AI ສົ່ງເສີມຄວາມຍືນຍົງໃນການຜະລິດແນວໃດ? 

ໃນເວລາທີ່ປະຊາຊົນໄດ້ຍິນ AI ໃນການຜະລິດ, ພວກເຂົາເຈົ້າມັກຈະເຕັ້ນໄປຫາວິໄສທັດຂອງໂຮງງານຜະລິດເປັນເອກະລາດຢ່າງເຕັມສ່ວນ, ແສງສະຫວ່າງອອກ. ນັ້ນເປັນເປົ້າໝາຍທີ່ເຫຼື້ອມໃສ, ແຕ່ມັນບໍ່ແມ່ນບ່ອນທີ່ວຽກງານອັນຈິງຈັງຂອງການຊຸກຍູ້ຄວາມຍືນຍົງໄດ້ເກີດຂຶ້ນໃນມື້ນີ້. ຜົນກະທົບທີ່ແທ້ຈິງແມ່ນ nuanced ຫຼາຍ, ມັກຈະເຊື່ອງໄວ້ໃນ grind ປະຈໍາວັນຂອງການເພີ່ມປະສິດທິພາບການບໍລິໂພກພະລັງງານ, slashing ສິ່ງເສດເຫຼືອ, ແລະເຮັດໃຫ້ຕ່ອງໂສ້ການສະຫນອງ chaotic ຫນ້ອຍ. ມັນໜ້ອຍກວ່າກ່ຽວກັບຫຸ່ນຍົນທີ່ເຂົ້າມາຄອບຄອງ ແລະເພີ່ມເຕີມກ່ຽວກັບລະບົບອັດສະລິຍະທີ່ສະໜອງການເບິ່ງເຫັນອັນລະອຽດທີ່ພວກເຮົາຍັງຂາດຢູ່ສະເໝີເພື່ອຕັດສິນໃຈທັງທາງດ້ານເສດຖະກິດ ແລະສິ່ງແວດລ້ອມ. ການເຊື່ອມໂຍງລະຫວ່າງ AI ແລະຄວາມຍືນຍົງບໍ່ແມ່ນອັດຕະໂນມັດ; ມັນຮຽກຮ້ອງໃຫ້ມີການປ່ຽນແປງໂດຍເຈດຕະນາໃນສິ່ງທີ່ພວກເຮົາເລືອກທີ່ຈະວັດແທກແລະຄວບຄຸມ.

Beyond the Hype: ພະລັງງານເປັນຊາຍແດນທໍາອິດ

ໃຫ້ເລີ່ມຕົ້ນດ້ວຍພະລັງງານ, ຄ່າໃຊ້ຈ່າຍໂດຍກົງທີ່ສຸດແລະລາຍການ footprint ກາກບອນ. ເປັນເວລາຫຼາຍປີ, ພວກເຮົາອາໄສການບຳລຸງຮັກສາທີ່ກຳນົດໄວ້ ແລະໃຫ້ຄະແນນປະສິດທິພາບໃນວົງກວ້າງ. ຕົວປ່ຽນເກມກຳລັງຝັງເຊັນເຊີ ແລະໃຊ້ AI ສຳລັບການປັບແຕ່ງພະລັງງານທີ່ຄາດເດົາໄດ້. ຂ້ອຍບໍ່ໄດ້ເວົ້າກ່ຽວກັບພຽງແຕ່ປິດເຄື່ອງ. ມັນແມ່ນກ່ຽວກັບການເຂົ້າໃຈການໂຫຼດແບບເຄື່ອນໄຫວຂອງສາຍການຜະລິດທັງຫມົດ. ຍົກຕົວຢ່າງ, ຮູບແບບ AI ສາມາດຮຽນຮູ້ວ່າເຄື່ອງພິມສະແຕມສະເພາະດຶງພະລັງງານບໍ່ພຽງແຕ່ໃນລະຫວ່າງການປະຕິບັດງານ, ແຕ່ສໍາລັບ 15 ນາທີຫຼັງຈາກນັ້ນ, ຍ້ອນວ່າລະບົບເຮັດຄວາມເຢັນເຮັດວຽກ. ໂດຍການວິເຄາະຕາຕະລາງການຜະລິດ, ມັນສາມາດແນະນໍາການຊັກຊ້າຂອງຈຸນລະພາກລະຫວ່າງ batches ເພື່ອຫຼີກເວັ້ນການຈຸດສູງສຸດພ້ອມໆກັນຈາກການກົດຫຼາຍ, ເຮັດໃຫ້ເສັ້ນໂຄ້ງພະລັງງານຫຼຸດລົງໂດຍບໍ່ມີການສົ່ງຜົນກະທົບ. ນີ້ບໍ່ແມ່ນທິດສະດີ; ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ເຫັນ​ມັນ​ໂກນ​ຫນວດ 8-12% ຈາກ​ບັນ​ຊີ​ລາຍ​ການ​ພະ​ລັງ​ງານ​ໃນ​ສະ​ຖານ​ທີ່ forging, ເຊິ່ງ​ແມ່ນ​ຂະ​ຫນາດ​ໃຫຍ່.

