Bagaimana menggunakan kecerdasan buatan untuk membantu perusahaan pembuatan teknologi?

Bagaimana menggunakan kecerdasan buatan untuk membantu perusahaan pembuatan teknologi?

Bagaimanakah kecerdasan buatan merevolusikan pengurusan rantaian bekalan? Kapoklog Logistics diperkenalkan secara terperinci aplikasi khusus teknologi AI dalam rantaian bekalan.

 

Melalui pembelajaran mesin dan pengoptimuman penyelidikan operasi, peningkatan ramalan permintaan, perancangan bekalan, pengurusan inventori dan penghantaran pesanan untuk mempromosikan rantaian bekalan perusahaan untuk mencapai logistik kapoklog, yang memberikan gambaran mendalam tentang bagaimana inovasi teknologi dapat memacu transformasi perusahaan.

Kapoklog Logistics Logistics berkongsi pengalaman praktikal Lenovo dalam menggunakan teknologi AI untuk memperkasakan rantaian bekalan, dengan harapan kandungan ini dapat memberikan rujukan berguna untuk semua orang dan membantu perusahaan mereka mencapai operasi yang sangat baik pada masa akan datang.

Perkongsian logistik kapoklog dibahagikan kepada lima bahagian. Pertama, memperkenalkan keadaan semasa rantaian bekalan Lenovo. Masalah apa yang kita hadapi? Mengapa kita perlu menjalani transformasi digital? Mengambil Lenovo Group, sebuah syarikat teknologi elektronik Cina, sebagai contoh, transformasi digital Lenovo sentiasa memberi tumpuan kepada membina rantaian bekalan pintar. Oleh itu, jenis seni bina teknologi apa yang perlu rantaian bekalan pintar? Apakah senario pendaratan?

 

Pengurus Jabatan Rantaian Bekalan Kapoklog Logistics akan memberi tumpuan kepada ramalan permintaan, peruntukan bahan dan penggunaan dan penjadualan pintar, yang merupakan projek bintang dalaman kami atau amalan terbaik. Akhirnya, perlu ada sedikit masa. Pengurus jabatan rantaian bekalan Kapoklog Logistics juga akan berkongsi model besar, ejen, yang merupakan arah yang paling maju AI. Bagaimana untuk mengintegrasikan teknologi AIGC dengan senario sebenar rantaian bekalan, menyelesaikan titik kesakitan perniagaan, dan menjana nilai praktikal. Akhirnya, berdasarkan pemikiran saya yang sangat cetek, saya ingin membuat prospek untuk arah teknologi masa depan rantaian bekalan pintar.

 

1. Gambaran Keseluruhan Rantaian Bekalan Global Lenovo

Mari kita kenali rantaian bekalan global Lenovo bersama -sama. Bagi perusahaan pembuatan, rantaian bekalan adalah jabatan fungsional yang sangat kritikal yang menyediakan perkhidmatan dan jaminan untuk jualan di hadapan. Jadi apa yang dijual oleh Lenovo? Kami adalah pengeluar komputer peribadi terbesar di dunia, serta telefon pintar, tablet, pelayan, dan pelbagai terminal pintar. Dengan jumlah penghantaran tahunan sebanyak 120 juta yuan, kami menjual kepada lebih daripada 180 negara dan wilayah di seluruh dunia, yang meliputi lebih daripada 1 bilion pengguna. Pasaran yang begitu besar memerlukan rantaian bekalan yang besar. Oleh itu, kami mempunyai lebih daripada 30 kilang yang tersebar di seluruh dunia, dengan lebih daripada 5000 pembekal dan lebih daripada 2000 pembekal teras. Di samping menjadi besar, kita juga mesti kuat. Oleh itu, kumpulan itu melabur lebih dari 1 bilion yuan setiap tahun dalam transformasi digital rantaian bekalan dan telah mencapai hasil yang luar biasa.

