Како АИ повећава одрживост? 

Када се људи питају како вештачка интелигенција подстиче одрживост, тренутна помисао често прелази на велике визије: оптимизација глобалних ланаца снабдевања преко ноћи или магично решавање климатског моделирања. Пошто сам радио на терену са тимовима за производњу и логистику, видео сам да је стварни утицај грануларнији, често неуредан и далеко од сребрног метка. Заблуда је да АИ ради у вакууму - не ради. Његова вредност се откључава само када је дубоко усађена у постојеће, често неефикасне, процесе. Мање се ради о интелигентним алгоритмима, а више о практичним прилагођавањима токова материјала, потрошње енергије и образаца отпада. Дозволите ми да прођем кроз неколико области у којима се ово заиста дешава и где понекад посрне.

Бетон: Оптимизација енергије и ресурса

Узмите типично индустријско окружење, као што је фабрика за производњу затварача. Енергетско оптерећење није константно; шиљци током ковања или термичке обраде. Радили смо са тимом у постројењу у Хебеи-у – помислите на индустријски кластер у округу Ионгниан – да применимо релативно једноставне моделе машинског учења на историјским подацима о потрошњи енергије. Циљ није био да се поново осмисли процес, већ да се предвиде скокови потражње и запањујуће некритичне операције. Резултат је био 7-8% смањење трошкова вршног оптерећења, што директно смањује угљични отисак и трошкове. Звучи скромно, али у обиму, у стотинама пећи и преса, кумулативни ефекат је значајан. АИ овде не размишља; то је препознавање образаца примењено на веома бучан скуп података у стварном свету.

Оно где постаје незгодно је инфраструктура података. Многе биљке, чак и оне велике попут Хандан Зитаи Фастенер Мануфацтуринг Цо., Лтд., имају старе СЦАДА системе и ручне евиденције. Прва препрека је добијање чистих, временски означених података из продавнице. Провели смо недеље само у постављању основних ИоТ сензора за напајање модела – корак који се често заташкава у сјајним студијама случаја. Без овога, сваки АИ модел је само теоријска вежба. Сајт хттпс://ввв.зитаифастенерс.цом могли да покажу своје производе, али добитак одрживости се дешава иза кулиса, у грубој интеграцији токова података са машина које никада нису биле дизајниране да међусобно разговарају.

Други угао је принос материјала. У производњи затварача, челик за намотаје се перфорира и формира. Отпад је неизбежан, али системи компјутерског вида вођени вештачком интелигенцијом сада могу да прегледају сирови материјал за дефекте пре штанцања, па чак и динамички прилагођавају обрасце сечења како би минимизирали отпад. Пробали смо ово са партнером, и док је алгоритам функционисао, РОИ је био негативан за мање серије због сложености подешавања. Ово је критична нијанса: вештачка интелигенција за одрживост није универзално применљива; захтева одређени обим и оперативну зрелост да се исплати.

Логистика и скривена мрежа

Транспорт је огроман емитер угљеника. Овде је улога вештачке интелигенције у оптимизацији руте добро позната, али ограничења у стварном свету су оно што га чини занимљивим. За произвођача који се налази повољно у близини железничке пруге Пекинг-Гуангџоу и Националног аутопута 107, као што је Зитаи, питање није само проналажење најкраћег пута. Ради се о консолидовању делимичних оптерећења, предвиђању кашњења у лукама, па чак и урачунавању података о саобраћају и времену у реалном времену како би се смањило време мировања камиона. Имплементирали смо систем који је то урадио, а уштеда горива је у просеку била око 12%. Међутим, препоруке система понекад су одбијали диспечери који су веровали свом искуству у вези са алгоритмом - класичним изазовом сарадње између човека и вештачке интелигенције.

Осим рута, постоји оптимизација залиха. Држање вишка залиха повезује капитал и простор, и често доводи до отпада (посебно за обложене или третиране затвараче који су забринути за рок трајања). Предиктивни модели који користе податке о продаји, сезонске трендове, па чак и шире економске показатеље могу пооштрити нивое залиха. Сећам се једног пројекта где смо смањили сигурносне залихе за 15% без повећања ризика од нестанка залиха. Али модел је спектакуларно пропао када је изненадна промена регионалне политике пореметила ланце снабдевања - није био обучен о таквим догађајима црног лабуда. Ово наглашава да су АИ модели добри онолико колико су добри историјски подаци које су видели; они се боре са новим системским шоковима.

Проширени ланац снабдевања постаје шири. АИ може помоћи у дизајнирању кружних економских петљи. На пример, анализом података о животном циклусу производа, може се предвидети када би серија затварача са повучене соларне фарме могла постати доступна за поновну употребу или рециклирање, чиме се смањује потреба за првобитним материјалом. Ово је још увек у настајању, али пилот пројекти у ЕУ то истражују. Он помера одрживост са пуке ефикасности на системско кружење ресурса.