ພາກສ່ວນທີ່ຫຍຸ້ງຍາກແມ່ນຄຸນນະພາບຂໍ້ມູນ. ທ່ານຕ້ອງການຂໍ້ມູນແບບເມັດ, ໄລຍະເວລາຈາກເຄື່ອງ, ສະຖານີຍ່ອຍ, ແລະແມ້ກະທັ້ງຕາຂ່າຍໄຟຟ້າຖ້າເປັນໄປໄດ້. ໂຄງການຫນຶ່ງທີ່ລົ້ມເຫລວໃນຕອນຕົ້ນແມ່ນຄວາມພະຍາຍາມເພື່ອເພີ່ມປະສິດທິພາບເຕົາອົບການປິ່ນປົວຄວາມຮ້ອນໂດຍບໍ່ມີເຄື່ອງວັດແທກການໄຫຼຂອງອາຍແກັສທີ່ຖືກຕ້ອງ. ຮູບແບບ AI ແມ່ນການຄາດເດົາທີ່ສໍາຄັນ, ແລະການເພີ່ມປະສິດທິພາບມີຄວາມສ່ຽງຕໍ່ການທໍາລາຍຄຸນສົມບັດໂລຫະຂອງຊິ້ນສ່ວນຕ່າງໆ. ພວກເຮົາໄດ້ຮຽນຮູ້ວິທີທີ່ຍາກ: ທ່ານບໍ່ສາມາດຈັດການສິ່ງທີ່ທ່ານບໍ່ສາມາດວັດແທກໄດ້ຢ່າງຖືກຕ້ອງ. AI ແມ່ນດີເທົ່າທີ່ sensory inputs ມັນໄດ້ຮັບ.

ນີ້ນໍາໄປສູ່ຈຸດທີ່ລະອຽດອ່ອນ: AI ມັກຈະຊີ້ໃຫ້ເຫັນເຖິງເຄື່ອງມືທີ່ເລິກເຊິ່ງກວ່າ. ເພື່ອເຮັດໃຫ້ກໍລະນີຄວາມຍືນຍົງສໍາລັບ AI, ທໍາອິດທ່ານລົງທຶນໃນການວັດແທກທີ່ດີກວ່າ. ມັນ​ເປັນ​ວົງ​ຈອນ​ທີ່​ມີ​ຄຸນ​ນະ​ທໍາ​. ເມື່ອທ່ານມີການຖ່າຍທອດຂໍ້ມູນນັ້ນ, ທ່ານສາມາດຍ້າຍຈາກການຄາດຄະເນໄປສູ່ການດໍາເນີນການຕາມໃບສັ່ງແພດ - ເຊັ່ນ: ການປັບຕົວກໍານົດຄວາມກົດດັນຂອງເຄື່ອງອັດອັດໂນມັດໂດຍອີງໃສ່ຄວາມຕ້ອງການໃນເວລາທີ່ແທ້ຈິງໃນເຄືອຂ່າຍ pneumatic, ບາງສິ່ງບາງຢ່າງທີ່ຖືກກໍານົດສະເຫມີສໍາລັບສະຖານະການທີ່ຮ້າຍແຮງທີ່ສຸດ, ສູນເສຍພະລັງງານຈໍານວນຫຼວງຫຼາຍ.

