AI എങ്ങനെയാണ് വ്യാവസായിക സുസ്ഥിരത വർദ്ധിപ്പിക്കുന്നത്? 

AI-യെ കുറിച്ചും സുസ്ഥിരതയെ കുറിച്ചും ആളുകൾ സംസാരിക്കുമ്പോൾ, സംഭാഷണം പലപ്പോഴും ഫ്യൂച്ചറിസ്റ്റിക് ദർശനങ്ങളിലേക്ക് കുതിക്കുന്നു: സ്വയംഭരണ ഗ്രിഡുകൾ, സ്വയം ഒപ്റ്റിമൈസ് ചെയ്യുന്ന നഗരങ്ങൾ. യഥാർത്ഥ നിർമ്മാണത്തിൻ്റെ കിടങ്ങുകളിൽ, യാഥാർത്ഥ്യം കൂടുതൽ വൃത്തികെട്ടതും വർധിക്കുന്നതുമാണ്. യഥാർത്ഥ ഉത്തേജനം മനുഷ്യരെ റോബോട്ടുകളെ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുന്നതല്ല; കുപ്രസിദ്ധമായ പാഴ് വസ്തുക്കളും അതാര്യവുമായ സംവിധാനങ്ങളിൽ തീരുമാനമെടുക്കൽ വർദ്ധിപ്പിക്കുക എന്നതാണ്. സുസ്ഥിരത എന്നത് കുറച്ച് ഊർജം ഉപയോഗിക്കുന്നതാണ് എന്നതാണ് തെറ്റിദ്ധാരണ. ഇത് കൂടുതൽ ആഴത്തിലുള്ളതാണ്-ഇത് അസംസ്‌കൃത വസ്തുക്കൾ മുതൽ ലോജിസ്റ്റിക്‌സ് വരെയുള്ള വ്യവസ്ഥാപരമായ റിസോഴ്‌സ് ഇൻ്റലിജൻസിനെക്കുറിച്ചാണ്, അവിടെയാണ് ജനറിക് AI മാത്രമല്ല, മെഷീൻ ലേണിംഗ് മോഡലുകളും നിശബ്ദമായി ഗെയിമിനെ മാറ്റുന്നത്.

ഫൗണ്ടേഷൻ: ഡാറ്റ ഫിഡിലിറ്റിയും ഡാർക്ക് ഫാക്ടറി ഫ്ലോറും

നിങ്ങൾക്ക് അളക്കാൻ കഴിയാത്തത് നിങ്ങൾക്ക് നിയന്ത്രിക്കാൻ കഴിയില്ല, വർഷങ്ങളോളം വ്യാവസായിക സുസ്ഥിരത ഊഹക്കച്ചവടമായിരുന്നു. ഞങ്ങൾക്ക് എനർജി ബില്ലുകൾ ഉണ്ടായിരുന്നു, അതെ, എന്നാൽ പ്രൊഡക്ഷൻ ലൈൻ 3-ലെ ഒരു പ്രത്യേക ബാച്ചുമായി ഉപഭോഗം വർദ്ധിക്കുന്നത് പലപ്പോഴും അസാധ്യമായിരുന്നു. സെൻസർ പ്രോലിഫറേഷനും ഡാറ്റ ഹിസ്റ്റോറൈസേഷനും ആണ് ആദ്യത്തെ, അപരിചിതമായ ഘട്ടം. ലെഗസി കംപ്രസർ സിസ്റ്റങ്ങളിൽ ലളിതമായ വൈബ്രേഷനും തെർമൽ സെൻസറുകളും സ്ഥാപിക്കുന്നത് അവയുടെ പവർ ഡ്രോയുടെ 15% പാഴാക്കിയ ചാക്രിക കാര്യക്ഷമതയില്ലായ്മ വെളിപ്പെടുത്തുന്ന പ്ലാൻ്റുകൾ ഞാൻ കണ്ടിട്ടുണ്ട്. AI ബൂസ്റ്റ് ഇവിടെ ആരംഭിക്കുന്നു: ഊർജ്ജത്തിൻ്റെയും ഭൗതിക പ്രവാഹങ്ങളുടെയും ഉയർന്ന വിശ്വാസ്യതയുള്ള ഡിജിറ്റൽ ഇരട്ട സൃഷ്ടിക്കുന്നു. ഈ അടിത്തറയില്ലാതെ, ഏതെങ്കിലും സുസ്ഥിരത അവകാശവാദം വെറും വിപണനം മാത്രമാണ്.