 

Lenovo telah menduduki ranking 10 teratas dari ranking rantaian bekalan global Gartner selama tiga tahun berturut -turut. Kami telah mencapai hasil yang mengagumkan dalam kepimpinan rantaian bekalan, ESG, dan pembuatan pintar, dan telah mendapat pengiktirafan penuh dari IDC Mingsheng, termasuk Forum Ekonomi Dunia McKinsey, dan lain -lain.

Ini mengukuhkan rantaian bekalan yang berterusan menghadapi lima cabaran utama pada masa ini. Dalam erti kata lain, ini juga arah yang perlu kita fokuskan dalam transformasi digital kita. Sebagai contoh, dalam decoupling teknologi antara China dan Amerika Syarikat, banyak komponen teras, termasuk beberapa perisian perindustrian teras, dihadkan dari pembelian di China, dan kita harus bergantung pada turun naik permintaan diri. Lenovo beroperasi dalam industri elektronik pengguna dengan kumpulan kecil, pelbagai, dan tarikh pesanan yang diperibadikan. Kami menerima lebih daripada 80% pesanan setiap tahun, dengan tidak lebih daripada 5 pesanan batch kecil.

 

Peraturan negara ESG menjadi semakin ketat, dan kami akan memberi perhatian kepada beberapa teknologi rendah karbon. Walau bagaimanapun, dengan kemelesetan ekonomi tertinggal, KDNK ekonomi utama tidak memenuhi jangkaan, kenaikan harga komoditi, gangguan logistik, dan konflik geopolitik lain dan peristiwa swan hitam.

 

Jadi, menghadapi banyak cabaran, apa yang boleh dilakukan oleh rantaian bekalan Lenovo? Ia adalah mengenai merangkumi pelbagai teknologi inovatif dan teras, menggunakannya untuk melatih kekuatan dalaman kita dan melengkapkan diri kita, supaya rantaian bekalan kita dapat disediakan untuk krisis sebelum mereka berlaku, meningkatkan daya tahan, kebolehsuaian, dan tahap kecerdasan rantaian bekalan kami.

 

Transformasi digital Lenovo rantaian bekalan telah berlangsung selama hampir 1 0 tahun. Sebelum pandemik, kami merujuknya sebagai tahap 1.0, yang memberi tumpuan kepada menyatukan asas dan menggambarkan pengetahuan. Dari perolehan ke perancangan, pembuatan kepada logistik, dan kemudian ke perkhidmatan, pelbagai jabatan berfungsi perlu mengumpul semua data terlebih dahulu. Berdasarkan peraturan proses yang dipersetujui setiap jabatan, visualisasi data masa nyata dan automasi keputusan separa dapat dicapai.

 

Selepas wabak, kami memasuki 2. 0, yang baru dilancarkan. Tumpuannya adalah mengenai saling hubungan, kecerdasan kolaboratif, menghubungkan pelbagai silo data, mewujudkan hubungan antara sistem kecil jabatan fungsional, dan mencapai hasil win-win keseluruhan. Oleh itu, kita mesti mengubah proses semula, mentakrifkan peraturan, dan menyatukannya. Data perlu diseragamkan, bukan sahaja mempunyai data, tetapi juga untuk menjadikannya data berkualiti tinggi, mencapai penyelesaian yang bijak dan komprehensif sepenuhnya. Ciri terbesar di sini adalah untuk mempromosikan pengambilan keputusan proaktif yang didorong oleh analisis data, membantu pembuat keputusan dan perancang kami menjadi proaktif dan berpandangan jauh sebelum krisis timbul.

