Kai žmonės klausia, kaip dirbtinis intelektas skatina tvarumą, iš karto kyla mintis apie dideles vizijas: per naktį optimizuoti pasaulines tiekimo grandines arba stebuklingai išspręsti klimato modeliavimą. Dirbdamas vietoje su gamybos ir logistikos komandomis pamačiau, kad tikrasis poveikis yra smulkesnis, dažnai netvarkingas ir toli gražu ne sidabrinis. Klaidinga nuomonė, kad AI veikia vakuume – taip nėra. Jo vertė atrakinama tik tada, kai ji yra giliai įtraukta į esamus, dažnai neefektyvius procesus. Tai mažiau apie išmaniuosius algoritmus ir daugiau apie praktinius medžiagų srautų, energijos suvartojimo ir atliekų modelių koregavimus. Leiskite man pereiti per kelias sritis, kuriose tai iš tikrųjų veikia ir kur kartais suklumpa.

Betonas: energijos ir išteklių optimizavimas

Paimkite tipišką pramoninę aplinką, pavyzdžiui, tvirtinimo detalių gamybos įmonę. Energijos apkrova nėra pastovi; kalimo ar terminio apdorojimo metu jis dygsta. Dirbome su komanda Hebei objekte – pagalvokite apie pramonės klasterį Yongnian rajone – siekdami diegti palyginti paprastus mašininio mokymosi modelius pagal istorinius energijos suvartojimo duomenis. Tikslas buvo ne iš naujo išrasti procesą, o numatyti paklausos šuolius ir sustabdyti nekritines operacijas. Dėl to 7–8 % sumažėjo mokesčiai už didžiausią apkrovą, o tai tiesiogiai sumažina anglies pėdsaką ir sąnaudas. Tai skamba kukliai, bet mastu, šimtuose krosnių ir presų, bendras poveikis yra didelis. AI čia nemąsto; tai modelio atpažinimas, taikomas labai triukšmingam realaus pasaulio duomenų rinkiniui.

Sudėtinga yra duomenų infrastruktūra. Daugelis augalų, net ir dideli, patinka „Handan Zitai“ tvirtinimo elementų gamybos Co., Ltd., turi senas SCADA sistemas ir rankinius žurnalus. Pirmoji kliūtis yra gauti švarius, laiko žymomis pažymėtus duomenis iš parduotuvės grindų. Mes praleidome kelias savaites tiesiog nustatydami pagrindinius daiktų interneto jutiklius, kad padėtų modeliams – šis žingsnis dažnai buvo nutylimas blizgiuose atvejų tyrimuose. Be to, bet koks AI modelis yra tik teorinis pratimas. Svetainė https://www.zitaifasteners.com gali pademonstruoti savo produktus, tačiau tvarumo nauda pasiekiama užkulisiuose, nesunkiai integruojant duomenų srautus iš mašinų, kurios niekada nebuvo skirtos kalbėtis tarpusavyje.

Kitas kampas yra medžiagos išeiga. Tvirtinimo detalių gamyboje ritinių plienas yra perforuojamas ir formuojamas. Laužas yra neišvengiamas, tačiau dirbtinio intelekto valdomos kompiuterinės regos sistemos dabar gali patikrinti, ar žaliavoje nėra defektų prieš štampavimą, ir netgi dinamiškai koreguoti pjovimo modelius, kad sumažintų atliekų kiekį. Bandėme tai su partneriu ir, nors algoritmas veikė, dėl sąrankos sudėtingumo mažesnių partijų IG buvo neigiama. Tai labai svarbus niuansas: DI tvarumui užtikrinti nėra taikomas visuotinai; tam, kad atsipirktų, reikia tam tikro masto ir veiklos brandos.

Logistika ir paslėptas tinklas

Transportas yra didžiulis anglies dvideginio išmetimas. Čia AI vaidmuo optimizuojant maršrutą yra gerai žinomas, tačiau dėl realaus pasaulio apribojimų jis įdomus. Gamintojui, įsikūrusiam netoli Pekino-Guangdžou geležinkelio ir Nacionalinio greitkelio 107, pavyzdžiui, Zitai, klausimas yra ne tik trumpiausio kelio paieška. Tai susiję su dalinių apkrovų konsolidavimu, uosto vėlavimų numatymu ir netgi realiuoju laiku eismo ir oro duomenų įtraukimu, siekiant sumažinti sunkvežimių prastovos laiką. Įdiegėme sistemą, kuri tai padarė, o degalų taupymas vidutiniškai siekė apie 12%. Tačiau sistemos rekomendacijas kartais atmesdavo dispečeriai, kurie pasitikėjo savo patirtimi naudojant algoritmą – tai klasikinis žmogaus ir AI bendradarbiavimo iššūkis.

