기술 제조 기업을 지원하기 위해 인공 지능을 사용하는 방법?

기술 제조 기업을 지원하기 위해 인공 지능을 사용하는 방법?

인공 지능은 어떻게 공급망 관리를 혁신 할 수 있습니까? Kapoklog Logistics는 공급망에서 AI 기술의 특정 응용 프로그램을 자세히 도입했습니다.

 

기계 학습 및 운영 연구 최적화를 통해 Kapoklog 물류를 달성하기 위해 엔터프라이즈 공급망을 홍보하기 위해 수요 예측, 공급 계획, 재고 관리 및 주문 제공을 개선하여 기술 혁신이 기업 혁신을 이끌어 낼 수있는 방법에 대한 심오한 통찰력을 제공했습니다.

Kapoklog Logistics Logistics는 AI 기술을 사용하여 공급망에 힘을 실어주는 Lenovo의 실질적인 경험을 공유하며, 이러한 컨텐츠가 모든 사람에게 유용한 참조를 제공하고 기업이 향후 우수한 운영을 달성 할 수 있기를 희망합니다.

Kapoklog 물류의 공유는 다섯 부분으로 나뉩니다. 먼저 Lenovo 공급망의 현재 상황을 소개하십시오. 우리는 어떤 문제에 직면합니까? 디지털 혁신을 받아야하는 이유는 무엇입니까? 중국 전자 기술 회사 인 Lenovo Group을 점령하여 Lenovo의 디지털 혁신은 항상 지능형 공급망 구축에 중점을 두었습니다. 그렇다면 지능형 공급망에는 어떤 종류의 기술 아키텍처가 있어야합니까? 착륙 시나리오는 무엇입니까?

 

Kapoklog Logistics의 공급망 부서 관리자는 내부 스타 프로젝트 또는 모범 사례 인 수요 예측, 자재 할당 및 소비 및 지능형 스케줄링에 중점을 둘 것입니다. 마지막으로 시간이 있어야합니다. Kapoklog Logistics의 공급망 부서 관리자는 AI의 가장 진보 된 방향 인 Big Model, 에이전트를 공유 할 것입니다. AIGC 기술을 공급망의 실제 시나리오와 깊이 통합하고 비즈니스 진통 점을 해결하며 실용적인 가치를 생성하는 방법. 마지막으로, 매우 얕은 사고에 근거하여, 나는 스마트 공급망의 미래 기술 방향에 대한 전망을 만들고 싶습니다.

 

1. Lenovo 글로벌 공급망 개요

Lenovo의 글로벌 공급망을 함께 알아 보겠습니다. 제조 기업의 경우 공급망은 미리 판매를위한 서비스와 보장을 제공하는 절대적으로 중요한 기능 부서입니다. Lenovo는 무엇을 판매합니까? 우리는 스마트 폰, 태블릿, 서버 및 다양한 스마트 터미널뿐만 아니라 세계 최대의 개인용 컴퓨터 제조업체입니다. 연간 배송량이 1 억 2 천만 위안으로 전 세계 180 개 이상의 국가와 지역에 10 억 명이 넘는 사용자를 대상으로 판매합니다. 이러한 거대한 시장에는 큰 공급망이 필요합니다. 따라서 우리는 전 세계에 30 개가 넘는 공장이 있으며 5000 명 이상의 공급 업체와 2000 개 이상의 핵심 공급 업체가 있습니다. 우리는 크고 강해야합니다. 따라서이 그룹은 매년 공급망의 디지털 혁신에 매년 10 억 이상의 위안을 투자하며 놀라운 결과를 얻었습니다.

 

Lenovo는 3 년 연속 Gartner의 글로벌 공급망 순위 중 상위 10 위에 올랐습니다. 우리는 공급망 리더십, ESG 및 지능형 제조에서 인상적인 결과를 얻었으며 세계 경제 포럼 McKinsey 등을 포함한 IDC Mingsheng으로부터 전적으로 인정을 받았습니다.

