基盤モデルが鉄鋼とセメントの生産をより持続可能なものにする方法

重業種・業務、特にセメント、鉄鋼、化学は温室効果ガスを最も多く排出する業種・業務であり、世界のCO2排出量の25%を占めています。主に化石燃料を燃料とするプロセスの多くでは、高温の熱を使用します。気候変動と闘うには、業種・業務からの排出量を削減する必要があります。しかし、これらの業種・業務は、温室効果ガス排出量を削減するために多大な課題を直面しています。業種・業務は資本集約型であり、資産のライフサイクルが40年以上であるため、設備の交換は排出量を削減するための現実的な方法ではありません。また、彼らは代替燃料を試していますが、それには代替燃料の入手可能性や燃料を混合したプロセスの管理能力という独自の課題が伴います。パリ協定は、これらの業種・業務が2030年までに年間排出量を12～16％削減する必要があることも義務付けています。生成AIを産業プロセスに適用すると、生産歩留まりの向上、品質のばらつきの低減、特定のエネルギー消費量の低減 (それによって運用コストと排出量の削減) が可能になります。

プロセスとオペレーションの変動が大きいと、特定エネルギー消費量（SEC）と排出量が増加します。このばらつきは、材料の不一致（原材料は地球から得られる）、変動する気象条件、機械の条件、および人間が24時間年中無休でプロセスを最高の効率でプロセスを運用できないことによって生じています。人工知能テクノロジーは、プロセスの将来の変動性と、その結果として生じる収量、品質、エネルギー消費への影響を予測できます。例えば、クリンカーの品質を事前に予測することで、セメント窯での熱エネルギーと燃焼を最適化し、最小エネルギーで高品質のクリンカーを製造することができます。このようにプロセスを最適化することによりエネルギー消費が削減され、ひいてはエネルギー排出とプロセス排出の両方が削減されます。

基盤モデルにより、モデルトレーニングのコストと労力が最大70%削減され、AIはさらにスケーラブルになります。基盤モデルの最も一般的な用途は、自然言語処理 (NLP) アプリケーションです。ただし、適切に適応させた場合、基盤モデルにより組織は複雑な産業プロセスを正確にモデル化し、プロセスのデジタルツインを作成できるようになります。これらのデジタルツインは、プロセス変数、材料の特性、エネルギー要件、気象条件、オペレーターのアクション、製品品質の間の多変量関係を把握します。これらのデジタルツインを使用することで、複雑な運用条件をシミュレートし、プロセスの「スイート・スポット」の正確な動作設定値を取得できます。例えば、セメント窯のデジタルツインは、熱エネルギー消費を最小限に抑えながら、適切な品質のクリンカーを生産するために最適な燃料、空気、窯の速度、フィードを推奨します。これらの最適化された設定値がプロセスに適用されると、これまでに見られなかった、または実現されなかった効率性の向上とエネルギーの削減を実現できます。効率とSECの向上は、EBITDAの価値につながるだけでなく、エネルギー排出量とプロセス排出量の削減にもつながります。

重機業界はここ数年、AIモデルを使用してプロセスを最適化してきました。通常、回帰モデルはプロセスの動作を把握するために使用されますが、各回帰モデルは、プロセスの一部の動作を捉えます。このモデル グループは、オプティマイザーと組み合わせて、プロセスの全体的な動作を表します。これらの10～20台のモデルのグループは、オーケストラのようにオプティマイザーによって統合され、プラントに対する最適化運用ポイントの推奨を生成します。しかし、このアプローチでは、特に中断中のランプアップやランプダウンなどのプロセスのダイナミクスを捉えることができませんでした。また、多数の回帰モデルのトレーニングと維持は簡単ではなく、加速したスケーリングにおけるボトルネックとなっています。

今日、基盤モデルは主に自然言語処理で使用されています。Transformerアーキテクチャーを使用して、テキスト本文内の単語間の長期的な関係（生成AI用語でトークン）を把握します。これらの関係はベクトルとしてエンコードされます。これらの関係ベクトルは、特定のコンテキスト（レンタル契約など）のコンテンツを生成するために使用されます。ChatGPTが実証するように、これらのマッピングされたベクトルから生成されたコンテンツの精度は驚くべきものです。時系列データをトークンの一連のシーケンスとして表現できたらどうなるでしょうか？並列化されたTransformerアーキテクチャーを使用して多変量時系列データをエンコードし、変数間の長期および短期の関係を捉えることができたらどうなるでしょうか？

IBM Researchは、IBM Consultingと協力して、TransformerアーキテクチャーをTime Seriesデータに適応させ、有望な成果を導き出しました。このテクノロジーを使用すると、産業プロセス全体、たとえばセメント窯を 1 つの基盤モデルだけでモデル化できます。基盤モデルはプロセス・ドメイン用にトレーニングされており、資産およびプロセス・クラス全体の動作を取り込むことができます。例えば、セメント工場基盤モデルは、セメント工場のいくつかの能力の動作を捉えることができます。したがって、当社がデプロイする後続のすべての工場では、トップダウンのトレーニング プロセスではなく、「セメント工場基盤モデル」の微調整のみを行う必要があります。これにより、モデルのトレーニングとデプロイメントの時間が半分に短縮され、大規模なロールアウトに対応可能なテクノロジーとなります。これらの基盤モデルは回帰モデルの7倍の精度であることが確認されています。さらに、これらのモデルは高精度で多変量予測を行うため、プロセスの動向を捉えることができます。

生成AIテクノロジーは、工業生産を予期せぬレベルにまで変革するでしょう。これは、CAPEXへの影響を最小限に抑え、EBITDAへのプラスの影響を与えながら、産業用排出量を抑制し、生産性を向上させるソリューションです。IBMは複数の顧客と協力してこのテクノロジーを生産現場に導入し、生産性を最大5％向上させ、特定のエネルギー消費と排出量を最大4％削減しています。私たちは、お客様チームと共同イノベーション・チームを結成し、サプライチェーンの最適化、生産の最適化、資産の最適化、品質の最適化から計画の最適化まで、いくつかのユースケースに合わせてこれらのモデルを共同でトレーニング、デプロイしています。当社は、インドの大規模鉄鋼工場、中南米のセメント工場、北米の日用雑貨製造工場でこのテクノロジーのデプロイを開始しました。

結局のところ、工場のオペレーターに受け入れてもらい、プロセスエンジニアに気に入ってもらい、工場管理者に高く価値を評価してもらう必要があります。これは、当社がエンゲージメント全体を通じて重点を置いている効果的なコラボレーションとチェンジ・マネジメントによってのみ達成できます。サステナビリティーへの目標を損なうことなく生産能力を拡大し、将来の世代のためにより良い、より健康的な世界を創造できる時代の育成に向けて協力していきましょう。