Hållbar mode börjar med AI

Av: Madhava Venkatesh, medgrundare och teknisk chef, TrusTrace.

Som någon som är passionerad om hållbarhet är det alltid spännande att se regeringar ta initiativ och göra något som betyder något. Ett exempel är Europeiska kommissionens program för miljöpåverkan från produkter (PEF). Även om det fortfarande är i testfasen, när det blir lag, kommer det att kräva att varumärken beräknar och offentliggör den faktiska miljöpåverkan från sina varor genom att ta hänsyn till leverantörskedjens aktiviteter: från utvinning av råvaror, genom produktion och användning och slutligen avfallshantering. Sådan lagstiftning skulle vara en vinst för aktivister som länge har tryckt på stora varumärken att operera på ett mer hållbart sätt, inte minst modeföretag.

Enligt allmänt accepterade uppskattningar står modeindustrin för mellan två och åtta procent av världens koldioxidutsläpp. År 2018 producerade den globala klädes- och skoindustrin ensam mer växthusgaser än Frankrike, Tyskland och Storbritannien tillsammans.

PEF är bara ett av många globala regleringar som tvingar stora företag att ta hänsyn till miljöskador i sina leverantörskedjor. Kaliforniens lag om transparens i leverantörskedjor och Tysklands nyligen antagna lag om leverantörskedjans ansvar är två nyliga exempel. För att uppfylla olika nya krav kommer varumärken i dessa regioner att behöva tekniska lösningar för spårbarhet i leverantörskedjan, plus ett nytt sätt att tänka om hållbarhet.

Från början har varumärken haft en topp-ned-approach till hållbarhet, genom att lansera omfattande företagsinitiativ och marknadsföra produkter därefter. Men detta är redan ett föråldrat och ineffektivt sätt att tänka (särskilt om någon verklig förändring ska ske). Vad som nu krävs — antingen genom lagstiftning eller en alltmer miljömedveten konsumentbas — är att gå mot hållbarhet från produkten och uppåt.

För att producera en verkligt hållbar produkt behöver varumärken veta allt om varje produkt och material de hanterar. Det kräver miljontals granulära, precisa datapunkter och en spårbarhetslösning som kan samla in data på en plats.

Varför spårbarhet?

Förmågan att exakt spåra produkter och material genom leverantörskedjan kan hjälpa till att lösa många utmaningar. Större synlighet i leverantörskedjan tillåter varumärken att förutse störningar innan de inträffar. Dessutom möjliggör sådan synlighet för varumärken att göra produktpåståenden och bevisa deras äkthet. Till exempel kan ett varumärke påstå att sälja en 100% ekologisk bomullströja och tillhandahålla data för att stödja det.

Som de ser ut idag är modeleverantörskedjor enorma, men med liten synlighet för leverantörer. Modeföretag står därför inför den överväldigande uppgiften att försöka spåra varje produkt när den flyttas genom hundratals leverantörer över hela världen. Denna verklighet representerar en massiv teknisk utmaning som endast artificiell intelligens (AI) och maskinlärande kan avhjälpa.

AI som en spårbarhetsaktör

På TrusTrace arbetar vi med dussintals företag inom modeindustrin, och mycket av deras leverantörskedjedata är låst i dokument — papper och elektroniska. Dessa dokument inkluderar fakturor som bevisar ägandekedjan, sociala revisionsrapporter som beskriver arbets- och lönevillkor på fabriker och andra anläggningar, kemiska testrapporter för materialbatcher och mycket mer. Denna dokumentdata är ofta i olika format och språk. Kort sagt är det primära problemet datainsamling.

Denna är den punkt där AI blir kritiskt för spårbarhet. Det kan intelligent samla in stora mängder data i stor skala. Mer viktigt är dock att det också kan stödja ett system som automatiskt utför datavalidering genom att korrelera information från flera källor för att förbättra den övergripande kvaliteten på spårbarhetsdata.

Mer enkelt uttryckt kan AI användas för att digitalisera pappersspår för att möjliggöra omfattande produktspecifik spårbarhet. Digitaliseringsprocessen omfattar tre steg: Klassificering, Objektextraktion och identifiering, och Datavalidering och länkning.

Klassificering sker när ett dokument lämnas in i en spårbarhetsplattform för leverantörskedja av en leverantör. Den underliggande AI identifierar dokumentet och klassificerar det intelligent som till exempel en inköpsorder, anläggningsrevision eller certifikat.

Baserat på dokumentets klassificering identifierar AI sedan de viktigaste uppgifterna via metadata. Till exempel när fakturor bearbetas kommer spårbarhetssystemet att automatiskt extrahera och identifiera information som Köpare, Säljare, Produkt, Mängd, Leveransdatum, etc. På samma sätt kan digitalisering av en social revision innebära att man fångar parametrar relaterade till arbetsförhållanden, rättvis lön, mångfald och mer.

När de motsvarande objekten har extraherats valideras data och länkas till annan befintlig data inom ett varumärkes företagssystem, vilket tillåter dem att använda data som de vill, antingen för prognoser, analyser, regulatorisk rapportering eller andra krav.

Modeleverantörskedjor är så komplexa och den tillgängliga datan så omfattande att det är praktiskt taget omöjligt att hantera utan den effektiva användningen av AI. Efter att ha implementerat ett spårbarhetssystem kommer hållbarheten för en eller flera partners i ett varumärkes leverantörskedja oundvikligen att understiga varumärkets standarder. I sådana fall måste leverantörskedjan anpassa sig och omkonfigurera genom andra partners för att förbli i överensstämmelse. AI och maskinlärande är ryggraden som möjliggör en sådan snabb anpassning.

Att se framåt

Som EC:s PEF-program visar, kommer det att finnas en tid då det inte kommer att räcka att säga att man är hållbar; Det kommer inte ens att räcka att tillhandahålla bevis. Jag tror på en framtid där varumärken beräknar i nästan realtid hur hållbara deras produkter är genom att intelligent spåra kombinerade material.

Jag är stolt över att se så många modevarumärken som åtar sig hållbarhet och socialt ansvar — även innan lagstiftningen började öka. Detta företagsåtagande måste nu sippra ner till produktnivå. Det är ingen lätt uppgift, men spårbarhet, backad av AI och data, kan göra det möjligt.