دور نماذج الأساس في تعزيز استدامة إنتاج الصلب والأسمنت

تُعَد الصناعات الثقيلة، وخاصةً الأسمنت والصلب والكيماويات، من أكبر الصناعات المسببة لانبعاثات الغازات الدفيئة، حيث تُسهم بنسبة 25% من إجمالي انبعاثات ثاني أكسيد الكربون العالمية. تستخدم هذه الصناعات حرارة عالية في العديد من عملياتها، والتي تعتمد أساسًا على الوقود الأحفوري. تتطلب مكافحة تغيُّر المناخ خفض انبعاثات الصناعات الثقيلة. ومع ذلك، تواجه هذه الصناعات تحديات كبيرة في خفض انبعاثات الغازات الدفيئة. لا يُعَد استبدال المعدات خيارًا عمليًا لتقليل الانبعاثات، إذ إن هذه الصناعات كثيفة رأس المال وتمتد دورة حياة أصولها لأكثر من 40 عامًا. كما أنها تحاول استخدام أنواع وقود بديلة، والتي تأتي بتحدياتها الخاصة المتعلقة بتوافر الوقود البديل، وقدرة إدارة العمليات باستخدام خلطات الوقود. كما تنص اتفاقية باريس بشأن تغيّر المناخ على ضرورة أن تقلل هذه الصناعات انبعاثاتها السنوية بنسبة تتراوح بين 12 و16% بحلول عام 2030. يمكن للذكاء الاصطناعي التوليدي، عند تطبيقه على العمليات الصناعية، تحسين معدل الإنتاج وتقليل تباين الجودة وخفض استهلاك الطاقة النوعي (ما يؤدي إلى تقليل التكاليف التشغيلية والانبعاثات).

تؤدي زيادة التباين في العمليات ومهام سير العمل إلى ارتفاع استهلاك الطاقة النوعي (SEC) وزيادة الانبعاثات. ينشأ هذا التباين من تفاوت المواد الخام (لأنها مستخرجة من الطبيعة)، وتغيّر الظروف الجوية، وحالة الماكينات، وعدم قدرة الإنسان على تشغيل العمليات بأقصى كفاءة على مدار الساعة طوال أيام الأسبوع. يمكن لتقنية الذكاء الاصطناعي التنبؤ بالتباين المستقبلي في العمليات وتأثيره الناتج على الإنتاجية والجودة واستهلاك الطاقة. على سبيل المثال، إذا تنبأنا مسبقًا بجودة الكلنكر، فسنتمكن من تحسين استخدام الطاقة الحرارية وعمليات الاحتراق في فرن الأسمنت بحيث يتم إنتاج كلنكر عالي الجودة بأقل استهلاك للطاقة. يؤدي مثل هذا التحسين في العمليات إلى خفض استهلاك الطاقة، ما يقلل بدوره من انبعاثات الطاقة وانبعاثات العمليات.

تجعل نماذج الأساس الذكاء الاصطناعي أكثر قابلية للتوسع من خلال دمج تكلفة وجهد تدريب النماذج وتقليلها بنسبة تصل إلى 70%. الاستخدام الأكثر شيوعًا لنماذج الأساس يكون في تطبيقات معالجة اللغة الطبيعية (NLP). ومع ذلك، عند تكييفها بالشكل المناسب، تُتيح نماذج الأساس للمؤسسات نمذجة العمليات الصناعية المعقدة بدقة، وإنشاء توأم رقمي مماثل للعملية. يلتقط هذا التوأم الرقمي العلاقات متعددة المتغيرات بين متغيرات العملية وخصائص المواد ومتطلبات الطاقة والظروف الجوية وإجراءات المشغِّل وجودة المنتج. باستخدام هذه التوائم الرقمية، يمكننا محاكاة ظروف التشغيل المعقدة للحصول على نقاط تشغيل دقيقة لمواقع العمليات المثالية. على سبيل المثال، سيوصي التوأم الرقمي لفرن الأسمنت بالمعدلات المثالية من الوقود والهواء وسرعة الفرن والتغذية لتقليل استهلاك الطاقة الحرارية مع الحفاظ على جودة الكلنكر المطلوبة. عند تطبيق هذه النقاط المثالية في العملية، نلاحظ تحسُّنًا في الكفاءة وانخفاضًا في استهلاك الطاقة لم يسبق تحقيقه من قبل. التحسين في الكفاءة واستهلاك الطاقة النوعي (SEC) لا ينعكس فقط على قيمة EBITDA، بل يقلل أيضًا من انبعاثات الطاقة وانبعاثات العمليات.