이 지속적으로 강화되는 공급망은 현재 5 가지 주요 과제에 직면하고 있습니다. 다시 말해, 이것은 또한 디지털 혁신에 집중해야 할 방향이기도합니다. 예를 들어, 중국과 미국 간의 기술 분리에서 일부 핵심 산업 소프트웨어를 포함한 많은 핵심 구성 요소는 중국에서 구매로 제한되며 자체 개발 된 수요 변동에 의존해야합니다. Lenovo는 소규모 배치, 다중 품종 및 개인화 된 주문 날짜로 소비자 전자 산업에서 운영됩니다. 우리는 매년 80% 이상의 주문을 받고 5 개의 작은 배치 주문을받지 않습니다.

 

ESG 국가의 규제가 점점 엄격 해지고 있으며, 우리는 일부 저탄소 기술에주의를 기울일 것입니다. 그러나 경제 경기 침체가 뒤처지면서 주요 경제의 GDP는 기대치, 상품 가격 상승, 물류 혼란 및 기타 지정 학적 갈등 및 흑인 백조 사건을 충족시키지 못했습니다.

 

그래서 많은 도전에 직면하여 Lenovo의 공급망은 무엇을 할 수 있습니까? 그것은 다양한 혁신적이고 핵심 기술을 수용하고, 그것들을 사용하여 우리의 내부 강도를 훈련시키고 스스로 무장시키는 것에 관한 것입니다. 그래서 우리의 공급망은 우리의 공급망이 일어나기 전에 위기에 대비하여 공급망의 탄력성, 적응성 및 지능 수준을 증가시킬 수 있습니다.

 

Lenovo의 공급망에 대한 디지털 변환은 거의 1 0 년 동안 진행되었습니다. 전염병 전에, 우리는 그것을 1.0 단계라고 불렀으며, 이는 기초를 통합하고 지식을 시각화하는 데 중점을 둔 1.0 단계라고 불렀습니다. 조달에서 계획, 제조, 물류, 서비스에 이르기까지 다양한 기능 부서가 모든 데이터를 먼저 수집해야합니다. 각 부서의 합의 된 프로세스 규칙을 기반으로 실시간 데이터 시각화 및 부분 결정 자동화를 달성 할 수 있습니다.

 

전염병 후, 우리는 방금 출시 된 2. 0에 들어갔다. 초점은 상호 연결성, 협업 인텔리전스, 다양한 데이터 사일로를 연결하고 기능 부서의 자체 소규모 시스템 간 연결을 설정하고 전반적인 상생 결과를 달성하는 데 중점을 둡니다. 따라서 프로세스를 재 설계하고 규칙을 재정의하고 통일해야합니다. 데이터를 보유하고 데이터를 고품질 데이터로 전환하여 완전히 지능적이고 포괄적 인 솔루션을 달성하기 위해 데이터를 표준화해야합니다. 여기서 가장 큰 특징은 데이터 분석에 의해 주도되는 사전 사전 결정을 촉진하여 의사 결정자와 계획자가 사전 예방 적으로, 위기가 발생하기 전에 예측할 수 있도록 돕는 것입니다.

 

2. Lenovo 기능성 공급망

그래서 우리는 방금 다양한 최첨단 기술로 자신을 무장해야한다고 언급했습니다. 여기에 Lenovo의 공급망이 가장 우려하는 8 가지 혁신적인 기술을 나열합니다. 자동화는 여기에 로봇이지만 인터넷, 블록 체인 등과 같이 여전히 데이터를 제공하여 데이터를 제공하거나 신뢰성을 보장 할 수 있습니다. 디지털 쌍둥이는 다양한 시뮬레이션 알고리즘이 지속적으로 발전 할 수있는 환경을 제공합니다. 고급 분석 인공 지능은 모델과 알고리즘 자체와 데이터에서 통찰력을 추출하여 미래를 안내하는 방법에 더 중점을 둡니다.

