ਜਦੋਂ ਲੋਕ ਨਿਰਮਾਣ ਵਿੱਚ AI ਸੁਣਦੇ ਹਨ, ਤਾਂ ਉਹ ਅਕਸਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖੁਦਮੁਖਤਿਆਰ, ਲਾਈਟ-ਆਊਟ ਫੈਕਟਰੀਆਂ ਦੇ ਦਰਸ਼ਨਾਂ 'ਤੇ ਛਾਲ ਮਾਰਦੇ ਹਨ। ਇਹ ਇੱਕ ਸ਼ਾਨਦਾਰ ਟੀਚਾ ਹੈ, ਪਰ ਇਹ ਉਹ ਥਾਂ ਨਹੀਂ ਹੈ ਜਿੱਥੇ ਸਥਿਰਤਾ ਨੂੰ ਵਧਾਉਣ ਦਾ ਅਸਲ, ਗੰਭੀਰ ਕੰਮ ਅੱਜ ਹੋ ਰਿਹਾ ਹੈ। ਅਸਲ ਪ੍ਰਭਾਵ ਵਧੇਰੇ ਸੂਖਮ ਹੁੰਦਾ ਹੈ, ਜੋ ਅਕਸਰ ਊਰਜਾ ਦੀ ਖਪਤ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ, ਸਮੱਗਰੀ ਦੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਘਟਾਉਣ, ਅਤੇ ਸਪਲਾਈ ਚੇਨ ਨੂੰ ਘੱਟ ਅਰਾਜਕ ਬਣਾਉਣ ਦੇ ਰੋਜ਼ਾਨਾ ਦੇ ਚੱਕਰ ਵਿੱਚ ਲੁਕਿਆ ਹੁੰਦਾ ਹੈ। ਇਹ ਰੋਬੋਟਾਂ ਨੂੰ ਸੰਭਾਲਣ ਬਾਰੇ ਘੱਟ ਹੈ ਅਤੇ ਬੁੱਧੀਮਾਨ ਪ੍ਰਣਾਲੀਆਂ ਬਾਰੇ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਸਾਡੇ ਕੋਲ ਆਰਥਿਕ ਅਤੇ ਵਾਤਾਵਰਣ ਦੇ ਤੌਰ 'ਤੇ ਸਹੀ ਹੋਣ ਵਾਲੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਹਮੇਸ਼ਾ ਕਮੀ ਰਹੀ ਹੈ। AI ਅਤੇ ਸਥਿਰਤਾ ਵਿਚਕਾਰ ਸਬੰਧ ਆਟੋਮੈਟਿਕ ਨਹੀਂ ਹੈ; ਇਸ ਨੂੰ ਮਾਪਣ ਅਤੇ ਨਿਯੰਤਰਣ ਲਈ ਅਸੀਂ ਜੋ ਚੁਣਦੇ ਹਾਂ ਉਸ ਵਿੱਚ ਜਾਣਬੁੱਝ ਕੇ ਤਬਦੀਲੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਹਾਈਪ ਤੋਂ ਪਰੇ: ਪਹਿਲੀ ਸਰਹੱਦ ਦੇ ਰੂਪ ਵਿੱਚ ਊਰਜਾ

