Udržitelná móda začíná s umělou inteligencí

Autor: Madhava Venkatesh, spoluzakladatel a technický ředitel TrusTrace.

Jako někdo, kdo je vášnivě zapálený udržitelností, je vždycky vzrušující vidět, jak vlády podnikají kroky, které mají význam. Příkladem je program Evropského komise pro environmentální stopu produktů (PEF). Ačkoli je stále ve fázi testování, jakmile se stane zákonem, bude vyžadovat, aby značky vypočítaly a zveřejnily skutečný environmentální dopad svých výrobků, přičemž vezmou v úvahu činnosti v dodavatelském řetězci: od těžby surovin, přes výrobu a použití až po nakládání s odpady. Taková legislativa by byla velkým úspěchem pro aktivisty, kteří dlouho tlačili na velké značky, aby fungovaly udržitelněji, a to zejména u módních společností.

Podle všeobecně uznávaných odhadů je módní průmysl zodpovědný za 2 až 8 procent celosvětových emisí uhlíku. V roce 2018 vyrobil globální oděvní a obuvnický průmysl sám o sobě více skleníkových plynů než Francie, Německo a Spojené království dohromady.

PEF je pouze jednou z mnoha globálních předpisů, které nutí velké společnosti zohledňovat environmentální poškození ve svých dodavatelských řetězcích. Kalifornský zákon o transparentnosti dodavatelských řetězců a nedávno přijatý německý zákon o dodavatelském řetězci jsou dva recentní příklady. Aby značky v těchto regionech splnily různé nové požadavky, budou potřebovat technologická řešení pro stopovatelnost dodavatelského řetězce a nový způsob myšlení o udržitelnosti.

Dokud nedávno měly značky shora dolů přístup k udržitelnosti, vydávaly rozsáhlé firemní iniciativy a marketingové produkty. Ale tento přístup je již zastaralý a neúčinný (zejména pokud má dojít k jakékoli skutečné změně). Nyní je zapotřebí, ať už prostřednictvím legislativy nebo rostoucího počtu ekologicky uvědomělých spotřebitelů, přechod k udržitelnosti od produktu nahoru.

Aby mohla značka vyprodukovat skutečně udržitelný oděv, musí znát vše o každém produktu a materiálu, se kterým pracuje. To vyžaduje miliony jemných, přesných datových bodů a řešení stopovatelnosti, které může tyto údaje uložit na jednom místě.

Proč stopovatelnost?

Schopnost přesně stopovat produkty a materiály v dodavatelském řetězci může pomoci řešit mnoho výzev. Greater visibility dodavatelského řetězce umožňuje značekům předvídat narušení, než k nim dojde. Kromě toho tato viditelnost umožňuje značekám dělat produkty a prokazovat jejich autenticitu. Například značka může tvrdit, že prodává 100% organický bavlněný svetr a poskytnout údaje, které to potvrzují.

Jak jsou módní dodavatelské řetězce nyní, jsou obrovské, ale s malou viditelností dodavatelů. Módní společnosti proto čelí úkolu stopovat každý produkt, zatímco se pohybuje prostřednictvím stovek dodavatelů po celém světě. Tato realita představuje obrovskou technologickou výzvu, kterou může řešit pouze umělá inteligence (AI) a strojové učení.

AI jako umožňovatel stopovatelnosti

V TrusTrace pracujeme s desítkami společností v módním průmyslu a většina jejich dat v dodavatelském řetězci je uzavřena v dokumentech – papírových a elektronických. Tyto dokumenty zahrnují faktury, které prokazují řetězec vlastnictví, sociální auditní zprávy popisující pracovní a platové podmínky v továrnách a dalších zařízeních, chemické testovací zprávy pro materiálové dávky a mnoho dalšího. Tato dokumentační data jsou často v různých formátech a jazycích. Stručně řečeno, primárním problémem je získání dat.

Tady se stává AI kritickou pro stopovatelnost. Může inteligentně shromažďovat velké množství dat v měřítku. Ještě důležitější je, že může také podporovat systém, který automaticky provádí validaci dat tím, že koreluje informace z více zdrojů, aby zlepšil celkovou kvalitu dat stopovatelnosti.

Jednoduše řečeno, AI může být použita k digitalizaci papírových stop, aby umožnila celkovou stopovatelnost produktů. Proces digitalizace zahrnuje tři kroky: klasifikace, extrakce a identifikace objektů a validace a propojení dat.

Klasifikace nastává, když dodavatel předloží dokument do platformy stopovatelnosti dodavatelského řetězce. Základní AI rozpozná dokument a inteligentně ho klasifikuje, například jako nákup, audit zařízení nebo certifikát.

Na základě klasifikace dokumentu AI identifikuje klíčové informace prostřednictvím metadat. Například při zpracování faktur bude systém stopovatelnosti automaticky extrahovat a identifikovat informace, jako je kupující, prodávající, produkt, množství, datum dodání atd. Podobně digitalizace sociálního auditu může zahrnovat zachycení parametrů souvisejících s pracovními podmínkami, spravedlivými platy, rozmanitostí a dalšími.

Jakmile jsou odpovídající objekty extrahovány, data jsou validována a propojena s ostatními existujícími daty v podnikových systémech značek, aby mohly být použita podle potřeby, ať už pro прогнозování, analytiku, legislativní reportování nebo jiné požadavky.

Módní dodavatelské řetězce jsou tak složité a dostupná data tak rozsáhlá, že je prakticky nemožné je řídit bez efektivní podpory AI. Po implementaci systému stopovatelnosti se udržitelnost jednoho nebo více partnerů v dodavatelském řetězci značky nevyhnutelně ukáže jako nedostatečná. V takovém případě musí dodavatelský řetězec přizpůsobit a rekonfigurovat prostřednictvím jiných partnerů, aby zůstal v souladu. AI a strojové učení jsou páteří, která umožňuje takovou rychlou úpravu.

Pohled do budoucnosti

Jak program PEF Evropské komise ukazuje, nastane čas, kdy nebude dostatečné říkat, že jste udržitelní; nebude dostatečné ani poskytnout důkazy. Věřím, že v budoucnosti budou značky vypočítávat v reálném čase, jak udržitelné jsou jejich produkty, inteligentně stopují kombinované materiály.

Jsem hrdý na to, že vidím tolik módních značek, které se zavázaly k udržitelnosti a sociální odpovědnosti – dokonce i předtím, než legislativa začala zesilovat. Tento firemní závazek se nyní musí projevit na úrovni produktu. Není to jednoduchý úkol, ale stopovatelnost, podpořená AI a daty, může to učinit možným.