Bagaimana Machine Learning Dapat Membantu Produsen Memerangi Perubahan Iklim
Perubahan iklim merupakan ancaman yang cukup besar bagi umat manusia, dan bukan hanya masalah yang harus ditinggalkan untuk generasi mendatang. Jika emisi gas rumah kaca hampir tidak sepenuhnya dihilangkan pada tahun 2050, dunia akan menghadapi konsekuensi bencana yang berkaitan dengan suhu global. Sementara banyak industri telah mengambil langkah-langkah untuk mengurangi emisi mereka, masih ada keengganan untuk bergerak ke arah ini karena perkiraan biaya yang salah untuk mencari solusi yang lebih ramah lingkungan.
Manufaktur, logistik, dan bahan bangunan adalah beberapa produsen utama emisi gas rumah kaca. Menurut Dewan Pertahanan Sumber Daya Alam, 15 perusahaan makanan dan minuman AS teratas menghasilkan lebih banyak gas rumah kaca setiap tahun daripada keseluruhan Australia. Namun, dengan penerapan pembelajaran mesin (ML), industri ini juga berada di posisi yang tepat untuk membuat dampak iklim yang positif.
ML telah digembar-gemborkan sebagai alat yang ampuh untuk kemajuan teknologi, tetapi meskipun digunakan untuk memerangi kekurangan pangan global, ada kurangnya upaya untuk mengidentifikasi bagaimana hal itu dapat digunakan untuk tujuan lingkungan lainnya. ML di pabrik, di berbagai sektor, dapat berkontribusi untuk mengurangi emisi global dengan mendorong efisiensi energi, merampingkan rantai pasokan, dan meningkatkan kualitas produksi.
Mengurangi Konsumsi
Masalah umum yang ditemukan di pabrik adalah bahwa mesin beroperasi pada kapasitas yang terlalu tinggi untuk output yang dibutuhkan. Begitu banyak pabrik yang bisa menjadi jauh lebih efisien dengan mengonsumsi lebih sedikit daya dari masing-masing mesin tanpa memengaruhi kinerjanya. Jika mesin hanya membutuhkan 25% dari penarikan daya maksimumnya untuk menjalankan jalur pada kecepatan tertentu, berbagai teknik ML dapat menyoroti hal ini dengan menghubungkan daya dan data produksi, memungkinkan Anda untuk mengoptimalkan pengaturan daya Anda bahkan jika pengaturan optimal berubah saat mesin bertambah tua.
Dalam kasus pembangkit listrik, ML dapat digunakan dengan pencitraan termal untuk menentukan bagian mana dari pembangkit yang berada pada tingkat suhu yang berlebihan dan memodulasi berapa banyak daya yang diterapkan ke bagian pembangkit tersebut. Jika pabrik mengadopsi prinsip serupa untuk konsumsi listrik, maka ini akan semakin meningkatkan efisiensi. Salah satu cara untuk melakukan ini adalah dengan merampingkan sistem pemanas, ventilasi, dan pendingin udara pabrik. Meskipun ini akan menjadi investasi yang berpotensi besar, sebuah pabrik juga dapat menggunakan ML untuk mensimulasikan keluaran produksi dan konsumsi daya pabrik mereka di bawah sumber energi yang berbeda, sehingga lebih mudah untuk mendesain ulang proses industri agar berjalan dengan energi rendah karbon daripada batu bara, minyak , dan bensin.
Selain konsumsi energi, pabrik juga dapat menggunakan ML untuk menangkap produk cacat sebelum diproduksi (misalnya, dengan menggunakan visi komputer untuk melihat cacat produk di awal lini, atau menggunakan data historis untuk memprediksi penyebab kesalahan sebelum terjadi) secara signifikan mengurangi memo mereka. Ini memiliki berbagai manfaat:lebih sedikit waktu yang dibutuhkan untuk menghasilkan throughput yang sama, lebih sedikit waktu yang terbuang untuk throughput yang buruk, dan lebih sedikit emisi yang akan dihasilkan untuk barang bekas. Jika sisa-sisa pabrik senilai $100 juta dikurangi 10%, itu akan memiliki efek yang setara dengan emisi yang dikeluarkan 2000 mobil dari jalan raya selama setahun. Hal ini menyoroti dampak besar yang mungkin ditimbulkan oleh perubahan kecil di pabrik terhadap tingkat emisi.
