲ. ಇದು ಸಂಪೂರ್ಣ ಉತ್ಪಾದನಾ ಸಾಲಿನ ಡೈನಾಮಿಕ್ ಲೋಡ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು. ಉದಾಹರಣೆಗೆ, AI ಮಾದರಿಯು ನಿರ್ದಿಷ್ಟ ಸ್ಟಾಂಪಿಂಗ್ ಪ್ರೆಸ್ ಕಾರ್ಯಾಚರಣೆಯ ಸಮಯದಲ್ಲಿ ಮಾತ್ರವಲ್ಲದೆ 15 ನಿಮಿಷಗಳ ನಂತರ, ತಂಪಾಗಿಸುವ ವ್ಯವಸ್ಥೆಗಳು ಚಾಲನೆಯಲ್ಲಿರುವಂತೆ ಶಕ್ತಿಯ ಉಲ್ಬಣವನ್ನು ಸೆಳೆಯುತ್ತದೆ ಎಂದು ತಿಳಿಯಬಹುದು. ಉತ್ಪಾದನಾ ವೇಳಾಪಟ್ಟಿಯನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ, ಬಹು ಪ್ರೆಸ್‌ಗಳಿಂದ ಏಕಕಾಲದಲ್ಲಿ ಪೀಕ್ ಡ್ರಾಗಳನ್ನು ತಪ್ಪಿಸಲು ಬ್ಯಾಚ್‌ಗಳ ನಡುವೆ ಸೂಕ್ಷ್ಮ-ವಿಳಂಬಗಳನ್ನು ಇದು ಸೂಚಿಸಬಹುದು, ಥ್ರೋಪುಟ್ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರದೆ ಶಕ್ತಿಯ ರೇಖೆಯನ್ನು ಸಮತಟ್ಟಾಗುತ್ತದೆ. ಇದು ಸೈದ್ಧಾಂತಿಕವಲ್ಲ; ಫೋರ್ಜಿಂಗ್ ಸೌಲಭ್ಯದಲ್ಲಿ ಇದು ಶಕ್ತಿಯ ಬಿಲ್‌ನಿಂದ 8-12% ರಷ್ಟು ಕ್ಷೌರ ಮಾಡುವುದನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ, ಇದು ಪ್ರಮಾಣದಲ್ಲಿ ಬೃಹತ್ ಪ್ರಮಾಣದಲ್ಲಿದೆ.

ಟ್ರಿಕಿ ಭಾಗವು ಡೇಟಾ ಗುಣಮಟ್ಟವಾಗಿದೆ. ನಿಮಗೆ ಯಂತ್ರ, ಸಬ್‌ಸ್ಟೇಷನ್ ಮತ್ತು ಸಾಧ್ಯವಾದರೆ ಗ್ರಿಡ್‌ನಿಂದ ಹರಳಿನ, ಸಮಯ-ಸರಣಿ ಡೇಟಾ ಅಗತ್ಯವಿದೆ. ನಿಖರವಾದ ಅನಿಲ ಹರಿವಿನ ಮೀಟರ್‌ಗಳಿಲ್ಲದೆಯೇ ಶಾಖ ಸಂಸ್ಕರಣೆಯ ಕುಲುಮೆಯನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಒಂದು ವಿಫಲ ಯೋಜನೆಯು ಆರಂಭಿಕ ಹಂತದಲ್ಲಿದೆ. AI ಮಾದರಿಯು ಮೂಲಭೂತವಾಗಿ ಊಹೆಯಾಗಿತ್ತು, ಮತ್ತು ಆಪ್ಟಿಮೈಸೇಶನ್‌ಗಳು ಭಾಗಗಳ ಮೆಟಲರ್ಜಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳನ್ನು ರಾಜಿ ಮಾಡಿಕೊಳ್ಳುವ ಅಪಾಯವನ್ನುಂಟುಮಾಡುತ್ತದೆ. ನಾವು ಕಠಿಣ ಮಾರ್ಗವನ್ನು ಕಲಿತಿದ್ದೇವೆ: ನೀವು ನಿಖರವಾಗಿ ಅಳೆಯಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂಬುದನ್ನು ನೀವು ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. AI ಅದು ಪಡೆಯುವ ಸಂವೇದನಾ ಒಳಹರಿವಿನಷ್ಟೇ ಉತ್ತಮವಾಗಿದೆ.

