Kā AI veicina ilgtspējību? 

Kad cilvēki jautā, kā AI veicina ilgtspējību, tūlītēja doma bieži vien pāriet pie grandiozām vīzijām: globālo piegādes ķēžu optimizēšana vienas nakts laikā vai maģiski klimata modelēšanas risinājumi. Strādājot uz vietas ar ražošanas un loģistikas komandām, esmu redzējis, ka patiesā ietekme ir daudz graudaināka, bieži vien nekārtīga un tālu no sudraba lodes. Nepareizs uzskats ir tāds, ka mākslīgais intelekts darbojas vakuumā — tā nav. Tā vērtība tiek atklāta tikai tad, ja tā ir dziļi iestrādāta esošajos, bieži vien neefektīvos procesos. Tas ir mazāk par inteliģentiem algoritmiem un vairāk par praktiskiem pielāgojumiem materiālu plūsmām, enerģijas patēriņam un atkritumu modeļiem. Ļaujiet man iziet cauri dažām jomām, kurās tas patiešām notiek un kur tas dažreiz paklūst.

Betons: enerģijas un resursu optimizācija

Paņemiet tipisku rūpniecisku vidi, piemēram, stiprinājumu ražotni. Enerģijas slodze nav nemainīga; tas rodas kalšanas vai termiskās apstrādes laikā. Mēs sadarbojāmies ar komandu uzņēmumā Hebei — iedomājieties rūpniecisko kopu Yongnian apgabalā —, lai izvietotu salīdzinoši vienkāršus mašīnmācīšanās modeļus uz vēsturiskiem enerģijas patēriņa datiem. Mērķis nebija no jauna izgudrot procesu, bet gan paredzēt pieprasījuma pieaugumu un novirzīt nekritiskas darbības. Rezultātā par 7–8% tika samazinātas maksimālās slodzes maksas, kas tieši samazina oglekļa pēdas nospiedumu un izmaksas. Tas izklausās pieticīgi, taču mērogā, simtiem krāšņu un prešu, kumulatīvā ietekme ir ievērojama. AI šeit nedomā; tā ir modeļa atpazīšana, kas tiek lietota ļoti trokšņainai, reālai datu kopai.

Sarežģīti ir datu infrastruktūra. Daudzi augi, pat lieli, patīk Handan Zitai Fstercer Manufacturing Co., Ltd., ir mantotas SCADA sistēmas un manuāli žurnāli. Pirmais šķērslis ir tīru, laika zīmogu datu iegūšana no veikala grīdas. Mēs pavadījām nedēļas, lai izveidotu pamata IoT sensorus, lai barotu modeļus — šis solis bieži tiek aizsegts glancētos gadījumu pētījumos. Bez tā jebkurš AI modelis ir tikai teorētisks uzdevums. Vietne https://www.zitaifasteners.com varētu demonstrēt savus produktus, bet ilgtspējības ieguvums notiek aizkulisēs, rupji integrējot datu plūsmas no iekārtām, kuras nekad nebija paredzētas savstarpējai sarunai.

Vēl viens leņķis ir materiāla raža. Stiprinājumu ražošanā spoles tērauds tiek štancēts un veidots. Lūžņi ir neizbēgami, taču AI vadītas datorredzes sistēmas tagad var pārbaudīt izejmateriālu defektus pirms štancēšanas un pat dinamiski pielāgot griešanas modeļus, lai samazinātu atkritumu daudzumu. Mēs to izmēģinājām kopā ar partneri, un, lai gan algoritms darbojās, IA bija negatīva mazākām sērijām iestatīšanas sarežģītības dēļ. Šī ir būtiska nianse: AI ilgtspējībai nav universāli piemērojama; tas prasa noteiktu mērogu un darbības briedumu, lai atmaksātos.

Loģistika un slēptais tīkls

Transports ir milzīgs oglekļa emisiju avots. Šeit AI loma maršruta optimizēšanā ir labi zināma, taču to interesantu padara reālās pasaules ierobežojumi. Ražotājam, kas atrodas izdevīgā vietā Pekinas-Guandžou dzelzceļa un valsts automaģistrāles 107 tuvumā, piemēram, Zitai, jautājums nav tikai par īsākā ceļa atrašanu. Tas attiecas uz daļēju kravu konsolidāciju, ostu kavējumu prognozēšanu un pat reāllaika satiksmes un laikapstākļu datu iekļaušanu, lai samazinātu kravas automašīnu dīkstāves laiku. Mēs ieviesām sistēmu, kas to izdarīja, un degvielas ietaupījums vidēji bija aptuveni 12%. Tomēr sistēmas ieteikumus dažkārt noraidīja dispečeri, kuri uzticējās savai pieredzei saistībā ar algoritmu — klasisku cilvēka un AI sadarbības izaicinājumu.