Be maršrutų, yra atsargų optimizavimas. Perteklinių atsargų laikymas atima kapitalą ir erdvę ir dažnai sukelia atliekų (ypač padengtų arba apdorotų tvirtinimo detalių, kurių galiojimo laikas yra problemų). Nuspėjami modeliai, naudojantys pardavimo duomenis, sezonines tendencijas ir net platesnius ekonominius rodiklius, gali sumažinti atsargų lygį. Prisimenu vieną projektą, kai sumažinome saugos atsargas 15 proc., nepadidindami atsargų išpirkimo rizikos. Tačiau modelis įspūdingai žlugo, kai staigus regioninės politikos pokytis sutrikdė tiekimo grandines – jis nebuvo apmokytas apie tokius juodosios gulbės įvykius. Tai pabrėžia, kad dirbtinio intelekto modeliai yra tokie pat geri, kaip ir istoriniai duomenys, kuriuos jie matė; jie kovoja su naujais sisteminiais sukrėtimais.

Išplėstinė tiekimo grandinė yra ta vieta, kur ji plečiasi. AI gali padėti sukurti žiedinės ekonomikos kilpas. Pavyzdžiui, analizuojant produkto gyvavimo ciklo duomenis, galima numatyti, kada gali būti galima pakartotinai naudoti arba perdirbti tvirtinimo detalių partiją iš uždaryto saulės energijos ūkio, taip sumažinant pirminės medžiagos poreikį. Tai dar tik gimsta, tačiau ES bandomųjų projektų metu tai tiriama. Tai perkelia tvarumą nuo paprasto efektyvumo prie sisteminio išteklių naudojimo.

Stebėjimas, ataskaitų teikimas ir skaidrumo skatinimas

Tvarumas šiandien reikalauja griežto matavimo. AI drastiškai pagreitina aplinkos stebėjimą. Vietoj kas mėnesį atliekamų neautomatinių išmetamųjų teršalų ar nuotekų auditų, jutiklių tinklai su AI analize gali pateikti nuolatinius, detalius duomenis. Dengimo ceche padėjome sukurti lakiųjų organinių junginių (LOJ) emisijos stebėjimo sistemą. AI ne tik matavo; jame buvo nustatyta koreliacija tarp konkrečių gamybos partijų ir išmetamųjų teršalų šuolio, todėl buvo galima koreguoti procesą. Tai paverčia atitiktį iš išlaidų centro veiklos įžvalgos šaltiniu.

Tačiau duomenų generavimas yra vienas dalykas; pasitikėti juo yra kas kita. Tebevyksta įtampa tarp dirbtinio intelekto sukurtų tvarumo metrikų ir poreikio audituotiems, patikrinamiems sistemoms, pvz., ESG ataskaitoms, skirtų įrašų. Ar reguliavimo institucijos ir investuotojai gali pasitikėti AI anglies dioksido apskaitos santrauka? Esame tokioje fazėje, kai dirbtinis intelektas susidoroja su dideliu duomenų gniuždymo uždaviniu, tačiau vis dar reikia žmonių ekspertų, kurie patvirtintų ir interpretuotų. Priemonė yra galinga, tačiau ji nepakeitė profesionalaus sprendimo poreikio.

Makro mastu AI leidžia tiksliau sekti anglies pėdsaką sudėtingose tiekimo grandinėse. Griebdamas ir analizuodamas duomenis iš tiekėjų portalų, siuntimo aprašų ir sąskaitų už energiją, jis gali sukurti beveik realiojo laiko pėdsakų žemėlapį. Tokiai įmonei kaip „Zitai“, kuri yra didžiulės gamybos bazės dalis, šis matomumas yra labai svarbus tolesniems klientams Europoje arba Šiaurės Amerikoje, kurie patiria spaudimą pranešti apie 3 taikymo srities išmetamų teršalų kiekį. Tai paverčia tvarumą iš neaiškaus įsipareigojimo kiekybiškai įvertinamu, valdomu verslo komponentu.