ಇದು ಒಂದು ಸೂಕ್ಷ್ಮ ಅಂಶಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ: AI ಸಾಮಾನ್ಯವಾಗಿ ಆಳವಾದ ಉಪಕರಣಗಳನ್ನು ಸಮರ್ಥಿಸುತ್ತದೆ. AI ಗಾಗಿ ಸಮರ್ಥನೀಯತೆಯ ಪ್ರಕರಣವನ್ನು ಮಾಡಲು, ನೀವು ಮೊದಲು ಉತ್ತಮ ಮೀಟರಿಂಗ್‌ನಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡಿ. ಅದೊಂದು ಪುಣ್ಯ ಚಕ್ರ. ಒಮ್ಮೆ ನೀವು ಆ ಡೇಟಾ ಸ್ಟ್ರೀಮ್ ಅನ್ನು ಹೊಂದಿದ್ದರೆ, ನೀವು ಮುನ್ಸೂಚನೆಯಿಂದ ಪ್ರಿಸ್ಕ್ರಿಪ್ಟಿವ್ ಕ್ರಿಯೆಗೆ ಚಲಿಸಬಹುದು - ನ್ಯೂಮ್ಯಾಟಿಕ್ ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿ ನೈಜ-ಸಮಯದ ಬೇಡಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಕಂಪ್ರೆಸರ್ ಒತ್ತಡದ ಸೆಟ್‌ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊಂದಿಸುವುದು, ಇದು ಯಾವಾಗಲೂ ಕೆಟ್ಟ ಸನ್ನಿವೇಶಕ್ಕೆ ಹೊಂದಿಸಲಾಗಿದೆ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ಶಕ್ತಿಯನ್ನು ವ್ಯರ್ಥ ಮಾಡುತ್ತದೆ.

ದಿ ವಾರ್ ಆನ್ ವೇಸ್ಟ್: ಸ್ಕ್ರ್ಯಾಪ್ ಹೀಪ್ಸ್ ಟು ಡಿಜಿಟಲ್ ಟ್ವಿನ್ಸ್

ವಸ್ತು ತ್ಯಾಜ್ಯವು ಶುದ್ಧ ಆರ್ಥಿಕ ಮತ್ತು ಪರಿಸರ ನಷ್ಟವಾಗಿದೆ. ಫಾಸ್ಟೆನರ್ ತಯಾರಿಕೆಯಲ್ಲಿ, ಉದಾಹರಣೆಗೆ ಕಂಪನಿಯಂತೆ ಹಟ್ಟನ್ ಜಿಟೈ ಫಾಸ್ಟೆನರ್ ಮ್ಯಾನ್ಯೂಫ್ಯಾಕ್ಚರಿಂಗ್ ಕಂ, ಲಿಮಿಟೆಡ್. ಚೀನಾದ ಪ್ರಮುಖ ಪ್ರಮಾಣಿತ ಭಾಗ ಉತ್ಪಾದನಾ ನೆಲೆಯಲ್ಲಿದೆ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವು ಉತ್ಪಾದನೆಯ ನಂತರದ ತಪಾಸಣೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ: ಒಂದು ಬ್ಯಾಚ್ ಅನ್ನು ತಯಾರಿಸಲಾಗುತ್ತದೆ, ಕೆಲವು ಮಾದರಿಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ ಮತ್ತು ದೋಷಗಳು ಕಂಡುಬಂದರೆ, ಸಂಪೂರ್ಣ ಭಾಗವನ್ನು ಸ್ಕ್ರ್ಯಾಪ್ ಮಾಡಬಹುದು ಅಥವಾ ಪುನಃ ಕೆಲಸ ಮಾಡಬಹುದು. ಅದು ನಂಬಲಾಗದಷ್ಟು ವ್ಯರ್ಥವಾಗಿದೆ.