ສົງຄາມຂອງສິ່ງເສດເຫຼືອ: ຈາກ Scrap Heaps ກັບ Digital Twins

ສິ່ງເສດເຫຼືອຂອງວັດສະດຸແມ່ນການສູນເສຍທາງດ້ານການເງິນແລະສິ່ງແວດລ້ອມທີ່ບໍລິສຸດ. ໃນການຜະລິດ fastener, ຄືກັບບໍລິສັດເຊັ່ນ: ບໍລິສັດບໍລິສັດຜະລິດ Fasten Fastener Handan. ຕັ້ງຢູ່ໃນພື້ນຖານການຜະລິດມາດຕະຖານທີ່ສໍາຄັນຂອງຈີນ, ວິທີການແບບດັ້ງເດີມກ່ຽວຂ້ອງກັບການກວດກາຫລັງການຜະລິດ: batch ແມ່ນເຮັດ, ບາງຕົວຢ່າງ, ແລະຖ້າພົບຂໍ້ບົກພ່ອງ, ຈໍານວນທັງຫມົດອາດຈະຖືກຂູດຫຼືເຮັດໃຫມ່. ນັ້ນແມ່ນສິ່ງເສດເຫຼືອຢ່າງບໍ່ໜ້າເຊື່ອ.

ວິໄສທັດຄອມພິວເຕີສໍາລັບການກວດພົບຂໍ້ບົກພ່ອງໃນເວລາທີ່ແທ້ຈິງໃນປັດຈຸບັນແມ່ນເປັນຕາຕະລາງ. ແຕ່ການນໍາໃຊ້ AI ທີ່ເລິກເຊິ່ງກວ່າແມ່ນຢູ່ໃນການເພີ່ມປະສິດທິພາບພາລາມິເຕີຂອງຂະບວນການເພື່ອປ້ອງກັນສິ່ງເສດເຫຼືອຈາກການຖືກສ້າງຂື້ນໃນຄັ້ງທໍາອິດ. ໂດຍການປ້ອນຂໍ້ມູນຈາກຂະບວນການຫົວເຢັນ—ເສັ້ນຜ່າສູນກາງຂອງສາຍ, ອຸນຫະພູມ, ຄວາມໄວຂອງເຄື່ອງຈັກ, ການສວມໃສ່ຕາຍ—ເປັນແບບຈໍາລອງ, ພວກເຮົາສາມາດຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງຮອຍແຕກຂອງຫົວ ຫຼື ຄວາມບໍ່ຖືກຕ້ອງຂອງມິຕິລະດັບກ່ອນທີ່ສິ້ນດຽວຈະຖືກສ້າງຂຶ້ນ. ຫຼັງຈາກນັ້ນ, ລະບົບສາມາດແນະນໍາການປັບ, ເວົ້າວ່າ, ການເພີ່ມຂຶ້ນຂອງອຸນຫະພູມ annealing ເລັກນ້ອຍຫຼືການຫຼຸດຜ່ອນອັດຕາການອາຫານ.

