Како се користи вештачка интелигенција за помоћ технолошким производњи предузећа?
Како се користи вештачка интелигенција за помоћ технолошким производњи предузећа?
Како вештачка интелигенција може револуционирати управљање ланцима снабдевања? Капоклог Логистицс је детаљно представио специфичну примену АИ технологије у ланцу снабдевања.
Кроз машинско учење и оперативна оптимизација истраживања, побољшала је предвиђање потражње, планирање снабдевања, менаџмент залиха и достава за промоцију предузетничког ланца снабдевања за постизање капоклог логистике, која је пружила дубок увид у то како је технолошка иновација могла да вози предузеће.
Капоклог логистичка логистика дели у практично искуство Леново у кориштењу АИ технологије за оснаживање ланца снабдевања, надајући се да ови садржаји могу пружити корисну референцу за све и помоћи њиховим предузећима да постигну одличну операцију у будућности.
Дељење капоклог логистике је подељено на пет делова. Прво, представите тренутну ситуацију ЛЕИНОВА ЛЕИНОВА. Које проблеме се суочавамо? Зашто требамо да се подвргнемо дигиталној трансформацији? Узимање ЛЕНОВО ГРУПЕ, кинеску компанију за електроничку технологију, као пример, дигитална трансформација Леново је увек била усредсређена на изградњу интелигентног ланца снабдевања. Дакле, каква би технолошка архитектура требала имати интелигентни ланац снабдевања? Који су сценарији слетања?
Руководилац одељења за снабдевање логистиком Капоклог фокусираће се на предвиђање потражње, расподелу материјала и потрошњу и интелигентну заказивање, који су наши интерни СТАР пројекти или најбоље праксе. Коначно, требало би да постоји неко време. Руководилац одељења за снабдевање капоклог логистике такође ће делити велики модел, агента, који је најсавременији правац АИ. Како дубоко интегрирати АИГЦ технологије са стварним сценаријима ланца снабдевања, решиће болне боли и генеришу практичну вредност. Коначно, на основу мог врло плитког размишљања, хтео бих да извршим могућност за будући технолошки правац ланца паметних снабдевања.
1. Леново Глобални преглед ланца снабдевања
Упознајмо ЛЕНОВО-ов Глобални ланац снабдевања заједно. За производњу предузећа, ланац снабдевања је апсолутно критично функционално одељење које пружа услуге и гаранције за продају унапред. Па шта је Леново продаје? Ми смо највећи светски произвођач личних рачунара, као и паметних телефона, таблета, сервера и разних паметних терминала. Са годишњом запремином пошиљке од 120 милиона Иуана, продајемо преко 180 земаља и региона широм света, који покривају више од милијарду корисника. Тако велико тржиште захтева велики ланац снабдевања. Стога имамо више од 30 фабрика ширине широм света, са преко 5000 добављача и више од 2000 добављача језгре. Поред тога што је велико, морамо бити и јаки. Стога група сваке године улаже преко милијарду Иуана у дигитално трансформацију ланца снабдевања и постигла је изванредне резултате.
Леново је рангиран у првих 10 Гартнерових глобалних рангирања ланца снабдевања три узастопне године. Достигли смо импресивне резултате вођства ланца снабдевања, ЕСГ и интелигентном производњом и примили су потпуно признање од ИДЦ Мингсхенг-а, укључујући Светску економску форуму МцКинсеи и друге.
Овај континуирано јачање ланца снабдевања суочава се на пет главних изазова тренутно. Другим речима, ово је и смер који се морамо фокусирати у нашој дигиталној трансформацији. На пример, у раздвајању технологије између Кине и Сједињених Држава, многе језгрене компоненте, укључујући неки основни индустријски софтвер, ограничени су од куповине у Кини, а морамо се ослонити на саморазвијене флуктуације потражње. Леново делује у индустрији потрошачке електронике са малим серијом, вишесним разноликошћу и персонализованим датумима налога. Преко 80% налога добијамо годишње, а не више од 5 малих партија.
Регулација земаља ЕСГ постаје све строга строга и обратићемо пажњу на неке технологије ниско угљеника. Међутим, са економском рецесијом заостаје, БДП главних економија није испунило очекивања, раст цена робе, логистичке поремећаје и друге геополитичке сукобе и црни лабуде.