ഇത് പ്ലഗ് ആൻഡ് പ്ലേ അല്ല. ഡാറ്റ സിലോസാണ് ഏറ്റവും വലിയ തടസ്സം. പ്രൊഡക്ഷൻ ഡാറ്റ MES-ലും ഗുണനിലവാര ഡാറ്റ മറ്റൊരു സിസ്റ്റത്തിലും, യൂട്ടിലിറ്റി മീറ്ററിൽ നിന്നുള്ള ഊർജ്ജ ഡാറ്റയിലും ഇരിക്കുന്നു. സമയം സമന്വയിപ്പിച്ച കാഴ്ച ലഭിക്കുന്നത് ഒരു പേടിസ്വപ്നമാണ്. ഏതെങ്കിലും മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിന് മുമ്പ് ഡാറ്റ പൈപ്പ്‌ലൈൻ നിർമ്മിക്കുന്ന ഒരു പ്രോജക്റ്റിനായി ഞങ്ങൾ മാസങ്ങൾ ചെലവഴിച്ചു. പ്രധാനം ഒരു ഫാൻസി അൽഗോരിതം ആയിരുന്നില്ല, മറിച്ച് ശക്തമായ ഒരു ഡാറ്റ ഓൻ്റോളജി ആയിരുന്നു-ഓരോ ഡാറ്റ പോയിൻ്റും സന്ദർഭം (മെഷീൻ ഐഡി, പ്രോസസ് സ്റ്റെപ്പ്, ഉൽപ്പന്നം SKU) ഉപയോഗിച്ച് ടാഗ് ചെയ്യുന്നു. ഈ ഗ്രാനുലാരിറ്റിയാണ് പിന്നീട് അർത്ഥവത്തായ സുസ്ഥിരത വിശകലനം ചെയ്യാൻ അനുവദിക്കുന്നത്.

ഒരു ഫാസ്റ്റനർ നിർമ്മാതാവിനെ പരിഗണിക്കുക ഹാൻഡൻ സിറ്റായ് ഫാസ്റ്റനർ നിർമ്മാണ കമ്പനി, ലിമിറ്റഡ്.. അവരുടെ പ്രക്രിയയിൽ സ്റ്റാമ്പിംഗ്, ത്രെഡിംഗ്, ചൂട് ചികിത്സ, പ്ലേറ്റിംഗ് എന്നിവ ഉൾപ്പെടുന്നു. ഓരോ ഘട്ടത്തിലും വ്യത്യസ്ത ഊർജ്ജ പ്രൊഫൈലുകളും മെറ്റീരിയൽ വിളവുകളും ഉണ്ട്. അവരുടെ ഫർണസുകളും പ്ലാറ്റിംഗ് ബാത്ത് ഉപകരണങ്ങളും ഉപയോഗിച്ച്, അവർക്ക് പ്രതിമാസ യൂട്ടിലിറ്റി ശരാശരിയിൽ നിന്ന് ഒരു കിലോഗ്രാമിന് ഔട്ട്പുട്ട് ഊർജ്ജ ചെലവിലേക്ക് മാറാൻ കഴിയും. ഈ അടിസ്ഥാനം നിർണായകമാണ്. ഇത് ഒരു കോർപ്പറേറ്റ് കെപിഐയിൽ നിന്നുള്ള സുസ്ഥിരതയെ ഒരു ഫ്ലോർ മാനേജർക്ക് യഥാർത്ഥത്തിൽ സ്വാധീനിക്കാൻ കഴിയുന്ന ഒരു പ്രൊഡക്ഷൻ-ലൈൻ വേരിയബിളാക്കി മാറ്റുന്നു.

