Sluicebox escala agentes de IA para evaluaciones dinámicas del ciclo de vida con NVIDIA Nemotron

La idea de Sluicebox surgió a partir de un problema que el cofundador y director ejecutivo Elmar Kert tuvo que afrontar mientras trabajaba en el sector: Los equipos necesitaban comprender cómo se integran las cadenas de suministro de electrónica, dónde se concentran los puntos calientes de carbono y qué cambios en el producto o proveedor podrían tener el mayor impacto.

La dificultad comienza con los datos que hay detrás de la huella de carbono de un producto. Los analistas deben clasificar manualmente decenas de miles de registros de materiales para cada producto y determinar qué es cada componente, qué contiene, cómo y dónde se fabricó, cómo se trasladó a través de la cadena de suministro y qué factor de emisión se aplica. Gran parte de esa información se encuentra fuera de los sistemas empresariales en conjuntos de datos multimodales compuestos por listas de materiales, archivos PDF, archivos CAD, imágenes, correos electrónicos de proveedores y registros de fábrica. Los analistas tienen que armonizar una terminología incoherente y los inventarios de factores de emisión de búsqueda que contienen más de 10 000 entradas. Todo este proceso puede tardar años en recopilar los datos de proveedores primarios necesarios.  

La información del proveedor crea otro cuello de botella. Las especificaciones llegan en diferentes formatos y con brechas que requieren un seguimiento repetido. Incluso cuando una empresa completa una evaluación, el resultado puede llegar demasiado tarde para influir en el producto. Cuando muchas LCA tradicionales están completas, los productos que cubren a menudo ya han estado en el mercado durante años, lo que convierte la contabilidad de carbono en un ejercicio de informes con visión retrospectiva.

Al mismo tiempo, la demanda de datos fiables a nivel de producto está creciendo. Los grandes compradores y los hiperescaladores necesitan información de sus proveedores para medir el progreso en el cumplimiento de los compromisos de sostenibilidad y presionar a los proveedores para cumplir los objetivos de reducción de emisiones. Por lo tanto, los fabricantes necesitan una forma de escalar el análisis de carbono sin aumentar el trabajo manual de datos. Lo que es más importante, necesitan resultados con antelación suficiente para guiar las decisiones que determinan la huella de un producto antes de la producción. 

Para abordar este problema en la canalización de datos a la velocidad y escala necesarias, Sluicebox diseñó sus agentes de IA para crear un modelo estructurado de un producto y su cadena de suministro. El agente conecta componentes, materiales, proveedores, procesos de fabricación y datos de transporte en un gráfico de carbono que los equipos pueden consultar y actualizar a medida que llega nueva información.

La inteligencia LCA dinámica de Sluicebox comienza con la ingesta de registros multimodales y su conversión en datos de productos coherentes. Enriquece las listas de materiales incompletas con información como el peso de los componentes, la composición de materiales y la actividad de fabricación. El modelo resultante proporciona a los equipos una visión más clara de lo que contiene un producto, dónde se originan sus emisiones y dónde las brechas de datos requieren información adicional sobre el proveedor.  

La empresa reconstruyó tres de los pasos que más mano de obra requieren como flujos de trabajo de IA:

• Clasificación de componentes: clasifica cada línea de la lista de materiales en la categoría adecuada en una taxonomía de aproximadamente 100 nodos
• Extracción de datos de partes de proveedores: convierte los correos electrónicos y documentos no estructurados en registros limpios que pueden soportar una evaluación
• Coincidencia de factores de emisión: asignación de cada componente o proceso al mejor factor disponible en un inventario que contiene más de 10 000 entradas

El equipo también desarrolló Lucy, su agente de IA de proveedores, para recopilar y validar datos primarios. Lucy guía a los proveedores a través de las solicitudes de información, identifica los campos que faltan y comprueba si los valores están fuera de los rangos esperados. Esto ayuda a Sluicebox a sustituir los promedios generales del sector por datos basados en la forma en que se produjo realmente un componente, y las empresas pueden obtener una cobertura de datos primarios de más del 90 % de sus proveedores en semanas, en lugar de años.  

Sluicebox evaluó NVIDIA Nemotron 3 Ultra para estos flujos de trabajo. NVIDIA Nemotron es una familia de modelos abiertos diseñados para un razonamiento de agentes eficiente y una finalización rápida de tareas. En las pruebas de Sluicebox, Nemotron 3 Ultra procesó el contexto necesario para clasificar piezas, estructurar los registros de proveedores y seleccionar los factores de emisión, al tiempo que proporcionó unos costes de inferencia entre un 51 y un 80 % menores, una precisión mejorada y tiempos de respuesta iguales o más rápidos que el modelo de producción anterior de la empresa.

La recopilación de datos de proveedores es una conversación, no un cálculo realizado una sola vez. Esto significa que una respuesta retrasada puede interrumpir ese intercambio y añadir fricción a un proceso ya de por sí exigente. Una inferencia más rápida permite a Lucy absorber nueva información, mantener el contexto, detectar posibles casos atípicos y guiar a un proveedor hacia una respuesta completa, mientras la interacción mantiene su impulso.