جب لوگ مینوفیکچرنگ میں اے آئی سنتے ہیں تو ، وہ اکثر مکمل طور پر خودمختار ، لائٹس آؤٹ فیکٹریوں کے نظارے پر کود جاتے ہیں۔ یہ ایک چمکدار مقصد ہے ، لیکن یہ وہ جگہ نہیں ہے جہاں آج استحکام کو فروغ دینے کا حقیقی ، پُرجوش کام ہو رہا ہے۔ اس کا اصل اثر زیادہ متناسب ہے ، اکثر توانائی کی کھپت کو بہتر بنانے ، مادی فضلہ کو کم کرنے ، اور سپلائی چین کو کم افراتفری کے لئے روزانہ پیسنے میں پوشیدہ ہوتا ہے۔ روبوٹ کے اقتدار سنبھالنے کے بارے میں یہ کم ہے اور ذہین نظاموں کے بارے میں زیادہ سے زیادہ دانے دار مرئیت فراہم کرتا ہے جس کے بارے میں ہمارے پاس ہمیشہ ایسے فیصلے کرنے کی کمی ہوتی ہے جو معاشی اور ماحولیاتی طور پر مستحکم ہیں۔ اے آئی اور استحکام کے مابین لنک خودکار نہیں ہے۔ اس کے لئے جان بوجھ کر تبدیلی کی ضرورت ہے جس میں ہم پیمائش اور کنٹرول کے لئے انتخاب کرتے ہیں۔

ہائپ سے پرے: پہلی سرحد کے طور پر توانائی

آئیے توانائی سے شروع کرتے ہیں ، سب سے زیادہ براہ راست لاگت اور کاربن فوٹ پرنٹ آئٹم۔ برسوں سے ، ہم نے شیڈول بحالی اور وسیع اسٹروکس کی کارکردگی کی درجہ بندی پر انحصار کیا۔ گیم چینجر سینسر کو سرایت کر رہا ہے اور پیش گوئی کرنے والی توانائی کی اصلاح کے لئے AI کا استعمال کررہا ہے۔ میں صرف مشینوں کو آف کرنے کے بارے میں بات نہیں کر رہا ہوں۔ یہ پوری پروڈکشن لائن کے متحرک بوجھ کو سمجھنے کے بارے میں ہے۔ مثال کے طور پر ، ایک اے آئی ماڈل یہ سیکھ سکتا ہے کہ ایک مخصوص اسٹیمپنگ پریس نہ صرف آپریشن کے دوران ، بلکہ 15 منٹ کے بعد ، کولنگ سسٹم چلتے ہی بجلی کا اضافہ کرتا ہے۔ پیداوار کے نظام الاوقات کا تجزیہ کرکے ، یہ بیچوں کے مابین مائکرو ڈیلیوں کو متعدد پریسوں سے بیک وقت چوٹی ڈرا سے بچنے کے لئے تجویز کرسکتا ہے ، جس سے تھروپپٹ کو متاثر کیے بغیر توانائی کے منحنی خطوط کو چپٹا کیا جاسکتا ہے۔ یہ نظریاتی نہیں ہے۔ میں نے دیکھا ہے کہ اس نے جعلی سہولت میں توانائی کے بل سے 8-12 ٪ مونڈ لیا ہے ، جو پیمانے پر بڑے پیمانے پر ہے۔

مشکل حصہ ڈیٹا کا معیار ہے۔ آپ کو مشین ، سب اسٹیشن ، اور یہاں تک کہ اگر ممکن ہو تو گرڈ سے دانے دار ، ٹائم سیریز کے اعداد و شمار کی ضرورت ہے۔ ایک ناکام پروجیکٹ ابتدائی طور پر گیس کے بہاؤ کے درست میٹروں کے بغیر گرمی کے علاج کی بھٹی کو بہتر بنانے کی کوشش کر رہا تھا۔ اے آئی ماڈل بنیادی طور پر اندازہ لگا رہا تھا ، اور ان اصلاحات نے حصوں کی میٹالرجیکل خصوصیات سے سمجھوتہ کرنے کا خطرہ مول لیا۔ ہم نے مشکل طریقے سے سیکھا: آپ اس کا انتظام نہیں کرسکتے ہیں جس کی آپ درست طریقے سے پیمائش نہیں کرسکتے ہیں۔ AI صرف اتنا ہی اچھا ہے جتنا حسی ان پٹ ملتا ہے۔

