Sluicebox skaliert KI-Agenten für dynamische Lebenszyklusanalysen mit NVIDIA Nemotron

Die Idee von Sluicebox entstand aus einem Problem, auf das Mitbegründer und CEO Elmar Kert während seiner Tätigkeit in der Branche stieß: Teams mussten verstehen, wie Lieferketten in der Elektronikbranche zusammenhängen, wo sich CO₂-Hotspots konzentrieren und welche Änderungen bei Produkten oder Lieferanten die größte Wirkung erzielen könnten.

Die Schwierigkeit beginnt mit den Daten hinter dem CO₂-Fußabdruck eines Produkts. Analysten müssen für jedes Produkt manuell Zehntausende von Stücklistendatensätzen durchforsten und ermitteln, worum es sich bei jeder Komponente handelt, was sie enthält, wie und wo sie hergestellt wurde, wie sie die Lieferkette durchlaufen hat und welcher Emissionsfaktor anzuwenden ist. Ein Großteil dieser Informationen befindet sich außerhalb der Unternehmenssysteme in multimodalen Datensätzen, die sich aus Stücklisten, PDFs, CAD-Dateien, Bildern, Lieferanten-E-Mails und Fabrikdatensätzen zusammensetzen. Analysten müssen dann inkonsistente Terminologie in Einklang bringen und Emissionsfaktor-Verzeichnisse durchsuchen, die mehr als 10.000 Einträge enthalten. Dieser gesamte Prozess kann Jahre dauern, um die erforderlichen Daten über Primärlieferanten zu sammeln.  

Lieferanteninformationen schaffen einen weiteren Engpass. Spezifikationen kommen in verschiedenen Formaten und mit Lücken an, die wiederholtes Nachfassen erfordern. Selbst wenn ein Unternehmen eine Bewertung abschließt, kann das Ergebnis zu spät kommen, um das Produkt noch zu beeinflussen. Zu dem Zeitpunkt, zu dem viele herkömmliche LCAs abgeschlossen sind, sind die Produkte, die sie abdecken, oft bereits seit Jahren auf dem Markt und machen die CO₂-Bilanzierung zu einer rückwärtsgerichteten Berichterstattungsübung.

Gleichzeitig wächst die Nachfrage nach glaubwürdigen Daten auf Produktebene. Große Abnehmer und Hyperscaler benötigen Informationen von ihren vorgelagerten Lieferanten, um die Fortschritte bei der Umsetzung der Nachhaltigkeitsverpflichtungen zu messen und Druck auf die Lieferanten auszuüben, damit diese die Emissionsminderungsziele erreichen. Hersteller benötigen daher eine Möglichkeit, die CO₂-Analyse zu skalieren, ohne den manuellen Datenaufwand zu erhöhen. Noch wichtiger ist, dass sie frühzeitig Ergebnisse benötigen, um die Entscheidungen zu steuern, die den Fußabdruck eines Produkts vor der Produktion bestimmen. 

Um dieses Problem mit der Datenpipeline mit der erforderlichen Geschwindigkeit und in dem erforderlichen Maßstab anzugehen, hat Sluicebox seine KI-Agenten so entwickelt, dass sie ein strukturiertes Modell eines Produkts und seiner Lieferkette erstellen. Der Agent verbindet Komponenten, Materialien, Lieferanten, Fertigungsprozesse und Transportdaten in einem CO₂-Graphen, den Teams abfragen und aktualisieren können, sobald neue Informationen eingehen.

Die dynamische LCA-Intelligenz von Sluicebox beginnt mit der Erfassung multimodaler Datensätze und ihrer Umwandlung in konsistente Produktdaten. Es ergänzt unvollständige Stücklisten um Informationen wie Komponentengewicht, Materialzusammensetzung und Fertigungsvorgänge. Das sich daraus ergebende Modell gibt Teams einen klareren Überblick darüber, was ein Produkt enthält, woher seine Emissionen stammen und wo Datenlücken zusätzliche Lieferanteninformationen erfordern.  

Das Unternehmen hat drei der arbeitsintensivsten Schritte als KI-Workflows neu aufgebaut:

• Komponentenklassifizierung: ordnet jede Stücklistenposition in die entsprechende Kategorie einer Taxonomie mit etwa 100 Knoten ein
• Extraktion von Teiledaten von Lieferanten: Verwandelt unstrukturierte E-Mails und Dokumente in saubere Datensätze, die eine Bewertung unterstützen können
• Emissionsfaktor-Abgleich: ordnet jede Komponente oder jeden Prozess dem besten verfügbaren Faktor in einem Inventar mit mehr als 10.000 Einträgen zu

Das Team entwickelte zudem Lucy, seinen KI-Agenten für das Lieferantenmanagement, um Primärdaten zu sammeln und zu validieren. Lucy führt Lieferanten durch Informationsanfragen, identifiziert fehlende Felder und prüft, ob die Werte außerhalb der erwarteten Bereiche liegen. Dadurch kann Sluicebox allgemeine Branchendurchschnitte durch Daten ersetzen, die sich darauf stützen, wie eine Komponente tatsächlich hergestellt wurde, und Unternehmen können innerhalb von Wochen statt Jahren eine Primärdatenabdeckung von 90 % oder mehr ihrer Lieferanten erreichen.  

Sluicebox hat NVIDIA Nemotron 3 Ultra für diese Workflows getestet. NVIDIA Nemotron ist eine Familie offener Modelle, die für effizientes agentisches Reasoning und schnelle Aufgabenerledigung entwickelt wurde. In den Tests von Sluicebox verarbeitete Nemotron 3 Ultra den Kontext, der erforderlich ist, um Teile zu klassifizieren, Lieferantendatensätze zu strukturieren und Emissionsfaktoren auszuwählen, während gleichzeitig 51–80 % geringere Inferenzkosten, eine verbesserte Genauigkeit sowie Reaktionszeiten erzielt wurden, die gleich oder schneller als die des vorherigen Produktionsmodells des Unternehmens waren.

Die Erfassung von Lieferantendaten ist ein Dialog, kein einmaliger Vorgang. Das bedeutet, dass eine verzögerte Antwort diesen Austausch unterbrechen und einen ohnehin schon anspruchsvollen Prozess noch zusätzlich erschweren kann. Dank der schnelleren Inferenz kann Lucy neue Informationen aufnehmen, den Kontext im Blick behalten, mögliche Ausreißer erkennen und einen Lieferanten zu einer vollständigen Antwort führen, solange die Interaktion noch im Fluss ist.