ຂ້າພະເຈົ້າຈື່ໂຄງການທີ່ພວກເຮົາສ້າງເງົາດິຈິຕອນ (ສະບັບທີ່ງ່າຍດາຍຂອງຄູ່ແຝດດິຈິຕອນເຕັມ) ສໍາລັບສາຍການຜະລິດ bolt. ເປົ້າໝາຍແມ່ນເພື່ອຫຼຸດຜ່ອນການສູນເສຍການຕັດ - ສາຍໄຟທີ່ເຫຼືອຫຼັງຈາກຖືກຕັດສາຍປະຕູ. ໂດຍການວິເຄາະຫຼັກຊັບຄໍາສັ່ງແລະຂໍ້ຈໍາກັດຂອງເຄື່ອງຈັກ, ລະບົບການກໍານົດເວລາຂອງ AI ສາມາດຈັດລໍາດັບຄໍາສັ່ງໃຫ້ໃຊ້ສາຍລວດໄດ້ຢ່າງສົມບູນ, ຫຼຸດຜ່ອນສິ່ງເສດເຫຼືອຈາກການຕັດຈາກສະເລ່ຍ 3.2% ລົງຕໍ່າກວ່າ 1.7%. ມັນມີສຽງໜ້ອຍ, ແຕ່ໃນແຕ່ລະປີມີເຫຼັກກ້າຫຼາຍພັນໂຕນ, ການປະຢັດວັດຖຸດິບ ແລະ ການປ່ອຍອາຍຄາບອນທີ່ກ່ຽວຂ້ອງຈາກການຜະລິດເຫຼັກແມ່ນມີຫຼາຍ. ເຈົ້າສາມາດເຫັນໄດ້ວ່າບໍລິສັດຢູ່ໃນສູນກາງເຊັ່ນເມືອງ Yongnian, ດ້ວຍປະລິມານຜົນຜະລິດທີ່ສູງຂອງພວກເຂົາ, ຢືນຢູ່ທີ່ຈະໄດ້ຮັບຢ່າງໃຫຍ່ຫຼວງຈາກການເພີ່ມປະສິດທິພາບ granular ດັ່ງກ່າວ.

ຄວາມຢືດຢຸ່ນຂອງລະບົບຕ່ອງໂສ້ການສະໜອງ ແລະ ຮອຍຕີນກາບອນ

ນີ້ແມ່ນບ່ອນທີ່ມັນສັບສົນ. ລະບົບຕ່ອງໂສ້ການສະຫນອງທີ່ຍືນຍົງບໍ່ພຽງແຕ່ກ່ຽວກັບການເລືອກຜູ້ສະຫນອງສີຂຽວເທົ່ານັ້ນ; ມັນແມ່ນກ່ຽວກັບປະສິດທິພາບແລະຄວາມຢືດຢຸ່ນເພື່ອຫຼີກເວັ້ນການສຸກເສີນ, ການຂົນສົ່ງທາງອາກາດທີ່ມີຄາບອນ. ການຄາດຄະເນຄວາມຕ້ອງການທີ່ຂັບເຄື່ອນໂດຍ AI, ເມື່ອມັນເຮັດວຽກ, ເຮັດໃຫ້ການຜະລິດຫຼຸດລົງ, ຫຼຸດຜ່ອນຄວາມຕ້ອງການສໍາລັບການເຮັດວຽກລ່ວງເວລາ (ເຊິ່ງມັກຈະຫມາຍຄວາມວ່າປະສິດທິພາບຫນ້ອຍ, ແລ່ນຫຼາຍ) ແລະການສັ່ງ panic.