یہ ایک لطیف نقطہ کی طرف جاتا ہے: AI اکثر گہرے آلہ سازی کا جواز پیش کرتا ہے۔ AI کے لئے پائیداری کا معاملہ بنانے کے ل you ، آپ پہلے بہتر پیمائش میں سرمایہ کاری کرتے ہیں۔ یہ ایک نیک چکر ہے۔ ایک بار جب آپ کے پاس یہ ڈیٹا اسٹریم ہوجائے تو ، آپ پیش گوئی سے نسخہ سازی کی طرف بڑھ سکتے ہیں-جیسے نیومیٹک نیٹ ورک میں ریئل ٹائم ڈیمانڈ پر مبنی کمپریسر پریشر کے سیٹ پوائنٹس کو خود بخود ایڈجسٹ کرنا ، ایسی چیز جو ہمیشہ بدترین صورتحال کے لئے مقرر کی جاتی تھی ، جس میں بہت زیادہ مقدار میں توانائی ضائع ہوتی ہے۔

فضلہ کے خلاف جنگ: سکریپ سے ڈھیروں سے ڈیجیٹل جڑواں بچوں تک

مادی فضلہ خالص مالی اور ماحولیاتی نقصان ہے۔ فاسٹنر مینوفیکچرنگ میں ، جیسے کسی کمپنی میں ہینڈن زیتائی فاسٹنر مینوفیکچرنگ کمپنی ، لمیٹڈ چین کے بڑے معیاری حصے کی تیاری کی بنیاد میں واقع ہے ، روایتی نقطہ نظر میں پروڈکشن کے بعد معائنہ شامل ہے: ایک بیچ بنایا جاتا ہے ، کچھ نمونے لئے جاتے ہیں ، اور اگر نقائص مل جاتے ہیں تو ، پوری جگہ کو ختم یا دوبارہ کام کیا جاسکتا ہے۔ یہ ناقابل یقین حد تک بیکار ہے۔

اصل وقت کی خرابی کا پتہ لگانے کے لئے کمپیوٹر وژن اب ٹیبل اسٹیکس ہے۔ لیکن AI کا زیادہ گہرا استعمال عمل پیرامیٹر کی اصلاح میں ہے تاکہ فضلہ کو پہلی جگہ پیدا ہونے سے بچایا جاسکے۔ سرد سرخی کے عمل سے ڈیٹا کھلا کر - قطر قطر ، درجہ حرارت ، مشین کی رفتار ، ڈائی پہننے - ایک ماڈل میں ، ہم ایک ہی ٹکڑا بنانے سے پہلے سر کی دراڑوں یا جہتی غلطیوں کے امکان کی پیش گوئی کرسکتے ہیں۔ اس کے بعد یہ نظام ایڈجسٹمنٹ کی سفارش کرسکتا ہے ، کہتے ہیں ، اینیلنگ درجہ حرارت میں معمولی اضافہ یا فیڈ ریٹ میں کمی۔

مجھے ایک پروجیکٹ یاد ہے جہاں ہم نے بولٹ پروڈکشن لائن کے لئے ڈیجیٹل شیڈو (ایک مکمل ڈیجیٹل جڑواں کا آسان ورژن) بنایا تھا۔ اس کا مقصد ٹرم نقصان کو کم سے کم کرنا تھا - بولٹ کاٹنے کے بعد بچ جانے والا تار۔ آرڈر پورٹ فولیوز اور مشین کی رکاوٹوں کا تجزیہ کرکے ، AI شیڈولنگ سسٹم وائر کنڈلیوں کو زیادہ مکمل طور پر استعمال کرنے کے احکامات کی ترتیب دے سکتا ہے ، جس سے ٹرم ویسٹ کو اوسطا 3.2 فیصد سے کم کرکے 1.7 فیصد سے کم کردیا جاسکتا ہے۔ یہ چھوٹا لگتا ہے ، لیکن سالانہ ہزاروں ٹن اسٹیل میں ، خام مال میں بچت اور اسٹیل کی پیداوار سے وابستہ کاربن کے اخراج کافی ہیں۔ آپ دیکھ سکتے ہیں کہ کس طرح یونگنیائی ضلع جیسے حبس میں کمپنیاں ، ان کی اعلی مقدار کی پیداوار کے ساتھ ، اس طرح کے دانے دار اصلاحات سے بے حد حاصل کرنے کے لئے کھڑے ہیں۔

