AI ਸਥਿਰਤਾ ਨੂੰ ਕਿਵੇਂ ਵਧਾਉਂਦਾ ਹੈ? 

ਜਦੋਂ ਲੋਕ ਪੁੱਛਦੇ ਹਨ ਕਿ ਕਿਵੇਂ AI ਸਥਿਰਤਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ, ਤਾਂ ਤੁਰੰਤ ਵਿਚਾਰ ਅਕਸਰ ਸ਼ਾਨਦਾਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ 'ਤੇ ਛਾਲ ਮਾਰਦਾ ਹੈ: ਰਾਤੋ-ਰਾਤ ਗਲੋਬਲ ਸਪਲਾਈ ਚੇਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ ਜਾਂ ਜਾਦੂਈ ਢੰਗ ਨਾਲ ਜਲਵਾਯੂ ਮਾਡਲਿੰਗ ਨੂੰ ਹੱਲ ਕਰਨਾ। ਮੈਨੂਫੈਕਚਰਿੰਗ ਅਤੇ ਲੌਜਿਸਟਿਕ ਟੀਮਾਂ ਦੇ ਨਾਲ ਜ਼ਮੀਨ 'ਤੇ ਕੰਮ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਮੈਂ ਦੇਖਿਆ ਹੈ ਕਿ ਅਸਲ ਪ੍ਰਭਾਵ ਜ਼ਿਆਦਾ ਦਾਣੇਦਾਰ, ਅਕਸਰ ਗੜਬੜ ਵਾਲਾ, ਅਤੇ ਚਾਂਦੀ ਦੀ ਗੋਲੀ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹੁੰਦਾ ਹੈ। ਗਲਤ ਧਾਰਨਾ ਇਹ ਹੈ ਕਿ AI ਵੈਕਿਊਮ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ - ਅਜਿਹਾ ਨਹੀਂ ਹੁੰਦਾ। ਇਸਦਾ ਮੁੱਲ ਉਦੋਂ ਹੀ ਅਨਲੌਕ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇਹ ਮੌਜੂਦਾ, ਅਕਸਰ ਅਕੁਸ਼ਲ, ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਏਮਬੇਡ ਹੁੰਦਾ ਹੈ। ਇਹ ਬੁੱਧੀਮਾਨ ਐਲਗੋਰਿਦਮ ਬਾਰੇ ਘੱਟ ਹੈ ਅਤੇ ਸਮੱਗਰੀ ਦੇ ਪ੍ਰਵਾਹ, ਊਰਜਾ ਦੀ ਖਪਤ, ਅਤੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਪੈਟਰਨਾਂ ਲਈ ਵਿਹਾਰਕ ਵਿਵਸਥਾਵਾਂ ਬਾਰੇ ਹੋਰ ਹੈ। ਮੈਨੂੰ ਕੁਝ ਖੇਤਰਾਂ ਵਿੱਚੋਂ ਲੰਘਣ ਦਿਓ ਜਿੱਥੇ ਇਹ ਅਸਲ ਵਿੱਚ ਖੇਡਦਾ ਹੈ, ਅਤੇ ਜਿੱਥੇ ਇਹ ਕਈ ਵਾਰ ਠੋਕਰ ਖਾਂਦਾ ਹੈ।