ನೈಜ-ಸಮಯದ ದೋಷ ಪತ್ತೆಗಾಗಿ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಈಗ ಟೇಬಲ್ ಸ್ಟೇಕ್ಸ್ ಆಗಿದೆ. ಆದರೆ AI ಯ ಹೆಚ್ಚು ಆಳವಾದ ಬಳಕೆಯು ಪ್ರಕ್ರಿಯೆಯ ಪ್ಯಾರಾಮೀಟರ್ ಆಪ್ಟಿಮೈಸೇಶನ್‌ನಲ್ಲಿ ತ್ಯಾಜ್ಯವನ್ನು ಮೊದಲ ಸ್ಥಾನದಲ್ಲಿ ರಚಿಸುವುದನ್ನು ತಡೆಯುತ್ತದೆ. ಶೀತಲ ಶಿರೋನಾಮೆ ಪ್ರಕ್ರಿಯೆಯಿಂದ-ತಂತಿಯ ವ್ಯಾಸ, ತಾಪಮಾನ, ಯಂತ್ರದ ವೇಗ, ಸಾಯುವ ಉಡುಗೆ-ಒಂದು ಮಾದರಿಗೆ ಡೇಟಾವನ್ನು ಫೀಡ್ ಮಾಡುವ ಮೂಲಕ, ನಾವು ಒಂದೇ ತುಣುಕನ್ನು ತಯಾರಿಸುವ ಮೊದಲು ತಲೆ ಬಿರುಕುಗಳು ಅಥವಾ ಆಯಾಮದ ತಪ್ಪುಗಳ ಸಾಧ್ಯತೆಯನ್ನು ಊಹಿಸಬಹುದು. ವ್ಯವಸ್ಥೆಯು ನಂತರ ಹೊಂದಾಣಿಕೆಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡಬಹುದು, ಹೇಳುವುದಾದರೆ, ಅನೆಲಿಂಗ್ ತಾಪಮಾನದಲ್ಲಿ ಸ್ವಲ್ಪ ಹೆಚ್ಚಳ ಅಥವಾ ಫೀಡ್ ದರದಲ್ಲಿ ಕಡಿತ.

ಬೋಲ್ಟ್ ಉತ್ಪಾದನಾ ಮಾರ್ಗಕ್ಕಾಗಿ ನಾವು ಡಿಜಿಟಲ್ ನೆರಳು (ಪೂರ್ಣ ಡಿಜಿಟಲ್ ಅವಳಿಗಳ ಸರಳ ಆವೃತ್ತಿ) ನಿರ್ಮಿಸಿದ ಯೋಜನೆಯನ್ನು ನಾನು ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತೇನೆ. ಟ್ರಿಮ್ ನಷ್ಟವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಗುರಿಯಾಗಿತ್ತು - ಬೋಲ್ಟ್ ಕತ್ತರಿಸಿದ ನಂತರ ಉಳಿದಿರುವ ತಂತಿ. ಆರ್ಡರ್ ಪೋರ್ಟ್‌ಫೋಲಿಯೊಗಳು ಮತ್ತು ಯಂತ್ರದ ನಿರ್ಬಂಧಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ, AI ಶೆಡ್ಯೂಲಿಂಗ್ ಸಿಸ್ಟಮ್ ವೈರ್ ಕಾಯಿಲ್‌ಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬಳಸಲು ಆದೇಶಗಳನ್ನು ಅನುಕ್ರಮಗೊಳಿಸಬಹುದು, ಟ್ರಿಮ್ ತ್ಯಾಜ್ಯವನ್ನು ಸರಾಸರಿ 3.2% ರಿಂದ 1.7% ಕ್ಕಿಂತ ಕಡಿಮೆಗೊಳಿಸಬಹುದು. ಇದು ಚಿಕ್ಕದಾಗಿದೆ, ಆದರೆ ವಾರ್ಷಿಕವಾಗಿ ಸಾವಿರಾರು ಟನ್‌ಗಳಷ್ಟು ಉಕ್ಕಿನಾದ್ಯಂತ, ಕಚ್ಚಾ ವಸ್ತುಗಳ ಉಳಿತಾಯ ಮತ್ತು ಉಕ್ಕಿನ ಉತ್ಪಾದನೆಯಿಂದ ಸಂಬಂಧಿಸಿದ ಇಂಗಾಲದ ಹೊರಸೂಸುವಿಕೆಗಳು ಗಣನೀಯವಾಗಿರುತ್ತವೆ. ಯೋಂಗ್ನಿಯನ್ ಜಿಲ್ಲೆಯಂತಹ ಹಬ್‌ಗಳಲ್ಲಿನ ಕಂಪನಿಗಳು ತಮ್ಮ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಉತ್ಪಾದನೆಯೊಂದಿಗೆ, ಅಂತಹ ಗ್ರ್ಯಾನ್ಯುಲರ್ ಆಪ್ಟಿಮೈಸೇಶನ್‌ಗಳಿಂದ ಹೇಗೆ ಅಗಾಧವಾಗಿ ಲಾಭ ಪಡೆಯುತ್ತವೆ ಎಂಬುದನ್ನು ನೀವು ನೋಡಬಹುದು.