പ്രവചനാത്മക പരിപാലനം: ആഴത്തിലുള്ള വേരുകളുള്ള താഴ്ന്ന തൂങ്ങിക്കിടക്കുന്ന ഫലം

ഇതിനെക്കുറിച്ചുള്ള മിക്ക ചർച്ചകളും പ്രവർത്തനരഹിതമായ സമയം ഒഴിവാക്കിക്കൊണ്ട് ആരംഭിക്കുന്നു. സുസ്ഥിരതയുടെ ആംഗിൾ കൂടുതൽ നിർബന്ധിതമാണ്: ദുരന്തപരമായ പരാജയം ഊർജ്ജവും വസ്തുക്കളും പാഴാക്കുന്നു. ഉയർന്ന ടോർക്ക് സ്റ്റാമ്പിംഗ് പ്രസ്സിൽ പരാജയപ്പെടുന്ന ബെയറിംഗ് കേവലം തകരുന്നില്ല; ഇത് ആഴ്‌ചകളോളം തെറ്റായ അലൈൻമെൻ്റിന് കാരണമാകുന്നു, ഇത് ഓഫ്-സ്പെക്ക് പാർട്‌സിലേക്കും (മെറ്റീരിയൽ വേസ്റ്റ്) വർദ്ധിച്ച പവർ ഡ്രോയിലേക്കും നയിക്കുന്നു. മോട്ടോർ-ഡ്രൈവ് സിസ്റ്റങ്ങൾക്കായി ഞങ്ങൾ ഒരു വൈബ്രേഷൻ അനാലിസിസ് മോഡൽ നടപ്പിലാക്കി, അത് പരാജയം പ്രവചിക്കുക മാത്രമല്ല, ഉപ-ഒപ്റ്റിമൽ പ്രകടന നിലകൾ തിരിച്ചറിയുകയും ചെയ്തു. ഇതാണ് സൂക്ഷ്മമായ ഭാഗം. മോഡൽ ഫ്ലാഗുചെയ്‌ത പമ്പ് ഇപ്പോഴും പ്രവർത്തനക്ഷമമാണെങ്കിലും 8% കാര്യക്ഷമത നഷ്‌ടപ്പെട്ടു, അതായത് അതേ ജോലി ചെയ്യാൻ അത് കൂടുതൽ കറൻ്റ് എടുക്കുന്നു. ഇത് ശരിയാക്കുന്നത് ഊർജ്ജം ലാഭിക്കുകയും മോട്ടോറിൻ്റെ ആയുസ്സ് വർദ്ധിപ്പിക്കുകയും ചെയ്തു, പകരം വയ്ക്കുന്നതിൽ നിന്ന് എംബോഡിഡ് കാർബൺ കുറയ്ക്കുന്നു.