Papildus maršrutiem ir arī krājumu optimizācija. Pārmērīgu krājumu glabāšana piesaista kapitālu un vietu, kā arī bieži vien rada atkritumus (īpaši pārklātiem vai apstrādātiem stiprinājumiem, kuru glabāšanas laiks ir saistīts ar problēmām). Prognozējošie modeļi, izmantojot pārdošanas datus, sezonas tendences un pat plašākus ekonomiskos rādītājus, var palielināt krājumu līmeni. Es atceros vienu projektu, kurā mēs samazinājām drošības krājumus par 15%, nepalielinot krājumu pārtraukšanas risku. Taču modelis piedzīvoja iespaidīgu neveiksmi, kad pēkšņa reģionālās politikas maiņa izjauca piegādes ķēdes — tas nebija apmācīts par šādiem melnā gulbja notikumiem. Tas uzsver, ka AI modeļi ir tikai tik labi, cik vēsturiskie dati ir redzējuši; viņi cīnās ar jauniem sistēmiskiem satricinājumiem.

Paplašinātā piegādes ķēde kļūst plašāka. AI var palīdzēt izstrādāt aprites ekonomikas cilpas. Piemēram, analizējot produkta dzīves cikla datus, tas var paredzēt, kad stiprinājumu partija no ekspluatācijas pārtrauktas saules enerģijas fermas varētu kļūt pieejama atkārtotai izmantošanai vai pārstrādei, tādējādi samazinot vajadzību pēc neapstrādātiem materiāliem. Tas vēl tikai top, taču ES izmēģinājuma projektos tas tiek pētīts. Tas pārceļ ilgtspējību no vienkāršas efektivitātes uz sistēmisku resursu ciklu.

Uzraudzība, ziņošana un pārskatāmības veicināšana

Ilgtspējība mūsdienās prasa stingrus mērījumus. AI krasi paātrina vides uzraudzību. Tā vietā, lai ikmēneša manuāli veiktu emisiju vai notekūdeņu auditus, sensoru tīkli ar AI analīzi var nodrošināt nepārtrauktus, detalizētus datus. Mēs palīdzējām izveidot sistēmu gaistošo organisko savienojumu (GOS) emisiju monitoringam apšuvuma darbnīcā. AI ne tikai mērīja; tā noteica korelācijas starp konkrētām ražošanas partijām un emisiju kāpumiem, ļaujot pielāgot procesu. Tas pārvērš atbilstību no izmaksu centra par operatīvā ieskata avotu.

Tomēr datu ģenerēšana ir viena lieta; ticēt ir cita lieta. Pastāv pastāvīga spriedze starp mākslīgā intelekta radītajiem ilgtspējības rādītājiem un vajadzību pēc revidējamiem, pārbaudāmiem ierakstiem tādām sistēmām kā ESG ziņošana. Vai regulatori un investori var uzticēties AI oglekļa uzskaites kopsavilkumam? Mēs atrodamies fāzē, kurā AI risina smago datu sagraušanas problēmu, taču joprojām ir nepieciešami cilvēku eksperti, lai apstiprinātu un interpretētu. Šis rīks ir spēcīgs, taču tas nav aizstājis vajadzību pēc profesionāla sprieduma.

Makro mērogā AI nodrošina precīzāku oglekļa pēdas izsekošanu sarežģītās piegādes ķēdēs. Nokasot un analizējot datus no piegādātāju portāliem, piegādes manifestiem un enerģijas rēķiniem, tas var izveidot gandrīz reāllaika pēdas karti. Tādam uzņēmumam kā Zitai, kas ir daļa no plašās ražošanas bāzes, šī atpazīstamība ir ļoti svarīga pakārtotajiem klientiem Eiropā vai Ziemeļamerikā, kuri ir pakļauti spiedienam ziņot par 3. jomas emisijām. Tas pārvērš ilgtspējību no neskaidrām saistībām par kvantitatīvi nosakāmu, pārvaldītu uzņēmējdarbības sastāvdaļu.

