Bagaimana model dasar dapat membantu membuat produksi baja dan semen lebih berkelanjutan

Industri berat, terutama semen, baja, dan bahan kimia, adalah industri penghasil gas rumah kaca terbesar, menyumbang 25% dari emisi CO2 global. Mereka menggunakan panas suhu tinggi dalam banyak proses yang terutama didorong oleh bahan bakar fosil. Memerangi perubahan iklim membutuhkan penurunan emisi industri berat. Namun, industri ini menghadapi tantangan luar biasa untuk mengurangi emisi gas rumah kaca. Mengganti peralatan bukanlah rute yang layak untuk mengurangi emisi, karena industri ini padat modal, dengan siklus hidup aset lebih dari 40 tahun. Mereka juga mencoba bahan bakar alternatif, yang memiliki tantangan tersendiri dalam hal ketersediaan bahan bakar alternatif, dan kemampuan untuk mengelola proses dengan campuran bahan bakar. Perjanjian Paris tentang perubahan iklim juga mengamanatkan bahwa industri ini perlu mengurangi emisi tahunan sebesar 12-16% pada tahun 2030. Ketika diterapkan pada proses industri AI generatif dapat meningkatkan hasil produksi, mengurangi variabilitas kualitas, dan menurunkan konsumsi energi spesifik (sehingga mengurangi biaya operasional dan emisi).

Variabilitas yang lebih tinggi dalam proses dan operasi menyebabkan konsumsi energi spesifik (SEC) dan emisi yang lebih tinggi. Variabilitas ini berasal dari inkonsistensi pada material (bahan baku berasal dari bumi), kondisi cuaca yang bervariasi, kondisi mesin, dan ketidakmampuan manusia untuk mengoperasikan proses dengan efisiensi tertinggi 24 jam sehari, setiap hari dalam seminggu. Teknologi Kecerdasan Buatan dapat memprediksi variabilitas masa depan dalam proses dan dampak yang dihasilkan pada hasil, kualitas, dan konsumsi energi. Sebagai contoh, katakanlah kita memprediksi kualitas klinker terlebih dahulu, kita dapat mengoptimalkan energi panas dan pembakaran di tungku putar semen sedemikian rupa sehingga klinker berkualitas dihasilkan dengan energi minimum. Optimalisasi proses tersebut mengurangi konsumsi energi dan pada gilirannya mengurangi emisi energi dan emisi proses.

Model dasar membuat AI lebih dapat diskalakan dengan mengonsolidasikan biaya dan upaya pelatihan model hingga 70%. Penggunaan model dasar yang paling umum adalah dalam aplikasi pemrosesan bahasa alami (NLP). Namun, ketika disesuaikan dengan tepat, model dasar memungkinkan organisasi untuk berhasil memodelkan proses industri yang kompleks secara akurat, menciptakan kembaran digital dari proses tersebut. Kembaran digital ini menangkap hubungan multivariat antara variabel proses, karakteristik material, kebutuhan energi, kondisi cuaca, tindakan operator, dan kualitas produk. Dengan kembaran digital ini, kami dapat menyimulasikan kondisi operasi yang kompleks untuk mendapatkan nilai target operasi yang akurat untuk "titik ideal" proses. Sebagai contoh, kembaran digital tungku putar semen akan merekomendasikan bahan bakar, udara, kecepatan kiln, dan umpan optimal yang meminimalkan konsumsi energi panas dan tetap menghasilkan kualitas klinker yang tepat. Ketika nilai target yang dioptimalkan ini diterapkan pada proses, kami mengamati peningkatan efisiensi dan pengurangan energi yang belum pernah terlihat atau disadari sebelumnya. Peningkatan efisiensi dan SEC tidak hanya berdampak pada nilai EBITDA, tetapi juga mengurangi emisi energi dan emisi proses.

