Kā izmantot mākslīgo intelektu, lai palīdzētu tehnoloģiju ražošanas uzņēmumiem?

Kā izmantot mākslīgo intelektu, lai palīdzētu tehnoloģiju ražošanas uzņēmumiem?

Kā mākslīgais intelekts var mainīt piegādes ķēdes pārvaldību? Kapoklog loģistika sīki iepazīstināja ar AI tehnoloģijas īpašo pielietojumu piegādes ķēdē.

 

Izmantojot mašīnmācīšanās un operatīvo pētījumu optimizāciju, tā uzlaboja pieprasījuma prognozēšanu, piegādes plānošanu, krājumu pārvaldību un pasūtījumu piegādi, lai veicinātu uzņēmuma piegādes ķēdi, lai panāktu Kapoklog loģistiku, kas sniedza dziļu ieskatu par to, kā tehnoloģiskais jauninājums var virzīt uzņēmuma pārveidi.

Kapoklog Logistics Logistics dalās ar Lenovo praktisko pieredzi AI tehnoloģijas izmantošanā, lai nodrošinātu piegādes ķēdi, cerot, ka šis saturs var sniegt noderīgu atsauci visiem un palīdzēt to uzņēmumiem nākotnē sasniegt izcilu darbību.

Kapoklog loģistikas dalīšana ir sadalīta piecās daļās. Pirmkārt, ieviešiet pašreizējo situāciju Lenovo piegādes ķēdē. Ar kādām problēmām mēs saskaramies? Kāpēc mums ir jāveic digitālā pārveidošana? Piemēram, Ķīnas elektronisko tehnoloģiju uzņēmuma Lenovo Group, piemēram, Lenovo digitālā pārveidošana vienmēr ir koncentrējusies uz inteliģentas piegādes ķēdes izveidi. Tātad, kādai tehnoloģiskajai arhitektūrai vajadzētu būt inteliģentai piegādes ķēdei? Kādi ir nosēšanās scenāriji?

 

Piegādes ķēdes departamenta vadītājs Kapoklog Logistics koncentrēsies uz pieprasījuma prognozēšanu, materiālu sadalījumu un patēriņu un inteliģentu plānošanu, kas ir mūsu iekšējie zvaigžņu projekti vai labākā prakse. Visbeidzot, vajadzētu būt kādam laikam. Kapoklog Logistics piegādes ķēdes departamenta vadītājs dalīsies arī ar lielo modeli - aģentu, kas ir vismodernākais AI virziens. Kā dziļi integrēt AIGC tehnoloģijas ar reāliem piegādes ķēdes scenārijiem, atrisināt biznesa sāpju punktus un radīt praktisku vērtību. Visbeidzot, pamatojoties uz manu ļoti seklo domāšanu, es gribētu izredzes uz nākotnes viedās piegādes ķēdes tehnoloģisko virzienu.

 

1. Lenovo globālās piegādes ķēdes pārskats

Iepazīsimies kopā ar Lenovo globālo piegādes ķēdi. Ražošanas uzņēmumam piegādes ķēde ir absolūti kritiska funkcionālā nodaļa, kas nodrošina pakalpojumus un garantijas pārdošanas apjomam. Tātad, ko pārdod Lenovo? Mēs esam lielākais personālo datoru ražotājs pasaulē, kā arī viedtālruņi, planšetdatori, serveri un dažādi viedie termināļi. Ar ikgadējo sūtījumu apjomu 120 miljoni juaņu mēs pārdodam vairāk nekā 180 valstīm un reģioniem visā pasaulē, kas aptver vairāk nekā 1 miljardu lietotāju. Šādam milzīgam tirgum ir nepieciešama liela piegādes ķēde. Tāpēc visā pasaulē ir izplatītas vairāk nekā 30 rūpnīcu, vairāk nekā 5000 piegādātāju un vairāk nekā 2000 galveno piegādātāju. Papildus tam, ka esam lieli, mums jābūt arī stipriem. Tāpēc grupa katru gadu iegulda vairāk nekā 1 miljardu juaņu piegādes ķēdes digitālā pārveidē un ir sasniegusi ievērojamus rezultātus.