ਆਉ ਊਰਜਾ, ਸਭ ਤੋਂ ਸਿੱਧੀ ਲਾਗਤ ਅਤੇ ਕਾਰਬਨ ਫੁਟਪ੍ਰਿੰਟ ਆਈਟਮ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੀਏ। ਸਾਲਾਂ ਤੋਂ, ਅਸੀਂ ਅਨੁਸੂਚਿਤ ਰੱਖ-ਰਖਾਅ ਅਤੇ ਵਿਆਪਕ-ਸਟ੍ਰੋਕ ਕੁਸ਼ਲਤਾ ਰੇਟਿੰਗਾਂ 'ਤੇ ਭਰੋਸਾ ਕੀਤਾ। ਗੇਮ-ਚੇਂਜਰ ਸੈਂਸਰਾਂ ਨੂੰ ਏਮਬੈਡ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਊਰਜਾ ਅਨੁਕੂਲਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ। ਮੈਂ ਸਿਰਫ਼ ਮਸ਼ੀਨਾਂ ਨੂੰ ਬੰਦ ਕਰਨ ਬਾਰੇ ਗੱਲ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਇਹ ਇੱਕ ਸਮੁੱਚੀ ਉਤਪਾਦਨ ਲਾਈਨ ਦੇ ਗਤੀਸ਼ੀਲ ਲੋਡ ਨੂੰ ਸਮਝਣ ਬਾਰੇ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ AI ਮਾਡਲ ਇਹ ਸਿੱਖ ਸਕਦਾ ਹੈ ਕਿ ਇੱਕ ਖਾਸ ਸਟੈਂਪਿੰਗ ਪ੍ਰੈਸ ਨਾ ਸਿਰਫ਼ ਓਪਰੇਸ਼ਨ ਦੌਰਾਨ, ਸਗੋਂ 15 ਮਿੰਟਾਂ ਬਾਅਦ, ਜਿਵੇਂ ਕਿ ਕੂਲਿੰਗ ਸਿਸਟਮ ਚੱਲਦਾ ਹੈ, ਪਾਵਰ ਦਾ ਵਾਧਾ ਕਰਦਾ ਹੈ। ਉਤਪਾਦਨ ਦੀਆਂ ਸਮਾਂ-ਸਾਰਣੀਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, ਇਹ ਥ੍ਰੋਪੁੱਟ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤੇ ਬਿਨਾਂ ਊਰਜਾ ਵਕਰ ਨੂੰ ਸਮਤਲ ਕਰਨ, ਮਲਟੀਪਲ ਪ੍ਰੈਸਾਂ ਤੋਂ ਇੱਕੋ ਸਮੇਂ ਦੇ ਸਿਖਰ ਡਰਾਅ ਤੋਂ ਬਚਣ ਲਈ ਬੈਚਾਂ ਵਿਚਕਾਰ ਮਾਈਕ੍ਰੋ-ਦੇਰੀ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ। ਇਹ ਸਿਧਾਂਤਕ ਨਹੀਂ ਹੈ; ਮੈਂ ਇਸਨੂੰ ਇੱਕ ਫੋਰਜਿੰਗ ਸਹੂਲਤ ਵਿੱਚ ਊਰਜਾ ਬਿੱਲ ਤੋਂ 8-12% ਦੀ ਛੂਟ ਦਿੰਦੇ ਹੋਏ ਦੇਖਿਆ ਹੈ, ਜੋ ਕਿ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਹੈ।

ਔਖਾ ਹਿੱਸਾ ਡਾਟਾ ਗੁਣਵੱਤਾ ਹੈ. ਜੇਕਰ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਤੁਹਾਨੂੰ ਮਸ਼ੀਨ, ਸਬਸਟੇਸ਼ਨ ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਗਰਿੱਡ ਤੋਂ ਦਾਣੇਦਾਰ, ਸਮਾਂ-ਸੀਰੀਜ਼ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ। ਇੱਕ ਅਸਫਲ ਪ੍ਰੋਜੈਕਟ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਸਹੀ ਗੈਸ ਵਹਾਅ ਮੀਟਰਾਂ ਤੋਂ ਬਿਨਾਂ ਗਰਮੀ ਦੇ ਇਲਾਜ ਵਾਲੀ ਭੱਠੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਸੀ। AI ਮਾਡਲ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਅਨੁਮਾਨ ਲਗਾ ਰਿਹਾ ਸੀ, ਅਤੇ ਅਨੁਕੂਲਤਾਵਾਂ ਨੇ ਹਿੱਸਿਆਂ ਦੀਆਂ ਧਾਤੂਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਸਮਝੌਤਾ ਕਰਨ ਦਾ ਜੋਖਮ ਲਿਆ ਸੀ। ਅਸੀਂ ਔਖੇ ਤਰੀਕੇ ਨਾਲ ਸਿੱਖਿਆ: ਤੁਸੀਂ ਉਸ ਦਾ ਪ੍ਰਬੰਧਨ ਨਹੀਂ ਕਰ ਸਕਦੇ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਸਹੀ ਢੰਗ ਨਾਲ ਮਾਪ ਨਹੀਂ ਸਕਦੇ। AI ਸਿਰਫ ਓਨਾ ਹੀ ਵਧੀਆ ਹੈ ਜਿੰਨਾ ਸੰਵੇਦੀ ਇਨਪੁਟਸ ਇਸ ਨੂੰ ਮਿਲਦਾ ਹੈ।