ਕੰਕਰੀਟ: ਊਰਜਾ ਅਤੇ ਸਰੋਤ ਅਨੁਕੂਲਨ

ਇੱਕ ਆਮ ਉਦਯੋਗਿਕ ਸੈਟਿੰਗ ਲਓ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਫਾਸਟਨਰ ਨਿਰਮਾਣ ਪਲਾਂਟ। ਊਰਜਾ ਲੋਡ ਸਥਿਰ ਨਹੀਂ ਹੈ; ਇਹ ਫੋਰਜਿੰਗ ਜਾਂ ਗਰਮੀ ਦੇ ਇਲਾਜ ਦੌਰਾਨ ਵਧਦਾ ਹੈ। ਅਸੀਂ ਇਤਿਹਾਸਕ ਪਾਵਰ ਖਪਤ ਡੇਟਾ 'ਤੇ ਮੁਕਾਬਲਤਨ ਸਧਾਰਨ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਲਈ Hebei ਵਿੱਚ ਇੱਕ ਸੁਵਿਧਾ ਵਿੱਚ ਇੱਕ ਟੀਮ ਨਾਲ ਕੰਮ ਕੀਤਾ—ਯੋਂਗਨੀਅਨ ਜ਼ਿਲ੍ਹੇ ਵਿੱਚ ਉਦਯੋਗਿਕ ਕਲੱਸਟਰ ਬਾਰੇ ਸੋਚੋ। ਟੀਚਾ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪੁਨਰ-ਨਿਰਮਾਣ ਕਰਨਾ ਨਹੀਂ ਸੀ, ਪਰ ਮੰਗ ਦੇ ਵਾਧੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਅਤੇ ਗੈਰ-ਨਾਜ਼ੁਕ ਕਾਰਜਾਂ ਨੂੰ ਹੈਰਾਨ ਕਰਨਾ ਸੀ। ਨਤੀਜਾ ਪੀਕ-ਲੋਡ ਚਾਰਜ ਵਿੱਚ 7-8% ਦੀ ਕਮੀ ਸੀ, ਜੋ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਅਤੇ ਲਾਗਤ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਇਹ ਮਾਮੂਲੀ ਜਾਪਦਾ ਹੈ, ਪਰ ਪੈਮਾਨੇ 'ਤੇ, ਸੈਂਕੜੇ ਭੱਠੀਆਂ ਅਤੇ ਪ੍ਰੈਸਾਂ ਵਿੱਚ, ਸੰਚਤ ਪ੍ਰਭਾਵ ਕਾਫ਼ੀ ਹੈ। ਏਆਈ ਇੱਥੇ ਨਹੀਂ ਸੋਚ ਰਿਹਾ; ਇਹ ਪੈਟਰਨ ਮਾਨਤਾ ਬਹੁਤ ਰੌਲੇ-ਰੱਪੇ ਵਾਲੇ, ਅਸਲ-ਸੰਸਾਰ ਡੇਟਾਸੈਟ 'ਤੇ ਲਾਗੂ ਹੁੰਦੀ ਹੈ।

ਜਿੱਥੇ ਇਹ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਂਦਾ ਹੈ ਉਹ ਡਾਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਪੌਦੇ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਵੱਡੇ ਵੀ ਹੈਂਡਨ ਜ਼ੀਟਾਈ ਫਾਸਟੇਨਰ ਨਿਰਮਾਣ ਕੰਪਨੀ, ਲਿਮਟਿਡ, ਪੁਰਾਤਨ SCADA ਸਿਸਟਮ ਅਤੇ ਮੈਨੂਅਲ ਲੌਗ ਹਨ। ਪਹਿਲੀ ਰੁਕਾਵਟ ਦੁਕਾਨ ਦੇ ਫਲੋਰ ਤੋਂ ਸਾਫ਼, ਸਮਾਂ-ਸਟੈਂਪਡ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰ ਰਹੀ ਹੈ। ਅਸੀਂ ਮਾਡਲਾਂ ਨੂੰ ਫੀਡ ਕਰਨ ਲਈ ਬੁਨਿਆਦੀ IoT ਸੈਂਸਰ ਸਥਾਪਤ ਕਰਨ ਲਈ ਹਫ਼ਤੇ ਬਿਤਾਏ—ਇੱਕ ਕਦਮ ਜੋ ਅਕਸਰ ਗਲੋਸੀ ਕੇਸ ਸਟੱਡੀਜ਼ ਵਿੱਚ ਚਮਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਬਿਨਾਂ, ਕੋਈ ਵੀ ਏਆਈ ਮਾਡਲ ਸਿਰਫ਼ ਇੱਕ ਸਿਧਾਂਤਕ ਅਭਿਆਸ ਹੈ। ਵੈੱਬਸਾਈਟ https://www.zitifaseters.com ਆਪਣੇ ਉਤਪਾਦਾਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਸਥਿਰਤਾ ਲਾਭ ਪਰਦੇ ਦੇ ਪਿੱਛੇ ਹੁੰਦਾ ਹੈ, ਮਸ਼ੀਨਾਂ ਤੋਂ ਡੇਟਾ ਸਟ੍ਰੀਮ ਦੇ ਗੰਭੀਰ ਏਕੀਕਰਣ ਵਿੱਚ ਜੋ ਕਦੇ ਵੀ ਇੱਕ ਦੂਜੇ ਨਾਲ ਗੱਲ ਕਰਨ ਲਈ ਤਿਆਰ ਨਹੀਂ ਕੀਤੇ ਗਏ ਸਨ।

