Hogyan lehet használni a mesterséges intelligenciát a technológiai gyártási vállalkozások támogatására?

Hogyan lehet használni a mesterséges intelligenciát a technológiai gyártási vállalkozások támogatására?

Hogyan forradalmasíthatja a mesterséges intelligencia az ellátási lánc menedzsmentjét? A Kapoklog Logistics részletesen bevezeti az AI technológia speciális alkalmazását az ellátási láncban.

 

A gépi tanulás és az operatív kutatási optimalizálás révén javította a kereslet -előrejelzést, az ellátás tervezését, a készletgazdálkodást és a megrendeléseket a vállalati ellátási lánc előmozdítása érdekében a Kapoklog logisztika elérése érdekében, ami mély betekintést nyújtott arról, hogy a technológiai innováció hogyan ösztönözheti a vállalati átalakulást.

A Kapoklog Logistics Logistics megosztja a Lenovo gyakorlati tapasztalatát az AI technológia felhasználásában az ellátási lánc felhatalmazására, abban a reményben, hogy ezek a tartalmak mindenki számára hasznos referenciát nyújthatnak, és segítenek vállalkozásaiknak a jövőben kiváló működés elérésében.

A Kapoklog Logistics megosztása öt részre oszlik. Először vezesse be a Lenovo ellátási láncának jelenlegi helyzetét. Milyen problémákkal szembesülünk? Miért kell átélnünk a digitális átalakuláson? Például a Lenovo Group -ot, egy kínai elektronikus technológiai vállalatot, a Lenovo digitális átalakulása mindig az intelligens ellátási lánc felépítésére összpontosított. Szóval, milyen technológiai építészetnek kell lennie egy intelligens ellátási láncnak? Mik a leszállási forgatókönyvek?

 

A Kapoklog Logistics ellátási lánc osztályának igazgatója a kereslet előrejelzésére, az anyagelosztásra és a fogyasztásra, valamint az intelligens ütemezésre összpontosít, amelyek a belső csillagprojektek vagy a bevált gyakorlatok. Végül kell egy kis idő. A Kapoklog Logistics ellátási lánc osztályvezetője szintén megosztja a nagy modellt, az ügynököt, amely az AI legfejlettebb iránya. Hogyan lehet mélyen integrálni az AIGC technológiákat az ellátási lánc valódi forgatókönyveivel, megoldani az üzleti fájdalompontokat és gyakorlati értéket generálni. Végül, a nagyon sekély gondolkodásom alapján, szeretnék kilátást adni az intelligens ellátási lánc jövőbeli technológiai irányára.

 

1. Lenovo globális ellátási lánc áttekintése

Ismerjük meg a Lenovo globális ellátási láncát. A gyártó vállalkozás számára az ellátási lánc abszolút kritikus funkcionális részleg, amely szolgáltatásokat és garanciákat nyújt az eladások számára. Tehát mit árul a Lenovo? Mi vagyunk a világ legnagyobb személyi számítógépek, valamint okostelefonok, táblagépek, szerverek és különféle intelligens terminálok gyártója. A 120 millió jüan éves szállítási mennyiségével világszerte több mint 180 országnak és régiónak adunk el, több mint 1 milliárd felhasználót fedünk le. Egy ilyen hatalmas piachoz nagy ellátási lánc szükséges. Ezért több mint 30 gyár elterjedt az egész világon, több mint 5000 szállítóval és több mint 2000 alapvető beszállítóval. Amellett, hogy nagyok vagyunk, erősnek kell lennünk. Ezért a csoport évente több mint 1 milliárd jüan fektet be az ellátási lánc digitális átalakulásába, és figyelemre méltó eredményeket ért el.

 

A Lenovo három egymást követő évben a Gartner globális ellátási lánc -rangsorának 10 legjobb helyezettjébe került. Lenyűgöző eredményeket értünk el az ellátási lánc vezetésében, az ESG -ben és az intelligens gyártásban, és teljes elismerést kaptunk az IDC Mingshengtől, beleértve a McKinsey világgazdasági fórumot és másoktól.

