Как ИИ повышает устойчивость? 

Когда люди спрашивают, как ИИ повышает устойчивость, в первую очередь часто приходят в голову грандиозные идеи: оптимизация глобальных цепочек поставок за одну ночь или волшебное решение моделирования климата. Поработав на местах с производственными и логистическими командами, я увидел, что реальный эффект более детальный, часто беспорядочный и далекий от панацеи. Заблуждение состоит в том, что ИИ действует в вакууме. Это не так. Его ценность раскрывается только тогда, когда он глубоко встроен в существующие, часто неэффективные процессы. Речь идет не столько об интеллектуальных алгоритмах, сколько о практических корректировках материальных потоков, энергопотребления и структуры отходов. Позвольте мне остановиться на нескольких областях, где это действительно происходит и где иногда возникают сбои.

Бетон: оптимизация энергетики и ресурсов

Возьмем типичную промышленную среду, например, завод по производству крепежных изделий. Энергетическая нагрузка непостоянна; он шипует во время ковки или термообработки. Мы работали с командой на предприятии в Хэбэе (представьте себе промышленный кластер в районе Юннянь) над развертыванием относительно простых моделей машинного обучения на исторических данных о энергопотреблении. Цель заключалась не в том, чтобы заново изобрести процесс, а в том, чтобы спрогнозировать скачки спроса и пошатнуть некритические операции. Результатом стало сокращение расходов на пиковую нагрузку на 7–8 %, что напрямую снижает выбросы углекислого газа и затраты. Звучит скромно, но в масштабах сотен печей и прессов совокупный эффект значителен. ИИ здесь не думает; это распознавание образов, примененное к очень шумному набору реальных данных.

Сложнее всего обстоит дело с инфраструктурой данных. Многие растения, даже такие крупные, как Хандан Зитай Фастинер Производство Ко., ООО, иметь устаревшие системы SCADA и вести журналы вручную. Первым препятствием является получение точных данных с отметками времени из цеха. Мы потратили недели, просто настраивая базовые датчики Интернета вещей для подачи данных на модели — этот шаг часто умалчивается в глянцевых тематических исследованиях. Без этого любая модель ИИ — всего лишь теоретическое упражнение. Веб-сайт https://www.zitaifasteners.com могут продемонстрировать свою продукцию, но повышение устойчивости происходит за кулисами, за счет жесткой интеграции потоков данных от машин, которые никогда не были предназначены для общения друг с другом.

Другой аспект — выход материала. При производстве крепежных изделий рулонную сталь штампуют и формуют. Лом неизбежен, но системы компьютерного зрения, управляемые искусственным интеллектом, теперь могут проверять сырье на наличие дефектов перед штамповкой и даже динамически корректировать схемы резки, чтобы минимизировать отходы. Мы опробовали это совместно с партнером, и хотя алгоритм работал, рентабельность инвестиций была отрицательной для небольших партий из-за сложности настройки. Это важный нюанс: ИИ для устойчивого развития не является универсальным; для того чтобы окупиться, необходимы определенный масштаб и зрелость.

Логистика и скрытая сеть

Транспорт является крупным источником выбросов углерода. Здесь роль ИИ в оптимизации маршрутов хорошо известна, но именно ограничения реального мира делают его интересным. Для производителя, такого как Zitai, который выгодно расположен рядом с железной дорогой Пекин-Гуанчжоу и национальной автомагистралью 107, вопрос заключается не только в поиске кратчайшего пути. Речь идет о консолидации частичных загрузок, прогнозировании задержек в портах и ​​даже учете данных о трафике и погоде в реальном времени, чтобы сократить время простоя грузовых автомобилей. Мы внедрили систему, которая сделала это, и экономия топлива составила в среднем около 12%. Однако рекомендации системы иногда отклонялись диспетчерами, которые доверяли своему опыту алгоритму — классическая задача сотрудничества человека и ИИ.

Помимо маршрутов, есть оптимизация запасов. Хранение избыточных запасов связывает капитал и пространство и часто приводит к потерям (особенно для крепежных изделий с покрытием или обработанных деталей, срок годности которых вызывает проблемы). Прогнозные модели, использующие данные о продажах, сезонные тенденции и даже более широкие экономические показатели, могут ужесточить уровень запасов. Я вспоминаю один проект, в котором мы сократили страховой запас на 15%, не увеличив при этом риск его нехватки. Но эта модель потерпела сокрушительный крах, когда внезапный сдвиг в региональной политике нарушил цепочки поставок — она не была подготовлена ​​к таким событиям «черного лебедя». Это подчеркивает, что модели ИИ хороши настолько, насколько хороши исторические данные, которые они видели; они борются с новыми системными потрясениями.

Расширенная цепочка поставок становится все шире. ИИ может помочь в разработке циклов экономики замкнутого цикла. Например, анализируя данные жизненного цикла продукта, он может предсказать, когда партия крепежа из выведенной из эксплуатации солнечной электростанции станет доступной для повторного использования или переработки, тем самым снижая потребность в первичном материале. Это все еще находится в зачаточном состоянии, но пилотные проекты в ЕС изучают этот вопрос. Он перемещает устойчивость от простой эффективности к системному циклированию ресурсов.