എല്ലാ ഉപകരണങ്ങൾക്കും ഒരേ നിരീക്ഷണം ആവശ്യമാണെന്ന് അനുമാനിക്കുകയായിരുന്നു പരാജയം. ഞങ്ങൾ ഒരു മുഴുവൻ അസംബ്ലി ലൈൻ ഓവർ-ഇൻസ്ട്രുമെൻ്റ് ചെയ്തു, അത് ചെലവേറിയതും ശബ്ദായമാനമായ ഡാറ്റ സൃഷ്ടിച്ചു. ഞങ്ങൾ ശസ്‌ത്രക്രിയ ചെയ്യാൻ പഠിച്ചു: ഉയർന്ന ഊർജ ഉപഭോക്താക്കളിലും നിർണ്ണായക ഗുണനിലവാരമുള്ള നോഡുകളിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുക. ബീജിംഗ്-ഗ്വാങ്‌ഷു റെയിൽവേ പോലുള്ള പ്രധാന ഗതാഗത റൂട്ടുകൾക്ക് സമീപമുള്ള Zitai പോലുള്ള ഒരു കമ്പനിക്ക്, ലോജിസ്റ്റിക് കാര്യക്ഷമതയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു, അവരുടെ HVAC, കംപ്രസ്ഡ് എയർ സിസ്റ്റങ്ങളിൽ സമാനമായ പ്രവചന മോഡലുകൾ പ്രയോഗിക്കുന്നത്-പലപ്പോഴും ഒരു പ്ലാൻ്റിൻ്റെ ഏറ്റവും വലിയ ഊർജ ചോർച്ച-നേരിട്ട് കാർബൺ ലാഭം നൽകും. ദി സിറ്റായ് ഫാസ്റ്റനറുകൾ വെബ്സൈറ്റ് അവരുടെ പ്രൊഡക്ഷൻ സ്കെയിൽ എടുത്തുകാണിക്കുന്നു; ആ വോളിയത്തിൽ, എയർ ഫ്ലോ മോഡൽ തിരിച്ചറിഞ്ഞ കംപ്രസ്ഡ് എയർ ലീക്കേജിൽ 2% കുറവ്, സാമ്പത്തികവും പാരിസ്ഥിതികവുമായ വലിയ വരുമാനത്തിലേക്ക് വിവർത്തനം ചെയ്യുന്നു.

ഇവിടെയും ഒരു സാംസ്കാരിക വ്യതിയാനമുണ്ട്. മികച്ചതായി തോന്നുന്ന ഒരു ഭാഗം മാറ്റിസ്ഥാപിക്കാനുള്ള മോഡലിൻ്റെ ശുപാർശയ്ക്ക് വിശ്വാസം ആവശ്യമാണ്. മെയിൻ്റനൻസ് ടീമുകളിൽ നിന്ന് വാങ്ങുന്നതിന്, kWh-ലും ഡോളറിലും ഊർജമാലിന്യം കാണിക്കുന്ന ലളിതമായ ഡാഷ്‌ബോർഡുകൾ ഞങ്ങൾ നിർമ്മിക്കേണ്ടതുണ്ട്. ഈ ദൃഢത ദത്തെടുക്കലിന് നിർണായകമാണ്.

പ്രോസസ്സ് ഒപ്റ്റിമൈസേഷൻ: സെറ്റ് പോയിൻ്റുകൾക്കപ്പുറം

ചൂളയിലെ താപനില പോലെ ഒരു സെറ്റ് പോയിൻ്റ് നിലനിർത്താൻ പരമ്പരാഗത പ്രോസസ്സ് നിയന്ത്രണം PID ലൂപ്പുകൾ ഉപയോഗിക്കുന്നു. എന്നാൽ നൽകിയിരിക്കുന്ന ബാച്ചിന് അനുയോജ്യമായ സെറ്റ് പോയിൻ്റ് എന്താണ്? ഇത് ആംബിയൻ്റ് ഈർപ്പം, അസംസ്കൃത വസ്തുക്കളുടെ അലോയ് വ്യതിയാനങ്ങൾ, ആവശ്യമുള്ള ടെൻസൈൽ ശക്തി എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു. മെഷീൻ ലേണിംഗ് മോഡലുകൾക്ക് ഇത് ചലനാത്മകമായി ഒപ്റ്റിമൈസ് ചെയ്യാൻ കഴിയും. ഒരു ഹീറ്റ് ട്രീറ്റ്‌മെൻ്റ് പ്രക്രിയയിൽ, മെറ്റലർജിക്കൽ സ്പെസിഫിക്കേഷനുകൾ നേടുന്നതിന് ആവശ്യമായ കുറഞ്ഞ താപനില റാമ്പ് കണ്ടെത്താനും സോക്ക് സമയം കണ്ടെത്താനും ഞങ്ങൾ ഒരു റൈൻഫോഴ്സ്മെൻ്റ് ലേണിംഗ് മോഡൽ ഉപയോഗിച്ചു. ഗുണമേന്മയിൽ യാതൊരു വിട്ടുവീഴ്ചയും കൂടാതെ, ഒരു ബാച്ചിലെ പ്രകൃതിവാതക ഉപഭോഗത്തിൽ 12% കുറവുണ്ടായി.

