Teknoloji üretim işletmelerine yardımcı olmak için yapay zeka nasıl kullanılır?
Teknoloji üretim işletmelerine yardımcı olmak için yapay zeka nasıl kullanılır?
Yapay zeka tedarik zinciri yönetiminde nasıl devrim yaratabilir? Kapoklog Logistics, AI teknolojisinin tedarik zincirine özel uygulamasını ayrıntılı olarak tanıttı.
Makine öğrenimi ve operasyonel araştırma optimizasyonu yoluyla, teknolojik inovasyonun kurumsal dönüşümü nasıl yönlendirebileceği hakkında derin bir fikir veren KapokLog lojistiğine ulaşmak için kurumsal tedarik zincirini teşvik etmek için talep tahmini, tedarik planlaması, envanter yönetimi ve sipariş teslimatını geliştirdi.
Kapoklog Logistics Logistics, Lenovo'nun tedarik zincirini güçlendirmek için AI teknolojisini kullanma konusundaki pratik deneyimini paylaşıyor ve bu içeriklerin herkes için yararlı referans sağlayabileceğini ve işletmelerinin gelecekte mükemmel bir operasyon yapmasına yardımcı olabileceğini umuyor.
Kapoklog lojistiğinin paylaşımı beş bölüme ayrılmıştır. İlk olarak, Lenovo'nun tedarik zincirinin mevcut durumunu tanıtın. Hangi sorunlarla karşılaşıyoruz? Neden dijital dönüşüm geçirmemiz gerekiyor? Bir Çinli elektronik teknoloji şirketi olan Lenovo Group'u örnek olarak, Lenovo'nun dijital dönüşümü her zaman akıllı bir tedarik zinciri oluşturmaya odaklanmıştır. Peki, akıllı bir tedarik zinciri ne tür bir teknolojik mimariye sahip olmalı? İniş senaryoları nelerdir?
Kapoklog Lojistik Tedarik Zinciri Departmanı Müdürü, iç yıldız projelerimiz veya en iyi uygulamalarımız olan talep tahmini, maddi tahsis ve tüketim ve akıllı zamanlamaya odaklanacaktır. Son olarak, biraz zaman olmalı. Kapoklog Logistics'in tedarik zinciri departmanı müdürü, AI'nın en gelişmiş yönü olan büyük model Ajan'ı da paylaşacak. AIGC teknolojilerinin tedarik zincirinin gerçek senaryolarıyla derinden nasıl entegre edileceği, iş ağrısı noktalarını çözme ve pratik değer yaratma. Son olarak, çok sığ düşünceme dayanarak, akıllı tedarik zincirinin gelecekteki teknolojik yönü için bir olasılık yapmak istiyorum.
1. Lenovo Global Tedarik Zinciri Genel Bakış
Lenovo'nun küresel tedarik zincirini birlikte tanıyalım. Bir imalat işletmesi için tedarik zinciri, satış için hizmet ve garantiler sağlayan kesinlikle kritik bir fonksiyonel departmandır. Peki Lenovo ne satıyor? Biz akıllı telefonlar, tabletler, sunucular ve çeşitli akıllı terminallerin yanı sıra dünyanın en büyük kişisel bilgisayar üreticisiyiz. Yıllık 120 milyon yuan sevkiyat hacmi ile dünya çapında 180'den fazla ülke ve bölgeye satıyoruz ve 1 milyardan fazla kullanıcıyı kapsıyor. Böyle büyük bir pazar büyük bir tedarik zinciri gerektirir. Bu nedenle, 5000'den fazla tedarikçi ve 2000'den fazla çekirdek tedarikçiyle dünyaya yayılmış 30'dan fazla fabrikamız var. Büyük olmanın yanı sıra, güçlü olmalıyız. Bu nedenle, grup tedarik zincirinin dijital dönüşümüne her yıl 1 milyardan fazla yuan yatırım yapıyor ve dikkate değer sonuçlar elde etti.
Lenovo, üç yıl boyunca Gartner'ın küresel tedarik zinciri sıralamasının ilk 10'unda yer aldı. Tedarik zinciri liderliği, ESG ve akıllı imalatta etkileyici sonuçlar elde ettik ve Dünya Ekonomik Forumu McKinsey ve diğerleri de dahil olmak üzere IDC Mingsheng'den tam olarak tanındık.