 

2. Rantaian bekalan berfungsi Lenovo

Oleh itu, kita hanya menyebut bahawa kita harus melengkapkan diri dengan pelbagai teknologi canggih. Di sini saya menyenaraikan lapan teknologi inovatif yang paling penting oleh rantaian bekalan Lenovo. Automasi adalah robot di sini, tetapi kita masih boleh mengklasifikasikannya, seperti Internet, blockchain, dan lain -lain, untuk menyediakan data atau jaminan kebolehpercayaan. Kembar digital menyediakan persekitaran di mana pelbagai algoritma simulasi kami terus berkembang. Kecerdasan buatan analisis lanjutan memberi tumpuan lebih kepada model dan algoritma sendiri, dan bagaimana untuk mengekstrak pandangan dari data untuk membimbing masa depan.

Mengambil analisis data lanjutan sebagai contoh, kami secara amnya membahagikannya kepada tiga peringkat. Pertama, analisis deskriptif memberitahu kita apa yang sedang berlaku sekarang. Kedua, analisis ramalan memberitahu kita apa yang akan ditemui dan apa yang akan berlaku pada masa akan datang dengan menganalisis corak dan corak dalam data sejarah.

 

Peringkat ketiga dipanggil analisis keputusan, yang bukan sahaja memberitahu kita apa trend masa depan, tetapi juga memberitahu pembuat keputusan apa yang harus mereka lakukan. Kecerdasan buatan mempunyai sejarah lebih daripada 60 tahun, dan kebanyakan orang mungkin memikirkan visi komputer, pengiktirafan pertuturan, pemprosesan bahasa semulajadi, pembelajaran mesin, dan sebagainya. Teknologi -teknologi itu mengagumkan, tetapi satu perkara yang sering dikritik adalah bahawa ia adalah model kotak hitam yang tidak dapat dijelaskan.

Mujurlah, ketepatan dan prestasi teknologi ini kini telah mencapai tahap tertentu, dan dalam beberapa bidang yang difokuskan, mereka dapat mencapai atau melampaui tahap manusia. Jadi mengapa tidak membenamkannya sebagai plugin ke dalam aliran kerja rantaian bekalan.

 

Sebagai contoh, pemeriksaan optik automatik pada barisan pengeluaran dapat mengenal pasti beberapa kecacatan dalam produk dan kecacatan pemasangan, dan ketepatannya jauh melebihi mata manusia. Adakah begitu banyak teknologi membuat orang pening dan kehilangan? Masalah ini tidak wujud di Lenovo. Kerana kita semua didorong oleh senario dan keperluan untuk setiap projek, dan kemudian kita mencari teknologi yang sesuai untuk menyelesaikannya.

 

Berikut adalah contoh mudah, iaitu Lenovo melakukan semua projek transformasi digital. Dalam penyelesaian berasaskan senario, pelbagai teknologi teras yang disebut sebelum ini akan menetap di menara kawalan rantaian bekalan akhir-ke-akhir. Sekitar 12345 adalah senario biasa. Sebagai contoh, dalam senario pertama, permintaan ramalan analisis siri masa yang digunakan, pembelajaran mendalam mesin, dan AIGC.

 

Perolehan pintar dan pembekal kedua yang sangat kolaboratif pengurusan hierarki, dari segi penyelidikan pembekal, kami telah mengumpulkan sejumlah besar data perolehan untuk menentukan sama ada pembekal boleh dipercayai dan sama ada penghantaran boleh tepat pada waktunya. Pada masa yang sama, kami juga menggunakan analisis bahasa semulajadi dan teknik perlombongan data untuk menganalisis profil 360 darjah rantaian bekalan dari data awam yang tersedia di pinggir.

Pengurusan pintar pesanan pelanggan ketiga, kami mempunyai banyak pesanan dengan kuantiti produk yang berbeza, masa penghantaran, bekalan dan tahap pelanggan. Kami boleh menggunakan teknologi pengoptimuman dan teknologi pengoptimuman operasi untuk secara bijak menentukan perintah mana yang akan dilaksanakan terlebih dahulu, yang mana pesanan perlu menunggu, dan juga memastikan pelaksanaan perintah tertentu yang lancar.

