Kako koristiti umjetnu inteligenciju za pomoć u tehnologiji proizvodnje poduzeća?

Kako koristiti umjetnu inteligenciju za pomoć u tehnologiji proizvodnje poduzeća?

Kako umjetna inteligencija može revolucionirati upravljanje lancem opskrbe? Kapoklog Logistics detaljno je uvela specifičnu primjenu AI tehnologije u lancu opskrbe.

 

Kroz optimizaciju strojnog učenja i operativnog istraživanja, poboljšala je predviđanje potražnje, planiranje opskrbe, upravljanje zalihama i isporuka narudžbe za promicanje lanca opskrbe poduzeća kako bi se postigla logistika Kapokloga, što je pružilo dubok uvid u to kako tehnološka inovacija može pokrenuti transformaciju poduzeća.

Kapoklog Logistics Logistics Dijeli praktično iskustvo Lenovo u korištenju AI tehnologije za osnaživanje lanca opskrbe, nadajući se da će ti sadržaji pružiti korisnu referencu svima i pomoći njihovim poduzećima da postignu izvrstan rad u budućnosti.

Dijeljenje kapokloga logistike podijeljeno je u pet dijelova. Prvo, predstavite trenutnu situaciju Lenovovog lanca opskrbe. S kojim se problemima susrećemo? Zašto trebamo proći digitalnu transformaciju? Uzimajući Lenovo Group, kinesku tvrtku za elektroničku tehnologiju, kao primjer, Lenovo je digitalna transformacija uvijek bila usredotočena na izgradnju inteligentnog lanca opskrbe. Dakle, kakvu tehnološku arhitekturu treba imati inteligentni lanac opskrbe? Koji su scenariji slijetanja?

 

Voditelj odjela opskrbnog lanca Kapoklog Logistics usredotočit će se na predviđanje potražnje, raspodjelu materijala i potrošnju i inteligentno zakazivanje, što su naši interni zvjezdani projekti ili najbolje prakse. Napokon bi trebalo biti neko vrijeme. Voditelj odjela opskrbe Kapoklog Logistics također će dijeliti veliki model, agent, koji je najnapredniji smjer AI. Kako duboko integrirati AIGC tehnologije s stvarnim scenarijima opskrbnog lanca, riješiti poslovne boli i generirati praktičnu vrijednost. Konačno, na temelju mog vrlo plitkog razmišljanja, želio bih napraviti perspektivu za budući tehnološki smjer pametnog lanca opskrbe.

 

1. Pregled globalnog lanca Lenovo

Upoznajmo Lenovo -ov globalni lanac opskrbe zajedno. Za proizvodno poduzeće, opskrbni lanac je apsolutno kritičan funkcionalni odjel koji pruža usluge i jamstva za prodaju. Pa što Lenovo prodaje? Mi smo najveći svjetski proizvođač osobnih računala, kao i pametnih telefona, tableta, poslužitelja i raznih pametnih terminala. S godišnjim količinama pošiljke od 120 milijuna juana, prodajemo preko 180 zemalja i regija širom svijeta, a obuhvaća više od milijardu korisnika. Takvo ogromno tržište zahtijeva veliki lanac opskrbe. Stoga imamo više od 30 tvornica koje se šire širom svijeta, s preko 5000 dobavljača i više od 2000 dobavljača jezgre. Osim što smo veliki, moramo biti i jaki. Stoga grupa svake godine ulaže preko milijardu juana u digitalnu transformaciju lanca opskrbe i postigla je izvanredne rezultate.

 

Lenovo je tri godine zaredom rangiran na prvih 10 Gartner -ovih globalnih ljestvica opskrbnog lanca. Postigli smo impresivne rezultate u vodstvu lanca opskrbe, ESG -u i inteligentnoj proizvodnji, te smo dobili potpuno priznanje od IDC -a Mingshenga, uključujući Svjetski ekonomski forum McKinsey i druge.