Мониторинг, извештавање и притисак на транспарентност

Одрживост данас захтева ригорозно мерење. АИ драстично убрзава праћење животне средине. Уместо месечних ручних ревизија емисија или отпадних вода, сензорске мреже са АИ аналитиком могу да обезбеде континуиране, грануларне податке. Помогли смо у постављању система за праћење емисије испарљивих органских једињења (ВОЦ) у радионици за пресвлачење. АИ није само мерио; идентификовао је корелације између специфичних производних серија и скокова емисија, омогућавајући прилагођавање процеса. Ово претвара усклађеност из центра трошкова у извор оперативног увида.

Међутим, генерисање података је једна ствар; веровати у то је друго. Постоји стална напетост између метрике одрживости коју генерише вештачка интелигенција и потребе за проверљивим записима за оквире као што је ЕСГ извештавање. Могу ли регулатори и инвеститори да верују АИ резимеу обрачуна угљеника? Налазимо се у фази у којој се вештачка интелигенција носи са тешким процесом кршења података, али су људски стручњаци и даље потребни за валидацију и тумачење. Алат је моћан, али није заменио потребу за професионалним расуђивањем.

На макро скали, вештачка интелигенција омогућава прецизније праћење угљичног отиска у сложеним ланцима снабдевања. Чишћењем и анализом података са портала добављача, манифеста отпреме и рачуна за енергију, може да направи мапу отиска у скоро реалном времену. За компанију као што је Зитаи, која је део огромне производне базе, ова видљивост је кључна за даље купце у Европи или Северној Америци који су под притиском да пријаве емисије из Сцопе 3. То претвара одрживост из нејасне посвећености у мерљиву компоненту пословања којом се управља.

Замке и превидјени трошкови

Није све позитивно. Рачунски трошкови обуке и покретања великих АИ модела су сами по себи оптерећење за животну средину. Пројекат који је фокусиран на уштеду енергије у фабрици мора да се одмери у односу на енергију коју користе сервери у облаку који обучавају моделе. У нашем раду, прешли смо на коришћење ефикаснијих, специјализованих модела, а не на грубо дубоко учење управо из тог разлога. Понекад вам једноставнији статистички модел доноси 80% користи са 1% прорачунских трошкова. Одрживост путем вештачке интелигенције мора да узме у обзир сопствени отисак.

Такође постоји ризик од оптимизације једног дела система на рачун другог. Једном смо оптимизовали распоред производње за енергетску ефикасност, само да бисмо открили да је то повећало хабање одређених алата, што је довело до чешће замене и повезаног отпада материјала. Неопходан је холистички поглед. Права одрживост се не односи на локалне максимуме, већ на отпорност целог система и минимални укупни утицај. Системи вештачке интелигенције треба да буду дизајнирани са вишециљном оптимизацијом на уму, што је знатно тежи проблем.

Коначно, људски елемент. Имплементација промена вођених вештачком интелигенцијом захтева квалификовано особље, управљање променама и често унапред капитал. За многа мала и средња предузећа у производном појасу приоритет је опстанак и испуњење поруџбина. Аргумент одрживости мора бити повезан са јасном, краткорочном и средњорочном економском користи. Зато најуспешнији пилоти које сам видео започињу са ниским спуштеним воћем: предиктивним одржавањем како би се избегли скупи застоји и материјални отпад, или паметне контроле осветљења/грејања које се враћају за мање од две године.

Гледање унапред: интеграција, а не изолација

Дакле, како АИ заиста повећава одрживост? Није кроз блиставу, самосталну АИ за добре пројекте. То је кроз његову постепену, често несекси, интеграцију у оперативну технологију у индустријама као што су производња, логистика и енергија. Повећава одрживост израдом ефикасност ресурса мерљиве и делотворне, откривањем токова отпада који су раније били невидљиви, и омогућавањем прилагодљивијих система који реагују.

Будућност, по мом мишљењу, лежи у уграђеној вештачкој интелигенцији. Замислите индустријску машину која сама прилагођава своје параметре за минималну потрошњу енергије уз одржавање квалитета, или логистичку платформу која аутоматски бира опцију испоруке са најнижим емисијама угљеника која задовољава трошковна и временска ограничења. То постаје стандардна функција, а не посебна иницијатива. Рад на местима као што је производна база Ионгниан, са својом густом мрежом произвођача, савршено је полигон за тестирање ових интегрисаних приступа.

На крају, АИ је моћан алат, али то је само то - алат. Његов допринос одрживости диктирају руке које га користе и проблеми које одлуче да реше. Подстак долази од немилосрдног фокуса на конкретне, инкременталне добитке у материјалним и енергетским токовима, заснованих на подацима које сада коначно можемо да ухватимо и разумемо. То је практично путовање, пуно покушаја и грешака, далеко од циклуса хиперактивности, и управо ту се гради његова стварна вредност за одрживу будућност.