機械学習で製造業の排出削減と気候変動対策を両立

気候変動は人類にとって重大な脅威であり、次世代に先送りすべき問題ではありません。2050年までに温室効果ガス排出をほぼ完全に排除しなければ、世界は地球温暖化の面から壊滅的な結果に直面します。多くの業界が排出削減に向けた措置を講じていますが、グリーンな解決策にはコストがかかるという誤った前提のため、この方向への動きにはまだ躊躇があります。

製造業、物流、建材は温室効果ガス排出の主要排出源の一部です。天然資源保護協議会（NRDC）によれば、米国のトップ15食品・飲料企業は、オーストラリア全土の年間排出量より多くの温室効果ガスを排出しています。しかし、機械学習（ML）の採用により、この業界はポジティブな気候インパクトをもたらす好位置にあります。

MLは技術進歩の強力なツールと称されてきましたが、世界的食糧不足対策に用いられる一方で、他の環境目的への応用を特定する努力は不足していました。工場におけるMLは、さまざまな分野で、エネルギー効率の向上、サプライチェーンの合理化、生産品質の改善を通じて、世界的排出削減に貢献できます。

消費電力の削減

工場でよく見られる問題は、機械が必要な生産量に対して過剰な能力で稼働していることです。多くの工場では、個々の機械からの消費電力を減らしても性能に影響を与えず、大幅な効率化が可能です。ある機械が特定速度でラインを稼働するのに最大電力の25%しか必要としない場合、多様なML技術で電力データと生産データを相関させ、この事実を浮き彫りにできます。機械が経年劣化しても最適設定が変化する場合でも、電力設定を最適化できます。

発電所の場合、MLをサーモグラフィと組み合わせ、プラントのどの部分が過剰な温度にあるかを特定し、その部分への電力供給を調整できます。工場が電力消費に同様の原理を採用すれば、さらなる効率化が可能です。工場の暖房、換気、空調（HVAC）システムを合理化するのも一案です。潜在的に大きな投資になりますが、工場はMLを用いて、異なるエネルギー源における生産量と電力消費をシミュレーションし、石炭、石油、ガスではなく低炭素エネルギーで産業プロセスを稼働させる再設計を容易にできます。

エネルギー消費以外でも、工場はMLを用いて不良品を生産前に検知できます（例えば、コンピュータビジョンでライン早期に製品欠陥を発見したり、履歴データでエラー原因を事前予測したり）。これによりスクラップを大幅に削減できます。これには多様なメリットがあります：同等のスループット達成に必要な時間が減り、不良品への無駄な時間が減り、スクラップ品の生産に伴う排出も減ります。1億ドル規模の工場でスクラップを10%削減すれば、年間2,000台の自動車を道路から減らすのと同等の排出削減効果があります。これは、工場での一見些細な変更が排出レベルに莫大な影響を与えうることを示しています。

サプライチェーンの最適化

多くの工場では、製品が過剰生産・過剰在庫されています。これは生産を通じてリソースを浪費するだけでなく、輸送と保管の負荷により排出を増やします。MLは需要予測によりこれを削減できます。食品業界の例では、製品が腐敗しそうな時期を特定することで、収穫後損失を減らせます。定量的アルゴリズムで賞味期限を追跡したり、コンピュータビジョンで色の変化から食品の腐敗進行を追跡したりします。このようにサプライネットワークを合理化して保管負荷を減らせば、需要があるときに適切な製品が出荷されるため、より高い割合の製品を販売できます。理論的には、地理や企業年齢などのカテゴリーに基づきサプライヤーネットワークを構築し、どのサプライヤーを選ぶかの意思決定プロセスを考えるアルゴリズム構築にもMLを活用できます。

コンピュータビジョンなどのML技術は、工場が製品の品質を「グレーディング」し、文書化することも可能にします。広く受け入れられた基準に従ってこれらのグレーディングを行えば、サプライヤーは製品に一定レベルの認証を提供でき、潜在顧客に信頼を与え、到達可能な市場を拡大できます。例として、米中間の鉄鋼製品への高関税により、鉄鋼がしばしば第三国経由で出荷され、エンドカスタマーの最終品質保証が損なわれています。サプライヤー側またはカスタマー側でのMLベース検査と認証により、米国の鉄鋼ユーザーがより多くの国から鉄鋼を調達しやすくなります。

プロセスの洗練

多くの製造分野が、生産プロセスにおける材料の無駄とエネルギー損失に悩んでいます。例えば製鉄では、成形時の多くの改質と熱移動が大幅なエネルギー損失を招きます。鉄鋼1トン生産あたりサプライチェーン全体で1.8トンのCO2が排出され、世界の温室効果ガスの9%がセメントと鉄鋼生産時に排出されています。プラスチック生産工場では、金属ほどリサイクルできないため、リサイクルされない材料から多くの廃棄物が出ます。

この2種類の生産では、スクラップと廃棄物の削減において最も劇的な変化が見込めます。多くのスタートアップが追加コストで提供するグリーンソリューションに焦点を当てるのではなく、スクラップと廃棄物削減をこれらの業界の主たるインセンティブとすべきです。それがひいてはエネルギー節約とより持続可能な生産につながります。サステナビリティとクリーンエネルギーソリューションは、余裕のある工場の贅沢品ではなく、効率向上の副産物と見なすべきです。明示的にクリーンエネルギーソリューションの道を進まなくても、工場は収率を向上できます。必要以上のエネルギーを使わないことは、単なる良い慣行です。

MLは製造プロセスを洗練させることで気候変動対策に貢献できます。これにより効率改善、エネルギー消費削減、排出削減が実現し、その結果、工場はクリーンな生産へのシフトに自信を持てるようになります。気候変動対策へのML適用は、製造セクターの脱炭素化、まだ初期段階にあるML技術の前進、社会全体への利益につながります。

アルジュン・チャンダー氏とハンター・アシュモア氏は、インダストリアルML社の共同創業者です。