W jaki sposób sztuczna inteligencja zwiększa zrównoważony rozwój? 

Kiedy ludzie pytają, w jaki sposób sztuczna inteligencja zwiększa zrównoważony rozwój, od razu nasuwają się na myśl wielkie wizje: optymalizacja globalnych łańcuchów dostaw w ciągu jednej nocy lub magiczne rozwiązanie modelowania klimatu. Pracując w terenie z zespołami produkcyjnymi i logistycznymi, zauważyłem, że prawdziwy wpływ jest bardziej szczegółowy, często chaotyczny i daleki od złotego środka. Błędnym przekonaniem jest to, że sztuczna inteligencja działa w próżni – tak nie jest. Jego wartość zostaje odblokowana dopiero wtedy, gdy jest głęboko osadzona w istniejących, często nieefektywnych procesach. Mniej chodzi o inteligentne algorytmy, a bardziej o praktyczne dostosowania przepływów materiałów, zużycia energii i wzorców odpadów. Pozwólcie, że omówię kilka obszarów, w których to faktycznie ma miejsce i gdzie czasami się potykamy.

Beton: optymalizacja energii i zasobów

Weźmy typowe otoczenie przemysłowe, na przykład zakład produkujący elementy złączne. Obciążenie energetyczne nie jest stałe; wzrasta podczas kucia lub obróbki cieplnej. Współpracowaliśmy z zespołem w zakładzie w Hebei – na przykład klaster przemysłowy w dystrykcie Yongnian – aby wdrożyć stosunkowo proste modele uczenia maszynowego na podstawie historycznych danych dotyczących zużycia energii. Celem nie było wymyślenie procesu na nowo, ale przewidzenie skoków popytu i rozłożenie w czasie niekrytycznych operacji. Rezultatem była redukcja opłat za obciążenie szczytowe o 7–8%, co bezpośrednio zmniejsza ślad węglowy i koszty. Brzmi skromnie, ale w skali, obejmującej setki pieców i pras, skumulowany efekt jest znaczny. Sztuczna inteligencja tutaj nie myśli; to rozpoznawanie wzorców zastosowane do bardzo zaszumionego zbioru danych ze świata rzeczywistego.

Problemem jest infrastruktura danych. Wiele roślin, nawet tych sporych jak Handan Zitai Fastener Manufacturing Co., Ltd., mają starsze systemy SCADA i dzienniki ręczne. Pierwszą przeszkodą jest uzyskanie czystych, oznaczonych czasem danych z hali produkcyjnej. Spędziliśmy tygodnie na konfigurowaniu podstawowych czujników IoT do zasilania modeli – był to krok często pomijany w błyszczących studiach przypadków. Bez tego każdy model sztucznej inteligencji będzie jedynie ćwiczeniem teoretycznym. Strona internetowa https://www.zitaifasteners.com może zaprezentować swoje produkty, ale korzyści w zakresie zrównoważonego rozwoju dzieją się za kulisami, w ramach rygorystycznej integracji strumieni danych z maszyn, które nigdy nie były zaprojektowane do wzajemnej komunikacji.

Innym aspektem jest wydajność materiału. Podczas produkcji elementów złącznych stal w kręgach jest wykrawana i formowana. Złom jest nieunikniony, ale komputerowe systemy wizyjne oparte na sztucznej inteligencji mogą teraz sprawdzać surowiec pod kątem defektów przed tłoczeniem, a nawet dynamicznie dostosowywać wzorce cięcia, aby zminimalizować straty. Przeprowadziliśmy pilotaż tego rozwiązania z partnerem i choć algorytm działał, zwrot z inwestycji był ujemny w przypadku mniejszych serii wsadowych ze względu na złożoność konfiguracji. To kluczowy niuans: sztuczna inteligencja na rzecz zrównoważonego rozwoju nie ma uniwersalnego zastosowania; aby się opłaciło, wymaga to określonej skali i dojrzałości operacyjnej.

Logistyka i sieć ukryta

Transport jest ogromnym emitentem dwutlenku węgla. W tym przypadku rola sztucznej inteligencji w optymalizacji tras jest dobrze znana, ale to właśnie ograniczenia występujące w świecie rzeczywistym czynią ją interesującą. Dla producenta zlokalizowanego korzystnie w pobliżu linii kolejowej Pekin-Kanton i autostrady krajowej 107, takiego jak Zitai, problemem nie jest tylko znalezienie najkrótszej ścieżki. Chodzi o konsolidację częściowych ładunków, przewidywanie opóźnień w portach, a nawet uwzględnianie danych o ruchu drogowym i pogodzie w czasie rzeczywistym, aby skrócić czas przestoju ciężarówek. Wdrożyliśmy system, który to umożliwiał, a oszczędność paliwa wyniosła średnio około 12%. Jednak zalecenia systemu były czasami odrzucane przez dyspozytorów, którzy powierzyli swoje doświadczenie zamiast algorytmowi, co było klasycznym wyzwaniem w zakresie współpracy człowieka i sztucznej inteligencji.