Ez a folyamatosan erősítő ellátási lánc jelenleg öt fő kihívással néz szembe. Más szavakkal, erre az irányra kell összpontosítanunk a digitális átalakulásunkban is. Például a Kína és az Egyesült Államok közötti technológia elválasztásakor sok alapvető alkotóelem, beleértve néhány alapvető ipari szoftvert, korlátozódik a kínai vásárlásból, és támaszkodnunk kell az önfejlesztett keresleti ingadozásokra. A Lenovo a fogyasztói elektronikai iparban működik, kis tételekkel, többfajta és személyre szabott megrendelési dátumokkal. Évente több mint 80% -ot kapunk, legfeljebb 5 kis kötegelt megrendeléssel.

 

Az ESG-országok szabályozása egyre szigorúbbá válik, és figyelünk néhány alacsony szén-dioxid-kibocsátású technológiára. Mivel azonban a gazdasági recesszió elmaradt, a nagyobb gazdaságok GDP -je nem felel meg az elvárásoknak, az áruk árak emelkedésének, a logisztikai zavaroknak és más geopolitikai konfliktusoknak és a fekete hattyú eseményeknek.

 

Tehát oly sok kihívással néz szembe, mit tehet a Lenovo ellátási lánca? Arról szól, hogy különféle innovatív és alaptechnológiákat ölelünk fel, felhasználva őket a belső erőnk kiképzésére és a magunk fegyverére, hogy ellátási láncunk felkészülhessen a válságokra, mielőtt azok bekövetkeznének, növelve az ellátási láncunk ellenálló képességét, alkalmazkodóképességét és intelligencia szintjét.

 

A Lenovo ellátási lánc digitális átalakulása majdnem 1 0 évig folyik. A járvány előtt az 1,0 -es szakasznak neveztük, amely az alapok konszolidálására és a tudás megjelenítésére összpontosított. A beszerzéstől a tervezésig, a gyártásig, a logisztikáig, majd a szolgáltatásig a különféle funkcionális osztályoknak először összegyűjteniük kell az összes adatot. Az egyes osztályok megállapodott folyamatszabályai alapján valós idejű adatmegjelenítés és részleges döntés-automatizálás érhető el.

 

A járvány után beutaztunk 2 0, amelyet nemrégiben indítottak. A hangsúly az összekapcsolhatóságra, az együttműködési intelligenciára, a különféle adat silók összekapcsolására, a funkcionális osztályok saját kis rendszerei közötti kapcsolatok kialakítására és az általános nyerési eredmények elérésére. Ezért újraterveznünk kell a folyamatokat, újradefiniálnunk kell a szabályokat és egyesíteni kell azokat. Az adatokat szabványosítani kell, nemcsak az adatok rendelkezésére, hanem a kiváló minőségű adatokká is, teljesen intelligens és átfogó megoldások elérése érdekében. A legnagyobb tulajdonság itt az adatelemzés által vezérelt proaktív döntéshozatal előmozdítása, a döntéshozók és a tervezők proaktív és előrelátásának elősegítése, mielőtt válságok merülnek fel.

 

2. Lenovo funkcionális ellátási lánc

Tehát csak megemlítettük, hogy különféle élvonalbeli technológiákkal kell felszerelnünk magunkat. Itt felsorolom a nyolc innovatív technológiát, amelyet a Lenovo ellátási lánca leginkább érint. Az automatizálás itt a robot, de továbbra is osztályozhatjuk azokat, például az internetet, a blokkláncot stb., Az adatok vagy a garancia megbízhatóságának biztosítása érdekében. A digitális ikrek olyan környezetet biztosítanak, ahol a különféle szimulációs algoritmusok folyamatosan fejlődhetnek. A fejlett analitikus mesterséges intelligencia inkább magukra a modellekre és algoritmusokra összpontosít, és hogyan lehet betekintést nyújtani az adatokból a jövő irányításához.

A fejlett adatelemzés példájaként általában három szintre osztjuk. Először is, a leíró elemzés elmondja nekünk, mi történik most. Másodszor, a prediktív elemzés megmutatja nekünk, hogy mit fognak felfedezni, és mi fog történni a jövőben a történelmi adatok mintáinak és mintáinak elemzésével.

 

A harmadik szakaszot döntési elemzésnek hívják, amely nemcsak azt mondja nekünk, hogy mi a jövőbeli trendek, hanem megmondja a döntéshozóknak is, hogy mit kell tenniük. A mesterséges intelligencia több mint 60 éves története van, és a legtöbb ember a számítógépes látásról, a beszédfelismerésről, a természetes nyelvfeldolgozásról, a gépi tanulásról stb. Gondolhat. Ezek a technológiák lenyűgözőek, de az egyik dolog, amelyet gyakran kritizálnak, az, hogy ez egy megmagyarázhatatlan fekete doboz modell.

