Bagaimanakah AI meningkatkan kemampanan? 

Apabila orang bertanya bagaimana AI meningkatkan kemampanan, pemikiran segera sering melompat ke visi besar: mengoptimumkan rantaian bekalan global dalam sekelip mata atau menyelesaikan pemodelan iklim secara ajaib. Setelah bekerja di lapangan dengan pasukan pembuatan dan logistik, saya telah melihat bahawa impak sebenar adalah lebih terperinci, selalunya tidak kemas dan jauh daripada peluru perak. Salah tanggapan ialah AI beroperasi dalam vakum—tidak. Nilainya dibuka hanya apabila ia tertanam dalam dalam proses sedia ada, selalunya tidak cekap. Ia kurang mengenai algoritma pintar dan lebih banyak tentang pelarasan praktikal kepada aliran bahan, penggunaan tenaga dan corak sisa. Biarkan saya berjalan melalui beberapa kawasan di mana ini sebenarnya berlaku, dan di mana ia kadang-kadang tersandung.

The Concrete: Pengoptimuman Tenaga dan Sumber

Ambil persekitaran perindustrian biasa, seperti kilang pembuatan pengikat. Beban tenaga tidak tetap; ia melonjak semasa penempaan atau rawatan haba. Kami bekerja dengan pasukan di sebuah kemudahan di Hebei—fikirkan kelompok perindustrian di Daerah Yongnian—untuk menggunakan model pembelajaran mesin yang agak mudah pada data penggunaan kuasa sejarah. Matlamatnya bukan untuk mencipta semula proses tetapi untuk meramalkan lonjakan permintaan dan membuat operasi yang tidak kritikal. Hasilnya ialah pengurangan 7-8% dalam caj beban puncak, yang secara langsung mengurangkan jejak karbon dan kos. Bunyinya sederhana, tetapi pada skala, merentasi ratusan relau dan penekan, kesan kumulatifnya adalah besar. AI di sini tidak berfikir; pengecaman coraknya digunakan pada set data dunia sebenar yang sangat bising.

Di mana ia menjadi rumit ialah infrastruktur data. Banyak tumbuhan, malah yang besar suka Handan Zitai Fastener Manufacturing Co., Ltd., mempunyai sistem SCADA warisan dan log manual. Halangan pertama ialah mendapatkan data yang bersih dan dicap masa dari tingkat kedai. Kami menghabiskan masa berminggu-minggu hanya untuk menyediakan penderia IoT asas untuk membekalkan model-langkah yang sering diperkatakan dalam kajian kes berkilat. Tanpa ini, mana-mana model AI hanyalah latihan teori. Laman web https://www.zitaifasteners.com mungkin mempamerkan produk mereka, tetapi keuntungan kemampanan berlaku di sebalik tabir, dalam penyepaduan cermat aliran data daripada mesin yang tidak pernah direka untuk bercakap antara satu sama lain.

Sudut lain ialah hasil bahan. Dalam pengeluaran pengikat, keluli gegelung ditebuk dan dibentuk. Scrap tidak dapat dielakkan, tetapi sistem penglihatan komputer dipacu AI kini boleh memeriksa bahan mentah untuk kecacatan sebelum mengecap, malah melaraskan corak pemotongan secara dinamik untuk meminimumkan sisa. Kami merintis ini dengan rakan kongsi, dan sementara algoritma berfungsi, ROI adalah negatif untuk larian kelompok yang lebih kecil disebabkan kerumitan persediaan. Ini adalah nuansa kritikal: AI untuk kemampanan tidak boleh digunakan secara universal; ia menuntut skala tertentu dan kematangan operasi untuk membayar.

Logistik dan Rangkaian Tersembunyi

Pengangkutan adalah pemancar karbon yang besar. Di sini, peranan AI dalam pengoptimuman laluan terkenal, tetapi kekangan dunia sebenar adalah yang menjadikannya menarik. Bagi pengeluar yang terletak secara berfaedah berhampiran Kereta Api Beijing-Guangzhou dan Lebuhraya Nasional 107, seperti Zitai, persoalannya bukan sekadar mencari jalan terpendek. Ini mengenai menyatukan beban separa, meramalkan kelewatan pelabuhan, dan juga memfaktorkan trafik masa nyata dan data cuaca untuk mengurangkan masa terbiar untuk trak. Kami melaksanakan sistem yang melakukan ini, dan penjimatan bahan api purata sekitar 12%. Walau bagaimanapun, pengesyoran sistem kadangkala ditolak oleh penghantar yang mempercayai pengalaman mereka terhadap algoritma—cabaran kolaborasi manusia-AI klasik.

