Как да използваме изкуствен интелект за подпомагане на технологичните производствени предприятия?
Как да използваме изкуствен интелект за подпомагане на технологичните производствени предприятия?
Как изкуственият интелект може да революционизира управлението на веригата за доставки? Kapoklog Logistics представи подробно специфичното приложение на AI технологията във веригата на доставки.
Чрез машинно обучение и оптимизация на оперативните изследвания той подобри прогнозирането на търсенето, планирането на предлагането, управлението на запасите и доставката на поръчки за насърчаване на веригата за доставки на предприятия за постигане на логистика на Kapoklog, което даде дълбок поглед върху това как технологичните иновации могат да доведат до трансформация на предприятието.
Logistics Logistics Kapoklog споделя практическия опит на Lenovo в използването на AI технология за овластяване на веригата на доставки, надявайки се, че това съдържание може да осигури полезна справка за всички и да помогне на техните предприятия да постигнат отлична работа в бъдеще.
Споделянето на логистиката на Kapoklog е разделено на пет части. Първо, въведете настоящата ситуация на веригата за доставки на Lenovo. С какви проблеми се сблъскваме? Защо трябва да претърпим цифрова трансформация? Вземайки Lenovo Group, китайска компания за електронни технологии, като пример, цифровата трансформация на Lenovo винаги се фокусира върху изграждането на интелигентна верига за доставки. И така, каква технологична архитектура трябва да има интелигентна верига за доставки? Какви са сценариите за кацане?
Мениджърът на отдела за доставки на Logistics Kapoklog ще се съсредоточи върху прогнозирането на търсенето, разпределението на материали и потреблението и интелигентното планиране, които са нашите вътрешни звездни проекти или най -добри практики. Накрая трябва да има известно време. Мениджърът на отдела за доставки на Logistics Kapoklog също ще сподели големия модел, агент, който е най -напредналата посока на AI. Как да интегрираме дълбоко AIGC технологии с реалните сценарии на веригата на доставки, да решаваме точките на бизнес болка и да генерираме практическа стойност. И накрая, въз основа на моето много плитко мислене, бих искал да направя перспектива за бъдещата технологична посока на интелигентната верига на доставки.
1. Преглед на световната верига за доставки на Lenovo
Нека се запознаем заедно с глобалната верига за доставки на Lenovo заедно. За производствено предприятие веригата за доставки е абсолютно критичен функционален отдел, който предоставя услуги и гаранции за продажби напред. И така, какво продава Lenovo? Ние сме най -големият в света производител на персонални компютри, както и смартфони, таблети, сървъри и различни интелигентни терминали. С годишен обем на пратката от 120 милиона юана, ние продаваме на над 180 страни и региони по целия свят, обхващайки повече от 1 милиард потребители. Такъв огромен пазар изисква голяма верига на доставки. Следователно имаме повече от 30 фабрики, разпространени по целия свят, с над 5000 доставчици и над 2000 основни доставчици. Освен че сме големи, ние също трябва да сме силни. Следователно групата инвестира над 1 милиард юана всяка година в дигиталната трансформация на веригата за доставки и постигна забележителни резултати.
Lenovo е класиран в топ 10 на класацията на глобалната верига за доставки на Gartner за три поредни години. Постигнахме впечатляващи резултати в лидерството на веригата за доставки, ESG и интелигентното производство и получихме пълно признание от IDC Mingsheng, включително Световния икономически форум Маккинси и други.
Тази непрекъснато укрепване на веригата за доставки е изправена пред пет основни предизвикателства в момента. С други думи, това е и посоката, върху която трябва да се съсредоточим в нашата цифрова трансформация. Например, при отделянето на технологиите между Китай и Съединените щати, много основни компоненти, включително някакъв основен индустриален софтуер, са ограничени от покупката в Китай и трябва да разчитаме на самостоятелно разработени колебания на търсенето. Lenovo работи в индустрията на потребителската електроника с малки партиди, много разнообразие и персонализирани дати на поръчка. Получаваме над 80% от поръчките годишно, с не повече от 5 малки партидни поръчки.
Регулирането на страните от ESG става все по-строго и ние ще обърнем внимание на някои технологии с ниско съдържание на въглерод. Въпреки това, когато икономическата рецесия изостава, БВП на основните икономики не отговаря на очакванията, нарастването на цените на стоките, нарушенията на логистиката и други геополитически конфликти и събитията на черния лебед.