Oprócz tras istnieje optymalizacja zapasów. Utrzymywanie nadmiernych zapasów wiąże kapitał i przestrzeń i często prowadzi do marnotrawstwa (szczególnie w przypadku powlekanych lub poddanych obróbce elementów złącznych, w przypadku których istnieje obawa o trwałość). Modele predykcyjne wykorzystujące dane dotyczące sprzedaży, trendy sezonowe, a nawet szersze wskaźniki ekonomiczne mogą zawęzić poziom zapasów. Pamiętam jeden projekt, w którym zmniejszyliśmy zapasy bezpieczeństwa o 15%, nie zwiększając ryzyka wyczerpania zapasów. Jednak model ten spektakularnie zawiódł, gdy nagła zmiana polityki regionalnej zakłóciła łańcuchy dostaw – nie był szkolony w zakresie takich wydarzeń jak czarny łabędź. To podkreśla, że ​​modele sztucznej inteligencji są tak dobre, jak dane historyczne, które widziały; zmagają się z nowatorskimi wstrząsami systemowymi.

Rozszerzony łańcuch dostaw to miejsce, w którym staje się on szerszy. Sztuczna inteligencja może pomóc w projektowaniu pętli gospodarki o obiegu zamkniętym. Na przykład, analizując dane dotyczące cyklu życia produktu, można przewidzieć, kiedy partia elementów złącznych z wycofanej z eksploatacji farmy fotowoltaicznej będzie dostępna do ponownego użycia lub recyklingu, zmniejszając w ten sposób zapotrzebowanie na materiał pierwotny. Kwestia ta jest wciąż w fazie początkowej, ale bada się ją w ramach projektów pilotażowych w UE. Przenosi zrównoważony rozwój ze zwykłej wydajności do systemowego obiegu zasobów.

Monitorowanie, raportowanie i nacisk na przejrzystość

Zrównoważony rozwój wymaga dziś rygorystycznych pomiarów. Sztuczna inteligencja drastycznie przyspiesza monitorowanie środowiska. Zamiast comiesięcznych ręcznych audytów emisji lub ścieków, sieci czujników wyposażone w analitykę AI mogą dostarczać ciągłe, szczegółowe dane. Pomogliśmy w stworzeniu systemu monitorowania emisji lotnych związków organicznych (LZO) w warsztacie galwanicznym. Sztuczna inteligencja nie tylko mierzyła; zidentyfikowano korelacje między określonymi partiami produkcyjnymi a skokami emisji, co umożliwiło dostosowanie procesu. Dzięki temu zgodność z centrum kosztów staje się źródłem wiedzy operacyjnej.

Jednak generowanie danych to jedno; ufać temu, to co innego. Istnieje ciągłe napięcie między wskaźnikami zrównoważonego rozwoju generowanymi przez sztuczną inteligencję a potrzebą kontrolowanych i weryfikowalnych zapisów na potrzeby takich struktur, jak raportowanie ESG. Czy organy regulacyjne i inwestorzy mogą zaufać podsumowaniu rachunkowości emisji dwutlenku węgla sporządzonemu przez sztuczną inteligencję? Jesteśmy w fazie, w której sztuczna inteligencja radzi sobie z ciężkimi operacjami przetwarzania danych, ale nadal potrzebni są eksperci-ludzie do walidacji i interpretacji. Narzędzie jest potężne, ale nie zastąpi potrzeby profesjonalnej oceny.

W skali makro sztuczna inteligencja umożliwia dokładniejsze śledzenie śladu węglowego w złożonych łańcuchach dostaw. Pobierając i analizując dane z portali dostawców, listów przewozowych i rachunków za energię, może stworzyć mapę zasięgu w czasie zbliżonym do rzeczywistego. Dla firmy takiej jak Zitai, która jest częścią ogromnej bazy produkcyjnej, widoczność ta ma kluczowe znaczenie dla klientów na dalszym etapie łańcucha dostaw w Europie i Ameryce Północnej, którzy są pod presją raportowania emisji w zakresie 3. Zmienia zrównoważony rozwój z niejasnego zobowiązania w wymierny, zarządzany element biznesu.

