Como os modelos de base podem ajudar a tornar a produção de aço e cimento mais sustentável

As indústrias pesadas, especialmente de cimento, aço e produtos químicos, são as indústrias que mais emitem gases de efeito estufa, contribuindo com 25% das emissões globais de CO2. Elas usam alta temperatura em muitos de seus processos, que é gerada principalmente por combustíveis fósseis. Combater a mudança climática requer a redução das emissões das indústrias pesadas. No entanto, essas indústrias enfrentam enormes desafios para reduzir as emissões de gases de efeito estufa. Substituir equipamentos não é uma rota viável para reduzir as emissões, pois essas indústrias têm uso intenso de capital, com ciclos de vida de ativos superiores a 40 anos. Elas também estão experimentando combustíveis alternativos, o que traz seus próprios desafios de disponibilidade de combustíveis alternativos e a capacidade de gerenciar processos com misturas de combustíveis. O Acordo de Paris sobre mudança climática também determina que essas indústrias precisarão reduzir as emissões anuais em 12% a 16% até 2030. A IA generativa, quando aplicada a processos industriais, pode melhorar o rendimento da produção, reduzir a variabilidade da qualidade e diminuir o consumo específico de energia (reduzindo, assim, os custos operacionais e as emissões).

Maior variabilidade nos processos e operações resulta em maior consumo de energia específica (SEC) e mais emissões. Essa variabilidade vem da inconsistência do material (a matéria-prima vem da terra), das condições climáticas variadas, das condições das máquinas e da incapacidade humana de operar os processos com a máxima eficiência 24 horas por dia, todos os dias da semana. A tecnologia de inteligência artificial pode prever a variabilidade futura nos processos e o impacto resultante no rendimento, na qualidade e no consumo de energia. Por exemplo, digamos que se pudermos prever a qualidade do clínquer com antecedência, seremos capazes de otimizar a energia térmica e a combustão no forno de cimento de tal forma que seja produzido clínquer de qualidade com o mínimo de energia. Essa otimização dos processos reduz o consumo de energia e, por sua vez, reduz a emissão de energia e a emissão do processo.

Os modelos de base tornam a IA mais escalável, consolidando o custo e o esforço do treinamento do modelo em até 70%. O uso mais comum de modelos de base é em aplicações de processamento de linguagem natural (NLP). No entanto, quando adaptados adequadamente, os modelos de base permitem que as organizações modelem com sucesso processos industriais complexos com precisão, criando um digital twin do processo. Esses digital twins capturam relacionamentos multivariados entre variáveis de processo, características do material, requisitos de energia, condições climáticas, ações do operador e qualidade do produto. Com esses digital twins, podemos simular condições operacionais complexas para obter pontos de ajuste operacionais precisos para os "pontos ideais" do processo. Por exemplo, o digital twin do forno de cimento recomendaria o combustível, o ar, a velocidade do forno e a alimentação ideais que minimizam o consumo de energia térmica e ainda produzem clinquer da qualidade certa. Quando esses pontos de ajuste otimizados são aplicados ao processo, observamos melhorias de eficiência e reduções de energia que não eram vistas ou realizadas antes. A melhor eficiência e SEC não se traduzem apenas em valor EBITDA, mas também em redução de emissões de energia e emissões de processo.

A indústria pesada tem otimizado processos com modelos de IA nos últimos anos. Normalmente, os modelos de regressão são usados para capturar o comportamento do processo; cada modelo de regressão captura o comportamento de uma parte do processo. Quando unido a um otimizador, esse grupo de modelos representa o comportamento geral do processo. Esses grupos de 10 a 20 modelos são orquestrados por um otimizador como uma orquestra para gerar recomendações otimizadas de pontos de operação para as fábricas. No entanto, essa abordagem não conseguiu capturar a dinâmica do processo, como aumentos e reduções, especialmente durante interrupções. E treinar e manter dezenas de modelos de regressão não é fácil, o que torna isso um gargalo para a escalabilidade acelerada.

Atualmente, os modelos de base são usados principalmente no processamento de linguagem natural. Eles usam a arquitetura de transformação para capturar relacionamentos de longo prazo entre palavras (tokens na terminologia de IA generativa) em um corpo de texto. Essas relações são codificadas como vetores. Esses vetores de relacionamento são então usados para gerar conteúdo para qualquer contexto específico (digamos, um contrato de aluguel). A precisão do conteúdo resultante gerado a partir desses vetores mapeados é impressionante, como demonstrado pelo ChatGPT. E se pudéssemos representar dados de séries temporais como uma sequência de token? E se pudéssemos usar a arquitetura de transformação paralelizada para codificar dados de séries temporais multivariadas para capturar relacionamentos de longo e curto prazo entre variáveis?

A IBM Research, em colaboração com a IBM Consulting, adaptou a arquitetura de transformação para dados de séries temporais e encontrou resultados promissores. Usando essa tecnologia, podemos modelar um processo industrial inteiro, digamos, um forno de cimento com apenas um modelo de base. Os modelos de base são treinados para um domínio de processo e podem capturar o comportamento de toda a classe de ativos e processos. Por exemplo, o modelo de base de uma fábrica de cimento pode capturar o comportamento de várias capacidades delas. Portanto, cada fábrica subsequente que implementarmos precisa passar apenas pelo ajuste fino do "Modelo de Base da Fábrica de Cimento", em vez de um processo de treinamento de cima para baixo. Isso reduz o tempo de treinamento e implementação do modelo pela metade, tornando-a uma tecnologia viável para lançamentos em grande escala. Observamos que esses modelos de base são sete vezes mais precisos do que os modelos de regressão. E ainda por cima, podemos capturar a dinâmica do processo, pois esses modelos fazem forecasting multivariado com boa precisão.

A tecnologia de IA generativa está fadada a transformar a produção industrial a um nível imprevisto. Esta é a solução para controlar as emissões industriais e aumentar a produtividade com impacto mínimo de CAPEX e impacto positivo no EBITDA. A IBM está se envolvendo com vários clientes para levar essa tecnologia para a área de produção e observar um aumento de até 5% na produtividade e uma redução de até 4% no consumo de energia específica e emissões. Formamos uma equipe de inovação conjunta com as equipes dos clientes e, juntos, treinamos e implementamos esses modelos para vários casos de uso que vão desde otimização da cadeia de suprimentos, otimização da produção, otimização de ativos, otimização da qualidade até otimização do planejamento. Começamos a implementar essa tecnologia em uma grande planta siderúrgica na Índia, uma fábrica de cimento na América Latina e fabricação de CPG na América do Norte.

Em última análise, trata-se de pessoas: os operadores da fábrica devem adotá-la, os engenheiros de processo devem amá-la e a gerência da fábrica deve valorizá-la. Isso só pode ser alcançado com colaboração eficaz e gestão de mudanças, nas quais nos concentramos durante todo o engajamento. Vamos fazer parceria para o fomento em uma era em que podemos aumentar nossas capacidades de produção sem comprometer as ambições de sustentabilidade e criar um mundo melhor e mais saudável para as gerações futuras.