Мониторинг, отчетность и обеспечение прозрачности

Устойчивое развитие сегодня требует строгого измерения. ИИ значительно ускоряет мониторинг окружающей среды. Вместо ежемесячных ручных проверок выбросов или сточных вод сенсорные сети с аналитикой искусственного интеллекта могут предоставлять непрерывные и детальные данные. Мы помогли создать систему мониторинга выбросов летучих органических соединений (ЛОС) в гальваническом цехе. ИИ не просто измерял; он выявил корреляцию между конкретными производственными партиями и пиками выбросов, что позволило внести коррективы в процесс. Это превращает соблюдение требований из центра затрат в источник оперативной информации.

Однако генерация данных — это одно; доверять этому — другое. Существует постоянное противоречие между показателями устойчивости, генерируемыми ИИ, и необходимостью в проверяемых и проверяемых записях для таких систем, как отчетность ESG. Могут ли регулирующие органы и инвесторы доверять сводным данным ИИ по учету выбросов углерода? Мы находимся на этапе, когда ИИ берет на себя тяжелую работу по обработке данных, но для проверки и интерпретации по-прежнему необходимы эксперты-люди. Инструмент мощный, но он не заменяет необходимость профессионального суждения.

В макромасштабе ИИ позволяет более точно отслеживать выбросы углекислого газа в сложных цепочках поставок. Собирая и анализируя данные с порталов поставщиков, транспортных накладных и счетов за электроэнергию, он может создать карту воздействия практически в реальном времени. Для такой компании, как Zitai, которая является частью обширной производственной базы, эта прозрачность имеет решающее значение для заказчиков, занимающихся переработкой продукции в Европе или Северной Америке, которые вынуждены сообщать о выбросах категории 3. Это превращает устойчивое развитие из расплывчатого обязательства в измеримый, управляемый компонент бизнеса.

Подводные камни и упущенные из виду затраты

Не все так позитивно. Вычислительные затраты на обучение и запуск больших моделей ИИ сами по себе являются экологическим бременем. Проект, направленный на экономию энергии на заводе, должен учитывать энергию, используемую облачными серверами для обучения моделей. Именно по этой причине в нашей работе мы перешли к использованию более эффективных специализированных моделей, а не к грубому глубокому обучению. Иногда более простая статистическая модель дает вам 80% выгоды при 1% вычислительных затрат. Устойчивое развитие посредством ИИ должно учитывать свое собственное влияние.

Существует также риск оптимизации одной части системы за счет другой. Однажды мы оптимизировали производственный график с целью повышения энергоэффективности, но обнаружили, что это увеличивает износ некоторых инструментов, что приводит к более частой замене и связанным с этим потерям материалов. Целостный взгляд важен. Истинная устойчивость – это не локальные максимумы, а общесистемная устойчивость и минимальное общее воздействие. Системы искусственного интеллекта необходимо проектировать с учетом многоцелевой оптимизации, что является значительно более сложной проблемой.

Наконец, человеческий фактор. Внедрение изменений, основанных на искусственном интеллекте, требует квалифицированного персонала, управления изменениями и зачастую авансового капитала. Для многих малых и средних предприятий производственного пояса приоритетом является выживание и выполнение заказов. Аргумент устойчивости должен сопровождаться четкой краткосрочной и среднесрочной экономической выгодой. Вот почему самые успешные пилотные проекты, которые я видел, начинаются с простых результатов: профилактического обслуживания, позволяющего избежать дорогостоящих простоев и отходов материалов, или умного управления освещением/отоплением, которое окупается менее чем за два года.

Взгляд в будущее: интеграция, а не изоляция

Итак, как ИИ действительно повышает устойчивость? Это не яркий автономный искусственный интеллект для хороших проектов. Это происходит за счет постепенной, зачастую непривлекательной, интеграции в набор операционных технологий таких отраслей, как производство, логистика и энергетика. Это повышает устойчивость, делая эффективность использования ресурсов измеримыми и осуществимыми, выявляя потоки отходов, которые ранее были невидимы, и создавая более адаптивные и быстро реагирующие системы.

Будущее, на мой взгляд, за встроенным искусственным интеллектом. Подумайте о промышленной машине, которая самостоятельно настраивает свои параметры для минимального энергопотребления при сохранении качества, или о логистической платформе, которая автоматически выбирает вариант доставки с самым низким уровнем выбросов углерода, соответствующий ограничениям по стоимости и времени. Это становится стандартной функцией, а не отдельной инициативой. Работа в таких местах, как производственная база Юннянь с ее плотной сетью производителей, является идеальным полигоном для испытаний этих интегрированных подходов.

В конце концов, ИИ — мощный инструмент, но это всего лишь инструмент. Его вклад в устойчивое развитие определяется руками, которые им владеют, и проблемами, которые они решают решить. Этот импульс происходит благодаря неустанному сосредоточению внимания на конкретных, постепенных улучшениях материальных и энергетических потоков, основанных на данных, которые теперь мы наконец можем собрать и понять. Это практический путь, полный проб и ошибок, далекий от цикла ажиотажа, и именно в этом заключается его реальная ценность для устойчивого будущего.