ਇਹ ਇੱਕ ਸੂਖਮ ਬਿੰਦੂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ: AI ਅਕਸਰ ਡੂੰਘੇ ਸਾਧਨਾਂ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਂਦਾ ਹੈ। AI ਲਈ ਸਥਿਰਤਾ ਕੇਸ ਬਣਾਉਣ ਲਈ, ਤੁਸੀਂ ਪਹਿਲਾਂ ਬਿਹਤਰ ਮੀਟਰਿੰਗ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰੋ। ਇਹ ਇੱਕ ਨੇਕ ਚੱਕਰ ਹੈ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਹਾਡੇ ਕੋਲ ਉਹ ਡੇਟਾ ਸਟ੍ਰੀਮ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਪੂਰਵ-ਅਨੁਮਾਨ ਤੋਂ ਨੁਸਖ਼ੇ ਵਾਲੀ ਕਾਰਵਾਈ ਵੱਲ ਜਾ ਸਕਦੇ ਹੋ—ਜਿਵੇਂ ਕਿ ਇੱਕ ਨਿਊਮੈਟਿਕ ਨੈਟਵਰਕ ਵਿੱਚ ਅਸਲ-ਸਮੇਂ ਦੀ ਮੰਗ ਦੇ ਆਧਾਰ 'ਤੇ ਕੰਪ੍ਰੈਸ਼ਰ ਪ੍ਰੈਸ਼ਰ ਸੈੱਟਪੁਆਇੰਟਾਂ ਨੂੰ ਆਟੋਮੈਟਿਕਲੀ ਐਡਜਸਟ ਕਰਨਾ, ਅਜਿਹਾ ਕੁਝ ਜੋ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਮਾੜੇ ਹਾਲਾਤ ਲਈ ਸੈੱਟ ਕੀਤਾ ਗਿਆ ਸੀ, ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਊਰਜਾ ਬਰਬਾਦ ਕਰਨਾ।

ਰਹਿੰਦ-ਖੂੰਹਦ 'ਤੇ ਜੰਗ: ਸਕ੍ਰੈਪ ਹੈਪਸ ਤੋਂ ਡਿਜੀਟਲ ਟਵਿਨਸ ਤੱਕ

ਪਦਾਰਥਾਂ ਦੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਸ਼ੁੱਧ ਵਿੱਤੀ ਅਤੇ ਵਾਤਾਵਰਨ ਨੁਕਸਾਨ ਹੈ। ਫਾਸਟਨਰ ਨਿਰਮਾਣ ਵਿੱਚ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਕੰਪਨੀ ਵਿੱਚ ਹੈਂਡਨ ਜ਼ੀਟਾਈ ਫਾਸਟੇਨਰ ਨਿਰਮਾਣ ਕੰਪਨੀ, ਲਿਮਟਿਡ ਚੀਨ ਦੇ ਮੁੱਖ ਸਟੈਂਡਰਡ ਭਾਗ ਉਤਪਾਦਨ ਅਧਾਰ ਵਿੱਚ ਸਥਿਤ, ਪਰੰਪਰਾਗਤ ਪਹੁੰਚ ਵਿੱਚ ਪੋਸਟ-ਪ੍ਰੋਡਕਸ਼ਨ ਨਿਰੀਖਣ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ: ਇੱਕ ਬੈਚ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ, ਕੁਝ ਨਮੂਨੇ ਲਏ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਜੇਕਰ ਨੁਕਸ ਪਾਏ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਸਾਰੀ ਲਾਟ ਨੂੰ ਖਤਮ ਜਾਂ ਦੁਬਾਰਾ ਕੰਮ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਵਿਅਰਥ ਹੈ।