예를 들어 고급 데이터 분석을 취하면 일반적으로 세 가지 수준으로 나뉩니다. 첫째, 설명 분석은 지금 무슨 일이 일어나고 있는지 알려줍니다. 둘째, 예측 분석은 역사적 데이터의 패턴과 패턴을 분석하여 무엇을 발견 할 것인지, 미래에 일어날 일을 알려줍니다.

 

세 번째 단계는 의사 결정 분석이라고하며, 이는 미래의 추세가 무엇인지 알려주는 것뿐만 아니라 의사 결정자들에게 그들이해야 할 일을 알려줍니다. 인공 지능은 60 년 이상의 역사를 가지고 있으며 대부분의 사람들은 컴퓨터 비전, 음성 인식, 자연어 처리, 기계 학습 등을 생각할 수 있습니다. 이러한 기술은 인상적이지만 종종 비판을받는 한 가지는 설명 할 수없는 블랙 박스 모델이라는 것입니다.

다행히도 이러한 기술의 정확성과 성능은 이제 특정 수준에 도달했으며 일부 집중 분야에서는 인간 수준에 도달하거나 능가 할 수 있습니다. 공급망의 워크 플로에 플러그인으로 포함하지 않겠습니까?

 

예를 들어, 생산 라인의 자동 광학 검사는 제품 및 설치 결함의 일부 결함을 식별 할 수 있으며 정확도는 인간의 눈보다 훨씬 뛰어납니다. 너무 많은 기술로 인해 사람들이 현기증이 나고 손실로 만들 것인가? 이 문제는 Lenovo에는 존재하지 않습니다. 우리는 모두 각 프로젝트에 대한 시나리오와 요구 사항에 의해 주도되기 때문에 마무리하는 데 적합한 기술을 찾습니다.

 

다음은 Lenovo가 모든 디지털 혁신 프로젝트를 수행하는 간단한 예입니다. 시나리오 기반 솔루션에서, 앞에서 언급 한 다양한 핵심 기술은 엔드 투 엔드 공급망 제어 타워에 정착 할 것입니다. 주변 12345는 일반적인 시나리오입니다. 예를 들어, 첫 번째 시나리오에서는 수요 예측 사용 된 시계열 분석, 기계 딥 러닝 및 AIGC에 수요가 있습니다.

 

두 번째 지능적인 조달 및 공급 업체는 공급 업체 연구 측면에서 공급 업체가 신뢰할 수 있는지 여부와 배송이 제 시간에있을 수 있는지 여부를 결정하기 위해 많은 양의 조달 데이터를 축적했습니다. 동시에, 우리는 자연 언어 분석 및 데이터 마이닝 기술을 사용하여 주변의 공개적으로 이용 가능한 데이터로부터 공급망의 360도 프로파일을 분석합니다.

세 번째 고객 주문의 지능형 관리에 따르면 제품 수량, 배송 시간, 공급 및 고객 수준이 다른 주문이 너무 많습니다. 최적화 기술 및 운영 최적화 기술을 사용하여 먼저 실행할 주문을 지능적으로 결정할 수 있으며 주문 대기가 필요한 주문 및 특정 주문의 원활한 구현을 보장 할 수 있습니다.

 

배송, 창고 위치 선택, 물류 방법 선택 및 마지막 마일을 먼저 제공 할 수있는 스테이션 및 마지막으로 전달할 스테이션을 포함한 마지막 지능형 물류는 모두 일부 운영 최적화 기술입니다.

 

모든 사람은 레드 배너와 첫 번째 주문이 도착하기 전에 계획 단계에서 수요에서 공급에 이르기까지 세 가지 주요 프로세스를 다루는 노란색 텍스트에 집중할 수 있습니다. 두 번째 주문은 주문에서 현금으로 배송 단계에 도달했습니다. 전체 제품을 중심으로하는 세 번째 측면은 수명주기의 최적화, 세 가지 주요 프로세스 및 앞에서 언급 한 8 가지 주요 기술입니다.