ಪೂರೈಕೆ ಸರಪಳಿ ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವ ಮತ್ತು ಕಾರ್ಬನ್ ಹೆಜ್ಜೆಗುರುತು

ಇದು ಸಂಕೀರ್ಣವಾಗುವುದು ಇಲ್ಲಿಯೇ. ಸುಸ್ಥಿರ ಪೂರೈಕೆ ಸರಪಳಿಯು ಹಸಿರು ಪೂರೈಕೆದಾರರನ್ನು ಆಯ್ಕೆಮಾಡುವುದರ ಬಗ್ಗೆ ಅಲ್ಲ; ಇದು ತುರ್ತು, ಇಂಗಾಲದ-ತೀವ್ರವಾದ ವಾಯು ಸರಕು ಸಾಗಣೆಯನ್ನು ತಪ್ಪಿಸಲು ದಕ್ಷತೆ ಮತ್ತು ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವದ ಬಗ್ಗೆ. AI-ಚಾಲಿತ ಬೇಡಿಕೆ ಮುನ್ಸೂಚನೆ, ಅದು ಕೆಲಸ ಮಾಡುವಾಗ, ಉತ್ಪಾದನೆಯನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ, ಅಧಿಕಾವಧಿಯ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ (ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಕಡಿಮೆ ದಕ್ಷತೆ, ಶಕ್ತಿ-ತೀವ್ರ ರನ್ಗಳು) ಮತ್ತು ಪ್ಯಾನಿಕ್ ಆರ್ಡರ್ ಮಾಡುವುದು.

ನಾವು ಕ್ಲೈಂಟ್‌ಗಾಗಿ ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಆಪ್ಟಿಮೈಸೇಶನ್‌ನೊಂದಿಗೆ ಬಹು-ಶ್ರೇಣಿಯ ಪೂರೈಕೆ ಸರಪಳಿ ಅಪಾಯದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸಂಯೋಜಿಸಿದ್ದೇವೆ. ವ್ಯವಸ್ಥೆಯು ಹವಾಮಾನ, ಬಂದರು ದಟ್ಟಣೆ ಮತ್ತು ಪೂರೈಕೆದಾರ ಪ್ರದೇಶದ ಶಕ್ತಿಯ ಮಿಶ್ರಣವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತದೆ (ಉದಾಹರಣೆಗೆ, ಅವರ ಗ್ರಿಡ್ ಇಂದು ಕಲ್ಲಿದ್ದಲು ಅಥವಾ ನವೀಕರಿಸಬಹುದಾದ ವಸ್ತುಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆಯೇ?). ಟೈಮ್‌ಲೈನ್‌ಗಳು ಅನುಮತಿಸಿದಾಗ ಸಾಗಣೆಗಳನ್ನು ನಿಧಾನವಾದ ಆದರೆ ಕಡಿಮೆ-ಹೊರಸೂಸುವ ಸಮುದ್ರ ಸರಕು ಸಾಗಣೆಗೆ ಮರುಮಾರ್ಗಗೊಳಿಸುವಂತೆ ಅಥವಾ ವಿಶಿಷ್ಟವಾದ 85% ಕ್ಕಿಂತ 98% ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಕಂಟೇನರ್‌ಗಳನ್ನು ತುಂಬಲು ಲೋಡ್‌ಗಳನ್ನು ಏಕೀಕರಿಸುವಂತೆ ಸೂಚಿಸಿತು. ದಿ ಸುಸ್ಥಿರತೆ ಇಲ್ಲಿ ಲಾಭವು ಪರೋಕ್ಷ ಆದರೆ ಶಕ್ತಿಯುತವಾಗಿದೆ: ಇದು ದೈನಂದಿನ ವ್ಯವಸ್ಥಾಪನಾ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಇಂಗಾಲದ ದಕ್ಷತೆಯನ್ನು ಎಂಬೆಡ್ ಮಾಡುತ್ತದೆ.