Bu sürekli güçlendirici tedarik zinciri şu anda beş büyük zorlukla karşı karşıyadır. Başka bir deyişle, bu aynı zamanda dijital dönüşümümüzde odaklanmamız gereken yön. Örneğin, Çin ve Amerika Birleşik Devletleri arasındaki teknolojinin ayrıştırılmasında, bazı çekirdek endüstriyel yazılımlar da dahil olmak üzere birçok temel bileşenin Çin'de satın alınması sınırlıdır ve kendi kendini geliştiren talep dalgalanmalarına güvenmeliyiz. Lenovo, küçük parti, çok çeşitli ve kişiselleştirilmiş sipariş tarihleriyle tüketici elektronik endüstrisinde faaliyet göstermektedir. Siparişlerin% 80'inden fazlasını yılda 5'ten fazla küçük grup siparişi almıyoruz.
ESG ülkelerinin düzenlenmesi giderek daha katı hale geliyor ve bazı düşük karbonlu teknolojilere dikkat edeceğiz. Bununla birlikte, ekonomik durgunluk geride kaldıkça, büyük ekonomilerin GSYİH'ı beklentileri, emtia fiyatlarındaki artış, lojistik kesintileri ve diğer jeopolitik çatışmalar ve siyah kuğu olaylarını karşılamadı.
Peki, bu kadar çok zorlukla karşılaşan Lenovo'nun tedarik zinciri ne yapabilir? Çeşitli yenilikçi ve çekirdek teknolojileri kucaklamak, iç gücümüzü eğitmek ve kendimizi silahlandırmak için kullanmakla ilgilidir, böylece tedarik zincirimiz meydana gelmeden önce krizler için hazırlanabilir, tedarik zincirimizin esnekliğini, uyarlanabilirliğini ve zeka seviyesini artırabilir.
Lenovo'nun tedarik zincirine dijital dönüşümü neredeyse 1 0 yıldır devam ediyor. Pandemiden önce, temeli birleştirmeye ve bilgiyi görselleştirmeye odaklanan 1.0 aşama olarak bahsettik. Tedarikten planlamaya, imalattan lojistiğe ve daha sonra hizmete kadar, çeşitli fonksiyonel departmanların önce tüm verileri toplaması gerekir. Her departmanın kararlaştırılan süreç kurallarına dayanarak, gerçek zamanlı veri görselleştirme ve kısmi karar otomasyonu elde edilebilir.
Salgından sonra, yeni piyasaya sürülen 2. 0 girdik. Odak noktası birbirine bağlılık, işbirlikçi zeka, çeşitli veri silolarını birbirine bağlamak, fonksiyonel departmanların kendi küçük sistemleri arasında bağlantılar kurmak ve genel kazan-kazan sonuçları elde etmektir. Bu nedenle, süreçleri yeniden tasarlamalı, kuralları yeniden tanımlamalı ve birleştirmeliyiz. Verilerin sadece verilere sahip olmak için değil, aynı zamanda yüksek kaliteli verilere dönüştürmek için tamamen akıllı ve kapsamlı çözümler elde etmek için standartlaştırılması gerekir. Buradaki en büyük özellik, veri analizi tarafından yönlendirilen proaktif karar almayı teşvik etmek, karar vericilerimizin ve planlamacılarımızın proaktif olmalarına ve krizler ortaya çıkmadan önce öngörü olmalarına yardımcı olmaktır.
2. Lenovo fonksiyonel tedarik zinciri
Bu yüzden kendimizi çeşitli en son teknolojilerle silahlandırmamız gerektiğinden bahsettik. Burada Lenovo'nun tedarik zinciriyle en çok ilgili sekiz yenilikçi teknolojiyi listeliyorum. Otomasyon buradaki robottur, ancak veri veya güvenilirliği garanti etmek için bunları internet, blockchain vb. Gibi sınıflandırabiliriz. Dijital ikizler, çeşitli simülasyon algoritmalarımızın sürekli olarak gelişebileceği bir ortam sağlar. Gelişmiş analitik yapay zeka, modellerin ve algoritmaların kendilerine ve geleceğe rehberlik etmek için verilerden nasıl içgörüler çıkaracağına odaklanır.
Gelişmiş veri analizini örnek olarak alarak, genellikle üç seviyeye ayırırız. İlk olarak, tanımlayıcı analiz bize şu anda neler olduğunu anlatıyor. İkincisi, öngörücü analiz bize tarihsel verilerdeki kalıpları ve kalıpları analiz ederek neyin keşfedileceğini ve gelecekte neler olacağını anlatıyor.