ਇਕ ਹੋਰ ਕੋਣ ਪਦਾਰਥਕ ਉਪਜ ਹੈ। ਫਾਸਟਨਰ ਉਤਪਾਦਨ ਵਿੱਚ, ਕੋਇਲ ਸਟੀਲ ਨੂੰ ਪੰਚ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਬਣਦਾ ਹੈ। ਸਕ੍ਰੈਪ ਅਟੱਲ ਹੈ, ਪਰ AI-ਸੰਚਾਲਿਤ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਸਿਸਟਮ ਹੁਣ ਸਟੈਂਪਿੰਗ ਤੋਂ ਪਹਿਲਾਂ ਕੱਚੇ ਮਾਲ ਦੀ ਨੁਕਸ ਦਾ ਮੁਆਇਨਾ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਕੂੜੇ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਲਈ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਕੱਟਣ ਦੇ ਪੈਟਰਨਾਂ ਨੂੰ ਵੀ ਵਿਵਸਥਿਤ ਕਰ ਸਕਦੇ ਹਨ। ਅਸੀਂ ਇੱਕ ਸਹਿਭਾਗੀ ਦੇ ਨਾਲ ਇਸਨੂੰ ਪਾਇਲਟ ਕੀਤਾ, ਅਤੇ ਜਦੋਂ ਐਲਗੋਰਿਦਮ ਕੰਮ ਕਰਦਾ ਸੀ, ਸੈੱਟਅੱਪ ਜਟਿਲਤਾ ਦੇ ਕਾਰਨ ਛੋਟੇ ਬੈਚ ਰਨ ਲਈ ROI ਨਕਾਰਾਤਮਕ ਸੀ। ਇਹ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਸੂਖਮਤਾ ਹੈ: ਸਥਿਰਤਾ ਲਈ AI ਸਰਵ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਲਾਗੂ ਨਹੀਂ ਹੈ; ਇਹ ਭੁਗਤਾਨ ਕਰਨ ਲਈ ਇੱਕ ਖਾਸ ਸਕੇਲ ਅਤੇ ਕਾਰਜਸ਼ੀਲ ਪਰਿਪੱਕਤਾ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ।

ਲੌਜਿਸਟਿਕਸ ਅਤੇ ਲੁਕਿਆ ਹੋਇਆ ਨੈੱਟਵਰਕ

ਆਵਾਜਾਈ ਇੱਕ ਵਿਸ਼ਾਲ ਕਾਰਬਨ ਐਮੀਟਰ ਹੈ। ਇੱਥੇ, ਰੂਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਵਿੱਚ AI ਦੀ ਭੂਮਿਕਾ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਣੀ ਜਾਂਦੀ ਹੈ, ਪਰ ਅਸਲ-ਸੰਸਾਰ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਇਸ ਨੂੰ ਦਿਲਚਸਪ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਬੀਜਿੰਗ-ਗੁਆਂਗਜ਼ੂ ਰੇਲਵੇ ਅਤੇ ਨੈਸ਼ਨਲ ਹਾਈਵੇਅ 107 ਦੇ ਨੇੜੇ ਲਾਭਦਾਇਕ ਤੌਰ 'ਤੇ ਸਥਿਤ ਇੱਕ ਨਿਰਮਾਤਾ ਲਈ, ਜਿਤਾਈ ਵਾਂਗ, ਸਵਾਲ ਸਿਰਫ ਸਭ ਤੋਂ ਛੋਟਾ ਰਸਤਾ ਲੱਭਣ ਦਾ ਨਹੀਂ ਹੈ। ਇਹ ਟਰੱਕਾਂ ਲਈ ਵਿਹਲੇ ਸਮੇਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਅੰਸ਼ਕ ਲੋਡਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਨ, ਪੋਰਟ ਦੇਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਅਸਲ-ਸਮੇਂ ਦੇ ਟ੍ਰੈਫਿਕ ਅਤੇ ਮੌਸਮ ਦੇ ਡੇਟਾ ਵਿੱਚ ਫੈਕਟਰਿੰਗ ਬਾਰੇ ਹੈ। ਅਸੀਂ ਇੱਕ ਪ੍ਰਣਾਲੀ ਲਾਗੂ ਕੀਤੀ ਜਿਸਨੇ ਅਜਿਹਾ ਕੀਤਾ, ਅਤੇ ਬਾਲਣ ਦੀ ਬਚਤ ਔਸਤਨ 12% ਹੈ। ਹਾਲਾਂਕਿ, ਸਿਸਟਮ ਦੀਆਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਨੂੰ ਕਈ ਵਾਰ ਡਿਸਪੈਚਰਾਂ ਦੁਆਰਾ ਰੱਦ ਕਰ ਦਿੱਤਾ ਗਿਆ ਸੀ ਜਿਨ੍ਹਾਂ ਨੇ ਐਲਗੋਰਿਦਮ ਉੱਤੇ ਆਪਣੇ ਤਜ਼ਰਬੇ 'ਤੇ ਭਰੋਸਾ ਕੀਤਾ - ਇੱਕ ਕਲਾਸਿਕ ਮਨੁੱਖੀ-ਏਆਈ ਸਹਿਯੋਗ ਚੁਣੌਤੀ।