ಇಲ್ಲಿ ವೈಫಲ್ಯದ ಮೋಡ್ ಅತಿಯಾದ ಆಪ್ಟಿಮೈಸೇಶನ್ ಆಗಿದೆ. ಸಾರಿಗೆ ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಯಾವಾಗಲೂ ಒಂದೇ, ಅತ್ಯಂತ ಹಸಿರು ಆದರೆ ಸಾಮರ್ಥ್ಯ-ನಿರ್ಬಂಧಿತ ಪೂರೈಕೆದಾರರನ್ನು ಬಳಸುವಂತೆ ಒಂದು ಮಾದರಿ ಸಲಹೆ ನೀಡಿದೆ. ಇದು ಸ್ಥಗಿತಗೊಳಿಸುವ ಅಪಾಯವನ್ನು ಲೆಕ್ಕಹಾಕಲು ವಿಫಲವಾಗಿದೆ, ಇದು ಅಂತಿಮವಾಗಿ ಸಂಭವಿಸಿತು, ಬಹು, ಕಡಿಮೆ ಸೂಕ್ತವಾದ ಪೂರೈಕೆದಾರರಿಗೆ ಸ್ಕ್ರಾಂಬಲ್ ಅನ್ನು ಒತ್ತಾಯಿಸಿತು. AI ಯ ವಸ್ತುನಿಷ್ಠ ಕಾರ್ಯದಲ್ಲಿ ಸುಸ್ಥಿರತೆಯ ಉದ್ದೇಶಗಳು ದೃಢತೆಯ ನಿರ್ಬಂಧಗಳೊಂದಿಗೆ ಸಮತೋಲನದಲ್ಲಿರಬೇಕು ಎಂಬುದು ಪಾಠವಾಗಿತ್ತು. ನೀವು ಇಂಗಾಲವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ; ನೀವು ಅಪಾಯವನ್ನು ನಿರ್ವಹಿಸಬೇಕು.

ಮಾನವ ಅಂಶ: ವರ್ಧಿತ ನಿರ್ಧಾರ-ಮಾಡುವಿಕೆ

ಇದು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿದೆ. AI ಕಾರ್ಖಾನೆಯನ್ನು ನಡೆಸುವುದಿಲ್ಲ; ಜನರು ಮಾಡುತ್ತಾರೆ. ನಾನು ನೋಡಿದ ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಅನುಷ್ಠಾನಗಳೆಂದರೆ AI ಸಲಹೆಗಾರನಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಇದು ಅಸಂಗತತೆಯನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುತ್ತದೆ: ಲೈನ್ 3 ರಲ್ಲಿ ಪ್ರತಿ ಯೂನಿಟ್‌ಗೆ ಶಕ್ತಿಯ ಬಳಕೆಯು ಪ್ರಸ್ತುತ ಉತ್ಪನ್ನ ಮಿಶ್ರಣಕ್ಕೆ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಿಂತ 18% ಹೆಚ್ಚಾಗಿದೆ. ಸಂಭವನೀಯ ಕಾರಣ: ಕನ್ವೇಯರ್ ಮೋಟಾರ್ B-12 ನಲ್ಲಿ ಬೇರಿಂಗ್ ವೇರ್, ಅಂದಾಜು ದಕ್ಷತೆಯ ನಷ್ಟ 22%. ಇದು ನಿರ್ವಹಣಾ ತಂಡಕ್ಕೆ ಉದ್ದೇಶಿತ, ಆದ್ಯತೆಯ ಕಾರ್ಯವನ್ನು ಸ್ಪಷ್ಟ ಸಮರ್ಥನೀಯತೆ ಮತ್ತು ವೆಚ್ಚದ ಪ್ರಭಾವದೊಂದಿಗೆ ನೀಡುತ್ತದೆ.