ਰੀਅਲ-ਟਾਈਮ ਨੁਕਸ ਖੋਜਣ ਲਈ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਹੁਣ ਟੇਬਲ ਸਟੈਕ ਹੈ। ਪਰ AI ਦੀ ਵਧੇਰੇ ਡੂੰਘੀ ਵਰਤੋਂ ਪ੍ਰਕਿਰਿਆ ਪੈਰਾਮੀਟਰ ਅਨੁਕੂਲਨ ਵਿੱਚ ਹੈ ਤਾਂ ਜੋ ਕੂੜੇ ਨੂੰ ਪਹਿਲੇ ਸਥਾਨ 'ਤੇ ਬਣਾਏ ਜਾਣ ਤੋਂ ਰੋਕਿਆ ਜਾ ਸਕੇ। ਕੋਲਡ ਹੈਡਿੰਗ ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਡੇਟਾ ਨੂੰ ਫੀਡ ਕਰਕੇ — ਤਾਰ ਦਾ ਵਿਆਸ, ਤਾਪਮਾਨ, ਮਸ਼ੀਨ ਦੀ ਗਤੀ, ਡਾਈ ਵੀਅਰ — ਇੱਕ ਮਾਡਲ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਟੁਕੜਾ ਬਣਨ ਤੋਂ ਪਹਿਲਾਂ ਸਿਰ ਦੇ ਚੀਰ ਜਾਂ ਅਯਾਮੀ ਅਸ਼ੁੱਧੀਆਂ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹਾਂ। ਸਿਸਟਮ ਫਿਰ ਐਡਜਸਟਮੈਂਟ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰ ਸਕਦਾ ਹੈ, ਕਹੋ, ਐਨੀਲਿੰਗ ਤਾਪਮਾਨ ਵਿੱਚ ਮਾਮੂਲੀ ਵਾਧਾ ਜਾਂ ਫੀਡ ਦਰ ਵਿੱਚ ਕਮੀ।

ਮੈਨੂੰ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਯਾਦ ਹੈ ਜਿੱਥੇ ਅਸੀਂ ਇੱਕ ਬੋਲਟ ਉਤਪਾਦਨ ਲਾਈਨ ਲਈ ਇੱਕ ਡਿਜੀਟਲ ਸ਼ੈਡੋ (ਪੂਰੇ ਡਿਜੀਟਲ ਜੁੜਵਾਂ ਦਾ ਇੱਕ ਸਰਲ ਸੰਸਕਰਣ) ਬਣਾਇਆ ਸੀ। ਟੀਚਾ ਟ੍ਰਿਮ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਘੱਟ ਕਰਨਾ ਸੀ - ਇੱਕ ਬੋਲਟ ਕੱਟਣ ਤੋਂ ਬਾਅਦ ਬਚੀ ਹੋਈ ਤਾਰ। ਆਰਡਰ ਪੋਰਟਫੋਲੀਓ ਅਤੇ ਮਸ਼ੀਨ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, AI ਸ਼ਡਿਊਲਿੰਗ ਸਿਸਟਮ ਵਾਇਰ ਕੋਇਲਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਵਰਤਣ ਲਈ ਆਦੇਸ਼ਾਂ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰ ਸਕਦਾ ਹੈ, ਔਸਤਨ 3.2% ਤੋਂ ਘਟਾ ਕੇ 1.7% ਤੋਂ ਘੱਟ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ। ਇਹ ਛੋਟਾ ਲੱਗਦਾ ਹੈ, ਪਰ ਸਲਾਨਾ ਹਜ਼ਾਰਾਂ ਟਨ ਸਟੀਲ ਵਿੱਚ, ਕੱਚੇ ਮਾਲ ਵਿੱਚ ਬੱਚਤ ਅਤੇ ਸਟੀਲ ਦੇ ਉਤਪਾਦਨ ਤੋਂ ਸੰਬੰਧਿਤ ਕਾਰਬਨ ਨਿਕਾਸ ਕਾਫ਼ੀ ਹੈ। ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਕਿਵੇਂ ਯੋਂਗਨੀਅਨ ਡਿਸਟ੍ਰਿਕਟ ਵਰਗੇ ਹੱਬਾਂ ਵਿੱਚ ਕੰਪਨੀਆਂ, ਆਪਣੇ ਉੱਚ ਵੌਲਯੂਮ ਆਉਟਪੁੱਟ ਦੇ ਨਾਲ, ਅਜਿਹੇ ਦਾਣੇਦਾਰ ਅਨੁਕੂਲਤਾਵਾਂ ਤੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਖੜ੍ਹੀਆਂ ਹਨ।