Ovaj kontinuirano jačanje lanca opskrbe trenutno se suočava s pet glavnih izazova. Drugim riječima, to je ujedno i smjer na koji se moramo usredotočiti u našoj digitalnoj transformaciji. Na primjer, u razdvajanju tehnologije između Kine i Sjedinjenih Država, mnoge temeljne komponente, uključujući neki temeljni industrijski softver, ograničene su od kupnje u Kini, a mi se moramo osloniti na samorazvijene fluktuacije potražnje. Lenovo djeluje u industriji potrošačke elektronike s malim serijama, multi sortom i personaliziranim datumima narudžbe. Godišnje dobivamo preko 80% narudžbi, bez više od 5 malih serijskih naloga.

 

Regulacija zemalja ESG postaje sve stroga, a mi ćemo obratiti pažnju na neke tehnologije s niskim udjelom ugljika. Međutim, s ekonomskom recesijom zaostaje, BDP glavnih gospodarstava nije ispunio očekivanja, porast cijena robe, logističke poremećaje i druge geopolitičke sukobe i događaje Black Swan.

 

Dakle, suočeni s toliko izazova, što Lenovov lanac opskrbe može učiniti? Riječ je o prihvaćanju različitih inovativnih i temeljnih tehnologija, koristeći ih za osposobljavanje naše unutarnje snage i sebe, tako da se naš lanac opskrbe može pripremiti za krize prije nego što se pojave, povećavajući otpornost, prilagodljivost i razinu inteligencije našeg lanca opskrbe.

 

Lenovo -ova digitalna transformacija opskrbnog lanca traje već gotovo 1 0. Prije pandemije, nazvali smo je 1.0 pozornicom koja se fokusirala na konsolidaciju temelja i vizualizaciju znanja. Od nabave do planiranja, proizvodnje do logistike, a zatim do usluge, različiti funkcionalni odjeli prvo moraju prikupiti sve podatke. Na temelju dogovorenih pravila procesa svakog odjela, mogu se postići vizualizacija podataka u stvarnom vremenu i automatizacija djelomične odluke.

 

Nakon epidemije, ušli smo 2. 0, koja je upravo pokrenuta. Fokus je na međusobnoj povezanosti, kolaborativnoj inteligenciji, povezivanju različitih silosa podataka, uspostavljanju veza između vlastitih malih sustava funkcionalnih odjela i postizanju ukupnih rezultata win-win. Stoga moramo redizajnirati procese, redefinirati pravila i objediniti ih. Podaci moraju biti standardizirani, ne samo da bi imali podatke, već i da ih pretvore u visokokvalitetne podatke, postižući potpuno inteligentna i sveobuhvatna rješenja. Najveća značajka ovdje je promicanje proaktivnog odlučivanja vođenog analizom podataka, pomažući našim donositeljima odluka i planerima da budu proaktivni i predviđaju prije nego što se pojave krize.

 

2. Lenovo funkcionalni opskrbni lanac

Stoga smo samo spomenuli da bismo se trebali naoružati raznim vrhunskim tehnologijama. Ovdje sam nabrajao osam inovativnih tehnologija koje su najviše zabrinule Lenovo -ov opskrbni lanac. Automatizacija je robot ovdje, ali još uvijek ih možemo klasificirati, poput Interneta, blockchaina itd., Da bismo osigurali podatke ili pouzdanost jamče. Digitalni blizanci pružaju okruženje u kojem se naši različiti simulacijski algoritmi mogu kontinuirano razvijati. Napredna analitička umjetna inteligencija više se usredotočuje na same modele i algoritme i kako izvući uvide iz podataka kako bi vodili budućnost.

Uzimajući naprednu analizu podataka kao primjer, općenito je dijelimo na tri razine. Prvo, opisna analiza govori nam što se sada događa. Drugo, prediktivna analiza govori nam što će se otkriti i što će se dogoditi u budućnosti analizom obrazaca i obrazaca u povijesnim podacima.

 

Treća faza naziva se analizom odluka, koja nam ne samo govori što su budući trendovi, već također govori donositeljima odluka što bi trebali učiniti. Umjetna inteligencija ima povijest više od 60 godina, a većina ljudi može razmišljati o računalnom vidu, prepoznavanju govora, obradi prirodnog jezika, strojnom učenju i tako dalje. Te su tehnologije impresivne, ali jedna stvar koja se često kritizira je da je to neobjašnjiv model crne kutije.