Дакле, суочени са толико изазовима, шта ЛЕНОВО-ов ланац снабдевања може учинити? Ради се о прихватању разних иновативних и основних технологија, користећи их да обукумо нашу унутрашњу снагу и наоружање, тако да се наш ланац снабдевања може припремити за кризе пре него што се појаве, повећавајући отпорност, прилагодљивост и интелигенцију нивоа нашег ланца снабдевања.
Дигитална трансформација ланца снабдевања Леново траје скоро 1 0 године. Пре пандемије, на то смо се поменули као 1.0 фазе, које су се фокусирале на консолидацију темеља и визуелно знање. Из набавке за планирање, производњу у логистику, а затим на сервис, разни функционални одељења морају прво да прикупе све податке. На основу договорених правила сваког одељења може се постићи визуелизација података у реалном времену и делимична аутоматизација одлуке.
Након епидемије, ушли смо у 2. 0, који је управо покренут. Фокус је на међуконконнективности, сарадњој интелигенцији, повезивање различитих силоса података, успостављање веза између малих система функционалних одељења и постизање укупних резултата вин-вин-вин. Стога морамо редизајнирати процесе, редефинисати правила и ујединити их. Подаци морају бити стандардизовани, не само да имају податке, већ и да га претворе у квалитетне податке, постизање потпуно интелигентних и свеобухватних решења. Највећа карактеристика овде је промовисање проактивног доношења одлука које је покренуло анализу података, помажући нашим доносиоцима одлука и планерима да буду проактивне и имају предвиђање пре него што наставе кризе.
2 Леново Функционални ланац снабдевања
Дакле, управо смо споменули да бисмо се требали наоружати разним врхунским технологијама. Овде наводим осам иновативних технологија које се највише брине у ЛЕИН-у ЛЕВОВОЈ. Аутоматизација је овде робот, али још увек их можемо класификовати, попут Интернета, БЛИЦКЦХАИН-а итд. Дигитални близанци пружају окружење у којем се наши различити алгоритми симулације могу континуирано развијати. Напредна аналитичка вештачка интелигенција фокусира се више на моделе и алгоритме и како издвојити увид од података како би водили будућност.
Узимање напредних анализа података као пример, углавном га поделимо на три нивоа. Прво, описна анализа нам говори шта се сада догађа. Друго, предиктивна анализа нам говори шта ће бити откривено и шта ће се у будућности догодити анализом образаца и образаца у историјским подацима.
Трећа фаза се назива анализом одлука, која нам не само да нам говори о томе шта су будући трендови, али такође говоре доносиоцима одлука шта би требало да раде. Вештачка интелигенција има историју више од 60 година, а већина људи може помислити на рачунарска визија, препознавање говора, прераду природног језика, машинско учење и тако даље. Те технологије су импресивне, али једна ствар која је често критикована је да је то необјашњиви модел црне кутије.
Срећом, тачност и перформансе ових технологија сада су стигли до одређеног нивоа, а у неким фокусираним пољима могу да стигну или чак надмашују људски ниво. Па зашто га не уградите као додатак у радни ток ланца снабдевања.
На пример, аутоматска оптичка инспекција на производној линији може да идентификује неке недостатке у производима и инсталационим оштећењима, а његова тачност прелази оно људске очи. Да ли ће толико технологија чине људе вртоглавицама и губитком? Овај проблем не постоји у Леново. Зато што сви водимо сценарији и захтеви за сваки пројекат, а затим тражемо одговарајуће технологије да га окончамо.
Ево једноставног примера који је Леново радити све пројекте дигиталне трансформације. У решењима на бази сценарија, разне су основне технологије поменуте раније ће се смјестити у торањ за контролу ланаца крајње до краја. Околина 12345 је типичан сценариј. На пример, у првом сценарију, за прогнозирање потражње коју је анализао је анализа времена, машинско дубоко учење и Аигц.
Друго интелигентно набавку и добављач високо колаборативно хијерархијско управљање, у погледу истраживања добављача, акумулирали смо велику количину података о набавкама како бисмо утврдили да ли су добављачи поуздани и да ли испорука може бити на време. Истовремено, такође користимо и анализу природног језика и технике рударства података како би анализирали профил 360 степени у ланцу снабдевања од јавних доступних података у периферији.
Интелигентно управљање трећим редоследом купца, имамо толико налога са различитим количинама производа, време испоруке, понудом и нивоом купца. Можемо користити технологију оптимизације и технологију оперативног оптимизације да интелигентно одлучујемо које налоге прво извршавају, које налоге морају да сачекају, па чак и осигуравају несметано спровођење одређених налога.