ਰੂਟਾਂ ਤੋਂ ਪਰੇ, ਵਸਤੂ ਸੂਚੀ ਅਨੁਕੂਲਨ ਹੈ। ਵਾਧੂ ਵਸਤੂਆਂ ਨੂੰ ਰੱਖਣ ਨਾਲ ਪੂੰਜੀ ਅਤੇ ਸਪੇਸ ਨੂੰ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਅਕਸਰ ਕੂੜਾ ਹੁੰਦਾ ਹੈ (ਖਾਸ ਤੌਰ 'ਤੇ ਸ਼ੈਲਫ-ਲਾਈਫ ਚਿੰਤਾਵਾਂ ਵਾਲੇ ਕੋਟੇਡ ਜਾਂ ਟ੍ਰੀਟਿਡ ਫਾਸਟਨਰਾਂ ਲਈ)। ਵਿਕਰੀ ਡੇਟਾ, ਮੌਸਮੀ ਰੁਝਾਨ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਵਿਆਪਕ ਆਰਥਿਕ ਸੂਚਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਵਸਤੂਆਂ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਕੱਸ ਸਕਦੇ ਹਨ। ਮੈਨੂੰ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਯਾਦ ਹੈ ਜਿੱਥੇ ਅਸੀਂ ਸਟਾਕ-ਆਊਟ ਜੋਖਮ ਨੂੰ ਵਧਾਏ ਬਿਨਾਂ ਸੁਰੱਖਿਆ ਸਟਾਕ ਨੂੰ 15% ਘਟਾ ਦਿੱਤਾ ਹੈ। ਪਰ ਇਹ ਮਾਡਲ ਸ਼ਾਨਦਾਰ ਤੌਰ 'ਤੇ ਅਸਫਲ ਹੋ ਗਿਆ ਜਦੋਂ ਅਚਾਨਕ ਖੇਤਰੀ ਨੀਤੀ ਦੀ ਤਬਦੀਲੀ ਨੇ ਸਪਲਾਈ ਚੇਨਾਂ ਨੂੰ ਵਿਗਾੜ ਦਿੱਤਾ - ਇਸ ਨੂੰ ਅਜਿਹੇ ਕਾਲੇ ਹੰਸ ਦੀਆਂ ਘਟਨਾਵਾਂ 'ਤੇ ਸਿਖਲਾਈ ਨਹੀਂ ਦਿੱਤੀ ਗਈ ਸੀ। ਇਹ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਕਿ AI ਮਾਡਲ ਸਿਰਫ ਉਹਨਾਂ ਇਤਿਹਾਸਕ ਡੇਟਾ ਜਿੰਨਾ ਵਧੀਆ ਹਨ ਜੋ ਉਹਨਾਂ ਨੇ ਦੇਖਿਆ ਹੈ; ਉਹ ਨਾਵਲ ਪ੍ਰਣਾਲੀਗਤ ਝਟਕਿਆਂ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ।

ਵਿਸਤ੍ਰਿਤ ਸਪਲਾਈ ਲੜੀ ਉਹ ਹੈ ਜਿੱਥੇ ਇਹ ਵਿਆਪਕ ਹੋ ਜਾਂਦੀ ਹੈ। AI ਸਰਕੂਲਰ ਆਰਥਿਕ ਲੂਪਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਉਤਪਾਦ ਲਾਈਫਸਾਈਕਲ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦਾ ਹੈ ਕਿ ਕਦੋਂ ਬੰਦ ਕੀਤੇ ਗਏ ਸੋਲਰ ਫਾਰਮ ਤੋਂ ਫਾਸਟਨਰਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਦੁਬਾਰਾ ਵਰਤੋਂ ਜਾਂ ਰੀਸਾਈਕਲਿੰਗ ਲਈ ਉਪਲਬਧ ਹੋ ਸਕਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਕੁਆਰੀ ਸਮੱਗਰੀ ਦੀ ਲੋੜ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਇਹ ਅਜੇ ਵੀ ਨਵੀਨਤਮ ਹੈ, ਪਰ EU ਵਿੱਚ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ ਇਸਦੀ ਖੋਜ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਸਥਿਰਤਾ ਨੂੰ ਸਿਰਫ਼ ਕੁਸ਼ਲਤਾ ਤੋਂ ਪ੍ਰਣਾਲੀਗਤ ਸਰੋਤ ਸਾਈਕਲਿੰਗ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ।