 

Logistik pintar terakhir, termasuk penghantaran, pemilihan lokasi gudang, pemilihan kaedah logistik, dan stesen mana yang akan menyampaikan batu terakhir pertama dan stesen mana yang akan disampaikan terakhir, adalah semua teknologi pengoptimuman operasi.

 

Semua orang boleh memberi tumpuan kepada spanduk merah dan teks kuning yang meliputi tiga proses utama, dari permintaan untuk membekalkan peringkat perancangan sebelum perintah pertama tiba. Perintah kedua telah mencapai tahap penghantaran, dari pesanan ke wang tunai. Aspek ketiga yang berkisar di sekitar keseluruhan produk adalah pengoptimuman kitaran hayatnya, tiga proses utama, dan lapan teknologi utama yang disebutkan sebelumnya.

 

Kami merumuskannya ke dalam dua kategori teknologi teras, satu dipanggil teknologi ramalan yang diwakili oleh pembelajaran mesin, yang bertujuan untuk menyelesaikan cara mengurangkan ketidakpastian, atau dengan kata lain, bagaimana menggunakan data dan algoritma untuk membuat beberapa senario yang tidak menentu sebelum ini dapat dikawal sedikit. Izinkan saya memberi anda contoh yang melampau. Apabila kita membuang duit syiling, tanpa sebarang data, ia adalah 1/2. Walau bagaimanapun, jika anda mengetahui sudut lemparan dan juga tekstur yang berbeza dari watak -watak di bahagian depan dan belakang, anda masih boleh membuat ramalan yang lebih tepat melalui analisis data.

 

Satu lagi kategori utama ialah teknik membuat keputusan yang diwakili oleh pengoptimuman penyelidikan operasi, yang digunakan untuk menyelesaikan rantaian bekalan seimbang, pengangkutan, pengangkutan, dan peruntukan sumber tenaga, yang semuanya melibatkan masalah multi-objektif yang bertentangan. Bagaimana mencapai keseimbangan yang optimum? Penyelidikan operasi tradisional dapat menyelesaikan masalah tersebut.

 

Kami berada dalam industri pembuatan, terutamanya dalam pembuatan diskret. Kami mempunyai konsep yang dipanggil 'Bill of Materials', yang sebenarnya boleh diuruskan secara berlapis. Semakin kita berada di bahagian atas lapisan pertama, semakin kritikal. Dengan mengikuti rajah, kami pasti akan dapat mencari teknologi teras terbaik untuk item tertentu, yang sangat berkaitan dengan titik kesakitan senario tertentu yang kami bimbang.

Dalam bidang pembuatan diskret, kami mempunyai konsep 'bil bahan'. Komponen ini boleh diuruskan dalam lapisan, dengan lapisan pertama lebih dekat ke bahagian atas menjadi lebih kritikal. Melalui pengurusan hierarki ini, kita dapat mengenal pasti bahan -bahan yang paling kritikal dalam projek tertentu berdasarkan petunjuk yang ditetapkan. Teknologi teras ini berkait rapat dengan titik kesakitan senario khusus yang kami tumpukan, dan dapat membantu menyelesaikan masalah praktikal.

 

3. Kajian Kes Rantaian Bekalan Otak Pintar

Terdapat konsep di sini yang dikenali sebagai Menara Kawalan Rantaian Bekalan, yang merupakan otak rantaian bekalan yang kami sebutkan kemudian. Di sini, saya akan memberikan satu atau dua contoh untuk menggambarkan konsep perabot. Teknologi pertama adalah teknologi ramalan, yang boleh digunakan dalam banyak senario, seperti ramalan permintaan, ramalan jualan, ramalan pembuatan bir, ramalan kapasiti pengeluaran.