Последња интелигентна логистика, укључујући и доставу, избор локације складишта, избор методе логистике, а која станица прво ће доставити последњу миљу и која станица да достави траје, су све неке оперативне технологије оптимизације.
Сви се могу фокусирати на Црвени транспарент и жути текст који покрива три главна процеса, од захтева за снабдевањем у фази планирања пре доласка прве наруџбе. Други ред је достигао фазу испоруке, од налога до готовине. Трећи аспект који се врти око целог производа је оптимизација њеног животног циклуса, три главна процеса и осам главних технологија раније поменуто.
Сажели смо га у две основне категорије технологије, то се назива предиктивна технологија која представља машинско учење, која има за циљ да реши како да смањите несигурност или другим речима како да користе податке и алгоритми како би неки претходно врло несигурни сценарији постигли благо могуће да направе неке раније врло несигурне сценарије. Дозволите да вам дам екстремни пример. Када бацимо новчић, без икаквих података, то је 1/2. Међутим, ако знате углове бацања, па чак и различите текстуре ликова на предњој и назад, можете и даље да донесете тачнија предвиђања анализом података.
Друга главна категорија су технике доношења одлука које представљају оптимизацију оперативних истраживања, које се користи за решавање више-објективних балансираних ланаца снабдевања, транспорт, чак и расподјеле имовине и расподјеле енергетских ресурса, које све укључивају различите сукобљене вишестивне проблеме. Како постићи оптимално стање? Истраживање традиционалних операција може да реши такве проблеме.
Ми смо у прерађивачкој индустрији, посебно у дискретној производњи. Имамо концепт који се назива "Билл материјала", који се заправо може управљати слојевитим путем. Што смо више на врху првог слоја, то је критичније. Слиједећи дијаграм, дефинитивно ћемо моћи пронаћи најбољу језгру технологију за одређени предмет, који је снажно повезано са боловима на паметне сценариј за који смо забринути.
На пољу дискретне производње имамо концепт "новчанице". Компоненте се могу управљати у слојевима, а први слој је ближи врху је критичнији. Кроз овај хијерархијски менаџмент можемо идентификовати најкритичнији материјали у одређеном пројекту заснован на утврђеним траговима. Ова основна технологија уско је повезана са тачкама бола специфичних сценарија које се фокусирамо и ефикасно можемо помоћи у решавању практичних проблема.
3. Студија случаја интелигентног мозга
Овде је концепт који се овде назива контролни торањ ланца снабдевања, који је мозак ланца снабдевања који смо касније споменули. Ево, даћу један или два примера да илуструјем концепт намештаја. Прва технологија је технологија предвиђања која се може користити у многим сценаријима, попут предвиђања потражње, прогнозирање продаје, прогнозирањем прогнозирања производње, предвиђање капацитета.
Сврха предвиђања је решавање неизвесности. Које су карактеристике нашег предвиђања Леново? Не ради се само о предвиђању и процени бројева. Наша карактеристична кључна реч назива се мешањем, која се посебно одражава у мешовитој употреби АИ на више нивоа. На пример, можете да користите комбинацију алгоритама, статистичких метода, машинско учење, дубоко учење и мешавину великих и малих модела за трчање у облаку. Остали ГПТ се такође могу тестирати на ивици. На пример, на производној линији морамо открити неизвесност тих сигнала, решити га на ивици, а затим подржати комбинацију са подацима.
Поред тога, постоји интеграција више нивоа. Морамо да направимо продајне прогнозе. Можемо имати разне регије, свака са различитим земљама. Да ли их требамо поделити након завршене прогнозе на горњи ниво, или се агрегира свака локална прогноза? У ствари, нема ни једне величине одговара сав приступ. Морамо направити динамичке пресуде на основу дистрибуције, квалитета и формата података. Повратак на комбинацију знања и података о којима смо управо разговарали, дозволите ми да дам пример. На пример, када продајемо рачунаре на Леново, неке од њих се продају директно купцима, али већина њих се продаје путем канала. Што се тиче колико канала продају крајњим купцима, не знамо, већ ми стварно желимо да знамо.
