Kuidas kasutada tehisintellekti tehnoloogiatootmise ettevõtete abistamiseks?

Kuidas kasutada tehisintellekti tehnoloogiatootmise ettevõtete abistamiseks?

Kuidas saab tehisintellekt revolutsiooni muuta tarneahela juhtimist? Kapoklogi logistika tutvustas üksikasjalikult AI -tehnoloogia konkreetset rakendust tarneahelas.

 

Masinaõppe ja operatiivsete uuringute optimeerimise kaudu parandas see nõudluse prognoosimist, pakkumise kavandamist, varude haldamist ja tellimuste edastamist, et edendada ettevõtte tarneahelat Kapoklogi logistika saavutamiseks, mis andis põhjaliku ülevaate sellest, kuidas tehnoloogilised uuendused võivad ettevõtte ümberkujundamist suurendada.

Kapoklogi logistika logistika jagab Lenovo praktilisi kogemusi AI -tehnoloogia kasutamisel tarneahela võimendamiseks, lootes, et see sisu võib pakkuda kõigile kasulikku viidet ja aidata nende ettevõtetel tulevikus suurepärast toimingut saavutada.

Kapoklogi logistika jagamine jaguneb viieks osaks. Esiteks tutvustage Lenovo tarneahela praegust olukorda. Milliste probleemidega me silmitsi seisame? Miks peame läbima digitaalse ümberkujundamise? Hiina elektroonilise tehnoloogiaettevõtte Lenovo Groupi näitena on Lenovo digitaalne ümberkujundamine alati keskendunud intelligentse tarneahela ehitamisele. Milliseid tehnoloogilisi arhitektuur peaks intelligentsel tarneahelal olema? Millised on maandumisstsenaariumid?

 

Kapoklogi logistika tarneahela osakonna juhataja keskendub nõudluse prognoosimisele, materiaalsete jaotamisele ja tarbimisele ning intelligentsele sõiduplaanile, mis on meie sisemised täheprojektid või parimad tavad. Lõpuks peaks olema natuke aega. Kapoklogi logistika tarneahela osakonna juhataja jagab ka suurt mudelit, agent, mis on AI kõige arenenum suund. Kuidas sügavalt integreerida AIGC tehnoloogiaid tarneahela tegelike stsenaariumidega, lahendada ärivalupunkte ja saada praktilist väärtust. Lõpuks tahaksin oma väga pinnapealse mõtlemise põhjal teha nutika tarneahela tulevase tehnoloogilise suuna väljavaate.

 

1. Lenovo globaalne tarneahela ülevaade

Tutvume koos Lenovo ülemaailmse tarneahelaga. Tootmisettevõtte jaoks on tarneahel absoluutselt kriitiline funktsionaalne osakond, mis pakub eelseisvate müügi teenuseid ja garantiisid. Mida siis Lenovo müüb? Oleme maailma suurim personaalarvutite tootja, samuti nutitelefonid, tahvelarvutid, serverid ja mitmesugused nutikermermermermermletid. Aastase saatmise mahuga 120 miljonit jüaani müüme üle 180 riigi ja piirkonda kogu maailmas, hõlmates enam kui miljard kasutajat. Nii tohutu turg nõuab suurt tarneahelat. Seetõttu on meil kogu maailmas levinud rohkem kui 30 tehast, kus on üle 5000 tarnija ja üle 2000 põhitarnija. Lisaks sellele, et oleme suured, peame olema ka tugevad. Seetõttu investeerib grupp igal aastal tarneahela digitaalsesse ümberkujundamisse üle miljardi jüaani ja on saavutanud märkimisväärseid tulemusi.

 

Lenovo on kolme järjestikuse aasta jooksul Gartneri ülemaailmse tarneahela edetabeli esikümnesse kuulunud. Oleme saavutanud muljetavaldavad tulemused tarneahela juhtimisel, ESG -s ja intelligentses tootmises ning saanud IDC Mingshengilt, sealhulgas maailma majandusfoorumi McKinsey ja teistelt täieliku tunnustuse.