Szerencsére ezeknek a technológiáknak a pontossága és teljesítménye elérte egy bizonyos szintet, és néhány fókuszált területen elérhetik, vagy akár meghaladhatják az emberi szinteket. Akkor miért nem ágyazza be pluginként az ellátási lánc munkafolyamatába.

 

Például a gyártósor automatikus optikai ellenőrzése azonosíthatja a termékek és a telepítési hibák bizonyos hibáit, és pontossága messze meghaladja az emberi szemét. Vajon oly sok technológia szédül -e az embereknek és veszteséggel? Ez a probléma nem létezik a Lenovóban. Mivel mindannyian az egyes projektek forgatókönyvei és követelményei vezetnek, majd megfelelő technológiákat keresünk annak véglegesítésére.

 

Itt található egy egyszerű példa, amely Lenovo, aki minden digitális átalakulási projektet végez. A forgatókönyv alapú megoldásokban a korábban említett különféle alapvető technológiák a végpontok közötti ellátási lánc vezérlő toronyba kerülnek. A környező 12345 egy tipikus forgatókönyv. Például az első forgatókönyvben a kereslet -előrejelzés használt idősor -elemzés, a gép mély tanulása és az AIGC.

 

A második intelligens beszerzés és a beszállító, nagyon együttműködő hierarchikus menedzsment, a beszállítók kutatása szempontjából, nagy mennyiségű beszerzési adatot gyűjtöttünk annak meghatározására, hogy a beszállítók megbízhatóak -e, és hogy a kézbesítés képes -e időben. Ugyanakkor természetes nyelvi elemzést és adatbányászati ​​technikákat is alkalmazunk az ellátási lánc 360 fokos profiljának elemzésére a perifériában a nyilvánosan elérhető adatokból.

A harmadik vevői megrendelés intelligens kezelése, oly sok megrendelésünk van, különböző termékmennyiségekkel, szállítási idővel, ellátással és ügyfélszintekkel. Használhatjuk az optimalizálási technológiát és az operatív optimalizálási technológiát, hogy intelligensen eldöntsük, mely megrendeléseket hajtják végre először, mely megrendeléseknek meg kell várniuk, és akár biztosítani kell a konkrét megrendelések zökkenőmentes megvalósítását.

 

Az utolsó intelligens logisztika, beleértve a kézbesítést, a raktár helyének kiválasztását, a logisztikai módszer kiválasztását, és mely állomás, amely az utolsó mérföldet kézbesíti, és melyik állomást szállít, mindegyik operatív optimalizálási technológiák.

 

Mindenki összpontosíthat a piros zászlóra és a három fő folyamatot lefedő sárga szövegre, a kereslettől a tervezési szakaszban történő kínálatig, mielőtt az első megrendelés megérkezik. A második sorrend elérte a szállítási szakaszot, a megrendelésről a készpénzre. A harmadik szempont, amely a teljes termék körül forog, az életciklus, a három fő folyamat és a korábban említett nyolc fő technológia optimalizálása.

 

Két alapvető technológiai kategóriába soroljuk, az egyiket prediktív technológiának nevezzük, amelyet a Machine Learning képvisel, amelynek célja a bizonytalanság csökkentésének megoldása, vagy más szavakkal, hogyan kell felhasználni az adatokat és az algoritmusokat, hogy néhány korábban nagyon bizonytalan forgatókönyv kissé ellenőrizhető legyen. Hadd adjak neked egy szélsőséges példát. Amikor érmét dobunk, adatok nélkül, 1/2. Ha azonban ismeri a dobás szögeit és még a karakterek különböző textúráit az elülső és a háton, akkor az adatok elemzésével még pontosabb előrejelzéseket készíthet.

 

Egy másik fő kategória a döntéshozatali technikák, amelyeket a műveleti kutatás optimalizálása képvisel, amelyet a többcélú kiegyensúlyozott ellátási láncok, a szállítás, az eszközallokáció és az energiaforrás-elosztás megoldására használnak, amelyek mindegyike eltérő, egymással ellentmondó többctorzus problémákat tartalmaz. Hogyan lehet elérni az optimális egyensúlyt? A hagyományos műveleti kutatások megoldhatják az ilyen problémákat.