Spąstai ir nepastebėtos išlaidos

Tai ne viskas teigiama. Mokymo ir didelių dirbtinio intelekto modelių eksploatavimo skaičiavimo sąnaudos yra našta aplinkai. Projektas, orientuotas į energijos taupymą gamykloje, turi palyginti su energija, kurią naudoja debesies serveriai, mokantys modelius. Savo darbe dėl šios priežasties pradėjome naudoti veiksmingesnius, specializuotus modelius, o ne brutalią jėgą giliai mokytis. Kartais paprastesnis statistinis modelis suteikia 80 % naudos ir 1 % skaičiavimo išlaidų. Tvarumas per AI turi atsižvelgti į savo pėdsaką.

Taip pat yra rizika optimizuoti vieną sistemos dalį kitos sąskaita. Kadaise optimizavome gamybos grafiką energijos vartojimo efektyvumui užtikrinti, tačiau pastebėjome, kad tai padidino tam tikrų įrankių susidėvėjimą, todėl dažniau keičiami ir su tuo susiję medžiagų švaistymai. Svarbus holistinis požiūris. Tikrasis tvarumas yra ne vietinis maksimalus, o visos sistemos atsparumas ir minimalus bendras poveikis. AI sistemos turi būti sukurtos atsižvelgiant į kelių tikslų optimizavimą, o tai yra daug sunkesnė problema.

Galiausiai, žmogiškasis elementas. Dirbtinio intelekto pagrįstiems pokyčiams įgyvendinti reikia kvalifikuoto personalo, pokyčių valdymo ir dažnai išankstinio kapitalo. Daugeliui mažų ir vidutinių įmonių gamybos juostoje prioritetas yra išlikimas ir užsakymų įvykdymas. Tvarumo argumentas turi būti siejamas su aiškia trumpalaike ir vidutinės trukmės ekonomine nauda. Štai kodėl sėkmingiausi pilotai, kuriuos mačiau, pradeda nuo žemai kabančių vaisių: numatomos priežiūros, kad būtų išvengta brangių prastovų ir medžiagų švaistymo, arba išmanūs apšvietimo / šildymo valdikliai, kurie atsiperka per mažiau nei dvejus metus.

Žvilgsnis į priekį: integracija, o ne izoliacija

Taigi, kaip AI iš tikrųjų padidina tvarumą? Tai ne per prašmatnus, atskiras AI geriems projektams. Tai vyksta laipsniškai, dažnai neseksualiai, integruojant į tokių pramonės šakų, kaip gamyba, logistika ir energetika, operacinių technologijų pluoštą. Tai padidina tvarumą gamindama išteklių efektyvumo išmatuojamas ir įgyvendinamas, atskleidžiant atliekų srautus, kurie anksčiau buvo nematomi, ir įgalinant labiau prisitaikančias, reaguojančias sistemas.

Mano nuomone, ateitis slypi įterptajame AI. Pagalvokite apie pramoninę mašiną, kuri savarankiškai sureguliuoja savo parametrus, kad sunaudotų mažiausią energijos kiekį, išlaikant kokybę, arba logistikos platformą, kuri automatiškai parenka mažiausiai anglies dioksido į aplinką išskiriantį siuntimo variantą, atitinkantį sąnaudų ir laiko apribojimus. Tai tampa standartine funkcija, o ne atskira iniciatyva. Darbas tokiose vietose kaip Yongnian gamybos bazė su tankiu gamintojų tinklu yra puikus šių integruotų metodų išbandymo poligonas.

Galų gale, AI yra galingas įrankis, bet jis tik toks – įrankis. Jos indėlį į tvarumą lemia rankos, kurios jį valdo, ir problemos, kurias jos pasirenka spręsti. Paskatinimas atsiranda dėl nenumaldomo dėmesio konkrečiam, laipsniškam medžiagų ir energijos srautų padidėjimui, paremtam duomenimis, kuriuos dabar pagaliau galime užfiksuoti ir suprasti. Tai praktiška kelionė, kupina bandymų ir klaidų, nutolusi nuo ažiotažo ciklo, ir būtent čia kuriama tikroji jos vertė tvariai ateičiai.