Srećom, točnost i performanse ovih tehnologija sada su dostigli određenu razinu, a u nekim usredotočenim poljima mogu dostići ili čak nadmašiti ljudske razine. Pa zašto ga ne ugraditi kao dodatak u tijek rada opskrbnog lanca.

 

Na primjer, automatski optički pregled na proizvodnoj liniji može identificirati neke nedostatke u proizvodima i oštećenjima instalacije, a njegova točnost daleko premašuje onu ljudskih očiju. Hoće li toliko tehnologija učiniti ljude vrtoglavim i gubitkom? Ovaj problem ne postoji na Lenovu. Budući da smo svi vođeni scenarijima i zahtjevima za svaki projekt, a zatim tražimo odgovarajuće tehnologije kako bismo ga dovršili.

 

Evo jednostavnog primjera, koji Lenovo radi sve projekte digitalne transformacije. U rješenjima koja se temelje na scenariju, različite osnovne tehnologije spomenute ranije će se smjestiti u krajnji toranj upravljačkog lanca opskrbe. Okolni 12345 tipičan je scenarij. Na primjer, u prvom scenariju prognoza potražnje koristila je analizu vremenskih serija, duboko učenje strojeva i AIGC.

 

Druga inteligentna nabava i dobavljač visoko kolaborativno hijerarhijsko upravljanje, u smislu istraživanja dobavljača, akumulirali smo veliku količinu podataka o nabavi kako bismo utvrdili jesu li dobavljači pouzdani i može li isporuka biti na vrijeme. Istodobno, koristimo i analizu prirodnog jezika i tehnike iskopavanja podataka za analizu profila opskrbe od 360 stupnjeva iz javno dostupnih podataka na periferiji.

Inteligentno upravljanje trećim narudžbama kupca, imamo toliko narudžbi s različitim količinama proizvoda, vremenom isporuke, opskrbom i razinama kupca. Možemo koristiti tehnologiju optimizacije i tehnologiju operativne optimizacije kako bismo inteligentno odlučili koje narudžbe prvo izvršavaju, a koje narudžbe trebaju pričekati, pa čak i osigurati glatku primjenu određenih naloga.

 

Posljednja inteligentna logistika, uključujući isporuku, odabir lokacije skladišta, odabir metode logistike i koja postaja prvo isporučuje posljednji kilometar i koja postaja dostavi posljednju, sve su neke tehnologije operativne optimizacije.

 

Svatko se može usredotočiti na crveni transparent i žuti tekst koji pokriva tri glavna procesa, od potražnje do opskrbe u fazi planiranja prije dolaska prvog reda. Druga je narudžba stigla do faze isporuke, od naredbe do gotovine. Treći aspekt koji se vrti oko cijelog proizvoda je optimizacija njegovog životnog ciklusa, tri glavna procesa i osam glavnih tehnologija spomenutih ranije.

 

Sažeto je u dvije osnovne tehnološke kategorije, jedna se naziva prediktivna tehnologija predstavljena strojnim učenjem, koja ima za cilj riješiti kako smanjiti nesigurnost ili drugim riječima, kako koristiti podatke i algoritme kako bi neki prethodno bili vrlo neizvjesni scenariji malo kontrolirani. Dopustite mi da vam dam ekstremni primjer. Kad bacamo novčić, bez ikakvih podataka, to je 1/2. Međutim, ako znate kutove bacanja, pa čak i različite teksture znakova na prednjoj i stražnjoj strani, još uvijek možete napraviti preciznija predviđanja analizom podataka.

 

Druga glavna kategorija su tehnike donošenja odluka predstavljene optimizacijom operativnih istraživanja koja se koristi za rješavanje više objektivnih uravnoteženih lanaca opskrbe, transporta, čak i raspodjele imovine i raspodjele energetskih resursa, a sve to uključuju različite sukobljene više objektivne probleme. Kako postići optimalnu ravnotežu? Tradicionalna operativna istraživanja mogu riješiti takve probleme.

