AI എങ്ങനെയാണ് നിർമ്മാണത്തിൽ സുസ്ഥിരത വർദ്ധിപ്പിക്കുന്നത്? 

ആളുകൾ നിർമ്മാണത്തിൽ AI എന്ന് കേൾക്കുമ്പോൾ, അവർ പലപ്പോഴും പൂർണ്ണമായും സ്വയംഭരണാധികാരമുള്ള, ലൈറ്റ്-ഔട്ട് ഫാക്ടറികളുടെ ദർശനങ്ങളിലേക്ക് കുതിക്കുന്നു. അതൊരു മിന്നുന്ന ലക്ഷ്യമാണ്, എന്നാൽ സുസ്ഥിരത വർധിപ്പിക്കുന്നതിനുള്ള യഥാർത്ഥവും വൃത്തികെട്ടതുമായ ജോലി ഇന്ന് നടക്കുന്നിടത്തല്ല. യഥാർത്ഥ ആഘാതം കൂടുതൽ സൂക്ഷ്മമാണ്, ഊർജ്ജ ഉപഭോഗം ഒപ്റ്റിമൈസ് ചെയ്യുക, മെറ്റീരിയൽ മാലിന്യങ്ങൾ വെട്ടിക്കുറയ്ക്കുക, വിതരണ ശൃംഖലകൾ താറുമാറാക്കുക തുടങ്ങിയ ദൈനംദിന പ്രവർത്തനങ്ങളിൽ പലപ്പോഴും മറഞ്ഞിരിക്കുന്നു. റോബോട്ടുകൾ ഏറ്റെടുക്കുന്നതിനെ കുറിച്ചും സാമ്പത്തികമായും പാരിസ്ഥിതികമായും മികച്ച തീരുമാനങ്ങൾ എടുക്കാൻ ഞങ്ങൾക്ക് എല്ലായ്പ്പോഴും ഇല്ലാത്ത ഗ്രാനുലാർ ദൃശ്യപരത നൽകുന്ന ഇൻ്റലിജൻ്റ് സിസ്റ്റങ്ങളെ കുറിച്ചും ഇത് കുറവാണ്. AI-യും സുസ്ഥിരതയും തമ്മിലുള്ള ബന്ധം സ്വയമേവയുള്ളതല്ല; അളക്കാനും നിയന്ത്രിക്കാനും ഞങ്ങൾ തിരഞ്ഞെടുക്കുന്ന കാര്യങ്ങളിൽ ബോധപൂർവമായ മാറ്റം ആവശ്യമാണ്.