Pengoptimalan Rantai Pasokan
Di banyak pabrik, produk diproduksi berlebihan atau kelebihan stok. Ini memboroskan sumber daya melalui produksi tetapi juga menyebabkan peningkatan emisi dari biaya pengiriman dan penyimpanan. ML dapat mengurangi ini dengan memperkirakan permintaan. Dalam contoh industri makanan, ini dapat menyebabkan penurunan kerugian pasca panen dengan mengidentifikasi kapan suatu produk mungkin akan rusak, menggunakan algoritma kuantitatif untuk melacak umur simpan atau bahkan visi komputer untuk melacak bagaimana perubahan warna berarti makanan semakin lebih dekat ke manja. Jika ketegangan pada penyimpanan dikurangi dengan merampingkan jaringan pasokan dengan cara ini, maka persentase produk yang lebih tinggi dapat dijual karena produk yang tepat akan dikirim saat ada permintaan. Secara teoritis, ML juga dapat digunakan untuk membantu pabrik menyiapkan jaringan pemasok, berdasarkan kategori seperti geografi dan usia perusahaan, untuk membangun algoritme yang membantu memikirkan proses pengambilan keputusan pemasok mana yang harus dipilih.
Teknik ML seperti computer vision juga memungkinkan pabrik untuk "menilai" dan mendokumentasikan kualitas produk mereka. Melakukan nilai ini sesuai dengan standar yang diterima secara luas memungkinkan pemasok untuk memberikan tingkat sertifikasi untuk produk mereka, yang memberikan kepercayaan kepada pelanggan potensial dan memperluas pasar yang dapat mereka jangkau. Sebagai contoh, karena tarif yang tinggi antara AS dan China untuk barang baja, baja sering dikirim melalui negara pihak ketiga, mengurangi jaminan kualitas akhir dari pelanggan akhir. Inspeksi dan sertifikasi berbasis ML, baik di sisi pemasok atau pelanggan, memudahkan pengguna baja Amerika untuk mendapatkan baja dari lebih banyak negara.
Proses Penyempurnaan
Banyak sektor manufaktur mengalami pemborosan bahan dan kehilangan energi dalam proses produksi. Misalnya, dalam produksi baja, ada banyak modifikasi dan perpindahan panas selama pembentukan yang menyebabkan hilangnya energi yang cukup besar. 1,8 ton CO2 dipancarkan di seluruh rantai pasokan per ton baja yang diproduksi, dan 9% gas rumah kaca global dikeluarkan selama produksi semen dan baja. Di pabrik-pabrik tempat plastik diproduksi, ada banyak limbah dari bahan yang tidak dapat didaur ulang karena plastik tidak dapat didaur ulang seperti halnya logam.
Kedua jenis produksi ini dapat melihat perubahan paling drastis dalam hal pengurangan sisa dan limbah mereka. Daripada berfokus pada solusi ramah lingkungan yang ditawarkan oleh banyak perusahaan rintisan dengan biaya tambahan, pengurangan sisa dan limbah harus menjadi insentif utama bagi industri ini yang pada gilirannya mengarah pada penghematan energi dan produksi yang lebih berkelanjutan. Solusi energi bersih dan berkelanjutan tidak boleh dilihat sebagai kemewahan bagi pabrik yang mampu membelinya, melainkan produk sampingan dari peningkatan efisiensi. Pabrik juga dapat meningkatkan hasil mereka tanpa menempuh jalur solusi energi yang bersih secara eksplisit — menggunakan lebih sedikit energi dari yang dibutuhkan hanyalah praktik yang baik.
ML dapat membantu memerangi perubahan iklim dengan menyempurnakan proses manufaktur, yang mengarah pada peningkatan efisiensi, konsumsi energi yang lebih sedikit, dan pengurangan emisi. Pada gilirannya, hasil-hasil ini akan memungkinkan pabrik merasa yakin untuk mengalihkan penekanan ke produksi yang lebih bersih. Menerapkan ML untuk mengatasi perubahan iklim dapat membantu menghilangkan karbon di sektor manufaktur, memajukan beberapa teknik dalam ML yang masih dalam tahap awal, dan bermanfaat bagi masyarakat secara keseluruhan.
Arjun Chandar dan Hunter Ashmore adalah salah satu pendiri IndustrialML Inc.
