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 produktets miljøfotavtrykk (PEF). Selv om det fortsatt er i testfasen, vil det når det blir lovgitt, 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 en mer bærekraftig virksomhet, ikke minst motebedrifter.

Ifølge 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 kombinert.

PEF er bare ett av mange globale reguleringer som tvinger store selskaper til å ta hensyn til miljøskader i sine leverandørkjeder. Californias lovgivning om åpenhet i leverandørkjeder og Tysklands nylig vedtatte Leverandørkjedens ansvarsgjennomføringslov er to nyere eksempler. For å være i samsvar med ulike nye krav, må merker i disse regionene ha teknologiske løsninger for sporing av leverandørkjeder, samt en ny måte å tenke om bærekraft på.

Inntil nylig har merker hatt en topp-ned-tilnærming til bærekraft, hvor de har lansert omfattende korporative initiativer og markedsført produkter deretter. Men dette er allerede en foreldet og ueffektiv måte å tenke (spesielt hvis noen virkelig endring skal skje). Hva som nå kreves — enten gjennom regulering eller en økende økologisk bevisst forbrukerbase — er å gå mot bærekraft fra produktet og oppover.

For å produsere et virkelig bærekraftig plagg, må merker vite alt om hvert enkelt produkt og materiale de behandler. Dette krever millioner av granulære, nøyaktige datapunkter og en sporingløsning 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 autentisitet. For eksempel kan et merke hevde å selge en 100% økologisk bomullssweater og levere data for å støtte dette opp.

Som de er i dag, er moteleverandørkjeder massive, men med liten leverandør synlighet. Motebedrifter står derfor overfor den vanskelige oppgaven 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 sporingaktivator

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 kjedens eierskap, sosiale revisjonsrapporter som beskriver arbeids- og lønnsforhold på fabrikker og andre anlegg, kjemiske testrapporter for materialer og mye mer. Denne dokumentdataen 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 imidlertid at det også kan støtte et system som automatisk utfører datavalidering ved å korrelere informasjon fra multiple kilder for å forbedre den totale kvaliteten på sporingdataene.

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. AI-en underkjent dokumentet og klassifiserer det inteligent som for eksempel en kjøpsordre, en anleggsrevisjon eller en sertifisering.

Basert på dokumentets klassifisering, identifiserer AI nøkkelinformasjonen gjennom metadata. For eksempel, når det behandles fakturaer, vil sporingssystemet automatisk utvinne og identifisere informasjon som Kjøper, Selger, Produkt, Mengde, Leveringsdato osv. Liksom digitalisering av en sosial revisjon kan innebære å fange opp parametre relatert til arbeidsforhold, rettferdige lønner, mangfold og mer.

Når de tilhørende objektene er utvunnet, valideres dataene og kobles til andre eksisterende data i et merkes virksomhetssystemer, som gjør det mulig for dem å bruke dataene som de ønsker, enten for prognoser, analyser, lovgivningsmessig rapportering eller andre krav.

Moteleverandørkjeder er så komplekse og tilgjengelig data så omfattende, at det er virtuelt 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 av et merkes standarder. I så fall må leverandørkjeden tilpasse og omkonfigurere gjennom andre partnere for å forbli i samsvar. AI og maskinlæring er ryggraden som gjør slik rask tilpasning mulig.

Se fremover

Som EUs PEF-program demonstrerer, vil det komme en tid hvor det ikke vil være nok å si at du er bærekraftig; Det vil ikke engang 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 kombinerte 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 produkt­nivå. Det er ingen enkel oppgave, men sporing, støttet av AI og data, kan gjøre det mulig.