 

Lenovo trīs gadus pēc kārtas ir ierindots Gartnera globālās piegādes ķēdes klasifikācijas desmitniekā. Mēs esam sasnieguši iespaidīgus rezultātus piegādes ķēdes vadībā, ESG un inteliģentā ražošanā un esam saņēmuši pilnīgu atzinību no IDC Mingsheng, ieskaitot Pasaules ekonomikas forumu Makkinsiju un citus.

Šī nepārtraukti stiprinošā piegādes ķēde šobrīd saskaras ar pieciem galvenajiem izaicinājumiem. Citiem vārdiem sakot, tas ir arī virziens, uz kuru mums jākoncentrējas uz mūsu digitālo pārveidi. Piemēram, tehnoloģiju atsaistot starp Ķīnu un Amerikas Savienotajām Valstīm, daudzi galvenie komponenti, ieskaitot dažus rūpniecības programmatūras pamatus, ir ierobežoti no pirkšanas Ķīnā, un mums jāpaļaujas uz pašattīstītām pieprasījuma svārstībām. Lenovo darbojas patēriņa elektronikas nozarē ar nelielu partiju, daudzveidību un personalizētu pasūtījumu datumiem. Mēs saņemam vairāk nekā 80% pasūtījumu gadā, ne vairāk kā 5 mazu partiju pasūtījumus.

 

ESG valstu regulēšana kļūst arvien stingrāka, un mēs pievērsīsim uzmanību dažām zemu oglekļa satura tehnoloģijām. Tomēr, atpaliekot no ekonomikas lejupslīdes, lielākās ekonomikas IKP neatbilda cerībām, preču cenu pieaugumam, loģistikas traucējumiem un citiem ģeopolitiskiem konfliktiem un melno gulbju notikumiem.

 

Tātad, saskaroties ar tik daudz izaicinājumu, ko var darīt Lenovo piegādes ķēde? Runa ir par dažādu novatorisku un pamat tehnoloģiju iekļaušanu, tās izmantošanu, lai apmācītu mūsu iekšējo spēku un apbruņojas, lai mūsu piegādes ķēde varētu būt sagatavota krīzēm, pirms tās rodas, palielinot mūsu piegādes ķēdes noturību, pielāgošanās spēju un intelekta līmeni.

 

Lenovo digitālā piegādes ķēdes pārveidošana notiek gandrīz 1 0 gadus. Pirms pandēmijas mēs to dēvējām par 1,0 posmu, kas koncentrējās uz pamata nostiprināšanu un zināšanu vizualizēšanu. Sākot no iepirkuma līdz plānošanai, ražošanai līdz loģistikai un pēc tam uz pakalpojumu, dažādiem funkcionāliem departamentiem vispirms jāapkopo visi dati. Balstoties uz katras nodaļas saskaņotajiem procesa noteikumiem, var sasniegt reālā laika datu vizualizāciju un daļēju lēmumu automatizāciju.

 

Pēc epidēmijas mēs ievadījām 2. 0, kas tikko tika palaists. Galvenā uzmanība tiek pievērsta savstarpējai savienojamībai, sadarbības inteliģencei, dažādu datu tvertņu savienošanai, savienojumu izveidošanai starp funkcionālo departamentu mazajām sistēmām un kopējo abpusēji izdevīgu rezultātu sasniegšanu. Tāpēc mums ir jāpārveido procesi, jānovirza noteikumi un jāapvieno tie. Dati ir jānostiprina ne tikai, lai iegūtu datus, bet arī pārvērst tos par augstas kvalitātes datiem, sasniedzot pilnīgi inteliģentus un visaptverošus risinājumus. Lielākā iezīme šeit ir veicināt proaktīvu lēmumu pieņemšanu, ko veicina datu analīze, palīdzot mūsu lēmumu pieņēmējiem un plānotājiem būt proaktīviem un pirms krīzēm rodas tālredzība.