عملت الصناعات الثقيلة على تحسين عملياتها باستخدام نماذج الذكاء الاصطناعي خلال السنوات القليلة الماضية. عادةً ما يتم استخدام نماذج الانحدار لتمثيل سلوك العمليات؛ حيث يلتقط كل نموذج انحدار سلوك جزء معين من العملية. عند دمج هذه المجموعة من النماذج مع أداة تحسين، فإنها تمثِّل السلوك العام للعملية بأكملها. يتم تنسيق هذه المجموعات المكونة من 10 نماذج إلى 20 نموذجًا بواسطة أداة تحسين، تمامًا كما يقود الأوركسترا قائدها، لتوليد توصيات بنقاط التشغيل المثالية للمصانع. ومع ذلك، لم يكن هذا النهج قادرًا على تمثيل ديناميكيات العملية، مثل زيادات السرعة وتباطؤها، خاصةً في أثناء حدوث اضطرابات. كما أن تدريب العشرات من نماذج الانحدار وصيانتها ليس أمرًا سهلًا، ما يجعلها عائقًا أمام التوسع السريع.

اليوم، يتم استخدام نماذج الأساس في الغالب في معالجة اللغة الطبيعية. تستخدم هذه النماذج بنية المحوِّل لالتقاط العلاقات طويلة المدى بين الكلمات (أو الرموز المميزة في مصطلحات الذكاء الاصطناعي التوليدي) داخل النص. يتم ترميز هذه العلاقات كمتجهات. ثم يتم استخدام متجهات العلاقة هذه لإنشاء محتوى لأي سياق محدد (على سبيل المثال، اتفاقية تأجير). النتائج الناتجة عن هذه المتجهات الممثلة تُظهر دقة عالية في المحتوى، كما يتضح من ChatGPT. ماذا لو تمكّنا من تمثيل بيانات السلاسل الزمنية كسلسلة من الرموز المميزة؟ ماذا لو تمكّنا من استخدام بنية المحوِّل المتوازي لترميز بيانات السلاسل الزمنية متعددة المتغيرات لالتقاط العلاقات طويلة وقصيرة المدى بين المتغيرات؟

عملت IBM Research، بالتعاون مع IBM Consulting، على تكييف بنية المحوِّل لتطبيقها على بيانات السلاسل الزمنية وحققت نتائج واعدة. وباستخدام هذه التقنية، يمكننا نمذجة عملية صناعية كاملة، على سبيل المثال فرن أسمنت، بنموذج أساس واحد فقط. يتم تدريب نماذج الأساس على مجال عملية محدد، ويمكنها تمثيل سلوك الأصل بأكمله وفئة العمليات المرتبطة به. على سبيل المثال، يمكن لنموذج الأساس الخاص بطاحونة الأسمنت تمثيل سلوك عدة قدرات لطواحين الأسمنت المختلفة. لذلك، كل طاحونة جديدة نريد نشرها تحتاج فقط إلى ضبط دقيق لنموذج الأساس لطاحونة الأسمنت، بدلًا من عملية تدريب شاملة من البداية. وهذا يقلل من وقت تدريب النموذج ونشره إلى النصف، ما يجعلها تقنية قابلة للتطبيق على نطاق واسع. لقد لاحظنا أن نماذج الأساس هذه أكثر دقة بمقدار 7 مرات من نماذج الانحدار. وفوق كل ذلك، يمكننا التقاط ديناميكيات العملية حيث تُجري هذه النماذج توقعات متعددة المتغيرات بدقة جيدة.

من المؤكَّد أن تقنية الذكاء الاصطناعي التوليدي ستحوِّل الإنتاج الصناعي إلى مستوى غير متوقع. هذا هو الحل للحد من انبعاثات الصناعات وزيادة الإنتاجية مع تأثير CAPEX محدود وتأثير إيجابي على EBITDA. تتعاون IBM مع عدد من العملاء لتطبيق هذه التقنية في أرضية الإنتاج، محققة زيادة تصل إلى 5% في الإنتاجية وتقليلًا يصل إلى 4% في استهلاك الطاقة النوعي والانبعاثات. نحن نشكِّل فريق ابتكار مشتركًا مع فرق العملاء، ونعمل معًا على تدريب هذه النماذج ونشرها لعدة حالات استخدام تتراوح بين تحسين كلٍّ من سلسلة التوريد والإنتاج والأصول والجودة، ووصولًا إلى تحسين التخطيط. لقد بدأنا بنشر هذه التقنية في مصنع فولاذ كبير في الهند، ومصنع أسمنت في أمريكا اللاتينية، ومصانع تصنيع السلع الاستهلاكية (CPG) في أمريكا الشمالية.

في النهاية، الموضوع كله يدور حول الأشخاص: يجب على العاملين في المصنع تقبُّل هذه التقنية، وعلى مهندسي العمليات أن يقدِّروا قيمتها، كما يجب على إدارة المصنع أن تمنحها الأهمية التي تستحقها.ولا يمكن تحقيق ذلك إلا من خلال التعاون الفعَّال وإدارة التغيير، وهو ما نركِّز عليه طوال فترة المشاركة. لنتعاون معًا لتعزيز العصر الذي يمكننا فيه زيادة قدراتنا الإنتاجية دون المساس بأهداف الاستدامة، ونُنشئ عالمًا أفضل وأكثر صحة للأجيال القادمة.