Ηγέτες σκέψης

Η βιώσιμη μόδα ξεκινά με την τεχνητή νοημοσύνη

Madhava Venkatesh
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ τεχνητή νοημοσύνη επιτρέπει στις μάρκες μόδας να ανιχνεύουν τις εφοδιαστικές αλυσίδες…
Δείτε περισσότερα
  • Η τεχνητή νοημοσύνη επιτρέπει στις μάρκες μόδας να ανιχνεύουν τις εφοδιαστικές αλυσίδες ψηφιοποιώντας και επικυρώνοντας εκατομμύρια σημεία δεδομένων από πολύπλοκα έγγραφα.
  • Νέοι κανονισμοί, όπως το PEF της ΕΕ, θα αναγκάσουν τις μάρκες να αποδεικνύουν τη βιωσιμότητα των προϊόντων από το επίπεδο του υλικού και πάνω.
  • Η TrusTrace χρησιμοποιεί ταξινόμηση και εξαγωγή αντικειμένων με τεχνητή νοημοσύνη για να μετατρέπει τιμολόγια και λογιστικές επιθεωρήσεις σε χρησιμοποιήσιμα δεδομένα ιχνηλασιμότητας.

Από: Madhava Venkatesh, συνιδρυτής και διευθυντής τεχνολογίας, TrusTrace.

Ως κάποιος που είναι παθιασμένος με τη βιωσιμότητα, είναι πάντα ενθουσιαστικό να βλέπω τις κυβερνήσεις να αναλαμβάνουν δράση και να κάνουν κάτι που έχει σημασία. Π.χ., το πρόγραμμα Product Environmental Footprint (PEF) της Ευρωπαϊκής Επιτροπής. Ενώ ακόμη βρίσκεται στη φάση δοκιμών, όταν θα γίνει νόμος, θα απαιτήσει από τις εταιρείες να υπολογίσουν και να δημοσιοποιήσουν την πραγματική περιβαλλοντική επίδραση των προϊόντων τους, λαμβάνοντας υπόψη τις δραστηριότητες της αλυσίδας εφοδιασμού: από την εξόρυξη πρώτων υλών, μέσω της παραγωγής και χρήσης και τελικά της διαχείρισης των αποβλήτων. Τέτοια νομοθεσία θα ήταν σημαντικό όφελος για τους ακτιβιστές που έχουν πιέσει για χρόνια τις μεγάλες εταιρείες να λειτουργούν με μεγαλύτερη βιωσιμότητα, ιδίως τις εταιρείες μόδας.

Με βάση τις ευρέως αποδεκτές εκτιμήσεις, η βιομηχανία της μόδας ευθύνεται για το 2–8% των παγκόσμιων εκπομπών άνθρακα. Το 2018, η παγκόσμια βιομηχανία ενδυμάτων και υποδημάτων μόνη της παρήγαγε περισσότερα αέρια θερμοκηπίου από τη Γαλλία, τη Γερμανία και το Ηνωμένο Βασίλειο μαζί.

Το PEF είναι μόνο μία από τις πολλές παγκόσμιες ρυθμίσεις που αναγκάζουν τις μεγάλες εταιρείες να λογοδοτήσουν για τις περιβαλλοντικές ζημιές στις αλυσίδες εφοδιασμού τους. Ο νόμος της Καλιφόρνιας για τη Διαφάνεια στις Αλυσίδες Εφοδιασμού και ο πρόσφατα ψηφισμένος Νόμος για τη δέουσα επιμέλεια στις Αλυσίδες Εφοδιασμού της Γερμανίας είναι δύο πρόσφατα παραδείγματα. Για να συμμορφωθούν με τις διάφορες νέες απαιτήσεις, οι εταιρείες σε αυτές τις περιοχές θα χρειαστούν τεχνολογικές λύσεις για την ιχνηλασιμότητα της αλυσίδας εφοδιασμού, καθώς και έναν νέο τρόπο σκέψης για τη βιωσιμότητα.

Μέχρι πρόσφατα, οι εταιρείες είχαν μια από πάνω προς τα κάτω προσέγγιση στη βιωσιμότητα, προωθώντας γενικές εταιρικές πρωτοβουλίες και προωθώντας προϊόντα αντίστοιχα. Αλλά αυτό είναι ήδη ένας ξεπερασμένος και αναποτελεσματικός τρόπος σκέψης (ειδικά αν θα γίνει κάποια αληθινή αλλαγή). Τι χρειάζεται τώρα—είτε μέσω νομοθεσίας είτε μέσω μιας αυξανόμενης οικολογικής συνειδητοποίησης των καταναλωτών — είναι η κίνηση προς τη βιωσιμότητα από το προϊόν και πάνω.