ಇದು ಸಂಸ್ಕೃತಿಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ಸಮರ್ಥನೀಯತೆಯು ಉತ್ಪಾದನಾ ದಕ್ಷತೆಯಿಂದ ಪ್ರತ್ಯೇಕ KPI ಆಗುವುದನ್ನು ನಿಲ್ಲಿಸುತ್ತದೆ. ಕಡಿಮೆ ಸ್ಕ್ರ್ಯಾಪ್ ದರಗಳಿಗೆ ಆಪ್ಟಿಮೈಜ್ ಮಾಡುವುದರಿಂದ ಉತ್ತಮ ಭಾಗಕ್ಕೆ ಶಕ್ತಿ ಮತ್ತು ಕಚ್ಚಾ ವಸ್ತುಗಳ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಎಂದು ನೆಲದ ವ್ಯವಸ್ಥಾಪಕರು ನೋಡಿದಾಗ, ಗುರಿಗಳು ಹೊಂದಾಣಿಕೆಯಾಗುತ್ತವೆ. AI ತರಬೇತಿಯು ಜನರಿಗೆ ತರಬೇತಿ ನೀಡುತ್ತದೆ. ದೋಷ ಪತ್ತೆ ಮಾದರಿಗಾಗಿ ಡೇಟಾವನ್ನು ಲೇಬಲ್ ಮಾಡಲು, ಗುಣಮಟ್ಟದ ಎಂಜಿನಿಯರ್‌ಗಳು ವೈಫಲ್ಯ ವಿಧಾನಗಳನ್ನು ಆಳವಾಗಿ ವಿಶ್ಲೇಷಿಸಬೇಕಾಗುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯು ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸುವ ಮೊದಲು ಪ್ರಕ್ರಿಯೆಯ ಸುಧಾರಣೆಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ.

ಪ್ರತಿರೋಧ ಸಹಜ. ಕಪ್ಪು ಪೆಟ್ಟಿಗೆಯ ಶಿಫಾರಸುಗಳ ಬಗ್ಗೆ ಸರಿಯಾದ ಭಯವಿದೆ. ಅದಕ್ಕಾಗಿಯೇ ವಿವರಣೆಯು ಮುಖ್ಯವಾಗಿದೆ. ವ್ಯವಸ್ಥೆಯು ಕುಲುಮೆಯ ತಾಪಮಾನವನ್ನು 15 ° C ಯಿಂದ ಕಡಿಮೆ ಮಾಡಲು ಹೇಳಿದರೆ, ಅದು ತಾರ್ಕಿಕತೆಯನ್ನು ಸಹ ಒದಗಿಸಬೇಕು: ಐತಿಹಾಸಿಕ ಡೇಟಾ ಪ್ರದರ್ಶನಗಳು X ಮತ್ತು Y ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಈ ಕಡಿಮೆ ತಾಪಮಾನದಲ್ಲಿ 8% ಕಡಿಮೆ ನೈಸರ್ಗಿಕ ಅನಿಲ ಬಳಕೆಯೊಂದಿಗೆ ಒಂದೇ ರೀತಿಯ ಗಡಸುತನವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಇದು ವಿಶ್ವಾಸವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ ಮತ್ತು AI ಅನ್ನು ಸಮರ್ಥನೀಯಕ್ಕಾಗಿ ಸಹಕಾರಿ ಸಾಧನವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ ಉತ್ಪಾದನೆ.

ಮುಂದೆ ನೋಡುತ್ತಿರುವುದು: ಏಕೀಕರಣ ಸವಾಲು

ಭವಿಷ್ಯವು ಶಕ್ತಿ ಅಥವಾ ಗುಣಮಟ್ಟಕ್ಕಾಗಿ ಸ್ವತಂತ್ರ AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿಲ್ಲ. ಇದು ಸಂಯೋಜಿತ ಪ್ರಕ್ರಿಯೆ ಆಪ್ಟಿಮೈಸೇಶನ್‌ನಲ್ಲಿದೆ, ಅದು ಬಹು, ಕೆಲವೊಮ್ಮೆ ಸ್ಪರ್ಧಾತ್ಮಕ, ಉದ್ದೇಶಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸುತ್ತದೆ: ಥ್ರೋಪುಟ್, ಇಳುವರಿ, ಶಕ್ತಿಯ ಬಳಕೆ, ಉಪಕರಣದ ಉಡುಗೆ ಮತ್ತು ಇಂಗಾಲದ ಹೆಜ್ಜೆಗುರುತು. ಇದು ಬಹು-ವಸ್ತುವಿನ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಯಾಗಿದ್ದು ಅದು ನೈಜ ಸಮಯದಲ್ಲಿ ಮಾನವ ಲೆಕ್ಕಾಚಾರವನ್ನು ಮೀರಿದೆ.