See pidevalt tugevdava tarneahelaga seisab silmitsi praegu viie peamise väljakutsega. Teisisõnu, see on ka suund, millele peame keskenduma oma digitaalses muundumises. Näiteks Hiina ja Ameerika Ühendriikide vahelise tehnoloogia lahutamisel piirduvad paljud põhikomponendid, sealhulgas mõni põhiline tööstustarkvara, Hiinas ostmisest ja peame tuginema iseenda arenenud nõudluse kõikumistele. Lenovo tegutseb tarbeelektroonikatööstuses väikese partii, mitmekesisuse ja isikupärastatud tellimiskuupäevadega. Saame aastas üle 80% tellimustest, kuni 5 väikese partii tellimuseni.

 

ESG riikide reguleerimine on muutumas üha rangemaks ja pöörame tähelepanu mõnele madala süsinikusisaldusega tehnoloogiale. Kuna majanduslanguse mahajäämine maha jääb, ei vastanud suuremate majanduste SKP ootustele, toormehindade tõusule, logistikahäiretele ja muudele geopoliitilistele konfliktidele ning mustadele luigeüritustele.

 

Mida saab teha nii paljude väljakutsetega, mida saab Lenovo tarneahelas teha? See seisneb mitmesuguste uuenduslike ja põhitehnoloogiate omaksvõtmises, kasutades neid meie sisemise tugevuse koolitamiseks ja iseenda relvastamiseks, et meie tarneahela saaks enne nende tekkimist koorideks valmistada, suurendades meie tarneahela vastupidavust, kohanemisvõimet ja intelligentsuse taset.

 

Lenovo tarneahela digitaalne muundamine on kestnud peaaegu 1 0 aastat. Enne pandeemiat nimetasime seda 1.0 -etapiks, mis keskendus vundamendi koondamisele ja teadmiste visualiseerimisele. Hanketest kuni planeerimise, tootmiseni kuni logistikani ja seejärel teenindamiseni peavad erinevad funktsionaalsed osakonnad kõigepealt koguma kõik andmed. Iga osakonna kokkulepitud protsessireeglite põhjal on võimalik saavutada andmete reaalajas visualiseerimine ja osaline otsuste automatiseerimine.

 

Pärast epideemiat sisenesime 2. 0, mis on just käivitatud. Keskendutakse omavahelistele ühendatavusele, koostööle intelligentsusele, mitmesuguste andmesilode ühendamisele, funktsionaalse osakonna enda väikeste süsteemide vahel ühenduste loomisele ja üldiste win-win-tulemuste saavutamisele. Seetõttu peame protsessid ümber kujundama, reegleid uuesti määratlema ja neid ühendama. Andmed tuleb standardiseerida, mitte ainult andmete saamiseks, vaid ka selleks, et muuta need kvaliteetseteks andmeteks, saavutades täielikult intelligentsed ja põhjalikud lahendused. Suurim omadus on siin proaktiivsete otsuste tegemise edendamine andmete analüüsist, aidates meie otsustajatel ja planeerijatel olla ennetavad ja enne kriiside tekkimist ettenägelikkust.

 

2. Lenovo funktsionaalne tarneahel

Niisiis mainisime just, et peaksime end erinevate tipptasemel tehnoloogiatega relvastama. Siin loetlen Lenovo tarneahelas kõige rohkem muret kaheksa uuenduslikku tehnoloogiat. Automatiseerimine on siin robot, kuid andmete või usaldusväärsuse tagamiseks saame neid siiski klassifitseerida, näiteks Internet, blockchain jne. Digitaalsed kaksikud pakuvad keskkonda, kus meie erinevad simulatsioonialgoritmid saavad pidevalt areneda. Täpsem analüütiline tehisintellekt keskendub rohkem mudelitele ja algoritmidele ise ning sellele, kuidas tuleviku suunamiseks andmetest teadmisi eraldada.

Võttes näitena täiustatud andmete analüüsi, jagame selle üldiselt kolmeks tasandiks. Esiteks ütleb kirjeldav analüüs meile, mis praegu toimub. Teiseks ütleb ennustav analüüs meile, mis avastatakse ja mis tulevikus juhtub, analüüsides ajalooliste andmete mustreid ja mustreid.

 

Kolmandat etappi nimetatakse otsuste analüüsiks, mis mitte ainult ei ütle meile, millised on tulevased suundumused, vaid teatab ka otsustajatele, mida nad peaksid tegema. Tehisintellekti ajalugu on rohkem kui 60 aastat ja enamik inimesi võib mõelda arvutinägemisele, kõnetuvastusele, loomuliku keele töötlemisele, masinõppele jne. Need tehnoloogiad on muljetavaldavad, kuid üks asi, mida sageli kritiseeritakse, on see, et see on seletamatu must kasti mudel.