ക്യാച്ച്? നിങ്ങൾ റിവാർഡ് ഫംഗ്ഷൻ ശ്രദ്ധാപൂർവ്വം നിർവചിക്കേണ്ടതുണ്ട്. തുടക്കത്തിൽ, ഞങ്ങൾ പൂർണ്ണമായും ഊർജ്ജത്തിനായി ഒപ്റ്റിമൈസ് ചെയ്തു, മോഡൽ താഴ്ന്ന താപനില നിർദ്ദേശിച്ചു, ഇത് പിന്നീട് പ്ലേറ്റിംഗ് ഘട്ടങ്ങളിൽ അശ്രദ്ധമായി നാശത്തിൻ്റെ നിരക്ക് വർദ്ധിപ്പിക്കുന്നു-പാരിസ്ഥിതിക ഭാരം മാറ്റുന്നു. ഞങ്ങൾക്ക് ഒരു മൾട്ടി-ഒബ്ജക്റ്റീവ് ഒപ്റ്റിമൈസേഷൻ ചട്ടക്കൂട്, ബാലൻസ് എനർജി, മെറ്റീരിയൽ യീൽഡ്, ഡൗൺസ്ട്രീം പ്രോസസ് വയബിലിറ്റി എന്നിവ സ്വീകരിക്കേണ്ടി വന്നു. ഈ സമഗ്രമായ വീക്ഷണമാണ് യഥാർത്ഥ വ്യാവസായിക സുസ്ഥിരതയുടെ സത്ത; ഒരു മേഖലയെ മറ്റൊന്നിൻ്റെ ചെലവിൽ ഉപ-ഒപ്റ്റിമൈസ് ചെയ്യുന്നത് ഒഴിവാക്കുന്നു.

ഒരു സ്റ്റാൻഡേർഡ് പാർട്സ് പ്രൊഡക്ഷൻ ബേസിന്, ആയിരക്കണക്കിന് ടൺ ഔട്ട്പുട്ടിൽ ഇത്തരം ഒപ്റ്റിമൈസേഷൻ ആണ് മാക്രോ ഇംപാക്ട് ഉള്ളത്. ഇത് ബോയിലർ റൂമിൽ നിന്ന് നിർമ്മാണത്തിൻ്റെ പ്രധാന പാചകക്കുറിപ്പിലേക്ക് സുസ്ഥിരതയെ മാറ്റുന്നു.

വിതരണ ശൃംഖലയും ലോജിസ്റ്റിക്സും: നെറ്റ്‌വർക്ക് ഇഫക്റ്റ്

ഇവിടെയാണ് AI-യുടെ സാധ്യതകൾ വിശാലവും നിരാശാജനകവും അനുഭവപ്പെടുന്നത്. ഒരു ഫാക്‌ടറിക്ക് അത്യധികം കാര്യക്ഷമതയുണ്ടാകാം, എന്നാൽ അതിൻ്റെ വിതരണ ശൃംഖല പാഴായാൽ, അറ്റ ​​നേട്ടം പരിമിതമാണ്. ഇൻ്റലിജൻ്റ് റൂട്ടിംഗിലൂടെയും ഇൻവെൻ്ററി പ്രവചനത്തിലൂടെയും AI ഇവിടെ സുസ്ഥിരത വർദ്ധിപ്പിക്കുന്നു. റോ സ്റ്റീൽ കോയിലിനായി ഇൻബൗണ്ട് ലോജിസ്റ്റിക്സ് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനുള്ള ഒരു പ്രോജക്റ്റിൽ ഞങ്ങൾ പ്രവർത്തിച്ചു. വിതരണക്കാരുടെ ലൊക്കേഷനുകൾ, പ്രൊഡക്ഷൻ ഷെഡ്യൂളുകൾ, ട്രാഫിക് ഡാറ്റ എന്നിവ വിശകലനം ചെയ്യുന്നതിലൂടെ, ഒരു മോഡൽ ഡെലിവറി വിൻഡോകൾ സൃഷ്ടിച്ചു, അത് ട്രക്ക് നിഷ്‌ക്രിയ സമയം കുറയ്ക്കുകയും പൂർണ്ണ ലോഡിന് അനുവദിക്കുകയും ചെയ്യുന്നു. ഇത് നിർമ്മാതാവിനും വിതരണക്കാരനും സ്‌കോപ്പ് 3 ഉദ്‌വമനം കുറച്ചു.