ਨਿਗਰਾਨੀ, ਰਿਪੋਰਟਿੰਗ, ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਪੁਸ਼

ਸਥਿਰਤਾ ਲਈ ਅੱਜ ਸਖ਼ਤ ਮਾਪ ਦੀ ਲੋੜ ਹੈ। AI ਵਾਤਾਵਰਣ ਦੀ ਨਿਗਰਾਨੀ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਨਿਕਾਸ ਜਾਂ ਗੰਦੇ ਪਾਣੀ ਦੇ ਮਾਸਿਕ ਮੈਨੂਅਲ ਆਡਿਟ ਦੀ ਬਜਾਏ, ਏਆਈ ਵਿਸ਼ਲੇਸ਼ਣ ਵਾਲੇ ਸੈਂਸਰ ਨੈਟਵਰਕ ਨਿਰੰਤਰ, ਦਾਣੇਦਾਰ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ। ਅਸੀਂ ਪਲੇਟਿੰਗ ਵਰਕਸ਼ਾਪ ਵਿੱਚ ਅਸਥਿਰ ਜੈਵਿਕ ਮਿਸ਼ਰਣ (VOC) ਨਿਕਾਸ ਦੀ ਨਿਗਰਾਨੀ ਲਈ ਇੱਕ ਸਿਸਟਮ ਸਥਾਪਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ। ਏਆਈ ਨੇ ਸਿਰਫ਼ ਮਾਪ ਨਹੀਂ ਕੀਤਾ; ਇਸਨੇ ਖਾਸ ਉਤਪਾਦਨ ਬੈਚਾਂ ਅਤੇ ਐਮਿਸ਼ਨ ਸਪਾਈਕਸ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ, ਜਿਸ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਦੇ ਸਮਾਯੋਜਨ ਦੀ ਆਗਿਆ ਦਿੱਤੀ ਗਈ। ਇਹ ਲਾਗਤ ਕੇਂਦਰ ਤੋਂ ਪਾਲਣਾ ਨੂੰ ਕਾਰਜਸ਼ੀਲ ਸੂਝ ਦੇ ਸਰੋਤ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਡੇਟਾ ਤਿਆਰ ਕਰਨਾ ਇੱਕ ਚੀਜ਼ ਹੈ; ਇਸ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਹੋਰ ਹੈ। ਏਆਈ ਦੁਆਰਾ ਤਿਆਰ ਸਥਿਰਤਾ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਈਐਸਜੀ ਰਿਪੋਰਟਿੰਗ ਵਰਗੇ ਫਰੇਮਵਰਕ ਲਈ ਆਡਿਟ ਕਰਨ ਯੋਗ, ਪ੍ਰਮਾਣਿਤ ਰਿਕਾਰਡਾਂ ਦੀ ਜ਼ਰੂਰਤ ਵਿਚਕਾਰ ਇੱਕ ਨਿਰੰਤਰ ਤਣਾਅ ਹੈ। ਕੀ ਰੈਗੂਲੇਟਰ ਅਤੇ ਨਿਵੇਸ਼ਕ AI ਦੇ ਕਾਰਬਨ ਅਕਾਉਂਟਿੰਗ ਦੇ ਸੰਖੇਪ 'ਤੇ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹਨ? ਅਸੀਂ ਇੱਕ ਅਜਿਹੇ ਪੜਾਅ ਵਿੱਚ ਹਾਂ ਜਿੱਥੇ AI ਡਾਟਾ ਕਰੰਚਿੰਗ ਦੀ ਭਾਰੀ ਲਿਫਟਿੰਗ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਪਰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਅਜੇ ਵੀ ਮਨੁੱਖੀ ਮਾਹਰਾਂ ਦੀ ਲੋੜ ਹੈ। ਇਹ ਸਾਧਨ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਇਸ ਨੇ ਪੇਸ਼ੇਵਰ ਨਿਰਣੇ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਨਹੀਂ ਬਦਲਿਆ ਹੈ।

