AI எவ்வாறு உற்பத்தியில் நிலைத்தன்மையை அதிகரிக்கிறது? 

மக்கள் உற்பத்தியில் AI ஐக் கேட்கும்போது, ​​அவர்கள் பெரும்பாலும் முழு தன்னாட்சி, விளக்குகள்-வெளியேற்ற தொழிற்சாலைகளின் தரிசனங்களுக்குத் தாவுகிறார்கள். இது ஒரு பிரகாசமான குறிக்கோள், ஆனால் இன்று நிலைத்தன்மையை உயர்த்துவதற்கான உண்மையான, மோசமான வேலை அங்கு இல்லை. உண்மையான தாக்கம் மிகவும் நுணுக்கமானது, ஆற்றல் நுகர்வுகளை மேம்படுத்துதல், பொருள் கழிவுகளை குறைத்தல் மற்றும் விநியோகச் சங்கிலிகளை குழப்பமானதாக மாற்றுதல் போன்ற அன்றாடச் செயலில் மறைந்திருக்கும். ரோபோக்கள் எடுத்துக்கொள்வது குறைவானது மற்றும் பொருளாதார ரீதியாகவும் சுற்றுச்சூழலுக்கு ஏற்றதாகவும் இருக்கும் முடிவுகளை எடுப்பதற்கு நாம் எப்போதும் இல்லாத நுண்ணிய தெரிவுநிலையை வழங்கும் அறிவார்ந்த அமைப்புகளைப் பற்றியது. AI மற்றும் நிலைத்தன்மைக்கு இடையிலான இணைப்பு தானாக இல்லை; அளவிடுவதற்கும் கட்டுப்படுத்துவதற்கும் நாம் தேர்ந்தெடுக்கும் விஷயங்களில் வேண்டுமென்றே மாற்றம் தேவைப்படுகிறது.

ஹைப்பிற்கு அப்பால்: முதல் எல்லையாக ஆற்றல்

ஆற்றல், மிக நேரடி செலவு மற்றும் கார்பன் தடம் உருப்படியுடன் தொடங்குவோம். பல ஆண்டுகளாக, திட்டமிடப்பட்ட பராமரிப்பு மற்றும் பரந்த-ஸ்ட்ரோக்ஸ் செயல்திறன் மதிப்பீடுகளை நாங்கள் நம்பியிருந்தோம். கேம்-சேஞ்சர் சென்சார்களை உட்பொதிக்கிறது மற்றும் முன்கணிப்பு ஆற்றல் மேம்படுத்தலுக்கு AI ஐப் பயன்படுத்துகிறது. இயந்திரங்களை அணைப்பது பற்றி நான் பேசவில்லை. இது முழு உற்பத்தி வரிசையின் மாறும் சுமைகளைப் புரிந்துகொள்வது பற்றியது. உதாரணமாக, ஒரு AI மாதிரியானது, ஒரு குறிப்பிட்ட ஸ்டாம்பிங் பிரஸ், செயல்பாட்டின் போது மட்டுமல்ல, 15 நிமிடங்களுக்குப் பிறகு, குளிரூட்டும் முறைமைகள் இயங்கும் போது சக்தியின் எழுச்சியை ஈர்க்கிறது என்பதை அறியலாம். உற்பத்தி அட்டவணைகளை பகுப்பாய்வு செய்வதன் மூலம், பல அழுத்தங்களில் இருந்து ஒரே நேரத்தில் உச்சகட்ட இழுவைகளைத் தவிர்ப்பதற்காக தொகுதிகளுக்கு இடையே மைக்ரோ-தாமதத்தை பரிந்துரைக்கலாம், செயல்திறன் வளைவை பாதிக்காமல் சமன் செய்கிறது. இது தத்துவார்த்தமானது அல்ல; 8-12% எரிசக்தி கட்டணத்தை ஒரு மோசடி வசதியில் ஷேவ் செய்வதை நான் பார்த்திருக்கிறேன், இது மிகப்பெரிய அளவில் உள்ளது.