Õnneks on nende tehnoloogiate täpsus ja jõudlus jõudnud nüüd teatud tasemele ning mõnes keskendunud valdkonnas võivad nad jõuda inimtasemeni või isegi ületada. Miks mitte manustada seda pistikprogrammina tarneahela töövoogu.

 

Näiteks saab tootmisliinil automaatne optiline kontroll tuvastada tooteid ja paigaldusdefekte ning selle täpsus ületab kaugelt inimese silmade. Kas nii paljud tehnoloogiad muudavad inimesed uimaseks ja kaotuseks? Seda probleemi Lenovos ei eksisteeri. Kuna meid kõiki ajendavad iga projekti stsenaariumid ja nõuded, otsime siis selle viimistlemiseks sobivaid tehnoloogiaid.

 

Siin on lihtne näide, milleks on Lenovo, kes teeb kõiki digitaalseid muundamise projekte. Stsenaariumipõhiste lahenduste korral asuvad erinevad varem mainitud põhitehnoloogiad tarneahela kontrolltorni otsast lõpuni. Ümberringi 12345 on tüüpiline stsenaarium. Näiteks esimese stsenaariumi korral kasutati nõudluse prognoosimist aegridade analüüsi, masina sügavat õppimist ja AIGC -d.

 

Teine intelligentsed hanked ja tarnija väga koostööl põhinev hierarhiline juhtimine tarnijate uurimise osas oleme kogunud palju hankeandmeid, et teha kindlaks, kas tarnijad on usaldusväärsed ja kas kohaletoimetamine võib olla õigel ajal. Samal ajal kasutame ka loodusliku keele analüüsi ja andmete kaevandamise tehnikaid tarneahela 360 -kraadise profiili analüüsimiseks perifeeria avalikult kättesaadavate andmete põhjal.

Kolmanda kliendi tellimuse arukas haldamine, meil on nii palju tellimusi, kus on erinevad tootekogused, tarneajad, tarne- ja klienditasemed. Saame kasutada optimeerimise tehnoloogiat ja operatiivset optimeerimise tehnoloogiat, et arukalt otsustada, milliseid tellimusi esmalt täita, milliseid tellimusi tuleb oodata, ja isegi tagada konkreetsete tellimuste sujuva rakendamise.

 

Viimane intelligentne logistika, sealhulgas kohaletoimetamine, lao asukoha valimine, logistikameetodivalik ja see, milline jaam esikohale viima, ja millist jaama viimast tarnida, on kõik operatiivse optimeerimise tehnoloogiad.

 

Kõik saavad keskenduda punasele ribareklaamile ja kollasele tekstile, mis hõlmavad kolme peamist protsessi, alates nõudlusest kuni kavandamise etapis enne esimest tellimust saabumist. Teine tellimus on jõudnud tarneetappi, tellimusest kuni sularahani. Kolmas aspekt, mis kogu toote ümber keerleb, on selle elutsükli, kolme peamise protsessi ja varem mainitud kaheksa peamise tehnoloogia optimeerimine.

 

Me võtame selle kokku kahte põhitehnoloogia kategooriasse, ühte nimetatakse ennustavaks tehnoloogiaks, mida esindab masinõpe, mille eesmärk on lahendada ebakindlust vähendada, või teisisõnu, kuidas kasutada andmeid ja algoritme, et muuta mõned varem väga ebakindlad stsenaariumid pisut kontrollitavaks. Lubage mul tuua teile äärmuslik näide. Kui me mündi ilma andmeteta viskame, on see 1/2. Kui aga teate viske nurki ja isegi esi- ja taga olevate märkide erinevaid tekstuure, saate andmete analüüsi kaudu siiski täpsemaid ennustusi teha.

 

Teine peamine kategooria on otsustusmeetodid, mida esindab operatsioonide uurimistöö optimeerimine, mida kasutatakse mitme eesmärgiga tasakaalustatud tarneahelate, transpordi, isegi varade jaotamise ja energiaressursside jaotamise lahendamiseks, mis kõik hõlmavad erinevaid vastuolulisi mitmeotstarbelisi probleeme. Kuidas saavutada optimaalne tasakaal? Traditsiooniliste operatsioonide uuringud saavad selliseid probleeme lahendada.