سپلائی چین لچک اور کاربن فوٹ پرنٹ

یہ وہ جگہ ہے جہاں یہ پیچیدہ ہوجاتا ہے۔ ایک پائیدار سپلائی چین صرف گرین سپلائر کا انتخاب کرنے کے بارے میں نہیں ہے۔ یہ ہنگامی صورتحال ، کاربن سے بھرپور ہوائی مال بردار سامان سے بچنے کے ل efficiency کارکردگی اور لچک کے بارے میں ہے۔ AI- ڈرائیوین ڈیمانڈ کی پیش گوئی ، جب یہ کام کرتی ہے تو ، پیداوار کو ہموار کرتی ہے ، اور اوور ٹائم کی ضرورت کو کم کرتی ہے (جس کا مطلب اکثر کم موثر ، توانائی سے متعلق رنز) اور گھبراہٹ کا آرڈر ہوتا ہے۔

ہم نے کلائنٹ کے لئے لاجسٹک کی اصلاح کے ساتھ ملٹی ٹیر سپلائی چین رسک تجزیہ کو مربوط کیا۔ اس نظام کی نگرانی موسم ، بندرگاہ کی بھیڑ ، اور یہاں تک کہ سپلائر ریجن انرجی مکس (جیسے ، کیا ان کا گرڈ آج کوئلے یا قابل تجدید ذرائع پر چل رہا ہے؟)۔ جب ٹائم لائنز کی اجازت ہوتی ہے تو اس نے آہستہ آہستہ لیکن کم اخراج سمندری مال بردار سامان کو دوبارہ سے تبدیل کرنے کا مشورہ دیا ، یا عام 85 ٪ کی بجائے کنٹینرز کو 98 ٪ صلاحیت میں بھرنے کے ل loads بوجھ کو مستحکم کرنا۔ استحکام یہاں حاصل کریں بالواسطہ لیکن طاقتور ہے: یہ کاربن کی کارکردگی کو روزانہ لاجسٹک فیصلوں میں شامل کرتا ہے۔

یہاں ناکامی کا موڈ زیادہ سے زیادہ اصلاح ہے۔ ایک ماڈل نے ہمیشہ نقل و حمل کے اخراج کو کم سے کم کرنے کے لئے ایک واحد ، انتہائی سبز لیکن صلاحیت سے متاثرہ سپلائر کا استعمال کرتے ہوئے تجویز کیا۔ یہ بند ہونے کے خطرے کا محاسبہ کرنے میں ناکام رہا ، جو بالآخر ہوا ، جس نے متعدد ، کم زیادہ سے زیادہ سپلائرز کو گھماؤ ڈالنے پر مجبور کیا۔ سبق یہ تھا کہ پائیداری کے مقاصد کو AI کے معروضی فنکشن میں مضبوطی کی رکاوٹوں کے ساتھ متوازن ہونا چاہئے۔ آپ صرف کاربن کو کم نہیں کرسکتے ہیں۔ آپ کو خطرے کا انتظام کرنا ہوگا۔

انسانی عنصر: بڑھا ہوا فیصلہ سازی

یہ نازک ہے۔ AI فیکٹری نہیں چلاتا ہے۔ لوگ کرتے ہیں۔ سب سے موثر نفاذ میں نے دیکھا ہے جہاں AI مشیر کی حیثیت سے کام کرتا ہے۔ یہ ایک بے ضابطگی کو جھنڈا لگاتا ہے: لائن 3 پر فی یونٹ توانائی کی کھپت موجودہ پروڈکٹ مکس کے لئے 18 فیصد بینچ مارک سے اوپر ہے۔ ممکنہ وجہ: کنویئر موٹر B-12 میں پہننا ، تخمینہ کارکردگی کا نقصان 22 ٪۔ یہ بحالی کی ٹیم کو واضح استحکام اور لاگت کے اثرات کے ساتھ ایک ہدف ، ترجیحی کام فراہم کرتا ہے۔