ഡാറ്റ പങ്കിടലിൽ നിന്നാണ് നിരാശ വരുന്നത്. തത്സമയ ശേഷി അല്ലെങ്കിൽ ലൊക്കേഷൻ ഡാറ്റ പങ്കിടാൻ വിതരണക്കാർ പലപ്പോഴും വിമുഖത കാണിക്കുന്നു. കൂടുതൽ സങ്കീർണ്ണമായ അൽഗോരിതം ഉപയോഗിച്ചല്ല, മറിച്ച് കുത്തക വിശദാംശങ്ങൾ വെളിപ്പെടുത്താതെ പ്രതിബദ്ധതകൾ രേഖപ്പെടുത്തുന്ന ലളിതമായ ബ്ലോക്ക്ചെയിൻ അടിസ്ഥാനമാക്കിയുള്ള ലെഡ്ജർ (അനുവദനീയമാണ്, ക്രിപ്‌റ്റോ അല്ല) ഉപയോഗിച്ചാണ് മുന്നേറ്റം ഉണ്ടായത്. വിശ്വാസമാണ് വീണ്ടും തടസ്സം.

ഹാൻഡൻ സിറ്റായ് ഫാസ്റ്റനർ നിർമ്മാണ കമ്പനി, ലിമിറ്റഡ്.പ്രധാന ഹൈവേകളോടും റെയിൽ പാതകളോടും ചേർന്നുള്ള തന്ത്രപ്രധാനമായ സ്ഥലം ഒരു സ്വാഭാവിക ലോജിസ്റ്റിക്കൽ ആസ്തിയാണ്. ഓർഡറുകൾ ചലനാത്മകമായി ഏകീകരിക്കുന്നതിലൂടെയും അടിയന്തരാവസ്ഥയെ അടിസ്ഥാനമാക്കി ഏറ്റവും കുറഞ്ഞ കാർബൺ ട്രാൻസ്പോർട്ട് മോഡ് (റെയിൽ വേഴ്സസ് ട്രക്ക്) തിരഞ്ഞെടുക്കുന്നതിലൂടെയും, ഓരോ കയറ്റുമതിയിലും അതിൻ്റെ കാർബൺ കാൽപ്പാടുകൾ കുറയ്ക്കുന്നതിന് ഭൂമിശാസ്ത്രപരമായ നേട്ടം പ്രയോജനപ്പെടുത്തി, AI- പ്രവർത്തിക്കുന്ന സംവിധാനത്തിന് ഔട്ട്ബൗണ്ട് ലോജിസ്റ്റിക്സ് ഒപ്റ്റിമൈസ് ചെയ്യാൻ കഴിയും.