 

A feldolgozóiparban vagyunk, különösen a diszkrét gyártásban. Van egy „Bill anyagok” elnevezésű koncepciónk, amelyet valójában réteges módon lehet kezelni. Minél inkább az első réteg tetején vagyunk, annál kritikusabb. A diagram követésével minden bizonnyal megtalálhatjuk a legjobb alaptechnikát egy adott elemhez, amely erősen kapcsolódik egy adott forgatókönyv fájdalompontjához, amiben aggódunk.

A diszkrét gyártás területén a „Táblázat” koncepciója van. Az alkatrészek rétegekben kezelhetők, az első réteg közelebb a tetejéhez kritikusabb. Ezen a hierarchikus menedzsment révén azonosíthatjuk a legkritikusabb anyagokat egy adott projektben, a megalapozott nyomok alapján. Ez az alaptechnika szorosan kapcsolódik a konkrét forgatókönyvek fájdalompontjához, amelyre összpontosítunk, és hatékonyan segíthet a gyakorlati problémák megoldásában.

 

3. esettanulmány az ellátási lánc intelligens agyáról

Van egy koncepció, amelyet itt az ellátási lánc -vezérlő toronynak hívnak, amely az aanyag -lánc agya, amelyet később említettünk. Itt adok egy vagy két példát a bútorok fogalmának szemléltetésére. Az első technológia az előrejelzési technológia, amely számos forgatókönyvben felhasználható, mint például a kereslet -előrejelzés, az értékesítés előrejelzése, a sörfőzés előrejelzése, a termelési kapacitás előrejelzése.

 

Az előrejelzés célja a bizonytalanság megoldása. Melyek a Lenovo -előrejelzésünk jellemzői? Nem csak a számok előrejelzéséről és becsléséről szól. Jellemző kulcsszóunkat keverésnek nevezzük, amely kifejezetten tükröződik az AI vegyes felhasználásában több szinten. Például használhat algoritmusok, statisztikai módszerek, gépi tanulás, mély tanulás és nagy és kis modellek keverékének kombinációját a felhőben. Más GPT -k a szélén is tesztelhetők. Például a gyártósoron fel kell észlelnünk ezen jelek bizonytalanságát, meg kell oldani azt a szélén, majd támogatnunk kell az adatokkal való kombinációt.

 

Ezenkívül létezik a többszintű integráció. Meg kell készítenünk az értékesítési előrejelzéseket. Különböző régiók lehetnek, mindegyik különböző országokkal rendelkezik. Fel kell-e osztanunk őket a legfelső szintű előrejelzés befejezése után, vagy összesítjük az egyes helyi előrejelzéseket? Valójában nincs egyetlen méret, amely minden megközelítéshez illeszkedik. Az adatok eloszlása, minősége és formátuma alapján dinamikus ítéleteket kell hoznunk. Visszatérve a tudás és az adatok kombinációjához, amiről csak beszéltünk, hadd adjak példát. Például, amikor PC -ket árusítunk a Lenovóban, néhányat közvetlenül az ügyfeleknek adnak el, de ezek többségét csatornákon keresztül értékesítik. Ami a csatornákat mennyit adja el a végfelhasználóknak, nem tudjuk, de nagyon szeretnénk tudni.

 

Mivel az eladás tendenciája és a csatornák leltára határozza meg, hogy mennyit szállítunk, hogyan lehet előre jelezni az eladást? Természetesen felkérhetjük a csatornákat, hogy gyűjtsük össze, hogy mennyit adnak el minden évben, havonta és negyedévben, és megmérjék azt számokkal. A tényleges hatás azonban nagyon gyenge. Később azt találtuk, hogy hiányzott néhány kulcsfontosságú információ. Ezt mondta nekünk az értékesítés. Ti tudósoknak menjenek, és meg kell érteniük az árengedmények megnyitását a különböző csatornákon. Ha 80 egységet tud eladni, és 5% -os árengedményt kap, akkor 81 egységet, 85 egység 82 darabot fog eladni, de határozottan nem fog eladni 79 egységet. 80 egységet kell elérnie. Miután megértettük ezt a mintát, előrejelzéseink pontossága jelentősen javulhat.