ਸਪਲਾਈ ਚੇਨ ਲਚਕੀਲਾਪਨ ਅਤੇ ਕਾਰਬਨ ਫੁਟਪ੍ਰਿੰਟ

ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਇਹ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਂਦਾ ਹੈ. ਇੱਕ ਟਿਕਾਊ ਸਪਲਾਈ ਚੇਨ ਸਿਰਫ਼ ਇੱਕ ਹਰੇ ਸਪਲਾਇਰ ਦੀ ਚੋਣ ਕਰਨ ਬਾਰੇ ਨਹੀਂ ਹੈ; ਇਹ ਐਮਰਜੈਂਸੀ, ਕਾਰਬਨ-ਸਹਿਤ ਹਵਾਈ ਭਾੜੇ ਤੋਂ ਬਚਣ ਲਈ ਕੁਸ਼ਲਤਾ ਅਤੇ ਲਚਕੀਲੇਪਣ ਬਾਰੇ ਹੈ। AI-ਸੰਚਾਲਿਤ ਮੰਗ ਪੂਰਵ-ਅਨੁਮਾਨ, ਜਦੋਂ ਇਹ ਕੰਮ ਕਰਦਾ ਹੈ, ਉਤਪਾਦਨ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਂਦਾ ਹੈ, ਓਵਰਟਾਈਮ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ (ਜਿਸਦਾ ਅਕਸਰ ਘੱਟ ਕੁਸ਼ਲ, ਊਰਜਾ-ਤੀਬਰ ਦੌੜਾਂ) ਅਤੇ ਪੈਨਿਕ ਆਰਡਰਿੰਗ ਦਾ ਮਤਲਬ ਹੁੰਦਾ ਹੈ।

ਅਸੀਂ ਇੱਕ ਕਲਾਇੰਟ ਲਈ ਲੌਜਿਸਟਿਕਸ ਅਨੁਕੂਲਨ ਦੇ ਨਾਲ ਮਲਟੀ-ਟੀਅਰ ਸਪਲਾਈ ਚੇਨ ਜੋਖਮ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਹੈ। ਸਿਸਟਮ ਨੇ ਮੌਸਮ, ਬੰਦਰਗਾਹ ਦੀ ਭੀੜ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਪਲਾਇਰ ਖੇਤਰ ਊਰਜਾ ਮਿਸ਼ਰਣ ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੀ (ਉਦਾਹਰਣ ਵਜੋਂ, ਕੀ ਉਹਨਾਂ ਦਾ ਗਰਿੱਡ ਅੱਜ ਕੋਲੇ ਜਾਂ ਨਵਿਆਉਣਯੋਗਾਂ 'ਤੇ ਚੱਲ ਰਿਹਾ ਹੈ?) ਇਸ ਨੇ ਸਮਾਂ-ਸੀਮਾਵਾਂ ਦੀ ਇਜਾਜ਼ਤ ਹੋਣ 'ਤੇ ਸ਼ਿਪਮੈਂਟ ਨੂੰ ਹੌਲੀ ਪਰ ਘੱਟ-ਨਿਕਾਸ ਵਾਲੇ ਸਮੁੰਦਰੀ ਭਾੜੇ 'ਤੇ ਮੁੜ ਰੂਟ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ, ਜਾਂ ਆਮ 85% ਦੀ ਬਜਾਏ ਕੰਟੇਨਰਾਂ ਨੂੰ 98% ਸਮਰੱਥਾ ਤੱਕ ਭਰਨ ਲਈ ਲੋਡ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਨਾ। ਦ ਟਿਕਾ .ਤਾ ਇੱਥੇ ਲਾਭ ਅਸਿੱਧੇ ਪਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ: ਇਹ ਰੋਜ਼ਾਨਾ ਲੌਜਿਸਟਿਕ ਫੈਸਲਿਆਂ ਵਿੱਚ ਕਾਰਬਨ ਕੁਸ਼ਲਤਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ।