വൃത്താകൃതിയും ഗുണനിലവാര ഇൻ്റലിജൻസും

സുസ്ഥിരതയിലേക്കുള്ള ഏറ്റവും നേരിട്ടുള്ള മാർഗം കുറഞ്ഞ മെറ്റീരിയൽ ഉപയോഗിക്കുകയും കുറഞ്ഞ മാലിന്യം ഉൽപ്പാദിപ്പിക്കുകയും ചെയ്യുക എന്നതാണ്. ഗുണനിലവാര പരിശോധനയ്ക്കുള്ള കമ്പ്യൂട്ടർ കാഴ്ച സാധാരണമാണ്, എന്നാൽ സുസ്ഥിരതയുമായുള്ള അതിൻ്റെ ബന്ധം അഗാധമാണ്. നേരത്തെ കണ്ടെത്തിയ ഒരു പിഴവ് അർത്ഥമാക്കുന്നത്, ഒരു ഭാഗം പുനർനിർമ്മിക്കുകയോ പ്ലാൻ്റിൽ റീസൈക്കിൾ ചെയ്യുകയോ ചെയ്യാം, അത് ഉപഭോക്താവിന് ഷിപ്പ് ചെയ്യുന്നതിനും നിരസിക്കപ്പെടുന്നതിനും തിരികെ ഷിപ്പുചെയ്യുന്നതിനുമുള്ള ഊർജ്ജ ചെലവ് ഒഴിവാക്കുന്നു. ഗുണനിലവാരം പ്രവചിക്കാൻ ഉൽപ്പാദന വേളയിൽ സ്പെക്ട്രൽ വിശകലനം ഉപയോഗിക്കുന്നതാണ് കൂടുതൽ വിപുലമായത്, തത്സമയ പ്രോസസ്സ് ക്രമീകരണങ്ങൾ അനുവദിക്കുന്നു. ഞങ്ങൾ ഇത് ഒരു പ്ലേറ്റിംഗ് ലൈനിൽ കണ്ടു: ഒരു XRF അനലൈസർ പ്ലേറ്റിംഗ് ബാത്ത് കെമിസ്ട്രിയെ നിയന്ത്രിക്കുന്ന ഒരു മോഡലിലേക്ക് ഡാറ്റ നൽകി, ഹെവി മെറ്റൽ ഉപയോഗവും സ്ലഡ്ജ് മാലിന്യവും 20% ത്തിലധികം കുറയ്ക്കുന്നു.

പിന്നെ വൃത്താകൃതിയിലുള്ള സാമ്പത്തിക കോണുണ്ട്. റീസൈക്ലിങ്ങിനായി മെറ്റീരിയൽ സോർട്ടിംഗ് സുഗമമാക്കാൻ AI-ക്ക് കഴിയും. മെറ്റൽ ഫാസ്റ്റനറുകൾക്ക്, എൻഡ്-ഓഫ്-ലൈഫ് സോർട്ടിംഗ് ഒരു വെല്ലുവിളിയാണ്. ഗാൽവാനൈസ്ഡ് സ്റ്റീൽ സ്‌ക്രാപ്പിൽ നിന്ന് സ്റ്റെയിൻലെസ് സ്വയമേവ അടുക്കാൻ ഹൈപ്പർസ്പെക്ട്രൽ ഇമേജിംഗും ഒരു സിഎൻഎൻ ഉപയോഗിച്ചും ഞങ്ങൾ ഒരു സിസ്റ്റം പൈലറ്റ് ചെയ്തു, റീസൈക്കിൾ ചെയ്ത ഫീഡ്സ്റ്റോക്കിൻ്റെ ശുദ്ധതയും മൂല്യവും വർദ്ധിപ്പിക്കുന്നു. ഇത് മെറ്റീരിയൽ ലൂപ്പ് അടയ്ക്കുന്നത് സാമ്പത്തികമായി ലാഭകരമാക്കുന്നു.

ഒരു പ്രധാന ഉൽപ്പാദന അടിത്തറയ്ക്കായി, ഈ ഗുണമേന്മയുള്ള ഇൻ്റലിജൻസ് ഉടനീളം സമന്വയിപ്പിക്കുന്നു സ്റ്റാൻഡേർഡ് ഭാഗം ഉൽപ്പാദന ശൃംഖല എന്നതുകൊണ്ട് അർത്ഥമാക്കുന്നത് കുറച്ച് കന്യക പദാർത്ഥങ്ങൾ വേർതിരിച്ചെടുക്കുകയും മാലിന്യം മാലിന്യം തള്ളുകയും ചെയ്യുന്നു. ഇത് ഒരു കോസ്റ്റ് സെൻ്ററിൽ നിന്ന് ഗുണനിലവാര നിയന്ത്രണത്തെ ഒരു പ്രധാന സുസ്ഥിര ഡ്രൈവറായി മാറ്റുന്നു.