И така, изправена пред толкова много предизвикателства, какво може да направи веригата за доставки на Lenovo? Става въпрос за възприемане на различни иновативни и основни технологии, използвайки ги, за да тренираме вътрешната си сила и да се въоръжим, така че нашата верига за доставки да може да бъде подготвена за кризи, преди да се появи, увеличаване на устойчивостта, адаптивността и нивото на интелигентност на нашата верига за доставки.
Дигиталната трансформация на Lenovo на веригата за доставки продължава почти 1 0 години. Преди пандемията го посочихме като етап 1.0, който се фокусира върху консолидирането на основата и визуализирането на знанията. От закупуване до планиране, производство до логистика и след това до обслужване, различни функционални отдели трябва първо да събират всички данни. Въз основа на договорените правила за процеса на всеки отдел може да се постигне визуализация на данни в реално време и частична автоматизация на решенията.
След епидемията влязохме в 2. 0, който току -що стартира. Фокусът е върху взаимосвързаността, съвместната интелигентност, свързването на различни силози на данни, установяване на връзки между собствените малки системи на функционалните отдели и постигане на общи резултати от печалбата. Следователно, ние трябва да препроектираме процесите, да предефинираме правилата и да ги обединим. Данните трябва да бъдат стандартизирани не само за да имат данни, но и да ги превърнат в висококачествени данни, постигащи напълно интелигентни и изчерпателни решения. Най-голямата характеристика тук е да се насърчи проактивното вземане на решения, ръководена от анализа на данните, като помага на нашите лица и планиращи решения да бъдат активни и да имат предвидливост, преди да възникнат кризи.
2. Lenovo функционална верига за доставки
Затова току-що споменахме, че трябва да се въоръжим с различни авангардни технологии. Тук изброявам осемте иновативни технологии, най -загрижени от веригата за доставки на Lenovo. Автоматизацията е роботът тук, но все пак можем да ги класифицираме, като интернет, blockchain и т.н., за да предоставим данни или да гарантираме надеждност. Дигиталните близнаци осигуряват среда, в която нашите различни алгоритми за симулация могат непрекъснато да се развиват. Разширеният аналитичен изкуствен интелект се фокусира повече върху самите модели и алгоритми и как да се извлекат прозрения от данни, за да ръководят бъдещето.
Приемайки разширен анализ на данни като пример, ние обикновено го разделяме на три нива. Първо, описателният анализ ни казва какво се случва сега. Второ, прогнозният анализ ни казва какво ще бъде открито и какво ще се случи в бъдеще чрез анализиране на моделите и моделите в историческите данни.
Третият етап се нарича анализ на решения, който не само ни казва какви са бъдещите тенденции, но и казва на лицата, вземащи решения, трябва да правят. Изкуственият интелект има история от повече от 60 години и повечето хора могат да мислят за компютърно зрение, разпознаване на реч, обработка на естествен език, машинно обучение и т.н. Тези технологии са впечатляващи, но едно нещо, което често се критикува, е, че това е необясним модел на черна кутия.
За щастие, точността и ефективността на тези технологии вече достигнаха определено ниво и в някои фокусирани области те могат да достигнат или дори да надминат човешките нива. Така че защо да не го вградите като плъгин в работния процес на веригата за доставки.
Например, автоматичната оптична проверка на производствената линия може да идентифицира някои дефекти в продуктите и дефектите на инсталацията, а точността му далеч надхвърля тази на човешките очи. Ще направят ли толкова много технологии хората да се замайват и на загуба? Този проблем не съществува в Lenovo. Тъй като всички ние сме водени от сценарии и изисквания за всеки проект и след това търсим подходящи технологии, за да го финализираме.
Ето един прост пример, който Lenovo прави всички проекти за дигитална трансформация. В решения, базирани на сценарии, различните основни технологии, споменати по-рано, ще се настанят в кулата за управление на веригата за доставки от край до край. Околен 12345 е типичен сценарий. Например, при първия сценарий прогнозирането на търсенето на използвания анализ на времеви серии, дълбоко обучение на машината и AIGC.
Второто интелигентно възлагане на обществени поръчки и доставчик силно съвместно йерархично управление, по отношение на проучването на доставчиците, ние сме натрупали голямо количество данни за обществени поръчки, за да определим дали доставчиците са надеждни и дали доставката може да бъде навреме. В същото време използваме и техники за анализ на естествен език и извличане на данни, за да анализираме 360 -градусовия профил на веригата на доставки от публично достъпни данни в периферията.