اس سے ثقافت بدل جاتی ہے۔ استحکام پیداواری کارکردگی سے الگ KPI بننا بند کرتا ہے۔ جب فرش مینیجر دیکھتا ہے کہ کم سکریپ کی شرحوں کے لئے اصلاح کرنے سے توانائی اور خام مال کے استعمال میں بھی کمی آتی ہے تو ، اہداف سیدھ میں ہوجاتے ہیں۔ اے آئی کی تربیت لوگوں کو بھی تربیت دیتی ہے۔ عیب کا پتہ لگانے کے ماڈل کے ل data ڈیٹا کا لیبل لگانے کے لئے ، کوالٹی انجینئروں کو ناکامی کے طریقوں کا گہرا تجزیہ کرنا ہوگا۔ یہ عمل خود ہی ماڈل کے تعینات ہونے سے پہلے ہی عمل میں بہتری کا باعث بنتا ہے۔

مزاحمت فطری ہے۔ بلیک باکس کی سفارشات کا ایک درست خوف ہے۔ اسی لئے وضاحت کی کلید ہے۔ اگر نظام یہ کہتا ہے کہ فرنس کے درجہ حرارت کو 15 ° C تک کم کریں تو ، اس کو یہ استدلال بھی فراہم کرنا ہوگا: تاریخی اعداد و شمار اس نچلے درجے پر پیرامیٹرز X اور Y کے ساتھ چلتا ہے جس کے نتیجے میں 8 ٪ کم قدرتی گیس کی کھپت کے ساتھ یکساں سختی ہوتی ہے۔ اس سے اعتماد پیدا ہوتا ہے اور پائیدار کے لئے AI کو باہمی تعاون کے آلے میں بدل دیتا ہے مینوفیکچرنگ.

آگے دیکھ رہے ہیں: انضمام چیلنج

مستقبل توانائی یا معیار کے لئے اسٹینڈلون AI ایپلی کیشنز میں نہیں ہے۔ یہ مربوط عمل کی اصلاح میں ہے جو متعدد ، بعض اوقات مسابقتی ، مقاصد کو متوازن کرتا ہے: تھروپپٹ ، پیداوار ، توانائی کا استعمال ، آلے کا لباس ، اور کاربن فوٹ پرنٹ۔ یہ ایک کثیر مقصدی اصلاح کا مسئلہ ہے جو حقیقی وقت میں انسانی حساب سے بالاتر ہے۔

ہم پائلٹنگ سسٹم ہیں جو کسٹمر آرڈر لیتے ہیں اور متحرک طور پر انتہائی پائیدار پیداواری راستے کا تعین کرتے ہیں۔ کیا فاسٹنرز کے اس بیچ کو پرانی ، سست لائن پر بنایا جانا چاہئے جو اب فیکٹری کی نئی شمسی سرنی کے ذریعہ چل رہا ہے ، یا نئی ، تیز رفتار لائن پر جو گرڈ سے چلنے والا ہے لیکن اس میں سکریپ کی شرح کم ہے؟ AI خالص کاربن کے اثرات کا حساب لگاسکتا ہے ، جس میں کسی بھی ممکنہ سکریپ میں مجسم کاربن بھی شامل ہے ، اور واقعی زیادہ سے زیادہ راستے کی سفارش کی جاسکتی ہے۔ یہ اگلی سطح کی سوچ ہے۔

آخری رکاوٹ زندگی کی تشخیص کا انضمام ہے۔ اصلی فروغ استحکام کے ل when تب اس وقت آئے گا جب مینوفیکچرنگ میں AI کو مواد اور عمل کے مکمل لائف سائیکل اثر کے اعداد و شمار تک رسائی حاصل ہو۔ زنک چڑھانا اور ایک نیا پولیمر کوٹنگ کے مابین انتخاب صرف لاگت کا فیصلہ نہیں ہے۔ یہ کیمیائی استعمال ، استحکام ، اور زندگی کے اختتام کی ری سائیکلیبلٹی کے بارے میں فیصلہ ہے۔ ہم ابھی وہاں موجود نہیں ہیں ، لیکن بنیادی کام digit ڈیجیٹائزڈ ، انسٹرومینٹڈ ، اور انکولی کنٹرول کے تحت عمل کو حاصل کرنا ہے - جو مستقبل کو ممکن بناتا ہے۔ یہ ایک وقت میں ایک چھوٹے ، بیکار مسئلے کو حل کرنے کی ایک لمبی ، غیر منقولہ سڑک ہے۔