ພວກເຮົາປະສົມປະສານການວິເຄາະຄວາມສ່ຽງລະບົບຕ່ອງໂສ້ການສະຫນອງຫຼາຍຊັ້ນກັບການເພີ່ມປະສິດທິພາບດ້ານການຂົນສົ່ງສໍາລັບລູກຄ້າ. ລະບົບໄດ້ຕິດຕາມສະພາບອາກາດ, ຄວາມແອອັດຂອງທ່າເຮືອ, ແລະແມ້ກະທັ້ງການຜະສົມພະລັງງານໃນພາກພື້ນຂອງຜູ້ຜະລິດ (ເຊັ່ນ: ຕາຂ່າຍໄຟຟ້າຂອງພວກເຂົາແລ່ນຢູ່ໃນຖ່ານຫີນຫຼືສາມາດທົດແທນໄດ້ໃນມື້ນີ້ບໍ?). ມັນແນະນໍາການປ່ຽນເສັ້ນທາງການຂົນສົ່ງໄປສູ່ການຂົນສົ່ງທາງທະເລທີ່ຊ້າກວ່າແຕ່ການປ່ອຍອາຍພິດຕ່ໍາໃນເວລາທີ່ກໍານົດເວລາອະນຸຍາດໃຫ້, ຫຼືການລວມເອົາການໂຫຼດເພື່ອບັນຈຸພາຊະນະບັນຈຸເຖິງຄວາມອາດສາມາດ 98% ແທນທີ່ຈະເປັນ 85%. ໄດ້ ຄວາມຍືນຍົງ ການໄດ້ຮັບຢູ່ທີ່ນີ້ແມ່ນທາງອ້ອມແຕ່ມີອໍານາດ: ມັນຝັງປະສິດທິພາບຂອງຄາບອນເຂົ້າໃນການຕັດສິນໃຈການຂົນສົ່ງປະຈໍາວັນ.

ຮູບແບບຄວາມລົ້ມເຫຼວຢູ່ທີ່ນີ້ແມ່ນການເພີ່ມປະສິດທິພາບເກີນ. ຮູບແບບໜຶ່ງແນະນຳໃຫ້ໃຊ້ຜູ້ສະໜອງອັນດຽວ, ສີຂຽວຫຼາຍ ແຕ່ມີຂໍ້ຈຳກັດດ້ານຄວາມສາມາດເພື່ອຫຼຸດຜ່ອນການປ່ອຍອາຍພິດໃນການຂົນສົ່ງ. ມັນລົ້ມເຫລວໃນການຄິດໄລ່ຄວາມສ່ຽງຂອງການປິດ, ເຊິ່ງໃນທີ່ສຸດກໍ່ເກີດຂຶ້ນ, ບັງຄັບໃຫ້ມີການຂັດຂືນກັບຜູ້ສະຫນອງຫຼາຍ, ຫນ້ອຍທີ່ດີທີ່ສຸດ. ບົດຮຽນແມ່ນວ່າຈຸດປະສົງຄວາມຍືນຍົງຕ້ອງມີຄວາມສົມດູນກັບຂໍ້ຈໍາກັດທີ່ເຂັ້ມແຂງໃນຫນ້າທີ່ຈຸດປະສົງຂອງ AI. ທ່ານບໍ່ສາມາດພຽງແຕ່ຫຼຸດຜ່ອນຄາບອນ; ທ່ານມີການຄຸ້ມຄອງຄວາມສ່ຽງ.

ອົງປະກອບຂອງມະນຸດ: ເພີ່ມການຕັດສິນໃຈ

ນີ້ແມ່ນສໍາຄັນ. AI ບໍ່ໄດ້ດໍາເນີນການໂຮງງານ; ຄົນເຮັດ. ການປະຕິບັດທີ່ມີປະສິດທິພາບທີ່ສຸດທີ່ຂ້ອຍໄດ້ເຫັນແມ່ນບ່ອນທີ່ AI ເຮັດຫນ້າທີ່ເປັນທີ່ປຶກສາ. ມັນຊີ້ໃຫ້ເຫັນເຖິງຄວາມຜິດປົກກະຕິ: ການບໍລິໂພກພະລັງງານຕໍ່ຫນ່ວຍຢູ່ໃນເສັ້ນ 3 ແມ່ນ 18% ຂ້າງເທິງມາດຕະຖານສໍາລັບການປະສົມຜະລິດຕະພັນໃນປະຈຸບັນ. ສາເຫດທີ່ອາດຈະເປັນໄປໄດ້: ການສວມໃສ່ຂອງລູກປືນໃນ Conveyor Motor B-12, ຄາດຄະເນການສູນເສຍປະສິດທິພາບ 22%. ມັນເຮັດໃຫ້ທີມງານບໍາລຸງຮັກສາເປັນວຽກງານເປົ້າຫມາຍ, ບູລິມະສິດທີ່ມີຄວາມຍືນຍົງທີ່ຊັດເຈນແລະຜົນກະທົບຕໍ່ຄ່າໃຊ້ຈ່າຍ.