Pułapki i przeoczone koszty

Nie wszystko jest pozytywne. Koszt obliczeniowy szkolenia i obsługi dużych modeli sztucznej inteligencji sam w sobie stanowi obciążenie dla środowiska. Projekt skupiający się na oszczędzaniu energii w fabryce musi uwzględniać energię zużywaną przez serwery w chmurze trenujące modele. Właśnie z tego powodu w naszej pracy zaczęliśmy używać bardziej wydajnych, wyspecjalizowanych modeli zamiast głębokiego uczenia się metodą brute-force. Czasami prostszy model statystyczny zapewnia 80% korzyści przy 1% narzutu obliczeniowego. Zrównoważony rozwój dzięki sztucznej inteligencji musi uwzględniać swój własny ślad.

Istnieje również ryzyko optymalizacji jednej części systemu kosztem innej. Kiedyś zoptymalizowaliśmy harmonogram produkcji pod kątem efektywności energetycznej, ale okazało się, że zwiększa to zużycie niektórych narzędzi, co prowadzi do częstszych wymian i związanych z tym strat materiałowych. Niezbędne jest całościowe spojrzenie. Prawdziwy zrównoważony rozwój nie polega na lokalnych maksimach, ale na odporności całego systemu i minimalnym całkowitym wpływie. Systemy sztucznej inteligencji należy projektować z myślą o optymalizacji wielocelowej, co jest znacznie trudniejszym problemem.

Na koniec element ludzki. Wdrażanie zmian opartych na sztucznej inteligencji wymaga wykwalifikowanego personelu, zarządzania zmianami i często kapitału początkowego. Dla wielu małych i średnich przedsiębiorstw w pasie produkcyjnym priorytetem jest przetrwanie i realizacja zamówień. Argumentowi dotyczącemu zrównoważonego rozwoju muszą towarzyszyć wyraźne korzyści gospodarcze w perspektywie krótko- i średnioterminowej. Właśnie dlatego najskuteczniejsze programy pilotażowe, jakie widziałem, zaczynały od nisko wiszących owoców: konserwacji zapobiegawczej pozwalającej uniknąć kosztownych przestojów i strat materiałów lub inteligentnego sterowania oświetleniem/ogrzewaniem, które zwraca się w czasie krótszym niż dwa lata.

Patrząc w przyszłość: integracja, a nie izolacja

W jaki więc sposób sztuczna inteligencja rzeczywiście zwiększa zrównoważony rozwój? Nie chodzi o efektowną, samodzielną sztuczną inteligencję dla dobrych projektów. Dzieje się tak poprzez stopniową, często nieseksowną integrację ze stosem technologii operacyjnych w branżach takich jak produkcja, logistyka i energia. Zwiększa zrównoważony rozwój poprzez wytwarzanie efektywność wykorzystania zasobów mierzalne i wykonalne, poprzez odkrywanie strumieni odpadów, które wcześniej były niewidoczne, oraz poprzez umożliwienie bardziej adaptacyjnych i responsywnych systemów.

Moim zdaniem przyszłość leży we wbudowanej sztucznej inteligencji. Pomyśl o maszynie przemysłowej, która samodzielnie dostosowuje swoje parametry, aby zminimalizować zużycie energii przy jednoczesnym zachowaniu jakości, lub o platformie logistycznej, która automatycznie wybiera opcję wysyłki o najniższej emisji dwutlenku węgla, spełniającą ograniczenia kosztowe i czasowe. Staje się standardem, a nie odrębną inicjatywą. Praca w miejscach takich jak baza produkcyjna Yongnian, z gęstą siecią producentów, jest doskonałym poligonem doświadczalnym dla tych zintegrowanych podejść.

W końcu sztuczna inteligencja jest potężnym narzędziem, ale tylko tym – narzędziem. Jego wkład w zrównoważony rozwój jest podyktowany rękami, które go dzierżą, i problemami, które decydują się rozwiązać. Impuls wynika z nieustannego skupiania się na konkretnych, przyrostowych zyskach w przepływach materiałów i energii, na podstawie danych, które możemy teraz w końcu uchwycić i zrozumieć. To praktyczna podróż, pełna prób i błędów, daleka od cyklu szumu i właśnie tam budowana jest jej prawdziwa wartość dla zrównoważonej przyszłości.