Üçüncü aşamaya, sadece gelecekteki eğilimlerin ne olduğunu söylemekle kalmayıp aynı zamanda karar vericilere ne yapmaları gerektiğini de anlatan karar analizi denir. Yapay zekanın 60 yıldan fazla bir geçmişi vardır ve çoğu insan bilgisayar görme, konuşma tanıma, doğal dil işleme, makine öğrenimi vb. Bu teknolojiler etkileyicidir, ancak sıklıkla eleştirilen bir şey, açıklanamayan bir kara kutu modeli olmasıdır.
Neyse ki, bu teknolojilerin doğruluğu ve performansı şimdi belirli bir seviyeye ulaşmıştır ve bazı odaklanmış alanlarda insan seviyelerine ulaşabilir veya hatta aşabilirler. Öyleyse neden bir eklenti olarak tedarik zincirinin iş akışına yerleştirilmiyorsunuz?
Örneğin, üretim hattındaki otomatik optik inceleme, ürün ve kurulum kusurlarındaki bazı kusurları tanımlayabilir ve doğruluğu insan gözlerininkini aşar. Pek çok teknoloji insanları baş döndürücü ve kayıpta yapacak mı? Bu sorun Lenovo'da mevcut değil. Çünkü hepimiz her proje için senaryolar ve gereksinimler tarafından yönlendiriliyoruz ve daha sonra bunu sonuçlandırmak için uygun teknolojiler arıyoruz.
İşte basit bir örnek, Lenovo tüm dijital dönüşüm projelerini yapıyor. Senaryo tabanlı çözümlerde, daha önce bahsedilen çeşitli çekirdek teknolojiler uçtan uca tedarik zinciri kontrol kulesine yerleşecektir. Çevredeki 12345 tipik bir senaryo. Örneğin, ilk senaryoda, talep tahmini zaman serisi analizi, makine derin öğrenme ve AIGC'yi kullandı.
İkinci Akıllı Tedarik ve Tedarikçi Son derece işbirlikçi hiyerarşik yönetim, tedarikçileri araştırma açısından, tedarikçilerin güvenilir olup olmadığını ve teslimatın zamanında olup olmadığını belirlemek için büyük miktarda tedarik verisi biriktirdik. Aynı zamanda, tedarik zincirinin 360 derecelik profilini çevre içindeki halka açık verilerden analiz etmek için doğal dil analizi ve veri madenciliği tekniklerini de kullanıyoruz.
Üçüncü Müşteri Siparişinin Akıllı Yönetimi, farklı ürün miktarları, teslimat süreleri, tedarik ve müşteri seviyelerine sahip çok sayıda siparişimiz var. İlk önce hangi siparişlerin yürütüleceğine, hangi siparişlerin beklemesi ve hatta belirli siparişlerin sorunsuz bir şekilde uygulanmasını sağlamak için akıllıca karar vermek için optimizasyon teknolojisi ve operasyonel optimizasyon teknolojisi kullanabiliriz.
Teslimat, depo konumu seçimi, lojistik yöntemi seçimi ve son milin ilk ve en son istasyonun teslim edileceği istasyon dahil olmak üzere son akıllı lojistik, bazı operasyonel optimizasyon teknolojileridir.
Herkes kırmızı afişe ve üç ana süreci kapsayan sarı metne, birinci sipariş gelmeden önce planlama aşamasında tedarik etmeye kadar odaklanabilir. İkinci sipariş, siparişten paraya teslimat aşamasına ulaştı. Tüm ürün etrafında dönen üçüncü husus, yaşam döngüsünün, üç ana sürecin ve daha önce bahsedilen sekiz ana teknolojinin optimizasyonudur.
Birine, belirsizliğin nasıl azaltılacağını veya başka bir deyişle, daha önce çok belirsiz bazı senaryoları hafifçe kontrol edilebilir hale getirmek için veri ve algoritmaların nasıl kullanılacağını çözmeyi amaçlayan, makine öğrenimi tarafından temsil edilen tahmin teknolojisi denir. Size aşırı bir örnek vereyim. Bir para attığımızda, herhangi bir veri olmadan, 1/2. Bununla birlikte, atış açılarını ve hatta ön ve arkadaki karakterlerin farklı dokularını biliyorsanız, veri analizi yoluyla daha doğru tahminler yapabilirsiniz.
Bir diğer önemli kategori, hepsi farklı çelişkili çok amaçlı sorunları içeren çok amaçlı dengeli tedarik zincirlerini, ulaşım, hatta varlık tahsisini ve enerji kaynağı tahsisini çözmek için kullanılan operasyon araştırma optimizasyonu ile temsil edilen karar verme teknikleridir. Optimal denge nasıl elde edilir? Geleneksel operasyon araştırmaları bu tür sorunları çözebilir.