Интелигентното управление на третата поръчка на клиента, ние имаме толкова много поръчки с различни количества на продукта, време за доставка, доставка и нива на клиенти. Можем да използваме технологията за оптимизация и технологията за оперативна оптимизация, за да решим интелигентно кои поръчки да изпълним първо, кои поръчки трябва да чакат и дори да гарантираме плавното изпълнение на конкретни поръчки.
Последната интелигентна логистика, включително доставка, избор на местоположение на склада, избор на логистика и коя станция да достави първо последната миля и коя станция да достави последно, са всички някои оперативни технологии за оптимизация.
Всеки може да се съсредоточи върху червения банер и жълтия текст, обхващащ трите основни процеса, от търсенето до предлагането в етапа на планиране преди пристигането на първия ред. Втората поръчка достигна етапа на доставка, от поръчка до пари. Третият аспект, който се върти около целия продукт, е оптимизирането на неговия жизнен цикъл, трите основни процеса и осемте основни технологии, споменати по -рано.
Обобщаваме го в две основни технологични категории, една се нарича прогнозна технология, представена от машинното обучение, която има за цел да реши как да намали несигурността или с други думи как да използваме данни и алгоритми, за да направят някои по -рано много несигурни сценарии леко контролируеми. Позволете ми да ви дам краен пример. Когато хвърлим монета, без никакви данни, тя е 1/2. Ако обаче знаете ъглите на хвърлянето и дори различните текстури на героите отпред и отзад, все пак можете да направите по -точни прогнози чрез анализ на данни.
Друга основна категория са техниките за вземане на решения, представени от оптимизацията на операциите за изследване, която се използва за решаване на многоцелеви балансирани вериги за доставки, транспорт, равномерно разпределение на активи и разпределение на енергийните ресурси, всички от които включват различни конфликтни многообективни проблеми. Как да постигнем оптимален баланс? Традиционните оперативни изследвания могат да решат подобни проблеми.
Ние сме в производствената индустрия, особено в дискретното производство. Имаме концепция, наречена „Бил от материали“, която всъщност може да се управлява по многопластова начин. Колкото повече сме на върха на първия слой, толкова по -критичен е. Следвайки диаграмата, определено ще можем да намерим най -добрата основна технология за определен елемент, която е силно свързана с точките на болка на определен сценарий, за който сме загрижени.
В областта на дискретното производство имаме концепцията за „законопроект за материали“. Компонентите могат да се управляват на слоеве, като първият слой по -близо до върха е по -критичен. Чрез това йерархично управление можем да идентифицираме най -критичните материали в конкретен проект въз основа на установени улики. Тази основна технология е тясно свързана с точките на болка на специфичните сценарии, върху които се фокусираме, и може ефективно да помогне за решаване на практически проблеми.
3. Казус на интелигентния мозък на веригата за доставки
Тук има концепция, наречена Контролна кула на веригата за доставки, която е мозъкът на веригата за доставки, който споменахме по -късно. Тук ще дам един или два примера, за да илюстрирам концепцията за мебели. Първата технология е технологията за прогнозиране, която може да се използва в много сценарии, като прогнозиране на търсенето, прогнозиране на продажбите, прогнозиране на пивоварството, прогнозиране на производствения капацитет.
Целта на прогнозата е да се реши несигурността. Какви са характеристиките на нашето прогнозиране на Lenovo? Не става въпрос само за прогнозиране и оценка с числа. Нашата характерна ключова дума се нарича смесване, което се отразява специално в смесената употреба на AI на множество нива. Например, можете да използвате комбинация от алгоритми, статистически методи, машинно обучение, задълбочено обучение и смес от големи и малки модели, които да работите в облака. Други GPT могат да бъдат тествани и на ръба. Например, в производствената линия трябва да открием несигурността на тези сигнали, да я разрешим на ръба и след това да поддържаме комбинацията с данни.
В допълнение, има многостепенна интеграция. Трябва да направим прогнози за продажбите. Можем да имаме различни региони, всеки с различни страни. Трябва ли да ги разделим след приключване на прогнозата за най-високо ниво или да обобщим всяка местна прогноза? Всъщност няма един размер да отговаря на всички подходи. Трябва да правим динамични преценки въз основа на разпределението, качеството и формата на данните. Връщане към комбинацията от знания и данни, за които току -що говорихме, нека да дам пример. Например, когато продаваме компютри в Lenovo, някои от тях се продават директно на клиенти, но повечето от тях се продават по канали. Що се отнася до това колко канали продават за край на клиентите, ние не знаем, но наистина искаме да знаем.
