Bæredygtig mode begynder med AI

Af: Madhava Venkatesh, medstifter og teknisk direktør, TrusTrace.

Som jemand, der er passioneret om bæredygtighed, er det altid spændende at se regeringer træde til og gøre noget, der betyder noget. Eksempelvis den europæiske kommissions program for produktets miljømæssige fodaftryk (PEF). Selv om det stadig er i testfasen, vil det, når det bliver lovgivning, kræve, at mærker beregner og offentliggør den faktiske miljømæssige påvirkning af deres varer ved at tage højde for leverandørkædens aktiviteter: fra udvinding af råvarer, gennem produktion og brug og endelig affaldshåndtering. Sådan lovgivning ville være en gevinst for aktivister, der har længe presset på store mærker for at fungere mere bæredygtigt, ikke mindst modefirmaer.

Ifølge almindeligt accepterede estimeringer står modeindustrien for mellem to og otte procent af verdens kulstofudledning. I 2018 producerede den globale beklædnings- og skoindustri alene mere drivhusgasser end Frankrig, Tyskland og Storbritannien kombineret.

PEF er kun ét af mange globale reguleringer, der tvinger store virksomheder til at tage højde for miljøskader i deres leverandørkæde. Californiens lovgivning om åbenhed i leverandørkæden og Tysklands nyligt vedtagne lovgivning om due diligence i leverandørkæden er to nyere eksempler. For at overholde forskellige nye krav vil mærkerne i disse regioner behøve teknologiske løsninger til sporing af leverandørkæden samt en ny måde at tænke om bæredygtighed på.

Indtil for nylig har mærkerne havde en top-down-tilgang til bæredygtighed, hvor de har iværksat omfattende virksomhedsinitiativer og markedsført produkter derefter. Men dette er allerede en forældet og ineffektiv måde at tænke på (især hvis der skal ske ændringer). Hvad der nu kræves—enten gennem lovgivning eller en øget miljøbevidst forbrugerbase—er at bevæge sig mod bæredygtighed fra produktet og opefter.

For at producere et virkelig bæredygtigt tøj, skal mærkerne vide alt om hvert enkelt produkt og materiale, de håndterer. Det kræver millioner af detaljerede, præcise datapunkter og en sporingssolution, der kan rumme dataene på ét sted.

Hvorfor sporing?

Evnen til præcis at spore produkter og materialer gennem leverandørkæden kan hjælpe med at løse mange udfordringer. Større synlighed i leverandørkæden giver mærkerne mulighed for at forudse forstyrrelser, før de sker. Desuden giver sådan synlighed mærkerne mulighed for at gøre produktkrav og bevise deres ægthed. Eksempelvis kan et mærke påstå at sælge en 100% økologisk bomuldssweater og levere data til at bakke op på det.

Som de er i dag, er modeleverandørkæder massive, men med lidt synlighed for leverandørerne. Modefirmaerne står derfor over for den overvældende opgave at spore hvert enkelt produkt, mens det bevæger sig gennem hundredvis af leverandører over hele verden. Dette repræsenterer en enorm teknologisk udfordring, som kun kunstig intelligens (AI) og maskinel læring kan løse.

AI som en sporingssaktiverer

På TrusTrace arbejder vi med dusinvis af virksomheder i modeindustrien, og meget af deres leverandørkædedata er låst inde i dokumenter—både papir- og elektroniske. Disse dokumenter inkluderer fakturaer, der beviser ejerskabskæden, sociale revisionsrapporter, der beskriver arbejds- og lønbetingelser på fabrikker og andre faciliteter, kemiske testrapporter for materialepartier og meget mere. Disse dokumentdata er ofte i forskellige formater og sprog. Kort sagt er det primære problem dataindsamlingen.

Dette er, hvor AI bliver kritisk for sporing. Det kan intelligent indsamle store mængder data i stor skala. Endnu vigtigere er det, at det også kan støtte et system, der automatisk udfører datavalidering ved at korrelerer information fra multiple kilder for at forbedre den samlede kvalitet af sporingdata.

Enklere sagt kan AI bruges til at digitalisere papirspor til at muliggøre helhjertet produktsporing. Digitaliseringsprocessen omfatter tre trin: Klassificering, Objektudtrækning og -identifikation og Datavalidering og tilknytning.

Klassificering sker, når et dokument indsendes i en leverandørkædesporingsplatform af en leverandør. Den underliggende AI genkender dokumentet og klassificerer det intelligent som f.eks. en købsordre, en facilitetsrevision eller en certificering.

Baseret på dokumentets klassificering identificerer AI derefter de nøgleinformationer gennem metadata. F.eks. vil sporingssystemet automatisk udtrække og identificere information som Køber, Sælger, Produkt, Mængde, Leveringsdato osv., når det behandler fakturaer. På samme måde kan digitalisering af en social revision indebære at fange parametre relateret til arbejdsforhold, retfærdige lønninger, diversitet og mere.

Når de tilsvarende objekter er udtrukket, valideres dataene og tilknyttes andre eksisterende data inden for en virksomheds systemer, så de kan bruge dataene, som de ønsker, enten til prognoser, analyser, lovgivningsmæssig rapportering eller andre krav.

Modeleverandørkæder er så komplekse, og de tilgængelige data er så omfattende, at det er næsten umuligt at håndtere uden effektiv brug af AI. Efter implementering af et sporingssystem vil bæredygtigheden af en eller flere partnere i en virksomheds leverandørkæde uvægerligt falde kort i forhold til virksomhedens standarder. I så fald må leverandørkæden tilpasse sig og omkonfigurere gennem andre partnere for at være i overensstemmelse. AI og maskinel læring er rygmarven, der muliggør sådan en hurtig tilpasning.

At se fremad

Som EC’s PEF-program demonstrerer, vil der komme en tid, hvor det ikke vil være nok at sige, at man er bæredygtig; det vil ikke engang være nok at levere bevis. Jeg tror på en fremtid, hvor mærker beregner i næsten realtid, hvor bæredygtige deres produkter er ved at intelligent spore kombinerede materialer.

Jeg er stolt af at se så mange modefirmaer, der forpligter sig til bæredygtighed og socialt ansvar — selv før lovgivningen begyndte at øge. Denne virksomhedsforpligtelse må nu trække ned til produkt niveau. Det er ikke let, men sporing, bakket op af AI og data, kan gøre det muligt.