ນີ້​ປ່ຽນ​ແປງ​ວັດ​ທະ​ນະ​ທໍາ​. ຄວາມຍືນຍົງຢຸດເຊົາເປັນ KPI ແຍກຕ່າງຫາກຈາກປະສິດທິພາບການຜະລິດ. ເມື່ອຜູ້ຈັດການຊັ້ນເຫັນວ່າການເພີ່ມປະສິດທິພາບສໍາລັບອັດຕາການຂູດຂີ້ເຫຍື້ອຕ່ໍາຍັງຫຼຸດຜ່ອນການໃຊ້ພະລັງງານແລະວັດຖຸດິບຕໍ່ສ່ວນທີ່ດີ, ເປົ້າຫມາຍແມ່ນສອດຄ່ອງ. ການຝຶກອົບຮົມ AI ຍັງຝຶກອົບຮົມປະຊາຊົນ. ເພື່ອຕິດປ້າຍກຳກັບຂໍ້ມູນສຳລັບຮູບແບບການກວດຫາຂໍ້ບົກພ່ອງ, ວິສະວະກອນທີ່ມີຄຸນນະພາບຕ້ອງໄດ້ວິເຄາະຢ່າງເລິກເຊິ່ງກ່ຽວກັບຮູບແບບຄວາມລົ້ມເຫຼວ. ຂະບວນການນີ້ຕົວມັນເອງມັກຈະນໍາໄປສູ່ການປັບປຸງຂະບວນການກ່ອນທີ່ຮູບແບບຈະຖືກນໍາໄປໃຊ້.

ການຕໍ່ຕ້ານແມ່ນທໍາມະຊາດ. ມີຄວາມຢ້ານກົວທີ່ຖືກຕ້ອງຂອງຄໍາແນະນໍາກ່ອງດໍາ. ນັ້ນແມ່ນເຫດຜົນທີ່ການອະທິບາຍແມ່ນສໍາຄັນ. ຖ້າລະບົບກ່າວວ່າການຫຼຸດຜ່ອນອຸນຫະພູມ furnace 15 ° C, ມັນຍັງຕ້ອງໃຫ້ເຫດຜົນ: ຂໍ້ມູນປະຫວັດສາດສະແດງໃຫ້ເຫັນການແລ່ນດ້ວຍພາລາມິເຕີ X ແລະ Y ໃນອຸນຫະພູມຕ່ໍານີ້ເຮັດໃຫ້ຄວາມແຂງທີ່ຄືກັນດ້ວຍການບໍລິໂພກອາຍແກັສທໍາມະຊາດຫນ້ອຍລົງ 8%. ນີ້ສ້າງຄວາມໄວ້ວາງໃຈແລະປ່ຽນ AI ໃຫ້ເປັນເຄື່ອງມືຮ່ວມມືເພື່ອຄວາມຍືນຍົງ ການຜະລິດ.

ຊອກຫາລ່ວງຫນ້າ: ສິ່ງທ້າທາຍການເຊື່ອມໂຍງ

ອະນາຄົດບໍ່ໄດ້ຢູ່ໃນແອັບພລິເຄຊັນ AI ແບບດ່ຽວສຳລັບພະລັງງານ ຫຼືຄຸນນະພາບ. ມັນຢູ່ໃນການເພີ່ມປະສິດທິພາບຂະບວນການປະສົມປະສານທີ່ສົມດູນຫຼາຍ, ບາງຄັ້ງການແຂ່ງຂັນ, ຈຸດປະສົງ: ຜົນຜະລິດ, ຜົນຜະລິດ, ການໃຊ້ພະລັງງານ, ການສວມໃສ່ຂອງເຄື່ອງມື, ແລະຮອຍຕີນຄາບອນ. ນີ້ແມ່ນບັນຫາການເພີ່ມປະສິດທິພາບຫຼາຍຈຸດປະສົງທີ່ເກີນກວ່າການຄິດໄລ່ຂອງມະນຸດໃນເວລາຈິງ.