தந்திரமான பகுதி தரவு தரம். உங்களுக்கு இயந்திரம், துணை மின்நிலையம் மற்றும் முடிந்தால் கட்டம் ஆகியவற்றிலிருந்து சிறுமணி, நேரத் தொடர் தரவு தேவை. துல்லியமான வாயு ஓட்ட மீட்டர்கள் இல்லாமல் வெப்ப சிகிச்சை உலையை மேம்படுத்த முயற்சிப்பது ஒரு தோல்வியுற்ற திட்டமாகும். AI மாதிரியானது அடிப்படையில் யூகிக்கக்கூடியதாக இருந்தது, மேலும் மேம்படுத்தல்கள் பகுதிகளின் உலோகவியல் பண்புகளை சமரசம் செய்யும் அபாயம் உள்ளது. நாங்கள் கடினமான வழியைக் கற்றுக்கொண்டோம்: உங்களால் துல்லியமாக அளவிட முடியாததை உங்களால் நிர்வகிக்க முடியாது. AI ஆனது அது பெறும் உணர்வு உள்ளீடுகளின் அளவிற்கு மட்டுமே சிறந்தது.

இது ஒரு நுட்பமான புள்ளிக்கு வழிவகுக்கிறது: AI பெரும்பாலும் ஆழமான கருவிகளை நியாயப்படுத்துகிறது. AIக்கான நிலைத்தன்மையை உருவாக்க, நீங்கள் முதலில் சிறந்த அளவீட்டில் முதலீடு செய்யுங்கள். இது ஒரு நல்ல சுழற்சி. அந்த டேட்டா ஸ்ட்ரீம் உங்களிடம் கிடைத்ததும், நீங்கள் கணிப்பிலிருந்து பரிந்துரைக்கப்பட்ட செயலுக்கு மாறலாம்—நியூமேடிக் நெட்வொர்க்கில் நிகழ்நேர தேவையின் அடிப்படையில் கம்ப்ரசர் பிரஷர் செட் பாயிண்ட்களை தானாக சரிசெய்தல், இது எப்போதும் மோசமான சூழ்நிலைக்கு அமைக்கப்பட்டு, அதிக அளவு ஆற்றலை வீணடிக்கும்.

கழிவுகள் மீதான போர்: ஸ்கிராப் குவியல்கள் முதல் டிஜிட்டல் இரட்டையர்கள் வரை

பொருள் கழிவு என்பது சுத்தமான நிதி மற்றும் சுற்றுச்சூழல் இழப்பு. ஃபாஸ்டென்சர் தயாரிப்பில், போன்ற ஒரு நிறுவனத்தைப் போல ஹண்டன் ஜிட்டாய் ஃபாஸ்டென்சர் உற்பத்தி நிறுவனம், லிமிடெட். சீனாவின் முக்கிய நிலையான பகுதி உற்பத்தித் தளத்தில் அமைந்துள்ளது, பாரம்பரிய அணுகுமுறை தயாரிப்புக்குப் பிந்தைய ஆய்வை உள்ளடக்கியது: ஒரு தொகுதி தயாரிக்கப்பட்டது, சில மாதிரிகள் எடுக்கப்படுகின்றன, மேலும் குறைபாடுகள் கண்டறியப்பட்டால், முழு இடமும் அகற்றப்படலாம் அல்லது மறுவேலை செய்யப்படலாம். இது நம்பமுடியாத வீணானது.

நிகழ்நேரக் குறைகளைக் கண்டறிவதற்கான கணினி பார்வை இப்போது அட்டவணைப் பங்குகளாக உள்ளது. ஆனால் AI இன் மிகவும் ஆழமான பயன்பாடானது, முதலில் கழிவுகள் உருவாக்கப்படுவதைத் தடுக்க, செயல்முறை அளவுரு தேர்வுமுறையில் உள்ளது. வயர் விட்டம், வெப்பநிலை, இயந்திர வேகம், இறக்கும் உடைகள் போன்ற குளிர்ந்த தலைப்புச் செயல்முறையிலிருந்து தரவை ஒரு மாதிரியில் ஊட்டுவதன் மூலம், ஒரு துண்டு உருவாக்கப்படுவதற்கு முன், தலையில் விரிசல்கள் அல்லது பரிமாணத் தவறுகளின் சாத்தியக்கூறுகளை நாம் கணிக்க முடியும். அமைப்பு பின்னர் மாற்றங்களை பரிந்துரைக்கலாம், அதாவது, அனீலிங் வெப்பநிலையில் சிறிது அதிகரிப்பு அல்லது தீவன விகிதத்தில் குறைப்பு.