Пошто је тренд распродаје и попис канала одређује колико шаљемо, како можемо да предвидимо да се распродају? Наравно, можемо тражити од канала да сакупе колико продају сваке године, сваког месеца и сваке четвртине и мере га бројевима. Међутим, стварни ефекат је веома лош. Касније смо открили да нам недостају неке кључне информације. Ово нам је рекла продаја. Ви научници треба да иду и разумеју отварање рабата на различитим каналима. Ако може да прода 80 јединица и добиће 5% рабат, продат ће 81 јединице, 85 јединица 82 јединице, али дефинитивно неће продати 79 јединица. Мора да достигне 80 јединица. Једном када схватимо овај образац, тачност наших предвиђања може се значајно побољшати.
На пример, када смо дали предвиђања за ланац услуга, назвао је "Колико резервних делова треба да се одржавају станице за одржавање, припремају се за хитне случајеве". У то време смо наишли на проблем у југоисточној Азији, као што је индије нетачно предвиђање њеног модула екрана од маја до августа. Касније су нам локални посао рекли да пажљиво проучимо време. Мај до августа је индијска монсунска сезона са високом влагом, а стопа неуспеха уређаја са уграђеним круговима је прилично велика. Колико је то високо? Он не зна, већ кроз његов брз, знамо како да издвојимо информације о температури, информације о кише, информације о влажности и осигуравају ове податке заједно. Током кишне сезоне у југоисточној Азији, наша тачност предвиђања се увелико побољшала.
Погледајмо другу област пријаве у вези са оптимизацијом. Припремио сам неке видео записе и разговараћу мало мање. Сви би требали да разумеју након гледања видео записа. Пре ублажавања дубље, хајде да кратко разумемо концепт "оптимизације". Из перспективе оперативних истраживања, оптимизација углавном укључује три главна елемента. Прво, у сценарију ланца снабдевања, постоје многи циљеви који је потребно оптимизовати. На пример, стопа испоруке, трошкове, транспортне руте, време чекања налога, укључујући време промене линија између различитих производа на производној линији, итд., Да ли су све пословни циљеви на који се морамо фокусирати и оптимизирати. Ово је први елемент оптимизације.
Други елемент је променљива одлука. На пример, када је наруџба постављена или су наведени захтеви, морамо да купимо делове за монтажу. У овом тренутку, суочени смо са избором између куповине од добављача А или добављача Б, претпостављајући да се компоненте из ова два добављача могу заменити једни са другима. Не само то, време и количина набавке добављача такође треба пажљиво размотрити и донети одлуке. На пример, у процесу заказивања, да ли је радни налог договорен на производну линију А или производна линија Б, различити избори ће имати различите утицаје на ефикасност производње, трошкове и тако даље.
Трећи елемент је стање ограничења. Сви знамо да ресурси за обављање било чега нису бескрајни и морају се спровести под одређеним ограничењима. Узимајући пример претходног радног налога, могуће је да се одређени производ може произвести само на производној линији АБЦ због процеса, опреме и других разлога и не може се обрадити на Д. производној линији Д.
Ово је типично стање ограничења.
На пример, у случају малопродајних објеката, они могу покупити само робу из локалних дистрибутивних центара и не могу доделити робу од суседних провинција, што је ограничење. Решење добијено под овим ограничењима је изводљиво решење. Међутим, нису све изведиво решења могу задовољити људе. Након што имамо јасан циљ, морамо пронаћи оптимално решење. Чак и ако постоји више оптималних решења, и даље морамо пронаћи одговарајуће тачке на тзв. Парето фронт.
Дозволите да вам дам пример интелигентне расподјеле материјала. Током епидемије, залихе су биле у кратком доводу, а ЦПУ из компанија попут Интела или АМД-а били су у великој потражњи. Различити региони и групе за купце затражили су ове популарне ЦПУ-а из одељења за снабдевање седиштем.
Дакле, ко би требали да се додијели ови драгоцени ЦПУ?
Када не постоји интелигентни алгоритам, уобичајени приступ је да се користи једнака дистрибуција, поделу укупне потражње свих укупне понуде. Под претпоставком да свака особа може добити 80% потражње, чини се да су сви сасвим задовољни на површини. Међутим, шеф не мисли тако. Будући да профит и приходи производа варирају у различитим регионима, а постоје и разлике у толеранцији купаца.
Дакле, морамо да интегришемо финансијске циљеве, правичности и друге циљеве за обављање више-објективне оптимизације, како би се ови ЦПУ-ови или оскудни материјали могли разумно доделити модули.