ബിയോണ്ട് ദി ഹൈപ്പിന്: ഊർജ്ജം ആദ്യ അതിർത്തിയായി

ഏറ്റവും നേരിട്ടുള്ള ചെലവും കാർബൺ ഫൂട്ട്‌പ്രിൻ്റ് ഇനവുമായ ഊർജ്ജത്തിൽ നിന്ന് നമുക്ക് ആരംഭിക്കാം. വർഷങ്ങളായി, ഞങ്ങൾ ഷെഡ്യൂൾ ചെയ്ത അറ്റകുറ്റപ്പണികളെയും ബ്രോഡ്-സ്ട്രോക്ക് കാര്യക്ഷമത റേറ്റിംഗുകളെയും ആശ്രയിച്ചിരുന്നു. ഗെയിം ചേഞ്ചർ സെൻസറുകൾ ഉൾച്ചേർക്കുകയും പ്രവചനാത്മക ഊർജ്ജ ഒപ്റ്റിമൈസേഷനായി AI ഉപയോഗിക്കുകയും ചെയ്യുന്നു. മെഷീനുകൾ ഓഫ് ചെയ്യുന്നതിനെക്കുറിച്ചല്ല ഞാൻ സംസാരിക്കുന്നത്. ഒരു മുഴുവൻ പ്രൊഡക്ഷൻ ലൈനിൻ്റെയും ഡൈനാമിക് ലോഡ് മനസ്സിലാക്കുന്നതിനെക്കുറിച്ചാണ് ഇത്. ഉദാഹരണത്തിന്, ഒരു പ്രത്യേക സ്റ്റാമ്പിംഗ് പ്രസ്സ് പ്രവർത്തനസമയത്ത് മാത്രമല്ല, 15 മിനിറ്റിനുശേഷം, തണുപ്പിക്കൽ സംവിധാനങ്ങൾ പ്രവർത്തിക്കുമ്പോൾ, ഒരു പ്രത്യേക സ്റ്റാമ്പിംഗ് പ്രസ്സ് ശക്തി വർദ്ധിപ്പിക്കുമെന്ന് ഒരു AI മോഡലിന് മനസ്സിലാക്കാൻ കഴിയും. പ്രൊഡക്ഷൻ ഷെഡ്യൂളുകൾ വിശകലനം ചെയ്യുന്നതിലൂടെ, ഒന്നിലധികം പ്രസ്സുകളിൽ നിന്ന് ഒരേസമയം പീക്ക് ഡ്രോകൾ ഒഴിവാക്കാൻ ബാച്ചുകൾക്കിടയിൽ സൂക്ഷ്മ കാലതാമസം നിർദ്ദേശിക്കാൻ കഴിയും, ത്രൂപുട്ടിനെ ബാധിക്കാതെ എനർജി കർവ് പരത്തുന്നു. ഇത് സൈദ്ധാന്തികമല്ല; ഒരു ഫോർജിംഗ് സൗകര്യത്തിൽ ഇത് ഊർജ്ജ ബില്ലിൽ നിന്ന് 8-12% ഷേവ് ചെയ്യുന്നത് ഞാൻ കണ്ടു, അത് സ്കെയിലിൽ വളരെ വലുതാണ്.

തന്ത്രപരമായ ഭാഗം ഡാറ്റ ഗുണനിലവാരമാണ്. നിങ്ങൾക്ക് മെഷീനിൽ നിന്നും സബ്‌സ്റ്റേഷനിൽ നിന്നും സാധ്യമെങ്കിൽ ഗ്രിഡിൽ നിന്നും ഗ്രാനുലാർ, ടൈം സീരീസ് ഡാറ്റ ആവശ്യമാണ്. കൃത്യമായ ഗ്യാസ് ഫ്ലോ മീറ്ററുകൾ ഇല്ലാതെ ഒരു ഹീറ്റ് ട്രീറ്റ്മെൻ്റ് ഫർണസ് ഒപ്റ്റിമൈസ് ചെയ്യാനുള്ള ശ്രമത്തിലായിരുന്നു നേരത്തെ പരാജയപ്പെട്ട ഒരു പദ്ധതി. AI മോഡൽ അടിസ്ഥാനപരമായി ഊഹിക്കുന്നതായിരുന്നു, കൂടാതെ ഒപ്റ്റിമൈസേഷനുകൾ ഭാഗങ്ങളുടെ മെറ്റലർജിക്കൽ ഗുണങ്ങളെ അപകടത്തിലാക്കുന്നു. ഞങ്ങൾ കഠിനമായ വഴി പഠിച്ചു: നിങ്ങൾക്ക് കൃത്യമായി അളക്കാൻ കഴിയാത്തത് നിങ്ങൾക്ക് മാനേജ് ചെയ്യാൻ കഴിയില്ല. AI അത് ലഭിക്കുന്ന സെൻസറി ഇൻപുട്ടുകൾ പോലെ മികച്ചതാണ്.