 

Tujuan ramalan adalah untuk menyelesaikan ketidakpastian. Apakah ciri -ciri ramalan Lenovo kita? Ia bukan hanya meramalkan dan menganggarkan dengan nombor. Kata kunci ciri kami dipanggil pencampuran, yang secara khusus dicerminkan dalam penggunaan campuran AI pada pelbagai peringkat. Sebagai contoh, anda boleh menggunakan gabungan algoritma, kaedah statistik, pembelajaran mesin, pembelajaran mendalam, dan campuran model besar dan kecil untuk dijalankan di awan. GPT lain juga boleh diuji di tepi. Sebagai contoh, pada barisan pengeluaran, kita perlu mengesan ketidakpastian isyarat tersebut, menyelesaikannya di tepi, dan kemudian menyokong gabungan dengan data.

 

Di samping itu, terdapat integrasi pelbagai peringkat. Kita perlu membuat ramalan jualan. Kita boleh mempunyai pelbagai wilayah, masing -masing dengan negara yang berbeza. Sekiranya kita membahagikannya selepas ramalan peringkat tertinggi selesai, atau agregat setiap ramalan tempatan? Malah, tidak ada satu saiz yang sesuai dengan semua pendekatan. Kita perlu membuat pertimbangan dinamik berdasarkan pengedaran, kualiti, dan format data. Kembali ke gabungan pengetahuan dan data yang kami cakapkan, izinkan saya memberi contoh. Sebagai contoh, apabila kami menjual PC di Lenovo, sebahagian daripada mereka dijual terus kepada pelanggan, tetapi kebanyakannya dijual melalui saluran. Bagi berapa banyak saluran yang dijual kepada pelanggan akhir, kami tidak tahu, tetapi kami benar -benar ingin tahu.

 

Kerana trend menjual dan inventori saluran menentukan berapa banyak kita menghantar, bagaimana kita boleh meramalkan menjual? Sudah tentu, kita boleh meminta saluran untuk mengumpul berapa banyak yang mereka jual setiap tahun, setiap bulan, dan setiap suku tahun, dan mengukurnya dengan nombor. Walau bagaimanapun, kesan sebenar sangat miskin. Kemudian, kami mendapati bahawa kami tidak mempunyai beberapa maklumat utama. Inilah jualan yang diberitahu kepada kami. Anda saintis harus pergi dan memahami pembukaan rebat dalam pelbagai saluran. Jika dia boleh menjual 80 unit dan mendapatkan rebat 5%, dia akan menjual 81 unit, 85 unit 82 unit, tetapi dia pasti tidak akan menjual 79 unit. Dia mesti mencapai 80 unit. Sebaik sahaja kita memahami corak ini, ketepatan ramalan kita dapat bertambah baik.

 

Sebagai contoh, apabila kita digunakan untuk membuat ramalan untuk rantaian bekalan perkhidmatan, ia dipanggil 'berapa banyak alat ganti harus stesen penyelenggaraan bersedia untuk kecemasan'. Kami menghadapi masalah di Asia Tenggara pada masa itu, seperti ramalan India yang tidak tepat mengenai modul paparannya dari Mei hingga Ogos. Kemudian, perniagaan tempatan memberitahu kami untuk mengkaji cuaca dengan teliti. Mei hingga Ogos adalah musim monsun India dengan kelembapan yang tinggi, dan kadar kegagalan peranti dengan litar terbina dalam agak tinggi. Berapa tinggi? Dia tidak tahu, tetapi melalui segera, kita tahu bagaimana untuk mengekstrak maklumat suhu, maklumat hujan, maklumat kelembapan, dan menggabungkan data ini bersama -sama. Semasa musim hujan di Asia Tenggara, ketepatan ramalan kami telah bertambah baik.