ਇੱਥੇ ਅਸਫਲਤਾ ਮੋਡ ਓਵਰ-ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਹੈ। ਇੱਕ ਮਾਡਲ ਨੇ ਟ੍ਰਾਂਸਪੋਰਟ ਨਿਕਾਸ ਨੂੰ ਘੱਟ ਕਰਨ ਲਈ ਹਮੇਸ਼ਾ ਇੱਕ ਸਿੰਗਲ, ਬਹੁਤ ਹਰੇ ਪਰ ਸਮਰੱਥਾ-ਸੀਮਤ ਸਪਲਾਇਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ। ਇਹ ਇੱਕ ਬੰਦ ਹੋਣ ਦੇ ਜੋਖਮ ਦਾ ਲੇਖਾ-ਜੋਖਾ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ, ਜੋ ਆਖਿਰਕਾਰ ਵਾਪਰਿਆ, ਇੱਕ ਤੋਂ ਵੱਧ, ਘੱਟ ਅਨੁਕੂਲ ਸਪਲਾਇਰਾਂ ਨੂੰ ਇੱਕ ਝਗੜਾ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕੀਤਾ। ਸਬਕ ਇਹ ਸੀ ਕਿ ਟਿਕਾਊਤਾ ਉਦੇਸ਼ਾਂ ਨੂੰ AI ਦੇ ਉਦੇਸ਼ ਫੰਕਸ਼ਨ ਵਿੱਚ ਮਜ਼ਬੂਤੀ ਦੀਆਂ ਕਮੀਆਂ ਨਾਲ ਸੰਤੁਲਿਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਤੁਸੀਂ ਸਿਰਫ ਕਾਰਬਨ ਨੂੰ ਘੱਟ ਨਹੀਂ ਕਰ ਸਕਦੇ; ਤੁਹਾਨੂੰ ਜੋਖਮ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਪਏਗਾ।

ਮਨੁੱਖੀ ਤੱਤ: ਵਧਿਆ ਹੋਇਆ ਫੈਸਲਾ ਲੈਣਾ

ਇਹ ਨਾਜ਼ੁਕ ਹੈ। AI ਫੈਕਟਰੀ ਨਹੀਂ ਚਲਾਉਂਦਾ; ਲੋਕ ਕਰਦੇ ਹਨ। ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲਾਗੂਕਰਨ ਜੋ ਮੈਂ ਵੇਖੇ ਹਨ ਉਹ ਹਨ ਜਿੱਥੇ AI ਇੱਕ ਸਲਾਹਕਾਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਅਸੰਗਤਤਾ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ: ਲਾਈਨ 3 'ਤੇ ਪ੍ਰਤੀ ਯੂਨਿਟ ਊਰਜਾ ਦੀ ਖਪਤ ਮੌਜੂਦਾ ਉਤਪਾਦ ਮਿਸ਼ਰਣ ਲਈ ਬੈਂਚਮਾਰਕ ਤੋਂ 18% ਵੱਧ ਹੈ। ਸੰਭਾਵਿਤ ਕਾਰਨ: ਕਨਵੇਅਰ ਮੋਟਰ ਬੀ-12 ਵਿੱਚ ਬੇਅਰਿੰਗ ਵੀਅਰ, ਅਨੁਮਾਨਿਤ ਕੁਸ਼ਲਤਾ ਦਾ ਨੁਕਸਾਨ 22%। ਇਹ ਰੱਖ-ਰਖਾਅ ਟੀਮ ਨੂੰ ਸਪਸ਼ਟ ਸਥਿਰਤਾ ਅਤੇ ਲਾਗਤ ਪ੍ਰਭਾਵ ਦੇ ਨਾਲ ਇੱਕ ਨਿਸ਼ਾਨਾ, ਤਰਜੀਹੀ ਕੰਮ ਦਿੰਦਾ ਹੈ।