ഇത് ഒരു സൂക്ഷ്മമായ പോയിൻ്റിലേക്ക് നയിക്കുന്നു: AI പലപ്പോഴും ആഴത്തിലുള്ള ഉപകരണത്തെ ന്യായീകരിക്കുന്നു. AI-യ്‌ക്ക് സുസ്ഥിരത ഉറപ്പാക്കാൻ, നിങ്ങൾ ആദ്യം മികച്ച മീറ്ററിംഗിൽ നിക്ഷേപിക്കുക. അതൊരു പുണ്യചക്രമാണ്. നിങ്ങൾക്ക് ആ ഡാറ്റ സ്ട്രീം ലഭിച്ചുകഴിഞ്ഞാൽ, നിങ്ങൾക്ക് പ്രവചനത്തിൽ നിന്ന് പ്രിസ്‌ക്രിപ്റ്റീവ് പ്രവർത്തനത്തിലേക്ക് നീങ്ങാം-ഒരു ന്യൂമാറ്റിക് നെറ്റ്‌വർക്കിലെ തത്സമയ ഡിമാൻഡിനെ അടിസ്ഥാനമാക്കി കംപ്രസർ പ്രഷർ സെറ്റ് പോയിൻ്റുകൾ സ്വയമേവ ക്രമീകരിക്കുന്നത് പോലെ, ഏറ്റവും മോശം സാഹചര്യത്തിനായി എപ്പോഴും സജ്ജീകരിച്ചിരിക്കുന്നതും വലിയ അളവിൽ ഊർജ്ജം പാഴാക്കുന്നതും.

മാലിന്യത്തിനെതിരായ യുദ്ധം: സ്ക്രാപ്പ് കൂമ്പാരങ്ങൾ മുതൽ ഡിജിറ്റൽ ഇരട്ടകൾ വരെ

മെറ്റീരിയൽ പാഴാക്കൽ ശുദ്ധമായ സാമ്പത്തികവും പാരിസ്ഥിതികവുമായ നഷ്ടമാണ്. ഫാസ്റ്റനർ നിർമ്മാണത്തിൽ, ഒരു കമ്പനി പോലെ ഹാൻഡൻ സിറ്റായ് ഫാസ്റ്റനർ നിർമ്മാണ കമ്പനി, ലിമിറ്റഡ്. ചൈനയിലെ പ്രധാന സ്റ്റാൻഡേർഡ് പാർട്ട് പ്രൊഡക്ഷൻ ബേസിൽ സ്ഥിതി ചെയ്യുന്ന പരമ്പരാഗത സമീപനത്തിൽ പോസ്റ്റ്-പ്രൊഡക്ഷൻ ഇൻസ്പെക്ഷൻ ഉൾപ്പെടുന്നു: ഒരു ബാച്ച് നിർമ്മിക്കുന്നു, ചിലത് സാമ്പിൾ ചെയ്യുന്നു, കൂടാതെ വൈകല്യങ്ങൾ കണ്ടെത്തിയാൽ, മുഴുവനും സ്ക്രാപ്പ് ചെയ്യുകയോ പുനർനിർമ്മിക്കുകയോ ചെയ്യാം. അത് അവിശ്വസനീയമാംവിധം പാഴായതാണ്.

തത്സമയ വൈകല്യങ്ങൾ കണ്ടെത്തുന്നതിനുള്ള കമ്പ്യൂട്ടർ കാഴ്ച ഇപ്പോൾ പട്ടിക ഓഹരികളാണ്. എന്നാൽ AI- യുടെ കൂടുതൽ ആഴത്തിലുള്ള ഉപയോഗം മാലിന്യങ്ങൾ ആദ്യം സൃഷ്ടിക്കുന്നത് തടയാൻ പ്രോസസ്സ് പാരാമീറ്റർ ഒപ്റ്റിമൈസേഷനിലാണ്. വയർ വ്യാസം, താപനില, മെഷീൻ വേഗത, ഡൈ വെയർ എന്നിവയുടെ കോൾഡ് ഹെഡ്ഡിംഗ് പ്രക്രിയയിൽ നിന്നുള്ള ഡാറ്റ ഒരു മോഡലിലേക്ക് നൽകുന്നതിലൂടെ, ഒരു കഷണം നിർമ്മിക്കുന്നതിന് മുമ്പ് തലയിലെ വിള്ളലുകളോ ഡൈമൻഷണൽ കൃത്യതകളോ ഉണ്ടാകാനുള്ള സാധ്യത നമുക്ക് പ്രവചിക്കാൻ കഴിയും. സിസ്റ്റത്തിന് അനിയലിംഗ് താപനിലയിൽ നേരിയ വർദ്ധന അല്ലെങ്കിൽ ഫീഡ് നിരക്ക് കുറയ്ക്കൽ, ക്രമീകരണങ്ങൾ ശുപാർശ ചെയ്യാൻ കഴിയും.