Για να παραχθεί ένα πραγματικά βιώσιμο ένδυμα, οι εταιρείες πρέπει να γνωρίζουν τα πάντα για κάθε προϊόν και υλικό που χειρίζονται. Απαιτεί εκατομμύρια λεπτομερή και ακριβή σημεία δεδομένων και μια λύση ιχνηλασιμότητας που μπορεί να στεγάσει τα δεδομένα σε ένα μέρος.

Γιατί Ιχνηλασιμότητα;

Η ικανότητα να ιχνηλατούνται με ακρίβεια προϊόντα και υλικά μέσω της αλυσίδας εφοδιασμού μπορεί να βοηθήσει στην αντιμετώπιση πολλών προκλήσεων. Μεγαλύτερη ορατότητα της αλυσίδας εφοδιασμού επιτρέπει στις εταιρείες να προβλέψουν τις διακοπές πριν συμβούν. Επίσης, αυτή η ορατότητα επιτρέπει στις εταιρείες να διατυπώνουν ισχυρισμούς για προϊόντα και να αποδείξουν την αυθεντικότητά τους. Για παράδειγμα, μια εταιρεία μπορεί να ισχυριστεί ότι πωλεί ένα πουλόβερ από 100% βιολογικό βαμβάκι και να παρέχει τα δεδομένα για να το αποδείξει.

Όπως είναι σήμερα, οι αλυσίδες εφοδιασμού της μόδας είναι τεράστιες, αλλά με μικρή ορατότητα των προμηθευτών. Οι εταιρείες μόδας αντιμετωπίζουν συνεπώς το δύσκολο έργο να προσπαθούν να παρακολουθήσουν κάθε προϊόν καθώς κινείται μέσω εκατοντάδων προμηθευτών σε όλο τον κόσμο. Αυτή η πραγματικότητα αντιπροσωπεύει μια τεράστια τεχνολογική πρόκληση που μόνο η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση μπορούν να αντιμετωπίσουν.

Το AI ως Ενεργοποιητής Ιχνηλασιμότητας

Στην TrusTrace, εργαζόμαστε με δεκάδες εταιρείες στη βιομηχανία της μόδας, και πολλά από τα δεδομένα της αλυσίδας εφοδιασμού τους είναι κλειδωμένα σε έγγραφα—χαρτί και ηλεκτρονικά. Τα έγγραφα αυτά περιλαμβάνουν τιμολόγια που αποδεικνύουν την αλυσίδα της κυριότητας, αναφορές κοινωνικών ελέγχων που περιγράφουν τις συνθήκες εργασίας και τις αμοιβές σε εργοστάσια και άλλες εγκαταστάσεις, αναφορές χημικών δοκιμών για παρτίδες υλικών και πολλά ακόμη. Τα έγγραφα αυτά συχνά είναι σε διαφορετικές μορφές και γλώσσες. Σε λίγα λόγια, το βασικό πρόβλημα είναι η απόκτηση δεδομένων.

Εδώ είναι όπου το AI γίνεται κρίσιμο για την ιχνηλασιμότητα. Μπορεί να συλλέξει έξυπνα μεγάλες ποσότητες δεδομένων σε κλίμακα. Περισσότερο όμως, μπορεί επίσης να υποστηρίξει ένα σύστημα που εκτελεί αυτόματα την επαλήθευση δεδομένων, συσχετίζοντας πληροφορίες από πολλές πηγές για να βελτιώσει την ποιότητα των δεδομένων ιχνηλασιμότητας.

Πιο απλά, το AI μπορεί να χρησιμοποιηθεί για να ψηφιοποιήσει τα χαρτιά για να ενεργοποιήσει την πλήρη ιχνηλασιμότητα του προϊόντος. Η διαδικασία ψηφιοποίησης περιλαμβάνει τρία βήματα: Κατηγοριοποίηση, Εξαγωγή αντικειμένων και ταυτοποίηση, και Επαλήθευση δεδομένων και σύνδεση.