ஒரு போல்ட் உற்பத்தி வரிசைக்காக டிஜிட்டல் ஷேடோவை (முழு டிஜிட்டல் இரட்டையின் எளிமையான பதிப்பு) உருவாக்கிய ஒரு திட்டத்தை நான் நினைவுகூர்கிறேன். டிரிம் இழப்பைக் குறைப்பதே இலக்காக இருந்தது - ஒரு போல்ட் வெட்டப்பட்ட பிறகு மீதமுள்ள கம்பி. ஆர்டர் போர்ட்ஃபோலியோக்கள் மற்றும் இயந்திரக் கட்டுப்பாடுகளை பகுப்பாய்வு செய்வதன் மூலம், AI திட்டமிடல் அமைப்பு வயர் சுருள்களை முழுமையாகப் பயன்படுத்துவதற்கான ஆர்டர்களை வரிசைப்படுத்தலாம், இது டிரிம் கழிவுகளை சராசரியாக 3.2% இலிருந்து 1.7%க்குக் குறைக்கிறது. இது சிறியதாகத் தெரிகிறது, ஆனால் ஆண்டுதோறும் ஆயிரக்கணக்கான டன் எஃகு முழுவதும், மூலப்பொருளில் சேமிப்பு மற்றும் எஃகு உற்பத்தியில் இருந்து கார்பன் வெளியேற்றம் ஆகியவை கணிசமானவை. Yongnian மாவட்டம் போன்ற மையங்களில் உள்ள நிறுவனங்கள், அவற்றின் அதிக அளவு வெளியீட்டைக் கொண்டு, இத்தகைய சிறுமணி மேம்படுத்தல்களால் எவ்வாறு பெரும் லாபம் பெறுகின்றன என்பதை நீங்கள் பார்க்கலாம்.

சப்ளை செயின் மீள்தன்மை மற்றும் கார்பன் தடம்

இங்குதான் இது சிக்கலானதாகிறது. ஒரு நிலையான விநியோகச் சங்கிலி என்பது பசுமையான சப்ளையரைத் தேர்ந்தெடுப்பது மட்டுமல்ல; இது அவசர, கார்பன்-தீவிர விமான சரக்குகளைத் தவிர்ப்பதற்கான செயல்திறன் மற்றும் பின்னடைவு பற்றியது. AI-உந்துதல் தேவை முன்கணிப்பு, அது வேலை செய்யும் போது, ​​உற்பத்தியை மென்மையாக்குகிறது, கூடுதல் நேரத்தின் தேவையை குறைக்கிறது (இது பெரும்பாலும் குறைவான செயல்திறன், ஆற்றல்-தீவிர ரன்கள் என்று பொருள்) மற்றும் பீதி வரிசைப்படுத்துதல்.

கிளையண்டிற்கான தளவாட உகப்பாக்கத்துடன் பல அடுக்கு விநியோகச் சங்கிலி இடர் பகுப்பாய்வை நாங்கள் ஒருங்கிணைத்துள்ளோம். இந்த அமைப்பு வானிலை, துறைமுக நெரிசல் மற்றும் சப்ளையர் பிராந்திய ஆற்றல் கலவை ஆகியவற்றைக் கண்காணித்தது (எ.கா., அவற்றின் கட்டம் இன்று நிலக்கரி அல்லது புதுப்பிக்கத்தக்கவற்றில் இயங்குகிறதா?). காலக்கெடு அனுமதிக்கப்படும் போது கப்பல்களை மெதுவாக ஆனால் குறைந்த உமிழ்வு கடல் சரக்குக்கு மாற்றியமைக்க அல்லது வழக்கமான 85% க்கு பதிலாக 98% திறன் கொண்ட கொள்கலன்களை நிரப்ப சுமைகளை ஒருங்கிணைக்க பரிந்துரைத்தது. தி நிலைத்தன்மை இங்கே பெறுவது மறைமுகமானது ஆனால் சக்தி வாய்ந்தது: இது தினசரி தளவாட முடிவுகளில் கார்பன் செயல்திறனை உட்பொதிக்கிறது.