ഒരു ബോൾട്ട് പ്രൊഡക്ഷൻ ലൈനിനായി ഞങ്ങൾ ഒരു ഡിജിറ്റൽ ഷാഡോ (പൂർണ്ണ ഡിജിറ്റൽ ഇരട്ടയുടെ ലളിതമായ പതിപ്പ്) നിർമ്മിച്ച ഒരു പ്രോജക്റ്റ് ഞാൻ ഓർക്കുന്നു. ട്രിം നഷ്ടം കുറയ്ക്കുക എന്നതായിരുന്നു ലക്ഷ്യം - ഒരു ബോൾട്ട് മുറിച്ചതിനുശേഷം അവശേഷിക്കുന്ന വയർ. ഓർഡർ പോർട്ട്‌ഫോളിയോകളും മെഷീൻ പരിമിതികളും വിശകലനം ചെയ്യുന്നതിലൂടെ, AI ഷെഡ്യൂളിംഗ് സിസ്റ്റത്തിന് വയർ കോയിലുകൾ കൂടുതൽ പൂർണ്ണമായി ഉപയോഗിക്കുന്നതിനുള്ള ഓർഡറുകൾ ക്രമപ്പെടുത്താൻ കഴിയും, ഇത് ട്രിം മാലിന്യങ്ങൾ ശരാശരി 3.2% ൽ നിന്ന് 1.7% ൽ താഴെയായി കുറയ്ക്കുന്നു. ഇത് ചെറുതായി തോന്നുന്നു, പക്ഷേ പ്രതിവർഷം ആയിരക്കണക്കിന് ടൺ സ്റ്റീലിൽ, അസംസ്കൃത വസ്തുക്കളുടെ ലാഭവും സ്റ്റീൽ ഉൽപാദനത്തിൽ നിന്നുള്ള കാർബൺ ഉദ്‌വമനവും ഗണ്യമായതാണ്. യോങ്‌നിയൻ ഡിസ്ട്രിക്റ്റ് പോലുള്ള ഹബ്ബുകളിലെ കമ്പനികൾ, അവരുടെ ഉയർന്ന വോളിയം ഔട്ട്‌പുട്ട്, അത്തരം ഗ്രാനുലാർ ഒപ്റ്റിമൈസേഷനുകളിൽ നിന്ന് എങ്ങനെ വളരെയധികം നേട്ടമുണ്ടാക്കുന്നുവെന്ന് നിങ്ങൾക്ക് കാണാൻ കഴിയും.

സപ്ലൈ ചെയിൻ റെസിലിയൻസും കാർബൺ കാൽപ്പാടും

ഇവിടെയാണ് ഇത് സങ്കീർണ്ണമാകുന്നത്. ഒരു സുസ്ഥിര വിതരണ ശൃംഖല ഒരു പച്ച വിതരണക്കാരനെ തിരഞ്ഞെടുക്കുന്നത് മാത്രമല്ല; അത് എമർജൻസി, കാർബൺ-ഇൻ്റൻസീവ് എയർ ചരക്കുഗതാഗതം ഒഴിവാക്കുന്നതിനുള്ള കാര്യക്ഷമതയെയും പ്രതിരോധത്തെയും കുറിച്ചാണ്. AI-അധിഷ്ഠിത ഡിമാൻഡ് പ്രവചനം, അത് പ്രവർത്തിക്കുമ്പോൾ, ഉൽപ്പാദനം സുഗമമാക്കുന്നു, ഓവർടൈമിൻ്റെ ആവശ്യകത കുറയ്ക്കുന്നു (ഇതിൻ്റെ അർത്ഥം പലപ്പോഴും കാര്യക്ഷമത കുറഞ്ഞതും ഊർജ്ജസ്വലമായ ഓട്ടങ്ങളും) പാനിക് ഓർഡറിംഗും.

