Sluicebox dimensionne ses agents d'IA pour des analyses du cycle de vie dynamiques avec NVIDIA Nemotron

L'idée de Sluicebox est née d'un problème auquel le cofondateur et PDG Elmar Kert a été confronté lorsqu'il travaillait dans le secteur : les équipes devaient comprendre comment les chaînes logistiques de l'électronique s'intègrent, où les points chauds de carbone étaient concentrés et quels changements de produits ou de fournisseurs pouvaient avoir le plus d'impact.

La difficulté commence avec les données sous-jacentes à l'empreinte carbone d'un produit. Les analystes doivent trier manuellement des dizaines de milliers d'enregistrements de nomenclatures pour chaque produit et déterminer à quoi correspond chaque composant, ce qu'il contient, comment et où il a été fabriqué, comment il a transité dans la chaîne logistique et quel facteur d'émission s'applique. Une grande partie de ces informations ne se trouve pas dans les systèmes d'entreprise mais dans des jeux de données multimodaux composés de nomenclatures, de fichiers PDF et de CAO, d'images, d'e-mails de fournisseurs et d'archives d'usine. Les analystes doivent ensuite concilier les incohérences terminologiques et faire des recherches dans des inventaires de facteurs d'émissions contenant plus de 10 000 entrées. L'ensemble du processus visant à collecter les données nécessaires des principaux fournisseurs peut prendre des années.  

Les informations sur les fournisseurs créent un autre goulot d'étranglement. Les spécifications arrivent sous différents formats et avec des lacunes nécessitant un suivi répété. Même lorsqu'une entreprise termine une analyse, il est possible que le résultat arrive trop tard pour influencer le produit. Au moment où la plupart des ACV traditionnelles sont terminées, les produits qu'elles couvrent sont souvent déjà sur le marché depuis des années, ce qui transforme la comptabilité carbone en un exercice de reporting rétrospectif.

Dans le même temps, la demande en données crédibles de niveau produit ne cesse de croître. Les grands acheteurs et les hyperscalers ont besoin d'informations de la part de leurs fournisseurs en amont pour mesurer les progrès réalisés par rapport à leurs engagements en matière de durabilité et pour faire pression sur les fournisseurs afin qu'ils atteignent leurs objectifs de réduction des émissions. Les fabricants ont donc besoin d'un moyen pour passer à l'échelle l'analyse carbone sans augmenter le travail manuel sur les données. Il leur faut surtout des résultats assez tôt pour guider les décisions qui déterminent l'empreinte d'un produit avant la mise en production.

Pour résoudre ce problème de pipeline de données à la vitesse et à l'échelle nécessaires, Sluicebox a conçu ses agents d'IA pour créer un modèle structuré d'un produit et de sa chaîne logistique. L'agent connecte les composants, les matériaux, les fournisseurs, les processus de fabrication et les données de transport dans un graphe carbone que les équipes peuvent interroger et mettre à jour à mesure que de nouvelles informations arrivent.

L'intelligence de ACV dynamique de Sluicebox commence par l'ingestion d'enregistrements multimodaux et leur conversion en données produit cohérentes. Elle enrichit les nomenclatures incomplètes avec des informations telles que le poids des composants, la composition des matériaux et l'activité de fabrication. Le modèle résultant offre aux équipes une vision plus claire du contenu d'un produit, de l'origine de ses émissions et des lacunes de données nécessitant des informations supplémentaires sur les fournisseurs.  

L'entreprise a reconçu trois des étapes les plus fastidieuses en tant que workflows d'IA :

• Classification des composants : classe chaque ligne de nomenclature dans la catégorie appropriée dans une taxonomie d'environ 100 nœuds
• Extraction des données des fournisseurs : transforme les e-mails et les documents non structurés en enregistrements propres pouvant prendre en charge une analyse
• Correspondance des facteurs d'émissions : associe chaque composant ou processus au meilleur facteur disponible dans un inventaire contenant plus de 10 000 entrées

L'équipe a également développé Lucy, son agent d'IA fournisseur, afin de collecter et valider les données primaires. Lucy guide les fournisseurs dans les demandes d'informations, identifie les champs manquants et vérifie si les valeurs se situent en dehors des plages attendues. Cela aide Sluicebox à remplacer les moyennes générales de l'industrie par des données basées sur la façon dont un composant a été réellement produit, et les entreprises peuvent obtenir une couverture des données primaires de plus de 90 % de leurs fournisseurs en quelques semaines plutôt qu'en plusieurs années.

Sluicebox a évalué NVIDIA Nemotron 3 Ultra pour ces workflows. NVIDIA Nemotron est une gamme de modèles ouverts conçus pour un raisonnement agentique efficace et l'exécution rapide des tâches. Lors des tests de Sluicebox, Nemotron 3 Ultra a traité le contexte nécessaire pour classifier les pièces, structurer les dossiers des fournisseurs et sélectionner les facteurs d'émissions tout en offrant des coûts d'inférence de 51 à 80 % plus bas, une précision améliorée et des temps de réponse égaux ou plus rapides que le modèle de production précédent de l'entreprise.

La collecte des données des fournisseurs est une conversation et non un calcul unique. Cela signifie qu'une réponse retardée peut interrompre cet échange et ajouter des frictions à un processus déjà exigeant. Une inférence plus rapide permet à Lucy d'absorber de nouvelles informations, de maintenir le contexte, de signaler d'éventuelles valeurs aberrantes et de guider un fournisseur vers une réponse complète pendant que l'interaction conserve son élan.