Η κατηγοριοποίηση συμβαίνει όταν ένα έγγραφο υποβάλλεται σε μια πλατφόρμα ιχνηλασιμότητας της αλυσίδας εφοδιασμού από έναν προμηθευτή. Το υποκείμενο AI αναγνωρίζει το έγγραφο και το κατηγοριοποιεί έξυπνα ως, για παράδειγμα, παραγγελία αγοράς, έλεγχο εγκαταστάσεων ή πιστοποίηση.

Βάσει της κατηγοριοποίησης του εγγράφου, το AI αναγνωρίζει τις βασικές πληροφορίες μέσω μεταδεδομένων. Για παράδειγμα, κατά την επεξεργασία των τιμολογίων, το σύστημα ιχνηλασιμότητας θα εξαγάγει και θα ταυτοποιήσει αυτόματα πληροφορίες όπως ο αγοραστής, ο πωλητής, το προϊόν, η ποσότητα, η ημερομηνία παράδοσης κ.λπ. Ομοίως, η ψηφιοποίηση ενός κοινωνικού ελέγχου μπορεί να περιλαμβάνει την καταγραφή παραμέτρων που σχετίζονται με τις συνθήκες εργασίας, τις δίκαιες αμοιβές, τη διαφορετικότητα κ.λπ.

Μόλις εξαχθούν τα αντίστοιχα αντικείμενα, τα δεδομένα επαληθεύονται και συνδέονται με άλλα υπάρχοντα δεδομένα μέσα στα εταιρικά συστήματα της εταιρείας, επιτρέποντας τους να χρησιμοποιήσουν τα δεδομένα όπως θέλουν, είτε για προβλέψεις, ανάλυση, ρυθμιστική αναφορά, ή άλλες απαιτήσεις.

Οι αλυσίδες εφοδιασμού της μόδας είναι τόσο σύνθετες και τα διαθέσιμα δεδομένα τόσο τεράστια, που είναι σχεδόν αδύνατο να τις διαχειριστούν χωρίς την αποτελεσματική χρήση του AI. Μετά την εφαρμογή ενός συστήματος ιχνηλασιμότητας, η βιωσιμότητα ενός ή περισσότερων συνεργατών στην αλυσίδα εφοδιασμού μιας εταιρείας θα αναγκαστικά πέσει κάτω από τα πρότυπα της εταιρείας. Σε αυτή την περίπτωση, η αλυσίδα εφοδιασμού πρέπει να προσαρμοστεί και να αναδιαμορφωθεί μέσω άλλων συνεργατών για να παραμείνει σε συμμόρφωση. Το AI και η μηχανική μάθηση είναι η σπονδυλική στήλη που επιτρέπει τέτοια ταχεία προσαρμογή.

Ματιά στο Μέλλον

Όπως το πρόγραμμα PEF της Ευρωπαϊκής Επιτροπής δείχνει, θα έρθει μια στιγμή όπου δεν θα είναι αρκετό να πεις ότι είσαι βιώσιμος· δεν θα είναι αρκετό ούτε να παρέχεις αποδείξεις. Πιστεύω σε ένα μέλλον όπου οι εταιρείες υπολογίζουν σχεδόν σε πραγματικό χρόνο πόσο βιώσιμα είναι τα προϊόντα τους, ιχνηλατώντας έξυπνα τα συνδυασμένα υλικά.

Είμαι υπερήφανος που βλέπω τόσο πολλές εταιρείες μόδας να δεσμεύονται για τη βιωσιμότητα και την κοινωνική ευθύνη — ακόμη και πριν αρχίσει να αυξάνεται η νομοθεσία. Αυτή η εταιρική δέσμευση πρέπει τώρα να εφαρμοστεί στο επίπεδο του προϊόντος. Δεν είναι ένα εύκολο κατόρθωμα, αλλά η ιχνηλασιμότητα, υποστηριζόμενη από το AI και τα δεδομένα, μπορεί να το κάνει δυνατό.

Ο Madhava είναι ο συνιδρυτής και Διευθυντής Τεχνολογίας στο TrusTrace. Με έτος ίδρυσης το 2016, το TrusTrace προσφέρει μια ηγετική πλατφόρμα για την ιχνηλασιμότητα της αλυσίδας εφοδιασμού σε μεγάλη κλίμακα στους κλάδους της μόδας και το λιανικό εμπόριο.