ഒരു ക്ലയൻ്റിനായുള്ള ലോജിസ്റ്റിക് ഒപ്റ്റിമൈസേഷനുമായി ഞങ്ങൾ മൾട്ടി-ടയർ സപ്ലൈ ചെയിൻ റിസ്ക് വിശകലനം സംയോജിപ്പിച്ചു. സിസ്റ്റം കാലാവസ്ഥ, തുറമുഖ തിരക്ക്, കൂടാതെ സപ്ലയർ റീജിയൻ എനർജി മിക്‌സ് എന്നിവ പോലും നിരീക്ഷിച്ചു (ഉദാ. അവരുടെ ഗ്രിഡ് ഇന്ന് കൽക്കരിയിലോ പുനരുപയോഗിക്കാവുന്നവയിലോ പ്രവർത്തിക്കുന്നുണ്ടോ?). ടൈംലൈനുകൾ അനുവദിക്കുമ്പോൾ കയറ്റുമതി മന്ദഗതിയിലുള്ളതും എന്നാൽ മലിനീകരണം കുറഞ്ഞതുമായ കടൽ ചരക്ക് ഗതാഗതത്തിലേക്ക് വഴിതിരിച്ചുവിടുകയോ സാധാരണ 85% ന് പകരം 98% കപ്പാസിറ്റിയുള്ള കണ്ടെയ്‌നറുകൾ നിറയ്ക്കാൻ ലോഡുകൾ ഏകീകരിക്കുകയോ നിർദ്ദേശിച്ചു. ദി സുസ്ഥിരത ഇവിടെ നേടുന്നത് പരോക്ഷവും എന്നാൽ ശക്തവുമാണ്: ഇത് ദൈനംദിന ലോജിസ്റ്റിക് തീരുമാനങ്ങളിൽ കാർബൺ കാര്യക്ഷമത ഉൾക്കൊള്ളുന്നു.

ഇവിടെ പരാജയ മോഡ് ഓവർ ഒപ്റ്റിമൈസേഷൻ ആണ്. ഗതാഗത ഉദ്‌വമനം കുറക്കുന്നതിന് എപ്പോഴും ഒരു ഒറ്റ, വളരെ പച്ച, എന്നാൽ കപ്പാസിറ്റി-നിയന്ത്രിത വിതരണക്കാരനെ ഉപയോഗിക്കാൻ ഒരു മോഡൽ നിർദ്ദേശിച്ചു. ഒരു ഷട്ട്‌ഡൗണിൻ്റെ അപകടസാധ്യത കണക്കിലെടുക്കുന്നതിൽ ഇത് പരാജയപ്പെട്ടു, അത് ഒടുവിൽ സംഭവിച്ചു, ഒന്നിലധികം, ഒപ്റ്റിമൽ കുറഞ്ഞ വിതരണക്കാരോട് സ്‌ക്രാംബിൾ ചെയ്യാൻ നിർബന്ധിതരായി. സുസ്ഥിരത ലക്ഷ്യങ്ങൾ AI-യുടെ വസ്തുനിഷ്ഠമായ പ്രവർത്തനത്തിലെ കരുത്തുറ്റ നിയന്ത്രണങ്ങളുമായി സന്തുലിതമാക്കണം എന്നതായിരുന്നു പാഠം. നിങ്ങൾക്ക് കാർബൺ കുറയ്ക്കാൻ കഴിയില്ല; നിങ്ങൾ റിസ്ക് കൈകാര്യം ചെയ്യണം.