 

Nalazimo se u proizvodnoj industriji, posebno u diskretnoj proizvodnji. Imamo koncept nazvan "Bill of Materials", koji se zapravo može upravljati slojevitim načinom. Što smo više na vrhu prvog sloja, to je kritičniji. Slijedeći dijagram, definitivno ćemo moći pronaći najbolju osnovnu tehnologiju za određeni predmet, koja je snažno povezana s bolnim točkama određenog scenarija.

U području diskretne proizvodnje imamo koncept "računa materijala". Komponentama se može upravljati u slojevima, s tim da je prvi sloj bliži vrhu kritičniji. Kroz ovo hijerarhijsko upravljanje možemo identificirati najkritičnije materijale u određenom projektu temeljenom na utvrđenim tragovima. Ova temeljna tehnologija usko je povezana s bolnim točkama specifičnih scenarija na koje se fokusiramo i može učinkovito pomoći u rješavanju praktičnih problema.

 

3. Studija slučaja inteligentnog mozga opskrbnog lanca

Ovdje postoji koncept koji se naziva kontrolni toranj lanca opskrbe, a to je mozak opskrbnog lanca koji smo kasnije spomenuli. Ovdje ću dati jedan ili dva primjera da ilustriram koncept namještaja. Prva tehnologija je tehnologija predviđanja koja se može koristiti u mnogim scenarijima, kao što su predviđanje potražnje, predviđanje prodaje, prognoza kuhanja, predviđanje proizvodnje.

 

Svrha predviđanja je riješiti neizvjesnost. Koje su karakteristike našeg predviđanja Lenovo? Ne radi se samo o predviđanju i procjeni s brojevima. Naša karakteristična ključna riječ naziva se miješanje, što se posebno odražava na miješanu uporabu AI na više razina. Na primjer, možete koristiti kombinaciju algoritama, statističkih metoda, strojnog učenja, dubokog učenja i mješavine velikih i malih modela za pokretanje u oblaku. Ostali GPT mogu se testirati i na rubu. Na primjer, na proizvodnoj liniji moramo otkriti neizvjesnost tih signala, riješiti je na rubu, a zatim podržati kombinaciju s podacima.

 

Pored toga, postoji integracija na više razina. Moramo napraviti prognoze prodaje. Možemo imati razne regije, svaka s različitim zemljama. Trebamo li ih podijeliti nakon završetka prognoze najviše razine ili objediniti svaku lokalnu prognozu? U stvari, ne postoji jedna veličina koja odgovara svim pristupu. Moramo donijeti dinamične prosudbe na temelju distribucije, kvalitete i formata podataka. Vraćajući se u kombinaciju znanja i podataka o kojima smo upravo razgovarali, dopustite mi da dam primjer. Na primjer, kada prodajemo računala na Lenovu, neki se prodaju izravno kupcima, ali većina ih se prodaje putem kanala. Što se tiče koliko kanala prodaju krajnjim kupcima, ne znamo, ali stvarno želimo znati.

 

Budući da trend rasprodaje i popis kanala određuje koliko isporučujemo, kako možemo predvidjeti rasprodaju? Naravno, možemo zatražiti od kanala da prikupe koliko prodaju svake godine, svakog mjeseca i svakog tromjesečja, i izmjeri ih brojevima. Međutim, stvarni učinak je vrlo loš. Kasnije smo otkrili da nam nedostaju neke ključne informacije. To nam je rekla prodaja. Vi znanstvenici trebali bi ići i razumjeti otvaranje rabata u raznim kanalima. Ako može prodati 80 jedinica i dobiti 5% rabat, prodati će 81 jedinice, 85 jedinica 82 jedinice, ali definitivno neće prodati 79 jedinica. Mora doći do 80 jedinica. Jednom kada shvatimo ovaj obrazac, točnost naših predviđanja može se uvelike poboljšati.

 

Na primjer, kada smo koristili predviđanje lanca opskrbe usluga, nazvali su se "koliko rezervnih dijelova bi se stanice za održavanje trebali pripremiti za hitne slučajeve". U to vrijeme naišli smo na problem u jugoistočnoj Aziji, poput indijskog netočnog predviđanja modula za prikaz od svibnja do kolovoza. Kasnije nam je lokalna tvrtka rekla da pažljivo proučavamo vrijeme. Svibanj do kolovoza je indijska monsunska sezona s visokom vlagom, a stopa neuspjeha uređaja s ugrađenim krugovima prilično je visoka. Koliko je visoko? On ne zna, ali kroz svoj upit znamo kako izvući informacije o temperaturi, informacije o kišama, informacije o vlažnosti i spojiti te podatke. Tijekom kišne sezone u jugoistočnoj Aziji, naša se točnost predviđanja uvelike poboljšala.