Di luar laluan, terdapat pengoptimuman inventori. Menyimpan lebihan inventori mengikat modal dan ruang, dan selalunya membawa kepada pembaziran (terutamanya untuk pengikat bersalut atau dirawat dengan kebimbangan jangka hayat). Model ramalan yang menggunakan data jualan, aliran bermusim dan penunjuk ekonomi yang lebih luas boleh mengetatkan tahap inventori. Saya masih ingat satu projek di mana kami mengurangkan stok keselamatan sebanyak 15% tanpa meningkatkan risiko kehabisan stok. Tetapi model itu gagal dengan hebat apabila peralihan dasar serantau secara tiba-tiba mengganggu rantaian bekalan-ia tidak dilatih mengenai acara angsa hitam seperti itu. Ini menyerlahkan bahawa model AI hanya sebaik data sejarah yang mereka lihat; mereka bergelut dengan kejutan sistemik novel.

Rantaian bekalan yang dilanjutkan adalah tempat ia menjadi lebih luas. AI boleh membantu mereka bentuk gelung ekonomi bulat. Sebagai contoh, dengan menganalisis data kitar hayat produk, ia boleh meramalkan bila sekumpulan pengikat dari ladang solar yang telah dinyahaktifkan mungkin tersedia untuk digunakan semula atau dikitar semula, sekali gus mengurangkan keperluan untuk bahan dara. Ini masih baru, tetapi projek perintis di EU sedang meneroka perkara ini. Ia menggerakkan kemampanan daripada kecekapan semata-mata kepada kitaran sumber sistemik.

Pemantauan, Pelaporan dan Push Ketelusan

Kemampanan hari ini memerlukan pengukuran yang teliti. AI mempercepatkan pemantauan alam sekitar secara drastik. Daripada audit bulanan pelepasan atau air sisa secara manual, rangkaian penderia dengan analitis AI boleh menyediakan data berbutir yang berterusan. Kami membantu menyediakan sistem untuk memantau pelepasan kompaun organik meruap (VOC) dalam bengkel penyaduran. AI bukan sahaja mengukur; ia mengenal pasti korelasi antara kumpulan pengeluaran tertentu dan lonjakan pelepasan, membolehkan pelarasan proses. Ini menjadikan pematuhan daripada pusat kos kepada sumber cerapan operasi.

Walau bagaimanapun, menjana data adalah satu perkara; mempercayainya adalah lain. Terdapat ketegangan yang berterusan antara metrik kemampanan yang dijana oleh AI dan keperluan untuk rekod yang boleh diaudit dan boleh disahkan untuk rangka kerja seperti pelaporan ESG. Bolehkah pengawal selia dan pelabur mempercayai ringkasan perakaunan karbon AI? Kami berada dalam fasa di mana AI mengendalikan bebanan data yang berat, tetapi pakar manusia masih diperlukan untuk mengesahkan dan mentafsir. Alat ini berkuasa, tetapi ia tidak menggantikan keperluan untuk pertimbangan profesional.

Pada skala makro, AI mendayakan pengesanan jejak karbon yang lebih tepat merentas rantaian bekalan yang kompleks. Dengan mengikis dan menganalisis data daripada portal pembekal, manifes penghantaran dan bil tenaga, ia boleh mencipta peta jejak masa hampir nyata. Bagi syarikat seperti Zitai, yang merupakan sebahagian daripada pangkalan pengeluaran yang luas, keterlihatan ini penting untuk pelanggan hiliran di Eropah atau Amerika Utara yang berada di bawah tekanan untuk melaporkan pelepasan Skop 3. Ia menukarkan kemampanan daripada komitmen yang tidak jelas kepada komponen perniagaan yang boleh diukur dan diuruskan.

