Bærekraftig mote begynner med AI

Av: Madhava Venkatesh, medgrunnlegger og teknologidirektør, TrusTrace.

Som noen som er lidenskapelig opptatt av bærekraft, er det alltid spennende å se regjeringer gå til aksjon og gjøre noe som betyr noe. Eksempelvis det europeiske kommisjonens program for miljøfotavtrykk (PEF). Selv om det fortsatt er i testfasen, vil det når det blir lovfestet, kreve at merker beregner og offentliggjør den faktiske miljøpåvirkningen av sine varer ved å ta hensyn til aktiviteter i leverandørkjeden: fra utvinning av råvarer, gjennom produksjon og bruk og til slutt avfallshåndtering. Slike lover vil være en gevinst for aktivister som lenge har presset på store merker for å drive mer bærekraftig, ikke minst motebedrifter.

Etter allmenn anerkjente estimater, står moteindustrien for mellom to og åtte prosent av verdens karbonutslipp. I 2018, produserte den globale kles- og skoindustrien alene mer drivhusgasser enn Frankrike, Tyskland og Storbritannia til sammen.

PEF er bare ett av mange globale regler som tvinger store selskaper til å regne med miljøskader i sine leverandørkjeder. Californias lovgivning om åpenhet i leverandørkjeder og Tysklands nylig vedtatte lov om ansvar i leverandørkjeder er to nyere eksempler. For å møte forskjellige nye krav, trenger merker i disse regionene teknologiske løsninger for sporing av leverandørkjeder, samt en ny måte å tenke om bærekraft på.

Frem til nylig har merker hatt en topp-ned-tilnærming til bærekraft, hvor de har lansert omfattende bedriftsinitiativer og markedsført produkter deretter. Men dette er allerede en foreldet og ineffektiv måte å tenke (spesielt hvis noen virkelige endringer skal gjøres). Hva som nå kreves—enten gjennom lovgivning eller en økende økologisk bevisst forbrukerbase —er å gå mot bærekraft fra produktet og oppover.

For å produsere et virkelig bærekraftig plagg, trenger merker å vite alt om hvert enkelt produkt og materiale de håndterer. Dette krever millioner av detaljerte, nøyaktige datapunkter og en sporingsløsning som kan huske dataene på ett sted.

Hvorfor sporing?

Evnen til å nøyaktig spore produkter og materialer gjennom leverandørkjeden kan hjelpe med å løse mange utfordringer. Økt synlighet i leverandørkjeden gjør at merker kan forutse forstyrrelser før de skjer. I tillegg gjør slik synlighet det mulig for merker å gjøre produktkrav og bevise deres ekthet. For eksempel kan et merke hevde å selge en 100% økologisk bomullssweater og levere data for å støtte det opp.

Som de er i dag, er moteleverandørkjeder enorme, men med liten synlighet blant leverandører. Motebedrifter står derfor overfor den vanskelige oppgaven å forsøke å spore hvert enkelt produkt mens det beveger seg gjennom hundrevis av leverandører over hele verden. Dette representerer en massiv teknologisk utfordring som bare kunstig intelligens (AI) og maskinlæring kan løse.

AI som en sporingssaktiverer

Hos TrusTrace arbeider vi med dusinvis av selskaper i moteindustrien, og mye av deres leverandørkjededata er låst i dokumenter—papir og elektroniske. Disse dokumentene inkluderer fakturaer som beviser kjedeeierskap, sosiale revisjonsrapporter som beskriver arbeids- og lønnsforhold på fabrikker og andre anlegg, kjemiske testrapporter for materiebatcher og mye mer. Disse dokumentdataene er ofte i forskjellige formater og språk. Kort sagt, det primære problemet er datainnsamling.

Dette er der AI blir kritisk for sporing. Det kan inteligent samle inn store mengder data i skala. Mer viktig er det likevel at det også kan støtte et system som automatisk utfører datavalidering ved å korrelere informasjon fra flere kilder for å forbedre den totale kvaliteten på sporingdata.

Enklere sagt, AI kan brukes til å digitalisere papirspor for å muliggjøre helhetlig produktsporing. Digitaliseringsprosessen omfatter tre trinn: Klassifisering, Objektutvinning og identifisering, og Datavalidering og kobling.

Klassifisering skjer når et dokument blir sendt inn i en sporingplattform for leverandørkjeder av en leverandør. Den underliggende AI gjenkjenner dokumentet og klassifiserer det inteligent som for eksempel en kjøpsordre, anleggsrevisjon eller sertifisering.

Basert på dokumentets klassifisering, gjenkjenner AI så nøkkelinformasjonen gjennom metadata. For eksempel, når det behandles fakturaer, vil sporingssystemet automatisk utvinne og identifisere informasjon som Kjøper, Selger, Produkt, Menge, Leveringsdato osv. Liksom digitalisering av en sosial revisjon kan innebære å fange opp parametre relatert til Arbeidsforhold, Retferdige Lønner, Mangfold og mer.

Når de tilhørende objektene er utvunnet, valideres dataene og kobles til andre eksisterende data i et merkes bedriftssystemer, slik at de kan bruke dataene som de ønsker, enten for prognoser, analyser, lovgivningsmessig rapportering eller andre krav.

Moteleverandørkjeder er så komplekse og tilgjengelige data så omfattende, at det er praktisk talt umulig å håndtere uten effektiv bruk av AI. Etter å ha implementert et sporingssystem, vil bærekraften til en eller flere partnere i et merkes leverandørkjede uunngåelig falle kort i forhold til et merkes standarder. I så fall må leverandørkjeden tilpasse seg og omkonfigurere gjennom andre partnere for å forbli i samsvar. AI og maskinlæring er ryggraden som gjør en slik rask tilpasning mulig.

Se fremover

Som EUs PEF-program demonstrerer, kommer det en tid hvor det ikke vil være nok å si at man er bærekraftig; Det vil heller ikke være nok å levere bevis. Jeg tror på en fremtid hvor merker beregner i nær sanntid hvordan bærekraftige deres produkter er ved å inteligent spore kombinerede materialer.

Jeg er stolt over å se så mange motemerker som har begynt å engasjere seg for bærekraft og sosial ansvar — selv før lovgivningen begynte å øke. Denne korporative forpliktelsen må nå sippe ned til produktet. Det er ingen enkel bedrift, men sporing, støttet av AI og data, kan gjøre det mulig.