 

2. Lenovo funkcionālā piegādes ķēde

Tāpēc mēs tikko minējām, ka mums vajadzētu apbruņoties ar dažādām progresīvām tehnoloģijām. Šeit es uzskaitīju astoņas novatoriskas tehnoloģijas, kuras visvairāk uztrauc Lenovo piegādes ķēde. Automatizācija ir robots šeit, bet mēs joprojām varam tos klasificēt, piemēram, internetu, blokķēdi utt., Lai sniegtu datus vai garantētu uzticamību. Digitālie dvīņi nodrošina vidi, kurā mūsu dažādie simulācijas algoritmi var nepārtraukti attīstīties. Papildu analītiskais mākslīgais intelekts vairāk koncentrējas uz pašiem modeļiem un algoritmiem, kā arī par to, kā iegūt ieskatu no datiem, lai vadītu nākotni.

Ņemot vērā uzlaboto datu analīzi kā piemēru, mēs parasti to sadalām trīs līmeņos. Pirmkārt, aprakstošā analīze mums norāda, kas notiek tagad. Otrkārt, paredzamā analīze mums norāda, kas tiks atklāts un kas notiks nākotnē, analizējot vēsturisko datu modeļus un modeļus.

 

Trešo posmu sauc par lēmumu analīzi, kas mums ne tikai norāda, kādas ir nākotnes tendences, bet arī stāsta lēmumu pieņēmējiem, kas viņiem būtu jādara. Mākslīgajam intelektam ir vairāk nekā 60 gadu vēsture, un vairums cilvēku var domāt par datoru redzi, runas atpazīšanu, dabiskās valodas apstrādi, mašīnu apguvi utt. Šīs tehnoloģijas ir iespaidīgas, taču viena lieta, kas bieži tiek kritizēta, ir tā, ka tas ir neizskaidrojams melnās kastes modelis.

Par laimi, šo tehnoloģiju precizitāte un veiktspēja tagad ir sasniegusi noteiktu līmeni, un dažos fokusētos laukos tās var sasniegt vai pat pārspēt cilvēku līmeni. Tātad, kāpēc gan to neiesaistīt kā spraudni piegādes ķēdes darbplūsmā.

 

Piemēram, automātiska optiskā pārbaude ražošanas līnijā var noteikt dažus produktus un uzstādīšanas defektus, un tās precizitāte ievērojami pārsniedz cilvēka acis. Vai tik daudz tehnoloģiju padarīs cilvēkus reibinošus un zaudējumus? Šī problēma neeksistē Lenovo. Tā kā mūs visus vada scenāriji un prasības katram projektam, un tad mēs meklējam piemērotas tehnoloģijas, lai to pabeigtu.

 

Šeit ir vienkāršs piemērs, kas ir Lenovo, kas veic visus digitālās pārveidošanas projektus. Scenārijā balstītu risinājumu risinājumos dažādas iepriekšminētās pamat tehnoloģijas apmetīsies uz visaptverošo piegādes ķēdes vadības torni. Apkārtējais 12345 ir tipisks scenārijs. Piemēram, pirmajā scenārijā pieprasījuma prognozēšana tika izmantota laikrindu analīze, mašīnas dziļā mācīšanās un AIGC.

 

Otrais inteliģentais iepirkums un piegādātājs ļoti sadarbības hierarhiskā vadība, pētot piegādātāju, mēs esam uzkrājuši lielu daudzumu iepirkuma datu, lai noteiktu, vai piegādātāji ir uzticami un vai piegāde var būt savlaicīgi. Tajā pašā laikā mēs izmantojam arī dabiskās valodas analīzi un datu ieguves paņēmienus, lai analizētu piegādes ķēdes 360 grādu profilu no publiski pieejamiem datiem perifērijā.

Trešā klienta pasūtījuma saprātīga pārvaldība mums ir tik daudz pasūtījumu ar dažādiem produktu daudzumiem, piegādes laikiem, piegādes un klientu līmeni. Mēs varam izmantot optimizācijas tehnoloģiju un operatīvās optimizācijas tehnoloģiju, lai saprātīgi izlemtu, kuri rīkojumi vispirms izpildīt, kas pasūtījumiem jāgaida, un pat nodrošināt vienmērīgu pasūtījumu ieviešanu.