 

Mari kita lihat kawasan aplikasi kedua yang berkaitan dengan pengoptimuman. Saya telah menyediakan beberapa video, dan saya akan bercakap sedikit kurang. Semua orang harus faham selepas menonton video. Sebelum menyelidiki lebih mendalam, mari kita memahami secara ringkas konsep "pengoptimuman". Dari perspektif penyelidikan operasi, pengoptimuman terutamanya melibatkan tiga elemen utama. Pertama, dalam senario rantaian bekalan, terdapat banyak objektif yang perlu dioptimumkan. Sebagai contoh, kadar penghantaran, kos, laluan pengangkutan, masa menunggu pesanan, termasuk masa untuk mengubah garis antara produk yang berbeza di barisan pengeluaran, dan lain -lain, adalah semua matlamat perniagaan yang perlu kami tumpukan dan mengoptimumkan. Ini adalah elemen pertama pengoptimuman.

 

Elemen kedua ialah pemboleh ubah keputusan. Sebagai contoh, apabila pesanan diletakkan atau keperluan ditentukan, kita perlu membeli bahagian untuk pemasangan. Pada ketika ini, kami berhadapan dengan pilihan antara pembelian dari pembekal A atau pembekal B, dengan mengandaikan bahawa komponen dari kedua -dua pembekal ini boleh digantikan antara satu sama lain. Bukan itu sahaja, masa dan kuantiti perolehan dari pembekal A juga perlu dipertimbangkan dengan teliti dan keputusan dibuat. Sebagai contoh, dalam proses penjadualan, sama ada perintah kerja diatur pada barisan pengeluaran A atau barisan pengeluaran B, pilihan yang berbeza akan memberi kesan yang berbeza terhadap kecekapan pengeluaran, kos, dan sebagainya.

 

Unsur ketiga adalah keadaan kekangan. Kita semua tahu bahawa sumber untuk melakukan apa -apa tidak berkesudahan dan mesti dijalankan di bawah kekangan tertentu. Mengambil contoh perintah kerja terdahulu, mungkin produk tertentu hanya boleh dihasilkan di barisan pengeluaran ABC kerana proses, peralatan, dan sebab -sebab lain, dan tidak dapat diproses di barisan pengeluaran D.

 

Ini adalah keadaan kekangan biasa.

Sebagai contoh, dalam hal kedai runcit, mereka hanya boleh mengambil barang dari pusat pengedaran tempatan dan tidak dapat memperuntukkan barang dari wilayah jiran, yang merupakan kekangan. Penyelesaian yang diperolehi di bawah kekangan ini adalah penyelesaian yang boleh dilaksanakan. Walau bagaimanapun, tidak semua penyelesaian yang boleh dilaksanakan dapat memuaskan orang. Selepas kita mempunyai matlamat yang jelas, kita perlu mencari penyelesaian yang optimum. Walaupun terdapat banyak penyelesaian yang optimum, kita masih perlu mencari titik yang sesuai di hadapan Pareto yang dipanggil.

Izinkan saya memberi anda contoh peruntukan bahan pintar. Semasa wabak, bekalan tidak berkesudahan, dan CPU dari syarikat -syarikat seperti Intel atau AMD berada dalam permintaan yang tinggi. Pelbagai wilayah dan kumpulan pelanggan meminta CPU popular ini dari jabatan rantaian bekalan ibu pejabat.

 

Jadi, siapakah yang harus diperuntukkan CPU ini?

Apabila tidak ada algoritma pintar, pendekatan biasa adalah menggunakan pengedaran yang sama, membahagikan permintaan keseluruhan semua orang oleh jumlah bekalan. Dengan mengandaikan bahawa setiap orang boleh menerima 80% permintaan, nampaknya semua orang berpuas hati di permukaan. Walau bagaimanapun, bos tidak fikir begitu. Kerana keuntungan dan pendapatan produk berbeza -beza di kawasan yang berlainan, dan terdapat juga perbezaan toleransi pelanggan.

 

Oleh itu, kita perlu mengintegrasikan matlamat kewangan, matlamat keadilan, dan objektif lain untuk menjalankan pengoptimuman multi-objektif, untuk memperuntukkan bahan-bahan CPU atau langka seperti modul paparan yang munasabah.