ਇਸ ਨਾਲ ਸੱਭਿਆਚਾਰ ਬਦਲਦਾ ਹੈ। ਸਥਿਰਤਾ ਉਤਪਾਦਨ ਕੁਸ਼ਲਤਾ ਤੋਂ ਇੱਕ ਵੱਖਰਾ ਕੇਪੀਆਈ ਬਣਨਾ ਬੰਦ ਕਰ ਦਿੰਦੀ ਹੈ। ਜਦੋਂ ਫਲੋਰ ਮੈਨੇਜਰ ਇਹ ਦੇਖਦਾ ਹੈ ਕਿ ਘੱਟ ਸਕ੍ਰੈਪ ਦਰਾਂ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰਨ ਨਾਲ ਪ੍ਰਤੀ ਚੰਗੇ ਹਿੱਸੇ ਲਈ ਊਰਜਾ ਅਤੇ ਕੱਚੇ ਮਾਲ ਦੀ ਵਰਤੋਂ ਘਟਦੀ ਹੈ, ਤਾਂ ਟੀਚੇ ਇਕਸਾਰ ਹੋ ਜਾਂਦੇ ਹਨ। AI ਦੀ ਸਿਖਲਾਈ ਲੋਕਾਂ ਨੂੰ ਵੀ ਸਿਖਲਾਈ ਦਿੰਦੀ ਹੈ। ਇੱਕ ਨੁਕਸ ਖੋਜ ਮਾਡਲ ਲਈ ਡੇਟਾ ਨੂੰ ਲੇਬਲ ਕਰਨ ਲਈ, ਗੁਣਵੱਤਾ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਅਸਫਲਤਾ ਮੋਡਾਂ ਦਾ ਡੂੰਘਾਈ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਇਹ ਪ੍ਰਕਿਰਿਆ ਅਕਸਰ ਮਾਡਲ ਦੇ ਤੈਨਾਤ ਕੀਤੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸੁਧਾਰਾਂ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ।

ਵਿਰੋਧ ਕੁਦਰਤੀ ਹੈ। ਬਲੈਕ ਬਾਕਸ ਦੀਆਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦਾ ਇੱਕ ਜਾਇਜ਼ ਡਰ ਹੈ। ਇਸ ਲਈ ਵਿਆਖਿਆਯੋਗਤਾ ਕੁੰਜੀ ਹੈ. ਜੇ ਸਿਸਟਮ ਕਹਿੰਦਾ ਹੈ ਕਿ ਭੱਠੀ ਦੇ ਤਾਪਮਾਨ ਨੂੰ 15 ਡਿਗਰੀ ਸੈਲਸੀਅਸ ਘਟਾਓ, ਤਾਂ ਇਸ ਨੂੰ ਤਰਕ ਵੀ ਪ੍ਰਦਾਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ: ਇਤਿਹਾਸਕ ਡੇਟਾ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇਸ ਹੇਠਲੇ ਤਾਪਮਾਨ 'ਤੇ X ਅਤੇ Y ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ ਚੱਲਦਾ ਹੈ, ਨਤੀਜੇ ਵਜੋਂ 8% ਘੱਟ ਕੁਦਰਤੀ ਗੈਸ ਦੀ ਖਪਤ ਨਾਲ ਸਮਾਨ ਕਠੋਰਤਾ ਹੁੰਦੀ ਹੈ। ਇਹ ਭਰੋਸਾ ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ AI ਨੂੰ ਟਿਕਾਊ ਲਈ ਇੱਕ ਸਹਿਯੋਗੀ ਟੂਲ ਵਿੱਚ ਬਦਲਦਾ ਹੈ ਨਿਰਮਾਣ.

ਅੱਗੇ ਦੇਖਦੇ ਹੋਏ: ਏਕੀਕਰਣ ਚੁਣੌਤੀ

ਭਵਿੱਖ ਊਰਜਾ ਜਾਂ ਗੁਣਵੱਤਾ ਲਈ ਇੱਕਲੇ ਏਆਈ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਨਹੀਂ ਹੈ। ਇਹ ਏਕੀਕ੍ਰਿਤ ਪ੍ਰਕਿਰਿਆ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਵਿੱਚ ਹੈ ਜੋ ਕਈ, ਕਈ ਵਾਰ ਮੁਕਾਬਲਾ ਕਰਨ ਵਾਲੇ, ਉਦੇਸ਼ਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ: ਥ੍ਰੁਪੁੱਟ, ਉਪਜ, ਊਰਜਾ ਦੀ ਵਰਤੋਂ, ਟੂਲ ਵੀਅਰ, ਅਤੇ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ। ਇਹ ਇੱਕ ਬਹੁ-ਉਦੇਸ਼ ਭਰਪੂਰ ਅਨੁਕੂਲਨ ਸਮੱਸਿਆ ਹੈ ਜੋ ਅਸਲ-ਸਮੇਂ ਵਿੱਚ ਮਨੁੱਖੀ ਗਣਨਾ ਤੋਂ ਪਰੇ ਹੈ।