Тъй като тенденцията за разпродажба и инвентаризацията на каналите определят колко доставяме, как можем да прогнозираме разпродажбата? Разбира се, можем да помолим каналите да събират колко продават всяка година, всеки месец и на всяко тримесечие, и да го измерват с номера. Действителният ефект обаче е много лош. По -късно установихме, че ни липсва някаква ключова информация. Това ни казаха продажбите. Вие учени трябва да отидете и да разберете отварянето на отстъпки в различни канали. Ако той може да продаде 80 единици и да получи отстъпка от 5%, той ще продаде 81 единици, 85 единици 82 единици, но определено няма да продаде 79 единици. Той трябва да достигне 80 единици. След като разберем този модел, точността на нашите прогнози може да бъде значително подобрена.
Например, когато използвахме прогнози за веригата за доставки на услуги, се наричаше „колко резервни части трябва да се подготвят станции за поддръжка за спешни случаи“. По това време срещнахме проблем в Югоизточна Азия, като например неточното прогнозиране на Индия за неговия модул за показване от май до август. По -късно местният бизнес ни каза да проучим времето внимателно. Май до август е сезонът на мусоните в Индия с висока влажност, а степента на отказ на устройства с вградени вериги е доста висока. Колко е високо? Той не знае, но чрез бързината си знаем как да извлечем информация за температурата, информация за валежите, информация за влажност и да се обединят тези данни заедно. По време на сезона на дъждовете в Югоизточна Азия, нашата точност на прогнозиране значително се подобри.
Нека да разгледаме втората област на приложение, свързана с оптимизацията. Подготвих няколко видеоклипа и ще говоря малко по -малко. Всеки трябва да разбере след гледане на видеоклиповете. Преди да се задълбочим по -дълбоко, нека разберем накратко концепцията за „оптимизация“. От гледна точка на изследванията на операциите, оптимизацията включва главно три основни елемента. Първо, в сценария на веригата за доставки има много цели, които трябва да бъдат оптимизирани. Например, процентът на доставка, разходите, транспортния маршрут, времето на изчакване на поръчките, включително времето за промяна на линиите между различни продукти на производствената линия и т.н., са всички бизнес цели, върху които трябва да се съсредоточим и оптимизираме. Това е първият елемент на оптимизация.
Вторият елемент е променливата на решението. Например, когато е направена поръчка или са посочени изискванията, трябва да закупим части за сглобяване. В този момент ние сме изправени пред избор между закупуване от доставчик А или доставчик Б, като се приеме, че компонентите от тези двама доставчици могат да бъдат заменени помежду си. Не само това, времето и количеството на поръчките от доставчика А също трябва да бъдат внимателно обмислени и взети решения. Например, в процеса на планиране дали работната поръчка е подредена на производствена линия А или производствена линия Б, различните избори ще имат различно въздействие върху ефективността на производството, разходите и т.н.
Третият елемент е условието за ограничаване. Всички знаем, че ресурсите за правене на нещо не са безкрайни и трябва да се извършват при определени ограничения. Пример за предишната работна поръчка е възможно определен продукт да бъде произведен само на производствената линия на ABC поради процес, оборудване и други причини и не може да бъде обработен в производствената линия D.
Това е типично условие за ограничаване.
Например, в случай на магазини за търговия на дребно, те могат да вземат стоки само от местни дистрибуторски центрове и не могат да разпределят стоки от съседни провинции, което е ограничение. Разтворът, получен при тези ограничения, е възможно решение. Не всички осъществими решения обаче могат да задоволят хората. След като имаме ясна цел, трябва да намерим оптималното решение. Дори и да има множество оптимални решения, все пак трябва да намерим подходящи точки на така наречения фронт на Pareto.
Позволете ми да ви дам пример за интелигентно разпределение на материали. По време на епидемията доставките бяха в недостиг, а процесорите от компании като Intel или AMD бяха с голямо търсене. Различни региони и групи от клиенти поискаха тези популярни процесори от отдела за верига за доставки на централата.
И така, на кого трябва да се разпределят тези ценни процесори?
Когато няма интелигентен алгоритъм, обичайният подход е да се използва еднакво разпределение, разделяйки общото търсене на всеки на общото предлагане. Ако приемем, че всеки човек може да получи 80% от търсенето, изглежда, че всички са доста доволни на повърхността. Шефът обаче не смята така. Тъй като печалбите и приходите от продукти варират в различните региони, а също така има разлики в толерантността на клиентите.
Така че, ние трябва да интегрираме финансовите цели, целите на справедливостта и други цели за извършване на многоцелева оптимизация, за да разпределим тези процесори или оскъдни материали, като например модули на дисплея.