 

Pogledajmo drugo područje aplikacije koje se odnosi na optimizaciju. Pripremio sam nekoliko videozapisa i razgovarat ću malo manje. Svi bi trebali razumjeti nakon gledanja videozapisa. Prije dubljeg dubljeg, kratko shvatimo koncept "optimizacije". Iz perspektive istraživanja operacija, optimizacija uglavnom uključuje tri glavna elementa. Prvo, u scenariju opskrbnog lanca postoje mnogi ciljevi koje je potrebno optimizirati. Na primjer, stopa isporuke, trošak, prijevozni put, vrijeme čekanja naloga, uključujući vrijeme za promjenu linija između različitih proizvoda na proizvodnoj liniji itd., Svi su poslovni ciljevi na koje se moramo usredotočiti i optimizirati. Ovo je prvi element optimizacije.

 

Drugi je element varijabla odluke. Na primjer, kada se postavi narudžba ili su navedeni zahtjevi, moramo kupiti dijelove za montažu. U ovom trenutku, suočeni smo s izborom između kupnje od dobavljača A ili dobavljača B, pretpostavljajući da se komponente iz ova dva dobavljača mogu zamijeniti jedna s drugom. I ne samo to, vrijeme i količina nabave od dobavljača također treba pažljivo razmotriti i donijeti odluke. Na primjer, u postupku zakazivanja, bilo da je radni nalog raspoređen na proizvodnoj liniji A ili proizvodnoj liniji B, različiti izbori imat će različit utjecaj na učinkovitost proizvodnje, troškove i tako dalje.

 

Treći element je uvjet ograničenja. Svi znamo da resursi za bilo što nisu beskrajni i moraju se provesti pod određenim ograničenjima. Uzimajući primjer prethodnog radnog naloga, moguće je da se određeni proizvod može proizvesti samo na proizvodnoj liniji ABC -a zbog procesa, opreme i drugih razloga, a ne može se obraditi na proizvodnoj liniji D.

 

Ovo je tipično stanje ograničenja.

Na primjer, u slučaju maloprodajnih trgovina, oni mogu pokupiti robu samo iz lokalnih distribucijskih centara i ne mogu dodijeliti robu iz susjednih provincija, što je ograničenje. Otopina dobivena pod tim ograničenjima je izvedivo rješenje. Međutim, nisu sva izvediva rješenja mogu zadovoljiti ljude. Nakon što imamo jasan cilj, moramo pronaći optimalno rješenje. Čak i ako postoji više optimalnih rješenja, još uvijek moramo pronaći odgovarajuće točke na takozvanom Pareto frontu.

Dopustite mi da vam dam primjer inteligentne raspodjele materijala. Tijekom epidemije, zalihe su bile u nedostatku, a CPU -ovi tvrtki poput Intel -a ili AMD bili su u velikoj potražnji. Različite regije i grupe kupaca zatražile su ove popularne CPU -a od odjela za lanac opskrbe sjedišta.

 

Dakle, kome treba dodijeliti ti dragocjeni CPU?

Kad nema inteligentnog algoritma, uobičajeni pristup je korištenje jednake distribucije, podijelivši svačiju ukupnu potražnju s ukupnom opskrbom. Pod pretpostavkom da svaka osoba može dobiti 80% potražnje, čini se da su svi sasvim zadovoljni na površini. Međutim, šef ne misli tako. Budući da se profit i prihodi proizvoda razlikuju u različitim regijama, a postoje i razlike u toleranciji kupaca.

 

Dakle, moramo integrirati financijske ciljeve, ciljeve poštenosti i druge ciljeve za provođenje više objektivne optimizacije, kako bismo raspodijelili ove CPU-ove ili oskudne materijale, poput prikazanih modula.