ನಾವು ಗ್ರಾಹಕರ ಆದೇಶವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮತ್ತು ಹೆಚ್ಚು ಸಮರ್ಥನೀಯ ಉತ್ಪಾದನಾ ಮಾರ್ಗವನ್ನು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ನಿರ್ಧರಿಸುವ ಪೈಲಟಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳು. ಈ ಬ್ಯಾಚ್ ಫಾಸ್ಟೆನರ್‌ಗಳನ್ನು ಈಗ ಕಾರ್ಖಾನೆಯ ಹೊಸ ಸೌರ ಅರೇಯಿಂದ ಚಾಲಿತವಾಗಿರುವ ಹಳೆಯ, ನಿಧಾನಗತಿಯ ಲೈನ್‌ನಲ್ಲಿ ಮಾಡಬೇಕೇ ಅಥವಾ ಗ್ರಿಡ್-ಚಾಲಿತ ಆದರೆ ಕಡಿಮೆ ಸ್ಕ್ರ್ಯಾಪ್ ದರವನ್ನು ಹೊಂದಿರುವ ಹೊಸ ವೇಗದ ಸಾಲಿನಲ್ಲಿ ಮಾಡಬೇಕೇ? ಯಾವುದೇ ಸಂಭಾವ್ಯ ಸ್ಕ್ರ್ಯಾಪ್‌ನಲ್ಲಿ ಸಾಕಾರಗೊಂಡ ಕಾರ್ಬನ್ ಸೇರಿದಂತೆ ನಿವ್ವಳ ಇಂಗಾಲದ ಪ್ರಭಾವವನ್ನು AI ಲೆಕ್ಕಹಾಕಬಹುದು ಮತ್ತು ನಿಜವಾದ ಅತ್ಯುತ್ತಮ ಮಾರ್ಗವನ್ನು ಶಿಫಾರಸು ಮಾಡಬಹುದು. ಇದು ಮುಂದಿನ ಹಂತದ ಚಿಂತನೆ.

ಅಂತಿಮ ಅಡಚಣೆಯು ಜೀವನಚಕ್ರ ಮೌಲ್ಯಮಾಪನ ಏಕೀಕರಣವಾಗಿದೆ. ನಿಜವಾದ ವರ್ಧಕ ಉತ್ಪಾದನೆಯಲ್ಲಿನ AI ವಸ್ತುಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳ ಸಂಪೂರ್ಣ ಜೀವನಚಕ್ರದ ಪ್ರಭಾವದ ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸಿದಾಗ ಸಮರ್ಥನೀಯತೆಗೆ ಬರುತ್ತದೆ. ಸತು ಲೋಹ ಮತ್ತು ಹೊಸ ಪಾಲಿಮರ್ ಲೇಪನದ ನಡುವೆ ಆಯ್ಕೆ ಮಾಡುವುದು ಕೇವಲ ವೆಚ್ಚದ ನಿರ್ಧಾರವಲ್ಲ; ಇದು ರಾಸಾಯನಿಕ ಬಳಕೆ, ಬಾಳಿಕೆ ಮತ್ತು ಜೀವನದ ಅಂತ್ಯದ ಮರುಬಳಕೆಯ ಬಗ್ಗೆ ನಿರ್ಧಾರವಾಗಿದೆ. ನಾವು ಇನ್ನೂ ಇಲ್ಲ, ಆದರೆ ಅಡಿಪಾಯದ ಕೆಲಸ-ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಡಿಜಿಟಲೀಕರಣಗೊಳಿಸುವುದು, ಸಾಧನ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ನಿಯಂತ್ರಣದಲ್ಲಿ ಪಡೆಯುವುದು-ಇದು ಭವಿಷ್ಯವನ್ನು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. ಇದು ಒಂದು ಸಮಯದಲ್ಲಿ ಒಂದು ಸಣ್ಣ, ವ್ಯರ್ಥ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವ ದೀರ್ಘ, ಅಸ್ಪಷ್ಟ ರಸ್ತೆಯಾಗಿದೆ.