 

Pēdējā inteliģentā loģistika, ieskaitot piegādi, noliktavas atrašanās vietas izvēli, loģistikas metodes izvēli un to, kura stacija piegādāt pēdējo jūdzi pirmo un to, kura stacija nodrošināt pēdējo, ir visas darbības optimizācijas tehnoloģijas.

 

Ikviens var koncentrēties uz sarkano reklāmkarogu un dzelteno tekstu, kas aptver trīs galvenos procesus, sākot no pieprasījuma līdz piedāvājumam plānošanas posmā pirms pirmās kārtas pienākšanas. Otrais pasūtījums ir sasniedzis piegādes posmu no pasūtījuma līdz skaidrai naudai. Trešais aspekts, kas griežas ap visu produktu, ir tā dzīves cikla, trīs galveno procesu un astoņu galveno tehnoloģiju, kas minēta iepriekš, optimizācija.

 

Mēs to apkopojam divās pamat tehnoloģiju kategorijās, vienu sauc par prognozējošo tehnoloģiju, ko pārstāv mašīnu apguve, kuras mērķis ir atrisināt, kā samazināt nenoteiktību, vai, Ļaujiet man sniegt jums ekstrēmu piemēru. Kad mēs iemetam monētu, bez datiem, tas ir 1/2. Tomēr, ja jūs zināt metiena leņķus un pat dažādās rakstzīmju faktūras priekšpusē un aizmugurē, jūs joprojām varat veikt precīzākas prognozes, izmantojot datu analīzi.

 

Vēl viena būtiska kategorija ir lēmumu pieņemšanas metodes, ko atspoguļo operāciju pētījumu optimizācija, ko izmanto, lai atrisinātu daudzobjektīvu līdzsvarotu piegādes ķēdes, transportēšanu, pat aktīvu sadalījumu un enerģijas resursu sadalījumu, un tas viss ir saistīts ar dažādas konfliktējošas vairāku objektīvu problēmas. Kā sasniegt optimālu līdzsvaru? Tradicionālās operāciju izpēte var atrisināt šādas problēmas.

 

Mēs esam ražošanas nozarē, it īpaši diskrētā ražošanā. Mums ir koncepcija ar nosaukumu “Materiālu rēķins”, kuru faktiski var pārvaldīt slāņā. Jo vairāk mēs esam pirmā slāņa augšdaļā, jo kritiskāks tas ir. Sekojot diagrammai, mēs noteikti varēsim atrast labāko pamata tehnoloģiju noteiktam priekšmetam, kas ir cieši saistīts ar noteikta scenārija sāpju punktiem, par kuriem mēs uztraucamies.

Diskrētas ražošanas jomā mums ir “materiālu rēķina” koncepcija. Komponentus var pārvaldīt slāņos, kad pirmais slānis tuvāk augšdaļai ir kritiskāks. Izmantojot šo hierarhisko vadību, mēs varam identificēt viskritiskākos materiālus noteiktā projektā, pamatojoties uz noteiktiem pavedieniem. Šī pamat tehnoloģija ir cieši saistīta ar to īpašo scenāriju sāpju punktiem, uz kuriem mēs koncentrējamies, un tā var efektīvi palīdzēt atrisināt praktiskas problēmas.

 

3. Piegādes ķēdes inteliģentu smadzeņu gadījuma izpēte

Šeit ir koncepcija, ko sauc par piegādes ķēdes vadības torni, kas ir piegādes ķēdes smadzenes, kuras mēs pieminējām vēlāk. Šeit es sniegšu vienu vai divus piemērus, lai ilustrētu mēbeļu jēdzienu. Pirmā tehnoloģija ir prognozēšanas tehnoloģija, ko var izmantot daudzos scenārijos, piemēram, pieprasījuma prognozēšanai, pārdošanas prognozēšanai, alus darīšanas prognozēšanai, ražošanas jaudas prognozēšanai.