മനുഷ്യ ഘടകവും നടപ്പാക്കൽ കാടത്തവും

ആളില്ലാതെ ഇതൊന്നും പ്രവർത്തിക്കില്ല. എഞ്ചിനീയർമാർ ഒരു ശൂന്യതയിൽ രൂപകൽപ്പന ചെയ്ത ലൈറ്റ്-ഔട്ട് ഒപ്റ്റിമൈസേഷൻ പ്രോജക്റ്റാണ് ഞാൻ കണ്ട ഏറ്റവും വലിയ പരാജയം. മോഡലുകൾ മിടുക്കരായിരുന്നു, എന്നാൽ ഈർപ്പമുള്ള ഉച്ചതിരിഞ്ഞ് മെഷീൻ 4 ചൂടായി പ്രവർത്തിക്കുമെന്ന് അറിയാമായിരുന്ന ഓപ്പറേറ്റർമാരുടെ മൗനമായ അറിവ് അവർ അവഗണിച്ചു. സിസ്റ്റം പരാജയപ്പെട്ടു. ഞങ്ങൾ ഹൈബ്രിഡ് ഉപദേശക സംവിധാനങ്ങൾ നിർമ്മിച്ചപ്പോൾ വിജയിച്ചു. മോഡൽ ഒരു സെറ്റ് പോയിൻ്റ് നിർദ്ദേശിക്കുന്നു, എന്നാൽ ആ ഫീഡ്‌ബാക്കിൽ നിന്ന് സിസ്റ്റം പഠിക്കുന്നതോടെ ഓപ്പറേറ്റർക്ക് അത് അംഗീകരിക്കാനോ നിരസിക്കാനോ ക്രമീകരിക്കാനോ കഴിയും. ഇത് വിശ്വാസത്തെ വളർത്തുകയും മനുഷ്യൻ്റെ അവബോധത്തെ സ്വാധീനിക്കുകയും ചെയ്യുന്നു.

നടപ്പാക്കൽ ഒരു മാരത്തൺ ആണ്. ഡാറ്റ ഇൻഫ്രാസ്ട്രക്ചർ നിർമ്മിക്കുന്നതിന് ക്ഷമയും, ഒരൊറ്റ പ്രോസസ്സ് ലൈനിൽ ആരംഭിക്കാനുള്ള വിനയവും, OT, IT, സുസ്ഥിരത വൈദഗ്ധ്യം എന്നിവ സമന്വയിപ്പിക്കുന്ന ക്രോസ്-ഫംഗ്ഷണൽ ടീമുകളും ആവശ്യമാണ്. ലക്ഷ്യം തിളങ്ങുന്ന AI- പവർ പ്രസ് റിലീസല്ല. നൂറുകണക്കിന് ചെറിയ ഒപ്റ്റിമൈസേഷനുകളുടെ അൺസെക്സി, ക്യുമുലേറ്റീവ് ഇഫക്റ്റാണിത്: ഇവിടെ ഒരു ചൂളയിൽ നിന്ന് കുറച്ച് ഡിഗ്രി ഷേവ് ചെയ്തു, അവിടെ ഒരു ട്രക്ക് റൂട്ട് ചുരുക്കി, ഒരു ബാച്ച് സ്ക്രാപ്പ് ഒഴിവാക്കി. അങ്ങനെയാണ് AI വ്യാവസായിക സുസ്ഥിരതയെ ആത്മാർത്ഥമായി ഉയർത്തുന്നത്-ഒരു ബംഗ്ലാവിലൂടെയല്ല, മറിച്ച് ഒരു ദശലക്ഷം ഡാറ്റ പോയിൻ്റുകൾ ഉപയോഗിച്ച് കൂടുതൽ കാര്യക്ഷമവും കുറഞ്ഞ പാഴ്‌പാതകളുമാണ് മുന്നോട്ട് നയിക്കുന്നത്.