 

우리는이를 두 가지 핵심 기술 범주로 요약합니다. 하나는 머신 러닝으로 대표되는 예측 기술이라고하며, 이는 불확실성을 줄이는 방법, 즉 이전에 매우 불확실한 시나리오를 약간 제어 할 수 있도록 데이터 및 알고리즘을 사용하는 방법을 해결하는 것을 목표로합니다. 극단적 인 예를 들어 드리겠습니다. 우리가 데이터없이 동전을 던지면 1/2입니다. 그러나 던지기 각도와 앞뒤의 캐릭터의 다른 텍스처를 알고 있다면 데이터 분석을 통해보다 정확한 예측을 할 수 있습니다.

 

또 다른 주요 범주는 운영 연구 최적화로 표현되는 의사 결정 기술이며, 이는 다중 방사 균형 공급망, 운송, 자산 할당 및 에너지 자원 할당을 해결하는 데 사용되며, 이에 따라 다중 객관적인 문제가 다릅니다. 최적의 균형을 달성하는 방법? 전통적인 운영 연구는 이러한 문제를 해결할 수 있습니다.

 

우리는 제조 산업, 특히 불연속 제조업에 있습니다. 우리는 '재료 청구서'라는 개념을 가지고 있으며, 실제로 층상으로 관리 할 수 ​​있습니다. 우리가 첫 번째 층의 상단에 더 많이있을수록 더 중요합니다. 다이어그램을 따르면 특정 항목에 대한 최고의 핵심 기술을 찾을 수 있으며, 이는 우리가 우려하는 특정 시나리오의 통증 지점과 밀접하게 연결되어 있습니다.

이산 제조 ​​분야에서는 '재료 청구서'라는 개념이 있습니다. 구성 요소는 레이어로 관리 될 수 있으며, 첫 번째 레이어는 상단에 더 가깝습니다. 이 계층 적 관리를 통해 확립 된 단서를 기반으로 특정 프로젝트에서 가장 중요한 자료를 식별 할 수 있습니다. 이 핵심 기술은 우리가 집중하는 특정 시나리오의 고통 지점과 밀접한 관련이 있으며 실제 문제를 효과적으로 해결하는 데 도움이 될 수 있습니다.

 

3. 공급망 지능형 뇌의 사례 연구

여기에는 공급망 제어 타워라는 개념이 있으며, 이는 나중에 언급 한 공급망 뇌입니다. 여기서는 가구의 개념을 설명하기 위해 하나 또는 두 가지 예를 제시 할 것입니다. 첫 번째 기술은 예측 기술로 수요 예측, 판매 예측, 양조 예측, 생산 용량 예측과 같은 많은 시나리오에서 사용할 수 있습니다.

 

예측의 목적은 불확실성을 해결하는 것입니다. 레노 보 예측의 특성은 무엇입니까? 숫자로 예측하고 추정하는 것이 아닙니다. 우리의 특징적인 키워드를 믹싱이라고하며, 이는 여러 수준에서 AI의 혼합 사용에 특히 반영됩니다. 예를 들어, 알고리즘, 통계적 방법, 기계 학습, 딥 러닝 및 클라우드에서 실행될 크고 작은 모델의 혼합을 조합 할 수 있습니다. 다른 GPT는 또한 가장자리에서 테스트 할 수 있습니다. 예를 들어, 생산 라인에서는 신호의 불확실성을 감지하고 가장자리에서 해결 한 다음 데이터와의 조합을 지원해야합니다.

 

또한 다단계 통합이 있습니다. 우리는 판매 예측을해야합니다. 우리는 각각 다른 국가를 가진 다양한 지역을 가질 수 있습니다. 최상위 예측이 완료된 후에 나누어야합니까, 아니면 각 지역 예측을 집계해야합니까? 실제로 모든 접근 방식에 맞는 크기는 없습니다. 데이터의 분포, 품질 및 형식에 따라 동적 판단을해야합니다. 방금 이야기 한 지식과 데이터의 조합으로 돌아가서 예를 들어 보겠습니다. 예를 들어, Lenovo에서 PC를 판매 할 때 일부는 고객에게 직접 판매되지만 대부분은 채널을 통해 판매됩니다. 최종 고객에게 채널이 얼마나 많이 판매되는지는 알지 못하지만 실제로 알고 싶습니다.