ਮੈਕਰੋ ਪੈਮਾਨੇ 'ਤੇ, AI ਗੁੰਝਲਦਾਰ ਸਪਲਾਈ ਚੇਨਾਂ ਵਿੱਚ ਵਧੇਰੇ ਸਟੀਕ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਟਰੈਕਿੰਗ ਨੂੰ ਸਮਰੱਥ ਬਣਾ ਰਿਹਾ ਹੈ। ਸਪਲਾਇਰ ਪੋਰਟਲ, ਸ਼ਿਪਿੰਗ ਮੈਨੀਫੈਸਟ, ਅਤੇ ਊਰਜਾ ਬਿੱਲਾਂ ਤੋਂ ਡੇਟਾ ਨੂੰ ਸਕ੍ਰੈਪਿੰਗ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, ਇਹ ਇੱਕ ਨਜ਼ਦੀਕੀ-ਰੀਅਲ-ਟਾਈਮ ਫੁੱਟਪ੍ਰਿੰਟ ਨਕਸ਼ਾ ਬਣਾ ਸਕਦਾ ਹੈ। Zitai ਵਰਗੀ ਕੰਪਨੀ ਲਈ, ਜੋ ਕਿ ਇੱਕ ਵਿਸ਼ਾਲ ਉਤਪਾਦਨ ਅਧਾਰ ਦਾ ਹਿੱਸਾ ਹੈ, ਇਹ ਦਿੱਖ ਯੂਰਪ ਜਾਂ ਉੱਤਰੀ ਅਮਰੀਕਾ ਵਿੱਚ ਹੇਠਲੇ ਗਾਹਕਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜੋ ਸਕੋਪ 3 ਦੇ ਨਿਕਾਸ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਲਈ ਦਬਾਅ ਹੇਠ ਹਨ। ਇਹ ਇੱਕ ਅਸਪਸ਼ਟ ਵਚਨਬੱਧਤਾ ਤੋਂ ਸਥਿਰਤਾ ਨੂੰ ਕਾਰੋਬਾਰ ਦੇ ਇੱਕ ਮਾਪਯੋਗ, ਪ੍ਰਬੰਧਿਤ ਹਿੱਸੇ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।

ਨੁਕਸਾਨ ਅਤੇ ਅਣਦੇਖੀ ਲਾਗਤਾਂ

ਇਹ ਸਭ ਸਕਾਰਾਤਮਕ ਨਹੀਂ ਹੈ। ਸਿਖਲਾਈ ਅਤੇ ਵੱਡੇ ਏਆਈ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਦੀ ਗਣਨਾਤਮਕ ਲਾਗਤ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਵਾਤਾਵਰਣ ਬੋਝ ਹੈ। ਇੱਕ ਫੈਕਟਰੀ ਵਿੱਚ ਊਰਜਾ ਬਚਾਉਣ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵਾਲੇ ਕਲਾਉਡ ਸਰਵਰਾਂ ਦੁਆਰਾ ਵਰਤੀ ਜਾਂਦੀ ਊਰਜਾ ਦੇ ਵਿਰੁੱਧ ਤੋਲਣਾ ਚਾਹੀਦਾ ਹੈ। ਸਾਡੇ ਕੰਮ ਵਿੱਚ, ਅਸੀਂ ਇਸ ਕਾਰਨ ਕਰਕੇ ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੀ ਬਜਾਏ ਵਧੇਰੇ ਕੁਸ਼ਲ, ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵੱਲ ਚਲੇ ਗਏ ਹਾਂ। ਕਈ ਵਾਰ, ਇੱਕ ਸਧਾਰਨ ਅੰਕੜਾ ਮਾਡਲ ਤੁਹਾਨੂੰ ਕੰਪਿਊਟੇਸ਼ਨਲ ਓਵਰਹੈੱਡ ਦੇ 1% ਦੇ ਨਾਲ 80% ਲਾਭ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। AI ਦੁਆਰਾ ਸਥਿਰਤਾ ਨੂੰ ਇਸਦੇ ਆਪਣੇ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਲਈ ਜਵਾਬਦੇਹ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ.