ദി ഹ്യൂമൻ എലമെൻ്റ്: ഓഗ്മെൻ്റഡ് ഡിസിഷൻ മേക്കിംഗ്

ഇത് നിർണായകമാണ്. AI ഫാക്ടറി പ്രവർത്തിപ്പിക്കുന്നില്ല; ആളുകൾ ചെയ്യുന്നു. AI ഒരു ഉപദേശകനായി പ്രവർത്തിക്കുന്നിടത്താണ് ഞാൻ കണ്ട ഏറ്റവും ഫലപ്രദമായ നടപ്പാക്കലുകൾ. ഇത് ഒരു അപാകതയെ ഫ്ലാഗ് ചെയ്യുന്നു: ലൈൻ 3-ലെ ഒരു യൂണിറ്റ് ഊർജ ഉപഭോഗം നിലവിലെ ഉൽപ്പന്ന മിശ്രിതത്തിൻ്റെ മാനദണ്ഡത്തിന് 18% മുകളിലാണ്. സാധ്യമായ കാരണം: കൺവെയർ മോട്ടോർ ബി-12-ലെ ബെയറിംഗ് വെയർ, 22% കാര്യക്ഷമത നഷ്ടം കണക്കാക്കുന്നു. ഇത് മെയിൻ്റനൻസ് ടീമിന് വ്യക്തമായ സുസ്ഥിരതയും ചെലവ് ആഘാതവും ഉള്ള ടാർഗെറ്റുചെയ്‌തതും മുൻഗണനയുള്ളതുമായ ഒരു ചുമതല നൽകുന്നു.

ഇത് സംസ്കാരത്തെ മാറ്റുന്നു. സുസ്ഥിരത ഉൽപ്പാദനക്ഷമതയിൽ നിന്ന് ഒരു പ്രത്യേക കെപിഐ ആകുന്നത് നിർത്തുന്നു. കുറഞ്ഞ സ്ക്രാപ്പ് നിരക്കുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നത് ഓരോ നല്ല ഭാഗത്തിനും ഊർജ്ജവും അസംസ്കൃത വസ്തുക്കളുടെ ഉപയോഗവും കുറയ്ക്കുമെന്ന് ഫ്ലോർ മാനേജർ കാണുമ്പോൾ, ലക്ഷ്യങ്ങൾ വിന്യസിക്കുന്നു. AI-യെ പരിശീലിപ്പിക്കുന്നത് ആളുകളെയും പരിശീലിപ്പിക്കുന്നു. ഒരു ഡിഫെക്റ്റ് ഡിറ്റക്ഷൻ മോഡലിനായി ഡാറ്റ ലേബൽ ചെയ്യുന്നതിന്, ഗുണനിലവാരമുള്ള എഞ്ചിനീയർമാർ പരാജയ മോഡുകൾ ആഴത്തിൽ വിശകലനം ചെയ്യേണ്ടതുണ്ട്. ഈ പ്രക്രിയ തന്നെ പലപ്പോഴും മോഡൽ വിന്യസിക്കുന്നതിന് മുമ്പ് പ്രോസസ്സ് മെച്ചപ്പെടുത്തലുകളിലേക്ക് നയിക്കുന്നു.

പ്രതിരോധം സ്വാഭാവികമാണ്. ബ്ലാക്ക് ബോക്‌സ് ശുപാർശകളിൽ സാധുവായ ഭയമുണ്ട്. അതുകൊണ്ടാണ് വിശദീകരിക്കാനുള്ള കഴിവ് പ്രധാനം. ചൂളയിലെ താപനില 15 ഡിഗ്രി സെൽഷ്യസ് കുറയ്ക്കണമെന്ന് സിസ്റ്റം പറഞ്ഞാൽ, അത് ന്യായവാദവും നൽകണം: ചരിത്രപരമായ ഡാറ്റ കാണിക്കുന്നത് ഈ താഴ്ന്ന താപനിലയിൽ X, Y പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നത് 8% കുറവ് പ്രകൃതിവാതക ഉപഭോഗത്തിൽ സമാന കാഠിന്യത്തിന് കാരണമായി. ഇത് വിശ്വാസ്യത വർദ്ധിപ്പിക്കുകയും AI-യെ സുസ്ഥിരതയ്ക്കുള്ള ഒരു സഹകരണ ഉപകരണമാക്കി മാറ്റുകയും ചെയ്യുന്നു നിർമ്മാണം.