இங்கே தோல்வி பயன்முறையானது அதிகப்படியான தேர்வுமுறை ஆகும். போக்குவரத்து உமிழ்வைக் குறைக்க ஒரு மாதிரியானது, மிகவும் பசுமையான ஆனால் திறன்-கட்டுப்படுத்தப்பட்ட சப்ளையரைப் பயன்படுத்துவதை எப்போதும் பரிந்துரைக்கிறது. பணிநிறுத்தத்தின் அபாயத்தைக் கணக்கிடத் தவறியது, இது இறுதியில் நிகழ்ந்தது, பல, குறைவான உகந்த சப்ளையர்களுக்குப் போராட வேண்டிய கட்டாயம் ஏற்பட்டது. AI இன் புறநிலை செயல்பாட்டில் உறுதியான கட்டுப்பாடுகளுடன் நிலைத்தன்மை நோக்கங்கள் சமநிலைப்படுத்தப்பட வேண்டும் என்பதே பாடம். நீங்கள் கார்பனை மட்டும் குறைக்க முடியாது; நீங்கள் ஆபத்தை நிர்வகிக்க வேண்டும்.

மனித உறுப்பு: ஆக்மென்ட்டட் முடிவெடுத்தல்

இது முக்கியமானதாகும். AI தொழிற்சாலையை இயக்கவில்லை; மக்கள் செய்கிறார்கள். AI ஆலோசகராக செயல்படுவதை நான் பார்த்த மிகச் சிறந்த செயலாக்கங்கள். இது ஒரு ஒழுங்கின்மையைக் கொடியிடுகிறது: வரி 3 இல் ஒரு யூனிட்டுக்கான ஆற்றல் நுகர்வு தற்போதைய தயாரிப்பு கலவையின் அளவுகோலுக்கு 18% அதிகமாக உள்ளது. சாத்தியமான காரணம்: கன்வேயர் மோட்டார் B-12 இல் தாங்கும் உடைகள், மதிப்பிடப்பட்ட செயல்திறன் இழப்பு 22%. இது பராமரிப்பு குழுவிற்கு இலக்கு, முன்னுரிமைப்படுத்தப்பட்ட பணியை தெளிவான நிலைத்தன்மை மற்றும் செலவு தாக்கத்துடன் வழங்குகிறது.

இது கலாச்சாரத்தை மாற்றுகிறது. நிலைத்தன்மை என்பது உற்பத்தி செயல்திறனிலிருந்து ஒரு தனி கேபிஐயாக இருப்பதை நிறுத்துகிறது. குறைந்த ஸ்கிராப் விகிதங்களை மேம்படுத்துவது ஆற்றல் மற்றும் ஒரு நல்ல பகுதிக்கான மூலப்பொருட்களின் பயன்பாட்டையும் குறைக்கிறது என்பதை மாடி மேலாளர் பார்க்கும் போது, ​​இலக்குகள் சீரமைக்கப்படுகின்றன. AI பயிற்சி மக்களுக்கும் பயிற்சி அளிக்கிறது. குறைபாடு கண்டறிதல் மாதிரிக்கான தரவை லேபிளிட, தர பொறியாளர்கள் தோல்வி முறைகளை ஆழமாக ஆய்வு செய்ய வேண்டும். இந்த செயல்முறையே பெரும்பாலும் மாதிரியை பயன்படுத்துவதற்கு முன்பே செயல்முறை மேம்பாடுகளுக்கு வழிவகுக்கிறது.