İmalat endüstrisindeyiz, özellikle ayrık üretimdeyiz. Aslında katmanlı bir şekilde yönetilebilen 'Malzeme Yasası' adlı bir kavramımız var. İlk katmanın üst kısmındaysak, o kadar kritik olur. Diyagramı takip ederek, endişe duyduğumuz belirli bir senaryonun ağrı noktalarına güçlü bir şekilde bağlı olan belirli bir öğe için en iyi temel teknolojiyi kesinlikle bulabileceğiz.
Ayrık üretim alanında, 'malzeme faturası' kavramına sahibiz. Bileşenler katmanlar halinde yönetilebilir, ilk katman üste daha yakın daha kritiktir. Bu hiyerarşik yönetim sayesinde, belirli bir projedeki en kritik materyalleri yerleşik ipuçlarına dayanarak belirleyebiliriz. Bu çekirdek teknoloji, odaklandığımız belirli senaryoların ağrı noktalarıyla yakından bağlantılıdır ve pratik problemlerin çözülmesine etkili bir şekilde yardımcı olabilir.
3. Tedarik zinciri akıllı beyninin vaka çalışması
Burada tedarik zinciri kontrol kulesi adı verilen bir kavram var, bu da daha sonra bahsettiğimiz tedarik zinciri beyni. Burada, mobilya kavramını göstermek için bir veya iki örnek vereceğim. İlk teknoloji, talep tahmini, satış tahmini, demleme tahmini, üretim kapasitesi tahmini gibi birçok senaryoda kullanılabilen tahmin teknolojisidir.
Tahminin amacı belirsizliği çözmektir. Lenovo tahminimizin özellikleri nelerdir? Bu sadece sayıları tahmin etmek ve tahmin etmekle ilgili değil. Karakteristik anahtar kelimemize, AI'nın çoklu seviyelerde karışık kullanımına özellikle yansıtılan karıştırma denir. Örneğin, algoritmalar, istatistiksel yöntemler, makine öğrenimi, derin öğrenme ve bulutta çalışacak büyük ve küçük modellerin bir karışımını kullanabilirsiniz. Diğer GPT'ler de kenarda test edilebilir. Örneğin, üretim hattında, bu sinyallerin belirsizliğini tespit etmemiz, kenarda çözmemiz ve daha sonra verilerle kombinasyonu desteklememiz gerekir.
Ayrıca, çok seviyeli entegrasyon vardır. Satış tahminleri yapmamız gerekiyor. Her biri farklı ülkelere sahip çeşitli bölgelerimiz olabilir. Üst düzey tahmin tamamlandıktan sonra bunları böle mi vermeliyiz veya her bir yerel tahmini toplamalı mıyız? Aslında, tüm yaklaşıma uygun tek bir boyut yoktur. Verilerin dağıtımına, kalitesine ve biçimine dayanarak dinamik yargılar yapmamız gerekiyor. Bahsettiğimiz bilgi ve verilerin kombinasyonuna dönerek bir örnek vereyim. Örneğin, Lenovo'da PC sattığımızda, bazıları doğrudan müşterilere satılıyor, ancak çoğu kanallar aracılığıyla satılıyor. Kanalların son müşterilere ne kadar sattığı için bilmiyoruz, ama gerçekten bilmek istiyoruz.
Satış eğilimi ve kanalların envanteri ne kadar gönderdiğimizi belirlediğinden, satmayı nasıl tahmin edebiliriz? Tabii ki, kanallardan her yıl, her ay ve her çeyrekte ne kadar sattıklarını toplamasını ve sayılarla ölçmesini isteyebiliriz. Ancak, gerçek etki çok zayıftır. Daha sonra bazı önemli bilgilerden yoksun olduğumuzu bulduk. Satışların bize söylediği bu. Siz bilim adamları gitmeli ve çeşitli kanallardaki indirimlerin açılmasını anlamalısınız. 80 adet satabilir ve% 5 indirim alabilirse, 81 adet, 85 adet 82 adet satacak, ancak kesinlikle 79 adet satmayacak. 80 birime ulaşmalı. Bu modeli kavradıktan sonra, tahminlerimizin doğruluğu büyük ölçüde geliştirilebilir.