ພວກເຮົາກຳລັງທົດລອງລະບົບທີ່ເຮັດຕາມຄຳສັ່ງຂອງລູກຄ້າ ແລະກຳນົດເສັ້ນທາງການຜະລິດແບບຍືນຍົງທີ່ສຸດ. ຄວນຊຸດຂອງ fasteners ນີ້ຖືກສ້າງຂື້ນໃນສາຍເກົ່າ, ຊ້າກວ່າທີ່ປະຈຸບັນຂັບເຄື່ອນໂດຍ array ແສງຕາເວັນໃຫມ່ຂອງໂຮງງານ, ຫຼືໃນສາຍໃຫມ່, ໄວກວ່າທີ່ເປັນຕາຂ່າຍໄຟຟ້າແຕ່ມີອັດຕາການຂູດຮີດຕ່ໍາກວ່າ? AI ສາມາດຄິດໄລ່ຜົນກະທົບຂອງຄາບອນສຸດທິ, ລວມທັງຄາບອນທີ່ຝັງຢູ່ໃນຂີ້ເຫຍື້ອທີ່ເປັນໄປໄດ້, ແລະແນະນໍາເສັ້ນທາງທີ່ດີທີ່ສຸດຢ່າງແທ້ຈິງ. ນີ້ແມ່ນແນວຄິດລະດັບຕໍ່ໄປ.

ອຸປະສັກສຸດທ້າຍແມ່ນການເຊື່ອມໂຍງການປະເມີນວົງຈອນຊີວິດ. ທີ່ແທ້ຈິງ ຊຸກຍູ້ ເພື່ອຄວາມຍືນຍົງຈະມາເມື່ອ AI ໃນການຜະລິດມີການເຂົ້າເຖິງຂໍ້ມູນກ່ຽວກັບຜົນກະທົບຂອງວົງຈອນຊີວິດອັນເຕັມທີ່ຂອງວັດສະດຸແລະຂະບວນການ. ການເລືອກລະຫວ່າງການເຄືອບສັງກະສີແລະການເຄືອບໂພລີເມີໃຫມ່ບໍ່ພຽງແຕ່ເປັນການຕັດສິນໃຈຄ່າໃຊ້ຈ່າຍ; ມັນ​ເປັນ​ການ​ຕັດ​ສິນ​ໃຈ​ກ່ຽວ​ກັບ​ການ​ນໍາ​ໃຊ້​ທາງ​ເຄ​ມີ​, ຄວາມ​ທົນ​ທານ​, ແລະ​ສິ້ນ​ສຸດ​ການ​ນໍາ​ໃຊ້​ຄືນ​ໃຫມ່​ຂອງ​ຊີ​ວິດ​. ພວກເຮົາຍັງບໍ່ມີ, ແຕ່ວຽກງານພື້ນຖານ - ຂະບວນການດິຈິຕອນ, ເຄື່ອງມື, ແລະພາຍໃຕ້ການຄວບຄຸມການປັບຕົວ - ແມ່ນສິ່ງທີ່ເຮັດໃຫ້ອະນາຄົດທີ່ເປັນໄປໄດ້. ມັນເປັນເສັ້ນທາງທີ່ຍາວໄກ, ຂີ້ຮ້າຍໃນການແກ້ໄຂບັນຫາເລັກນ້ອຍ, ໄຮ້ປະໂຫຍດໃນແຕ່ລະຄັ້ງ.