 

Például, amikor előrejelzéseket készítettünk a szolgáltatási ellátási láncra, azt „hány pótalkatrésznek kell felkészülnie a vészhelyzetekre”. Akkoriban Délkelet -Ázsiában problémákkal találkoztunk, például India pontatlan előrejelzése a megjelenítési modulról május -augusztusig. Később a helyi vállalkozás azt mondta nekünk, hogy alaposan tanulmányozzuk az időjárást. Május-augusztus az India monszun szezonja, magas páratartalommal, és a beépített áramkörökkel rendelkező eszközök meghibásodási aránya meglehetősen magas. Mennyire magas? Nem tudja, de az ő gyors, tudjuk, hogyan lehet kinyerni a hőmérsékleti információkat, az esőzéseket, a páratartalom információkat, és összeolvaszthatjuk ezeket az adatokat. A délkelet -ázsiai esős évszakban az előrejelzési pontosságunk jelentősen javult.

 

Vessen egy pillantást az optimalizálással kapcsolatos második alkalmazási területre. Készítettem néhány videót, és kicsit kevésbé fogok beszélni. Mindenkinek meg kell értenie a videókat. Mielőtt mélyebbre merülne, röviden értjük meg az "optimalizálás" fogalmát. A műveleti kutatások szempontjából az optimalizálás elsősorban három fő elemet foglal magában. Először is, az ellátási lánc forgatókönyvében számos célt kell optimalizálni. Például a szállítási arány, a költség, a szállítási útvonal, a megrendelések várakozási ideje, beleértve a vonalak megváltoztatásának idejét a gyártósoron lévő különböző termékek között stb., Az üzleti célok, amelyekre összpontosítanunk kell és optimalizálnunk kell. Ez az optimalizálás első eleme.

 

A második elem a döntési változó. Például, ha megrendelést vagy a követelményeket megadják, akkor alkatrészeket kell vásárolnunk az összeszereléshez. Ezen a ponton az A vagy a B beszállítótól való vásárlás között választhatunk, feltételezve, hogy a két szállító alkatrészei helyettesíthetők egymással. Nem csak, hogy az A szállító általi beszerzés idejét és mennyiségét gondosan meg kell fontolni és meghozni a döntéseket. Például az ütemezési folyamatban, függetlenül attól, hogy a munkarendet az A vagy a B gyártási vonalon rendezik -e, a különböző választások eltérő hatással lesznek a termelési hatékonyságra, a költségekre és így tovább.

 

A harmadik elem a kényszerfeltétel. Mindannyian tudjuk, hogy a bármi megtételéhez szükséges erőforrások nem végtelenek, és bizonyos korlátozások alapján kell elvégezni. Az előző munkarend példájának figyelembevételével lehetséges, hogy egy bizonyos terméket csak az ABC gyártósoron lehet előállítani a folyamat, a berendezések és más okok miatt, és a D gyártósoron nem lehet feldolgozni.

 

Ez egy tipikus kényszerfeltétel.

Például kiskereskedelmi üzletek esetén csak a helyi disztribúciós központokból származhatnak, és nem tudnak elosztani árukat a szomszédos tartományoktól, ami korlátozás. Az ezen korlátozások alapján kapott megoldás a megvalósítható megoldás. Ugyanakkor nem minden megvalósítható megoldás képes kielégíteni az embereket. Miután világos célunk van, meg kell találnunk az optimális megoldást. Még akkor is, ha több optimális megoldás van, továbbra is megfelelő pontokat kell találnunk az úgynevezett Pareto fronton.

Hadd adjak egy példát az intelligens anyagelosztásról. A járvány idején a készletek hiányosak voltak, és az olyan vállalatokból származó CPU -k, mint az Intel vagy az AMD, nagy a kereslet. Különböző régiók és ügyfélcsoportok kértek ezeket a népszerű CPU -kat a központ ellátási láncának osztályától.

 

Szóval, kinek kellene ezeket az értékes CPU -kat kiosztani?

Ha nincs intelligens algoritmus, a szokásos megközelítés az egyenlő eloszlás használata, amely mindenki teljes igényét elosztja a teljes kínálatával. Feltételezve, hogy mindenki megkaphatja a kereslet 80% -át, úgy tűnik, hogy mindenki elégedett a felszínen. A főnök azonban nem gondolja. Mivel a termékek nyeresége és bevételei különböző régiókban eltérőek, és különbségek vannak az ügyfelek toleranciájában is.

 

Tehát be kell integrálnunk a pénzügyi célokat, a méltányossági célokat és más célokat a többcélú optimalizálás elvégzéséhez, hogy ezeket a CPU-k vagy szűkös anyagokat, például a megjelenítési modulokat ésszerű elosztva.