Industri berat telah mengoptimalkan proses dengan model AI selama beberapa tahun terakhir. Biasanya, model regresi digunakan untuk menangkap perilaku proses; setiap model regresi menangkap perilaku bagian dari proses. Ketika dipadukan dengan pengoptimal, kelompok model ini menunjukkan perilaku keseluruhan proses. Kelompok yang terdiri dari 10-20 model ini diatur oleh pengoptimal seperti sebuah orkestra untuk menghasilkan rekomendasi titik operasi optimal untuk pabrik. Namun, pendekatan ini tidak dapat menangkap dinamika proses, seperti peningkatan, penurunan, terutama saat terjadi gangguan. Dan melatih serta memelihara puluhan model regresi tidaklah mudah, menjadikannya hambatan untuk penskalaan yang dipercepat.

Saat ini, model dasar paling banyak digunakan dalam pemrosesan bahasa alami. Mereka menggunakan arsitektur transformator untuk menangkap hubungan jangka panjang antara kata-kata (token dalam terminologi Gen AI) dalam badan teks. Hubungan ini dikodekan sebagai vektor. Vektor hubungan ini kemudian digunakan untuk menghasilkan konten untuk konteks tertentu (katakanlah, perjanjian sewa). Keakuratan konten yang dihasilkan dari vektor yang dipetakan ini sangat mengesankan, seperti yang ditunjukkan oleh ChatGPT. Bagaimana jika kita dapat merepresentasikan data deret waktu sebagai urutan token? Bagaimana jika kita dapat menggunakan arsitektur transformator yang diparalelkan untuk mengodekan data deret waktu multivariat untuk menangkap hubungan jangka panjang dan jangka pendek antara variabel?

IBM Research bekerja sama dengan IBM Consulting telah mengadaptasi arsitektur transformator untuk data Deret Waktu dan menemukan hasil yang menjanjikan. Dengan menggunakan teknologi ini, kami dapat memodelkan seluruh proses industri, katakanlah tungku semen, hanya dengan satu model dasar. Model dasar dilatih untuk domain proses dan dapat menangkap perilaku seluruh aset dan kelas proses. Sebagai contoh, model dasar pabrik semen dapat menangkap perilaku beberapa kapasitas pabrik semen. Oleh karena itu, setiap pabrik berikutnya yang kami terapkan hanya memerlukan penyempurnaan dari “Model Dasar Pabrik Semen” alih-alih proses pelatihan dari atas ke bawah. Ini mengurangi waktu pelatihan model dan penerapan hingga setengahnya, menjadikannya teknologi yang layak untuk peluncuran skala besar. Kami telah mengamati bahwa model dasar ini 7 kali lebih akurat daripada model regresi. Dan yang terpenting, kami dapat menangkap dinamika proses karena model ini melakukan forecasting multivariat dengan akurasi yang baik.

Teknologi AI generatif pasti akan mengubah produksi industri ke tingkat yang tidak terduga. Ini adalah solusi untuk mengendalikan emisi industri dan meningkatkan produktivitas dengan dampak CAPEX minimal dan dampak EBITDA positif. IBM terlibat dengan beberapa klien untuk menghadirkan teknologi ini ke lantai produksi dan mengamati peningkatan hingga 5% dalam produktivitas dan pengurangan hingga 4% dalam konsumsi energi spesifik dan emisi. Kami membentuk tim inovasi bersama dengan tim klien dan bersama-sama melatih dan menerapkan model ini untuk beberapa contoh penggunaan mulai dari optimasi rantai pasokan, optimalisasi produksi, pengoptimalan aset, pengoptimalan kualitas hingga pengoptimalan perencanaan. Kami telah mulai menerapkan teknologi ini di pabrik baja besar di India, pabrik semen di Amerika Latin, dan manufaktur CPG di Amerika Utara.

Pada akhirnya, ini semua menyangkut manusia: operator di pabrik harus menerimanya, insinyur proses harus menyukainya, dan manajemen pabrik harus menghargainya. Hal ini hanya dapat dicapai dengan kolaborasi yang efektif dan manajemen perubahan, yang menjadi fokus kami selama interaksi. Mari bermitra bersama dalam mengembangkan era di mana kita dapat meningkatkan kapasitas produksi tanpa mengorbankan ambisi keberlanjutan dan menciptakan dunia yang lebih baik dan lebih sehat untuk generasi mendatang.