 

Prognozēšanas mērķis ir atrisināt nenoteiktību. Kādas ir mūsu Lenovo prognozes īpašības? Tas nav tikai par prognozēšanu un novērtēšanu ar skaitļiem. Mūsu raksturīgais atslēgvārds tiek saukts par sajaukšanu, kas ir īpaši atspoguļota AI jauktajā lietošanā vairākos līmeņos. Piemēram, jūs varat izmantot algoritmu, statistikas metožu, mašīnu apguves, dziļas mācīšanās un lielu un mazu modeļu sajaukumu, ko darbināt mākonī. Arī citus GPT var pārbaudīt malā. Piemēram, ražošanas līnijā mums ir jānosaka šo signālu nenoteiktība, jāatrisina to malā un pēc tam jāatbalsta kombinācija ar datiem.

 

Turklāt ir daudzlīmeņu integrācija. Mums ir jāveic pārdošanas prognozes. Mums var būt dažādi reģioni, katrs ar dažādām valstīm. Vai mums vajadzētu tos sadalīt pēc augstākā līmeņa prognozes pabeigšanas vai apkopota katra vietējā prognoze? Faktiski nav neviena izmēra, kas der visai pieejai. Mums ir jāizdara dinamiski spriedumi, pamatojoties uz datu izplatīšanu, kvalitāti un formātu. Atgriežoties pie zināšanu un datu kombinācijas, par kuriem mēs tikko runājām, ļaujiet man sniegt piemēru. Piemēram, kad mēs pārdodam personālos datorus Lenovo, daži no tiem tiek pārdoti tieši klientiem, bet vairums no tiem tiek pārdoti caur kanāliem. Runājot par to, cik daudz kanāli pārdod klientam, mēs nezinām, bet mēs patiešām vēlamies zināt.

 

Tā kā izpārdošanas tendence un kanālu uzskaite nosaka, cik daudz mēs sūtām, kā mēs varam paredzēt izpārdošanu? Protams, mēs varam lūgt kanālus savākt, cik daudz viņi pārdod katru gadu, katru mēnesi un katru ceturksni, un izmērīt to ar skaitļiem. Tomēr faktiskais efekts ir ļoti slikts. Vēlāk mēs noskaidrojām, ka mums trūkst galvenās informācijas. To mums teica pārdošanas apjomi. Jums zinātniekiem jāiet un jāsaprot atlaižu atvēršana dažādos kanālos. Ja viņš var pārdot 80 vienības un saņemt 5% atlaidi, viņš pārdos 81 vienību, 85 vienības 82 vienības, bet viņš noteikti nepārdos 79 vienības. Viņam jāsasniedz 80 vienības. Kad mēs uztveram šo modeli, mūsu prognožu precizitāti var ievērojami uzlabot.

 

Piemēram, kad mēs mēdzām veikt prognozes par pakalpojumu piegādes ķēdi, to sauca par “cik daudz rezerves daļu vajadzētu apkopes stacijām sagatavoties ārkārtas situācijām”. Tajā laikā Dienvidaustrumu Āzijā mēs saskārāmies ar problēmu, piemēram, Indijas neprecīza tā displeja moduļa prognozēšana no maija līdz augustam. Vēlāk vietējais bizness mums lika rūpīgi izpētīt laika apstākļus. Maijā līdz augustam ir Indijas musonu sezona ar augstu mitrumu, un ierīču ar iebūvētām shēmām neveiksmju līmenis ir diezgan augsts. Cik augsts tas ir? Viņš nezina, bet, izmantojot savu uzvedni, mēs zinām, kā iegūt informāciju par temperatūru, informāciju par nokrišņiem, mitruma informāciju un apvienot šos datus. Lietus sezonā Dienvidaustrumu Āzijā mūsu prognozēšanas precizitāte ir ievērojami uzlabojusies.