எதிர்ப்பு என்பது இயற்கையானது. கறுப்புப் பெட்டி பரிந்துரைகளுக்கு சரியான பயம் உள்ளது. அதனால்தான் விளக்கத்திறன் முக்கியமானது. உலை வெப்பநிலையை 15 டிகிரி செல்சியஸால் குறைக்க வேண்டும் என்று கணினி கூறினால், அது காரணத்தையும் வழங்க வேண்டும்: வரலாற்றுத் தரவுகள் X மற்றும் Y அளவுருக்களுடன் இந்த குறைந்த வெப்பநிலையில் 8% குறைவான இயற்கை எரிவாயு நுகர்வுடன் ஒரே மாதிரியான கடினத்தன்மையை விளைவித்தது. இது நம்பிக்கையை உருவாக்குகிறது மற்றும் AI ஐ நிலையான ஒரு கூட்டு கருவியாக மாற்றுகிறது உற்பத்தி.

எதிர்நோக்குகிறோம்: ஒருங்கிணைப்பு சவால்

எதிர்காலமானது ஆற்றல் அல்லது தரத்திற்கான முழுமையான AI பயன்பாடுகளில் இல்லை. இது பல, சில சமயங்களில் போட்டியிடும், நோக்கங்களை சமநிலைப்படுத்தும் ஒருங்கிணைந்த செயல்முறை தேர்வுமுறையில் உள்ளது: செயல்திறன், மகசூல், ஆற்றல் பயன்பாடு, கருவி உடைகள் மற்றும் கார்பன் தடம். இது நிகழ்நேரத்தில் மனிதக் கணக்கீட்டிற்கு அப்பாற்பட்ட பல-நோக்கு தேர்வுமுறைச் சிக்கலாகும்.

வாடிக்கையாளர் ஆர்டரை எடுத்து, மிகவும் நிலையான உற்பத்தி வழியை மாறும் வகையில் தீர்மானிக்கும் முன்னோடி அமைப்புகளை நாங்கள் உருவாக்குகிறோம். இந்தத் தொகுதி ஃபாஸ்டென்சர்கள் இப்போது தொழிற்சாலையின் புதிய சோலார் அரே மூலம் இயங்கும் பழைய, மெதுவான வரியிலோ அல்லது கட்டத்தால் இயங்கும் ஆனால் குறைந்த ஸ்கிராப் வீதத்தைக் கொண்ட புதிய வேகமான வரியிலோ செய்யப்பட வேண்டுமா? AI ஆனது நிகர கார்பன் தாக்கத்தை கணக்கிட முடியும், இதில் உள்ள கார்பன் உட்பட எந்த சாத்தியமான ஸ்க்ராப்பிலும், உண்மையான உகந்த பாதையை பரிந்துரைக்கலாம். இது அடுத்த கட்ட சிந்தனை.

இறுதி தடையாக இருப்பது வாழ்க்கை சுழற்சி மதிப்பீடு ஒருங்கிணைப்பு ஆகும். உண்மையான ஊக்கம் உற்பத்தியில் AI ஆனது பொருட்கள் மற்றும் செயல்முறைகளின் முழு வாழ்க்கைச் சுழற்சி தாக்கம் பற்றிய தரவை அணுகும்போது நிலைத்தன்மை வரும். ஒரு துத்தநாக முலாம் மற்றும் ஒரு புதிய பாலிமர் பூச்சு இடையே தேர்வு ஒரு செலவு முடிவு அல்ல; இது இரசாயன பயன்பாடு, ஆயுள் மற்றும் மறுசுழற்சி மறுசுழற்சி பற்றிய முடிவாகும். நாங்கள் இன்னும் அங்கு இல்லை, ஆனால் அடிப்படை வேலை-செயல்முறைகளை டிஜிட்டல் மயமாக்குதல், கருவியாக்கம் செய்தல் மற்றும் தகவமைப்புக் கட்டுப்பாட்டின் கீழ் இருப்பது-அந்த எதிர்காலத்தை சாத்தியமாக்குகிறது. இது ஒரு நேரத்தில் ஒரு சிறிய, வீணான பிரச்சனையைத் தீர்ப்பதற்கான நீண்ட, மோசமான பாதை.