ਸਿਸਟਮ ਦੇ ਇੱਕ ਹਿੱਸੇ ਨੂੰ ਦੂਜੇ ਦੀ ਕੀਮਤ 'ਤੇ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦਾ ਜੋਖਮ ਵੀ ਹੁੰਦਾ ਹੈ। ਅਸੀਂ ਇੱਕ ਵਾਰ ਊਰਜਾ ਕੁਸ਼ਲਤਾ ਲਈ ਇੱਕ ਉਤਪਾਦਨ ਅਨੁਸੂਚੀ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕੀਤਾ, ਸਿਰਫ ਇਹ ਪਤਾ ਕਰਨ ਲਈ ਕਿ ਇਹ ਕੁਝ ਖਾਸ ਸਾਧਨਾਂ 'ਤੇ ਪਹਿਨਣ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਵਧੇਰੇ ਵਾਰ-ਵਾਰ ਤਬਦੀਲੀ ਅਤੇ ਸੰਬੰਧਿਤ ਸਮੱਗਰੀ ਦੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਸੰਪੂਰਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਜ਼ਰੂਰੀ ਹੈ। ਸੱਚੀ ਸਥਿਰਤਾ ਸਥਾਨਕ ਮੈਕਸਿਮਾ ਬਾਰੇ ਨਹੀਂ ਹੈ ਪਰ ਸਿਸਟਮ-ਵਿਆਪਕ ਲਚਕਤਾ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਕੁੱਲ ਪ੍ਰਭਾਵ ਬਾਰੇ ਹੈ। ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਬਹੁ-ਉਦੇਸ਼ ਵਾਲੇ ਅਨੁਕੂਲਤਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮੁਸ਼ਕਲ ਸਮੱਸਿਆ ਹੈ।

ਅੰਤ ਵਿੱਚ, ਮਨੁੱਖੀ ਤੱਤ. AI-ਸੰਚਾਲਿਤ ਤਬਦੀਲੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਹੁਨਰਮੰਦ ਕਰਮਚਾਰੀਆਂ, ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਤਬਦੀਲੀ, ਅਤੇ ਅਕਸਰ, ਅਗਾਊਂ ਪੂੰਜੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਨਿਰਮਾਣ ਪੱਟੀ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਛੋਟੇ ਅਤੇ ਦਰਮਿਆਨੇ ਆਕਾਰ ਦੇ ਉਦਯੋਗਾਂ ਲਈ, ਪ੍ਰਾਥਮਿਕਤਾ ਬਚਾਅ ਅਤੇ ਆਰਡਰ ਦੀ ਪੂਰਤੀ ਹੈ। ਸਥਿਰਤਾ ਦਲੀਲ ਨੂੰ ਇੱਕ ਸਪਸ਼ਟ, ਥੋੜ੍ਹੇ-ਥੋੜ੍ਹੇ-ਮੱਧਮ-ਮਿਆਦ ਦੇ ਆਰਥਿਕ ਲਾਭ ਦੇ ਨਾਲ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਸਭ ਤੋਂ ਸਫਲ ਪਾਇਲਟ ਜਿਨ੍ਹਾਂ ਨੂੰ ਮੈਂ ਘੱਟ ਲਟਕਣ ਵਾਲੇ ਫਲ ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਦੇਖਿਆ ਹੈ: ਮਹਿੰਗੇ ਡਾਊਨਟਾਈਮ ਅਤੇ ਸਮੱਗਰੀ ਦੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਤੋਂ ਬਚਣ ਲਈ ਪੂਰਵ-ਅਨੁਮਾਨੀ ਰੱਖ-ਰਖਾਅ, ਜਾਂ ਸਮਾਰਟ ਲਾਈਟਿੰਗ/ਹੀਟਿੰਗ ਕੰਟਰੋਲ ਜੋ ਦੋ ਸਾਲਾਂ ਤੋਂ ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਵਾਪਸ ਕਰਦੇ ਹਨ।

ਅੱਗੇ ਦੇਖਦੇ ਹੋਏ: ਏਕੀਕਰਨ, ਅਲੱਗ-ਥਲੱਗ ਨਹੀਂ

ਇਸ ਲਈ, AI ਅਸਲ ਵਿੱਚ ਸਥਿਰਤਾ ਨੂੰ ਕਿਵੇਂ ਵਧਾਉਂਦਾ ਹੈ? ਇਹ ਚੰਗੇ ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਚਮਕਦਾਰ, ਸਟੈਂਡਅਲੋਨ ਏਆਈ ਦੁਆਰਾ ਨਹੀਂ ਹੈ। ਇਹ ਨਿਰਮਾਣ, ਲੌਜਿਸਟਿਕਸ, ਅਤੇ ਊਰਜਾ ਵਰਗੇ ਉਦਯੋਗਾਂ ਦੇ ਸੰਚਾਲਨ ਤਕਨਾਲੋਜੀ ਸਟੈਕ ਵਿੱਚ ਹੌਲੀ-ਹੌਲੀ, ਅਕਸਰ ਗੈਰ-ਸੈਕਸੀ, ਏਕੀਕਰਣ ਦੁਆਰਾ ਹੈ। ਇਹ ਬਣਾ ਕੇ ਸਥਿਰਤਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ ਸਰੋਤ ਕੁਸ਼ਲਤਾ ਮਾਪਣਯੋਗ ਅਤੇ ਕਾਰਵਾਈਯੋਗ, ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀਆਂ ਧਾਰਾਵਾਂ ਨੂੰ ਬੇਪਰਦ ਕਰਕੇ ਜੋ ਪਹਿਲਾਂ ਅਦਿੱਖ ਸਨ, ਅਤੇ ਹੋਰ ਅਨੁਕੂਲ, ਜਵਾਬਦੇਹ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾ ਕੇ।

ਭਵਿੱਖ, ਮੇਰੇ ਵਿਚਾਰ ਵਿੱਚ, ਏਮਬੇਡਡ ਏਆਈ ਵਿੱਚ ਪਿਆ ਹੈ। ਇੱਕ ਉਦਯੋਗਿਕ ਮਸ਼ੀਨ ਬਾਰੇ ਸੋਚੋ ਜੋ ਗੁਣਵੱਤਾ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਘੱਟੋ-ਘੱਟ ਊਰਜਾ ਦੀ ਵਰਤੋਂ ਲਈ ਆਪਣੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਸਵੈ-ਵਿਵਸਥਿਤ ਕਰਦੀ ਹੈ, ਜਾਂ ਇੱਕ ਲੌਜਿਸਟਿਕ ਪਲੇਟਫਾਰਮ ਜੋ ਆਪਣੇ ਆਪ ਸਭ ਤੋਂ ਘੱਟ-ਕਾਰਬਨ ਸ਼ਿਪਿੰਗ ਵਿਕਲਪ ਚੁਣਦਾ ਹੈ ਜੋ ਲਾਗਤ ਅਤੇ ਸਮੇਂ ਦੀਆਂ ਕਮੀਆਂ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਮਿਆਰੀ ਵਿਸ਼ੇਸ਼ਤਾ ਬਣ ਜਾਂਦੀ ਹੈ, ਇੱਕ ਵੱਖਰੀ ਪਹਿਲ ਨਹੀਂ। ਯੋਂਗਨੀਅਨ ਉਤਪਾਦਨ ਅਧਾਰ ਵਰਗੀਆਂ ਥਾਵਾਂ 'ਤੇ ਕੰਮ, ਇਸਦੇ ਨਿਰਮਾਤਾਵਾਂ ਦੇ ਸੰਘਣੇ ਨੈਟਵਰਕ ਦੇ ਨਾਲ, ਇਹਨਾਂ ਏਕੀਕ੍ਰਿਤ ਪਹੁੰਚਾਂ ਲਈ ਇੱਕ ਸੰਪੂਰਨ ਟੈਸਟਿੰਗ ਮੈਦਾਨ ਹੈ।

ਅੰਤ ਵਿੱਚ, AI ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਟੂਲ ਹੈ, ਪਰ ਇਹ ਸਿਰਫ ਉਹੀ ਹੈ - ਇੱਕ ਟੂਲ। ਸਥਿਰਤਾ ਵਿੱਚ ਇਸਦਾ ਯੋਗਦਾਨ ਉਹਨਾਂ ਹੱਥਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਇਸਨੂੰ ਚਲਾਉਂਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਚੁਣਦੇ ਹਨ. ਹੁਲਾਰਾ ਕੰਕਰੀਟ 'ਤੇ ਨਿਰੰਤਰ ਫੋਕਸ ਤੋਂ ਆਉਂਦਾ ਹੈ, ਸਮੱਗਰੀ ਅਤੇ ਊਰਜਾ ਦੇ ਪ੍ਰਵਾਹ ਵਿੱਚ ਵਾਧੇ ਵਾਲੇ ਲਾਭ, ਡੇਟਾ ਦੁਆਰਾ ਸੂਚਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਅਸੀਂ ਹੁਣ ਅੰਤ ਵਿੱਚ ਕੈਪਚਰ ਅਤੇ ਸਮਝ ਸਕਦੇ ਹਾਂ। ਇਹ ਇੱਕ ਵਿਹਾਰਕ ਯਾਤਰਾ ਹੈ, ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ ਨਾਲ ਭਰਪੂਰ, ਹਾਈਪ ਚੱਕਰ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹੈ, ਅਤੇ ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਇੱਕ ਟਿਕਾਊ ਭਵਿੱਖ ਲਈ ਇਸਦਾ ਅਸਲ ਮੁੱਲ ਬਣਾਇਆ ਜਾ ਰਿਹਾ ਹੈ।