 

Oleme töötlevas tööstuses, eriti diskreetses tootmises. Meil on kontseptsioon nimega „Materjalide arv”, mida saab tegelikult kihilisel viisil juhtida. Mida rohkem oleme esimese kihi tipus, seda kriitilisem see on. Diagrammi järgides suudame kindlasti leida teatud eseme jaoks parima põhitehnoloogia, mis on tugevalt seotud konkreetse stsenaariumi valupunktidega, mille pärast me muretseme.

Diskreetse tootmise valdkonnas on meil kontseptsioon „materjalide arv”. Komponente saab hallata kihtides, esimene kiht lähemal ülaosale on kriitilisem. Selle hierarhilise juhtimise kaudu saame kindlaks teha konkreetses projektis kõige kriitilisemad materjalid, mis põhinevad väljakujunenud vihjetel. See põhitehnoloogia on tihedalt seotud konkreetsete stsenaariumide valupunktidega, millele keskendume, ja see aitab tõhusalt aidata praktilisi probleeme lahendada.

 

3. tarneahela intelligentse aju juhtumianalüüs

Siin on kontseptsioon, mida nimetatakse tarneahela juhtimistorniks, mis on tarneahela aju, mida me hiljem mainisime. Siin toome ühe või kaks näidet mööbli mõiste illustreerimiseks. Esimene tehnoloogia on ennustustehnoloogia, mida saab kasutada paljudes stsenaariumides, näiteks nõudluse prognoosimine, müügi prognoosimine, õllepruulimise prognoosimine, tootmisvõimsuse prognoosimine.

 

Ennustamise eesmärk on lahendada ebakindlus. Millised on meie Lenovo ennustuse omadused? See ei tähenda ainult numbrite ennustamist ja hindamist. Meie iseloomulik märksõna nimetatakse segamiseks, mis kajastub AI segases kasutamises mitmel tasandil. Näiteks võite kasutada algoritmide, statistiliste meetodite, masinõppe, sügava õppimise ja suure ja väikeste mudelite segu pilves töötamiseks. Teisi GPT -sid saab servas testida. Näiteks peame tootmisliinil tuvastama nende signaalide ebakindluse, lahendama selle servas ja seejärel toetama kombinatsiooni andmetega.

 

Lisaks on mitmetasandiline integratsioon. Peame tegema müügiprognoose. Meil võib olla erinevaid piirkondi, igaüks erinevate riikidega. Kas peaksime need jagama pärast tipptasemel prognoosi lõpuleviimist või iga kohaliku prognoosi koondama? Tegelikult pole ühe suurusega, mis sobib kõigile lähenemisviisidele. Andmete levitamise, kvaliteedi ja vormingu põhjal peame tegema dünaamilisi otsuseid. Naastes teadmiste ja andmete kombinatsiooni juurde, millest me just rääkisime, lubage mul tuua näide. Näiteks kui müüme Lenovos personaalarvuteid, müüakse mõnda neist otse klientidele, kuid enamikku neist müüakse kanalite kaudu. Mis puutub sellesse, kui palju kanalid lõppklientidele müüvad, siis me ei tea, kuid tahame tõesti teada.

 

Kuna väljamüüdud suundumus ja kanalite inventuur määravad, kui palju me saatme, kuidas saaksime ennustada välja müüa? Muidugi võime paluda kanalitel koguda, kui palju nad müüvad igal aastal, igal kuul ja igal veerandil, ja mõõta seda numbritega. Tegelik mõju on siiski väga halb. Hiljem leidsime, et meil puudus põhiteave. Seda ütles müük meile. Te, teadlased, peaksid minema ja mõistma allahindluste avamist erinevates kanalites. Kui ta suudab müüa 80 ühikut ja saada 5% allahindlust, müüb ta 81 ühikut, 85 ühikut 82 ühikut, kuid kindlasti ei müü ta 79 ühikut. Ta peab jõudma 80 ühikuni. Kui oleme sellest mustrist aru saanud, saab meie ennustuste täpsust oluliselt parandada.