Kļūdas un aizmirstās izmaksas

Tas nav viss pozitīvi. Apmācības un lielu AI modeļu darbības skaitļošanas izmaksas pašas par sevi ir slogs videi. Projektam, kas vērsts uz enerģijas taupīšanu rūpnīcā, ir jāsalīdzina ar enerģiju, ko izmanto mākoņserveri, kas apmāca modeļus. Šī iemesla dēļ mēs savā darbā esam pārgājuši uz efektīvāku, specializētāku modeļu izmantošanu, nevis brutālu spēku dziļu mācīšanos. Dažreiz vienkāršāks statistikas modelis nodrošina 80% ieguvumu ar 1% no skaitļošanas izmaksām. Ilgtspējībai ar AI ir jārēķinās ar savu nospiedumu.

Pastāv arī risks optimizēt vienu sistēmas daļu uz citas rēķina. Kādreiz mēs optimizējām ražošanas grafiku energoefektivitātes nodrošināšanai, taču konstatējām, ka tas palielināja noteiktu instrumentu nodilumu, izraisot biežāku nomaiņu un saistīto materiālu izšķērdēšanu. Holistisks skatījums ir būtisks. Patiesa ilgtspējība nav saistīta ar vietējiem maksimumiem, bet gan par sistēmas mēroga noturību un minimālu kopējo ietekmi. AI sistēmas ir jāizstrādā, ņemot vērā vairāku mērķu optimizāciju, kas ir ievērojami grūtāka problēma.

Visbeidzot, cilvēka elements. AI virzītu izmaiņu ieviešanai ir nepieciešams kvalificēts personāls, izmaiņu vadība un bieži vien sākotnējais kapitāls. Daudziem maziem un vidējiem uzņēmumiem ražošanas joslā prioritāte ir izdzīvošana un pasūtījumu izpilde. Ilgtspējības arguments ir jāapvieno ar skaidru, īstermiņa līdz vidēja termiņa ekonomisko ieguvumu. Tāpēc veiksmīgākie piloti, kurus esmu redzējis, sāk ar zemu nokareniem augļiem: paredzamā apkope, lai izvairītos no dārgām dīkstāvēm un materiālu izšķērdēšanas, vai viedās apgaismojuma/apkures vadības ierīces, kas atmaksājas mazāk nekā divu gadu laikā.

Raugoties uz priekšu: integrācija, nevis izolācija

Tātad, kā AI patiesi veicina ilgtspējību? Labiem projektiem tas netiek nodrošināts ar spilgto, savrupo AI. Tas notiek ar pakāpenisku, bieži vien neseksīgu integrāciju tādās nozarēs kā ražošana, loģistika un enerģētika. Tas palielina ilgtspējību, veidojot resursu efektivitāte izmērāmi un praktiski izmantojami, atklājot atkritumu plūsmas, kas iepriekš bija neredzamas, un iespējojot adaptīvākas, atsaucīgākas sistēmas.

Manuprāt, nākotne ir saistīta ar iegulto AI. Padomājiet par rūpniecisko iekārtu, kas pati pielāgo savus parametrus minimālam enerģijas patēriņam, vienlaikus saglabājot kvalitāti, vai loģistikas platformu, kas automātiski izvēlas zemāko oglekļa emisiju piegādes iespēju, kas atbilst izmaksu un laika ierobežojumiem. Tā kļūst par standarta funkciju, nevis atsevišķu iniciatīvu. Darbs tādās vietās kā Yongnian ražošanas bāze ar blīvo ražotāju tīklu ir ideāls šo integrēto pieeju izmēģinājumu laukums.

Galu galā AI ir spēcīgs rīks, bet tas ir tikai rīks. Tās ieguldījumu ilgtspējībā nosaka rokas, kas to izmanto, un problēmas, ko tās izvēlas atrisināt. Stimuls rodas no nerimstoša koncentrēšanās uz konkrētu, pakāpenisku materiālu un enerģijas plūsmu pieaugumu, ko informē dati, kurus mēs tagad beidzot varam uztvert un saprast. Tas ir praktisks ceļojums, pilns ar izmēģinājumiem un kļūdām, tālu no ažiotāžas cikla, un tieši tur tiek veidota tā patiesā vērtība ilgtspējīgai nākotnei.