മുന്നോട്ട് നോക്കുന്നു: ഇൻ്റഗ്രേഷൻ ചലഞ്ച്

ഊർജ്ജത്തിനോ ഗുണനിലവാരത്തിനോ വേണ്ടിയുള്ള ഒറ്റപ്പെട്ട AI ആപ്ലിക്കേഷനുകളിലല്ല ഭാവി. ഇത് ഒന്നിലധികം, ചിലപ്പോൾ മത്സരിക്കുന്ന, ലക്ഷ്യങ്ങളെ സന്തുലിതമാക്കുന്ന സംയോജിത പ്രക്രിയ ഒപ്റ്റിമൈസേഷനിലാണ്: ത്രൂപുട്ട്, വിളവ്, ഊർജ്ജ ഉപയോഗം, ടൂൾ വെയർ, കാർബൺ കാൽപ്പാടുകൾ. ഇത് തത്സമയ മനുഷ്യ കണക്കുകൂട്ടലിന് അതീതമായ ഒരു മൾട്ടി-ഒബ്ജക്റ്റീവ് ഒപ്റ്റിമൈസേഷൻ പ്രശ്നമാണ്.

ഞങ്ങൾ ഒരു ഉപഭോക്തൃ ഓർഡർ എടുക്കുകയും ഏറ്റവും സുസ്ഥിരമായ ഉൽപ്പാദന റൂട്ട് ചലനാത്മകമായി നിർണ്ണയിക്കുകയും ചെയ്യുന്ന പൈലറ്റിംഗ് സിസ്റ്റങ്ങളാണ്. ഫാക്‌ടറിയുടെ പുതിയ സോളാർ അറേ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന പഴയതും വേഗത കുറഞ്ഞതുമായ ലൈനിലോ ഗ്രിഡ്-പവർ ഉള്ളതും എന്നാൽ സ്‌ക്രാപ്പ് നിരക്ക് കുറവുള്ളതുമായ പുതിയ വേഗതയേറിയ ലൈനിലോ ഈ ബാച്ച് ഫാസ്റ്റനറുകൾ നിർമ്മിക്കണോ? ഏത് സാധ്യതയുള്ള സ്ക്രാപ്പിലും ഉൾച്ചേർത്ത കാർബൺ ഉൾപ്പെടെയുള്ള നെറ്റ് കാർബൺ ഇംപാക്റ്റ് കണക്കാക്കാനും യഥാർത്ഥത്തിൽ ഒപ്റ്റിമൽ പാത ശുപാർശ ചെയ്യാനും AI-ന് കഴിയും. ഇത് അടുത്ത തലത്തിലുള്ള ചിന്തയാണ്.

ലൈഫ് സൈക്കിൾ അസസ്‌മെൻ്റ് ഇൻ്റഗ്രേഷനാണ് അവസാന തടസ്സം. യഥാർത്ഥമായത് ബൂസ്റ്റ് നിർമ്മാണത്തിലെ AI-ക്ക് മെറ്റീരിയലുകളുടെയും പ്രക്രിയകളുടെയും മുഴുവൻ ജീവിതചക്ര ആഘാതത്തെക്കുറിച്ചുള്ള ഡാറ്റയിലേക്ക് ആക്‌സസ് ഉള്ളപ്പോൾ സുസ്ഥിരതയിലേക്ക് വരും. ഒരു സിങ്ക് പ്ലേറ്റിംഗും പുതിയ പോളിമർ കോട്ടിംഗും തമ്മിൽ തിരഞ്ഞെടുക്കുന്നത് ഒരു ചെലവ് തീരുമാനമല്ല; രാസ ഉപയോഗം, ഈട്, ജീവിതാവസാനം പുനഃചംക്രമണം എന്നിവയെ കുറിച്ചുള്ള തീരുമാനമാണിത്. ഞങ്ങൾ ഇതുവരെ അവിടെ ഇല്ല, പക്ഷേ അടിസ്ഥാനപരമായ പ്രവർത്തനം-പ്രക്രിയകൾ ഡിജിറ്റൈസ് ചെയ്യുകയും ഇൻസ്ട്രുമെൻ്റ് ചെയ്യുകയും അഡാപ്റ്റീവ് നിയന്ത്രണത്തിന് വിധേയമാക്കുകയും ചെയ്യുന്നു-ആ ഭാവി സാധ്യമാക്കുന്നത്. ഒരു സമയം ഒരു ചെറിയ, പാഴായ പ്രശ്നം പരിഹരിക്കാനുള്ള നീണ്ട, അപരിചിതമായ റോഡാണിത്.