 

Näiteks kui me kasutasime teenuse tarneahelale ennustusi, nimetati seda „mitu varuosa peaks hooldusjaamu hädaolukordadeks valmistuma”. Me saime sel ajal Kagu -Aasias probleemi, näiteks India ebatäpne ennustus selle väljapanekumooduli kohta maist augustini. Hiljem käskis kohalik äri meil ilmastikuolude hoolikalt uurida. Mai augustiks on India mussoonihooaeg, millel on kõrge õhuniiskus, ja sisseehitatud vooluahelatega seadmete ebaõnnestumise määr on üsna kõrge. Kui kõrge see on? Ta ei tea, kuid oma kiire kaudu teame, kuidas temperatuuriteavet eraldada, sademete kohta teavet, niiskuse teavet ja neid andmeid kokku sulanduda. Kagu -Aasia vihmaperioodil on meie ennustamise täpsus oluliselt paranenud.

 

Vaatame teist optimeerimisega seotud rakendusala. Olen koostanud mõned videod ja räägin natuke vähem. Kõik peaksid pärast videote vaatamist aru saama. Enne süvenemist mõistame lühidalt "optimeerimise" mõistet. Operatsioonide uuringute vaatenurgast hõlmab optimeerimine peamiselt kolme peamist elementi. Esiteks on tarneahela stsenaariumi korral palju eesmärke, mida tuleb optimeerida. Näiteks on kõik ärieesmärgid, millele peame keskenduma, ja optimeerida, et tarnemäär, kulud, transpordi marsruut, tellimuste ooteaeg, sealhulgas aeg erinevate toodete vaheliste toodete vahel. See on esimene optimeerimise element.

 

Teine element on otsustusmuutuja. Näiteks kui tellimus on esitatud või nõuded on täpsustatud, peame ostma montaaži jaoks osad. Sel hetkel seisame silmitsi valikuga tarnija A või tarnija B ostmise vahel, eeldades, et nende kahe tarnija komponendid saab omavahel asendada. Lisaks sellele tuleb hoolikalt kaaluda ja otsuseid teha ka tarnija hankimise aja ja koguse. Näiteks ajakava koostamise protsessis, olenemata sellest, kas töökorraldus on korraldatud tootmisliinil A või tootmisliin B, on erinevatel valikutel erinev mõju tootmise efektiivsusele, kuludele jne.

 

Kolmas element on piirangutingimus. Me kõik teame, et ressursid millegi tegemiseks pole lõputud ja need tuleb teatud piirangute alusel läbi viia. Eelmise töökorralduse näitena on võimalik, et teatud toodet saab toota ainult ABC tootmisliinil protsessi, seadmete ja muude põhjuste tõttu ning seda ei saa töödelda D tootmisliinil.

 

See on tüüpiline piirangutingimus.

Näiteks saavad nad jaekaupluste puhul kaupu korjata ainult kohalikest turustuskeskustest ja ei saa eraldada kaupu naaberprovintsidest, mis on piirang. Nende piirangute all saadud lahus on teostatav lahendus. Kuid mitte kõik teostatavad lahendused ei suuda inimesi rahuldada. Kui meil on selge eesmärk, peame leidma optimaalse lahenduse. Isegi kui on mitu optimaalset lahendust, peame ikkagi leidma sobivaid punkte niinimetatud Pareto rindelt.

Lubage mul tuua teile näide arukast materjali eraldamisest. Epideemia ajal oli varusid napilt ja selliste ettevõtete nagu Inteli või AMD protsessor oli suur nõudlus. Erinevad piirkonnad ja kliendirühmad taotlesid neid populaarseid protsessoreid peakorteri tarneahela osakonnast.

 

Kellele tuleks neile väärtuslikku protsessorit eraldada?

Kui intelligentset algoritmi pole, on tavaline lähenemisviis võrdse jaotuse kasutamine, jagades kõigi kogunõudluse kogu pakkumisega. Eeldades, et iga inimene saab 80% nõudlusest, näib, et kõik on pinnal üsna rahul. Kuid boss ei arva seda. Kuna toodete kasum ja tulud on erinevates piirkondades erinevad ning klientide sallivuses on ka erinevusi.

 

Niisiis, peame integreerima rahalised eesmärgid, õigluse eesmärgid ja muud eesmärgid, et viia läbi mitme eesmärgi optimeerimine, et eraldada need protsessor või vähesed materjalid, näiteks kuvamoodulid.