Örneğin, hizmet tedarik zinciri için tahminler yaparken, buna 'Kaç yedek parça bakım istasyonları acil durumlara hazırlanmalı' olarak adlandırıldı. O zamanlar Güneydoğu Asya'da Hindistan'ın Mayıs'tan Ağustos'a kadar ekran modülünün yanlış tahmini gibi bir sorunla karşılaştık. Daha sonra, yerel işletme hava durumu dikkatlice incelememizi söyledi. Mayıs-Ağustos, Hindistan'ın yüksek nemle muson sezonudur ve yerleşik devreli cihazların başarısız oranı oldukça yüksektir. Ne kadar yüksek? Bilmiyor, ancak istemi sayesinde sıcaklık bilgilerini, yağış bilgilerini, nem bilgilerini nasıl çıkaracağımızı ve bu verileri bir araya getirmeyi biliyoruz. Güneydoğu Asya'daki yağmur mevsimi boyunca tahmin doğruluğumuz büyük ölçüde iyileşti.
Optimizasyonla ilgili ikinci uygulama alanına bir göz atalım. Bazı videolar hazırladım ve biraz daha az konuşacağım. Videoları izledikten sonra herkes anlamalıdır. Daha derine inmeden önce, "optimizasyon" kavramını kısaca anlayalım. Operasyon araştırmaları açısından, optimizasyon esas olarak üç ana unsuru içerir. İlk olarak, tedarik zinciri senaryosunda, optimize edilmesi gereken birçok hedef vardır. Örneğin, üretim hattındaki farklı ürünler arasındaki hatları değiştirme süresi de dahil olmak üzere teslimat oranı, maliyet, ulaşım yolu, siparişlerin bekleme süresi, odaklanmamız ve optimize etmemiz gereken tüm iş hedefleridir. Bu optimizasyonun ilk unsurudur.
İkinci unsur karar değişkenidir. Örneğin, bir sipariş verildiğinde veya gereksinimler belirtildiğinde, montaj için parça satın almamız gerekir. Bu noktada, bu iki tedarikçiden bileşenlerin birbiriyle değiştirilebileceği varsayılarak Tedarikçi A veya Tedarikçi B'den satın alma arasında bir seçim ile karşı karşıyayız. Sadece bu değil, Tedarikçi A'dan gelen tedarik zamanı ve miktarı da dikkatle dikkate alınmalı ve kararlar alınmalıdır. Örneğin, zamanlama işleminde, iş emrinin üretim hattı A veya üretim hattı B'de düzenlenip düzenlenmediği, farklı seçimlerin üretim verimliliği, maliyetler vb. Üzerinde farklı etkileri olacaktır.
Üçüncü unsur kısıtlama koşuludur. Hepimiz bir şey yapmak için kaynakların sonsuz olmadığını ve belirli kısıtlamalar altında gerçekleştirilmesi gerektiğini biliyoruz. Önceki iş emrinin örneği alındığında, belirli bir ürünün yalnızca işlem, ekipman ve diğer nedenlerden dolayı ABC üretim hattında üretilebilmesi ve D üretim hattında işlenememesi mümkündür.
Bu tipik bir kısıtlama durumudur.
Örneğin, perakende mağazalar söz konusu olduğunda, sadece yerel dağıtım merkezlerinden mal alabilirler ve komşu illerden mal tahsis edemezler, bu bir kısıtlamadır. Bu kısıtlamalar altında elde edilen çözüm uygulanabilir çözümdür. Ancak, tüm uygulanabilir çözümler insanları tatmin edemez. Açık bir hedefimiz var, en uygun çözümü bulmamız gerekir. Birden fazla optimal çözüm olsa bile, yine de sözde Pareto cephesinde uygun noktalar bulmamız gerekiyor.
Size akıllı malzeme tahsisi örneği vereyim. Salgın sırasında malzemeler yetersizdi ve Intel veya AMD gibi şirketlerden CPU'lar yüksek talep görüyordu. Çeşitli bölgeler ve müşteri grupları bu popüler CPU'ları genel merkez tedarik zinciri departmanından istedi.
Peki, bu değerli CPU'lar kime tahsis edilmelidir?
Akıllı algoritma olmadığında, olağan yaklaşım eşit dağılım kullanmaktır ve herkesin toplam talebini toplam arza bölmektir. Her insanın talebin% 80'ini alabileceğini varsayarsak, herkesin yüzeyde oldukça memnun olduğu görülmektedir. Ancak, patron böyle düşünmüyor. Çünkü ürünlerin kârları ve gelirleri farklı bölgelerde farklılık gösterir ve müşteri hoşgörülerinde de farklılıklar vardır.
Bu nedenle, bu CPU'ları veya ekran modülleri gibi kıt materyalleri makul bir şekilde tahsis etmek için çok amaçlı optimizasyon yürütmek için finansal hedefleri, adalet hedeflerini ve diğer hedefleri entegre etmemiz gerekiyor.