Perangkap dan Kos yang Diabaikan

Ia tidak semuanya positif. Kos pengiraan latihan dan menjalankan model AI yang besar sendiri merupakan beban alam sekitar. Projek yang memberi tumpuan kepada penjimatan tenaga di kilang mesti mengambil kira tenaga yang digunakan oleh pelayan awan yang melatih model. Dalam kerja kami, kami telah beralih kepada menggunakan model khusus yang lebih cekap dan bukannya pembelajaran mendalam secara kasar atas sebab ini. Kadangkala, model statistik yang lebih ringkas memberi anda 80% manfaat dengan 1% daripada overhed pengiraan. Kemampanan melalui AI mesti mengambil kira jejaknya sendiri.

Terdapat juga risiko mengoptimumkan satu bahagian sistem dengan mengorbankan bahagian lain. Kami pernah mengoptimumkan jadual pengeluaran untuk kecekapan tenaga, hanya untuk mendapati ia meningkatkan kehausan pada alatan tertentu, yang membawa kepada penggantian yang lebih kerap dan sisa bahan yang berkaitan. Pandangan holistik adalah penting. Kemampanan sebenar bukanlah tentang maksimum tempatan tetapi daya tahan seluruh sistem dan kesan keseluruhan yang minimum. Sistem AI perlu direka bentuk dengan mengambil kira pengoptimuman berbilang objektif, yang merupakan masalah yang lebih sukar.

Akhir sekali, unsur manusia. Melaksanakan perubahan dipacu AI memerlukan kakitangan mahir, pengurusan perubahan, dan selalunya, modal pendahuluan. Bagi kebanyakan perusahaan kecil dan sederhana dalam bidang pembuatan, keutamaan adalah kelangsungan hidup dan pemenuhan pesanan. Hujah kemampanan mesti digabungkan dengan faedah ekonomi jangka pendek hingga sederhana yang jelas. Itulah sebabnya juruterbang yang paling berjaya yang pernah saya lihat bermula dengan buah yang tergantung rendah: penyelenggaraan ramalan untuk mengelakkan masa henti yang mahal dan pembaziran bahan, atau kawalan pencahayaan/pemanasan pintar yang membayar balik dalam masa kurang dari dua tahun.

Memandang ke Hadapan: Integrasi, Bukan Pengasingan

Jadi, bagaimanakah AI benar-benar meningkatkan kemampanan? Ia bukan melalui AI yang mencolok dan berdiri sendiri untuk projek yang baik. Ia melalui integrasi beransur-ansur, selalunya tidak seksi, ke dalam timbunan teknologi operasi industri seperti pembuatan, logistik dan tenaga. Ia meningkatkan kemampanan dengan membuat kecekapan sumber boleh diukur dan boleh diambil tindakan, dengan mendedahkan aliran sisa yang sebelum ini tidak kelihatan, dan dengan membolehkan sistem yang lebih adaptif dan responsif.

Masa depan, pada pandangan saya, terletak pada AI terbenam. Fikirkan mesin perindustrian yang melaraskan sendiri parameternya untuk penggunaan tenaga minimum sambil mengekalkan kualiti, atau platform logistik yang secara automatik memilih pilihan penghantaran karbon terendah yang memenuhi kekangan kos dan masa. Ia menjadi ciri standard, bukan inisiatif yang berasingan. Kerja-kerja di tempat-tempat seperti pangkalan pengeluaran Yongnian, dengan rangkaian pengeluar yang padat, adalah tempat ujian yang sempurna untuk pendekatan bersepadu ini.

Pada akhirnya, AI ialah alat yang berkuasa, tetapi hanya itu-alat. Sumbangannya kepada kelestarian ditentukan oleh tangan yang menggunakannya dan masalah yang mereka pilih untuk diselesaikan. Rangsangan datang daripada tumpuan yang tidak henti-henti pada konkrit, keuntungan tambahan dalam aliran bahan dan tenaga, yang dimaklumkan oleh data yang kini akhirnya dapat kami tangkap dan fahami. Ia adalah perjalanan yang praktikal, penuh dengan percubaan dan kesilapan, jauh dari kitaran gembar-gembur, dan di situlah nilai sebenarnya untuk masa depan yang mampan sedang dibina.