 

Apskatīsim otro lietojumprogrammas apgabalu, kas saistīts ar optimizāciju. Esmu sagatavojis dažus videoklipus, un es runāšu nedaudz mazāk. Ikvienam vajadzētu saprast pēc videoklipu noskatīšanās. Pirms dziļākas iedziļināšanās, īsi izprasīsim "optimizācijas" jēdzienu. No operāciju pētījumu viedokļa optimizācija galvenokārt ietver trīs galvenos elementus. Pirmkārt, piegādes ķēdes scenārijā ir jāoptimizē daudz mērķu. Piemēram, piegādes līmenis, izmaksas, transporta ceļš, pasūtījumu gaidīšanas laiks, ieskaitot laiku, lai mainītu līnijas starp dažādiem produktiem ražošanas līnijā utt., Ir visi biznesa mērķi, uz kuriem mums jākoncentrējas un optimizē. Šis ir pirmais optimizācijas elements.

 

Otrais elements ir lēmuma mainīgais. Piemēram, kad tiek veikts pasūtījums vai norādītas prasības, mums ir jāiegādājas rezerves daļas montāžai. Šajā brīdī mēs saskaramies ar izvēli starp pirkšanu no piegādātāja A vai piegādātāja B, pieņemot, ka šo divu piegādātāju komponentus var aizstāt viens ar otru. Ne tikai tas, ka ir rūpīgi jāapsver arī iepirkuma laiks un daudzums, kas no piegādātāja A ir jāapsver un jāpieņem lēmumi. Piemēram, plānošanas procesā neatkarīgi no tā, vai darba pasūtījums ir sakārtots ražošanas līnijā A vai ražošanas līnijā B, dažādām izvēlēm būs atšķirīga ietekme uz ražošanas efektivitāti, izmaksām utt.

 

Trešais elements ir ierobežojuma stāvoklis. Mēs visi zinām, ka resursi kaut ko darīt nav bezgalīgi, un tie ir jāveic saskaņā ar noteiktiem ierobežojumiem. Ņemot vērā iepriekšējā darba pasūtījuma piemēru, iespējams, ka noteiktu produktu var ražot tikai ABC ražošanas līnijā procesa, aprīkojuma un citu iemeslu dēļ, un to nevar apstrādāt D ražošanas līnijā.

 

Tas ir tipisks ierobežojuma nosacījums.

Piemēram, mazumtirdzniecības veikalu gadījumā viņi var uzņemt tikai preces no vietējiem izplatīšanas centriem un nevar piešķirt preces no kaimiņu provincēm, kas ir ierobežojums. Šajos ierobežojumos iegūtais šķīdums ir iespējamais risinājums. Tomēr ne visi iespējamie risinājumi var apmierināt cilvēkus. Pēc tam, kad mums ir skaidrs mērķis, mums jāatrod optimālais risinājums. Pat ja ir vairāki optimāli risinājumi, mums joprojām ir jāatrod piemēroti punkti tā sauktajā Pareto frontē.

Ļaujiet man sniegt jums inteliģenta materiālu sadalījuma piemēru. Epidēmijas laikā piegādes trūka, un CPU no tādiem uzņēmumiem kā Intel vai AMD bija ļoti pieprasīts. Dažādi reģioni un klientu grupas pieprasīja šos populāros CPU no galvenā biroja piegādes ķēdes departamenta.

 

Tātad, kam vajadzētu piešķirt šos dārgos CPU?

Ja nav inteliģenta algoritma, parastā pieeja ir izmantot vienādu sadalījumu, dalot ikviena kopējo pieprasījumu ar kopējo piegādi. Pieņemot, ka katrs cilvēks var saņemt 80% no pieprasījuma, šķiet, ka visi ir diezgan apmierināti uz virsmas. Tomēr priekšnieks tā nedomā. Tā kā produktu peļņa un ieņēmumi dažādos reģionos atšķiras, un pastāv arī atšķirības klientu tolerancē.

 

Tātad mums ir jāintegrē finanšu mērķi, taisnīguma mērķi un citi mērķi, lai veiktu vairāku objektīvu optimizāciju, lai saprātīgi piešķirtu šos CPU vai ierobežotos materiālus, piemēram, displeja moduļus.