ਅਸੀਂ ਅਜਿਹੇ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਪਾਇਲਟ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਗਾਹਕ ਆਰਡਰ ਲੈਂਦੇ ਹਨ ਅਤੇ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਸਭ ਤੋਂ ਟਿਕਾਊ ਉਤਪਾਦਨ ਰੂਟ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ। ਕੀ ਫਾਸਟਨਰਾਂ ਦਾ ਇਹ ਬੈਚ ਪੁਰਾਣੀ, ਹੌਲੀ ਲਾਈਨ 'ਤੇ ਬਣਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਹੁਣ ਫੈਕਟਰੀ ਦੇ ਨਵੇਂ ਸੂਰਜੀ ਐਰੇ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਹੈ, ਜਾਂ ਨਵੀਂ, ਤੇਜ਼ ਲਾਈਨ 'ਤੇ ਜੋ ਗਰਿੱਡ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਹੈ ਪਰ ਘੱਟ ਸਕ੍ਰੈਪ ਰੇਟ ਹੈ? AI ਸ਼ੁੱਧ ਕਾਰਬਨ ਪ੍ਰਭਾਵ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦਾ ਹੈ, ਕਿਸੇ ਵੀ ਸੰਭਾਵੀ ਸਕ੍ਰੈਪ ਵਿੱਚ ਮੂਰਤ ਕਾਰਬਨ ਸਮੇਤ, ਅਤੇ ਸੱਚਮੁੱਚ ਅਨੁਕੂਲ ਮਾਰਗ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਅਗਲੇ ਪੱਧਰ ਦੀ ਸੋਚ ਹੈ।

ਅੰਤਮ ਰੁਕਾਵਟ ਜੀਵਨ ਚੱਕਰ ਮੁਲਾਂਕਣ ਏਕੀਕਰਣ ਹੈ। ਅਸਲੀ ਹੁਲਾਰਾ ਸਥਿਰਤਾ ਉਦੋਂ ਆਵੇਗੀ ਜਦੋਂ ਮੈਨੂਫੈਕਚਰਿੰਗ ਵਿੱਚ ਏਆਈ ਕੋਲ ਸਮੱਗਰੀ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਪੂਰੇ ਜੀਵਨ-ਚੱਕਰ ਦੇ ਪ੍ਰਭਾਵ ਬਾਰੇ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਹੋਵੇਗੀ। ਜ਼ਿੰਕ ਪਲੇਟਿੰਗ ਅਤੇ ਨਵੀਂ ਪੌਲੀਮਰ ਕੋਟਿੰਗ ਵਿਚਕਾਰ ਚੋਣ ਕਰਨਾ ਸਿਰਫ਼ ਲਾਗਤ ਦਾ ਫ਼ੈਸਲਾ ਨਹੀਂ ਹੈ; ਇਹ ਰਸਾਇਣਕ ਵਰਤੋਂ, ਟਿਕਾਊਤਾ, ਅਤੇ ਜੀਵਨ ਦੇ ਅੰਤ ਦੀ ਰੀਸਾਈਕਲੇਬਿਲਟੀ ਬਾਰੇ ਫੈਸਲਾ ਹੈ। ਅਸੀਂ ਅਜੇ ਉੱਥੇ ਨਹੀਂ ਹਾਂ, ਪਰ ਬੁਨਿਆਦੀ ਕੰਮ-ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਡਿਜੀਟਾਈਜ਼ਡ, ਯੰਤਰ, ਅਤੇ ਅਨੁਕੂਲਿਤ ਨਿਯੰਤਰਣ ਅਧੀਨ ਪ੍ਰਾਪਤ ਕਰਨਾ-ਉਹ ਹੈ ਜੋ ਭਵਿੱਖ ਨੂੰ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਛੋਟੀ, ਫਾਲਤੂ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦਾ ਇੱਕ ਲੰਮਾ, ਬੇਮਿਸਾਲ ਰਸਤਾ ਹੈ।