 

매진 추세와 채널의 인벤토리가 우리가 배송량을 결정하기 때문에 어떻게 매진을 예측할 수 있습니까? 물론, 우리는 채널에 매년, 매월 및 분기마다 판매량을 수집하고 숫자로 측정하도록 요청할 수 있습니다. 그러나 실제 효과는 매우 열악합니다. 나중에 우리는 몇 가지 주요 정보가 부족하다는 것을 알았습니다. 이것이 판매가 우리에게 말한 것입니다. 과학자들은 다양한 채널에서 리베이트의 개통을 이해해야합니다. 만약 그가 80 대를 팔고 5% 리베이트를받을 수 있다면, 그는 81 대 85 대 82 대를 판매하지만 79 대를 팔지 않을 것입니다. 그는 80 대에 도달해야합니다. 이 패턴을 파악하면 예측의 정확도가 크게 향상 될 수 있습니다.

 

예를 들어, 서비스 공급망을 예측했을 때 '유지 보수 스테이션이 비상 사태를 준비 해야하는 예비 부품 수'라고 불 렸습니다. 우리는 그 당시 동남아시아에서 5 월부터 8 월까지 인도의 디스플레이 모듈에 대한 부정확 한 예측과 같은 문제를 겪었습니다. 나중에 지역 사업체는 날씨를 신중하게 공부하라고 말했습니다. 5 월부터 8 월까지는 습도가 높은 인도의 몬순 시즌이며, 내장 회로가있는 장치의 고장 속도는 상당히 높습니다. 얼마나 높은가요? 그는 모르지만 그의 프롬프트를 통해 온도 정보, 강우 정보, 습도 정보를 추출하고 이러한 데이터를 함께 융합시키는 방법을 알고 있습니다. 동남아시아의 우기에는 우리의 예측 정확도가 크게 향상되었습니다.

 

최적화와 관련된 두 번째 응용 프로그램 영역을 살펴 보겠습니다. 나는 비디오를 준비했고 조금 덜 이야기 할 것입니다. 비디오를 본 후에는 모두가 이해해야합니다. 더 깊이 파고 들기 전에 "최적화"라는 개념을 간단히 이해해 봅시다. 운영 연구의 관점에서 최적화에는 주로 세 가지 주요 요소가 포함됩니다. 첫째, 공급망 시나리오에는 최적화해야 할 많은 목표가 있습니다. 예를 들어, 배송 속도, 비용, 운송 경로, 생산 라인에서 다른 제품 간의 라인을 변경하는 시간을 포함하여 주문 대기 시간은 우리가 집중하고 최적화 해야하는 모든 비즈니스 목표입니다. 이것이 최적화의 첫 번째 요소입니다.

 

두 번째 요소는 결정 변수입니다. 예를 들어, 주문이 배치되거나 요구 사항이 지정된 경우 어셈블리를 위해 부품을 구매해야합니다. 이 시점에서, 우리는이 두 공급 업체의 구성 요소를 서로 교체 할 수 있다고 가정 할 때 공급 업체 A 또는 공급 업체 B로부터 구매하는 중에서 선택할 수 있습니다. 뿐만 아니라 공급 업체의 조달 시간과 양도 신중하게 고려하고 결정을 내려야합니다. 예를 들어, 스케줄링 프로세스에서, 작업 순서가 생산 라인 A 또는 생산 라인 B에서 정렬되는지 여부에 관계없이 다른 선택은 생산 효율성, 비용 등에 다른 영향을 미칩니다.

 

세 번째 요소는 제약 조건입니다. 우리는 무엇이든 할 수있는 자원이 끝이 없으며 특정 제약하에 수행되어야한다는 것을 알고 있습니다. 이전 작업 순서의 예를 들어, 프로세스, 장비 및 기타 이유로 인해 ABC 생산 라인에서만 특정 제품을 생산할 수 있으며 D 생산 라인에서 처리 할 수 ​​없습니다.

 

이것은 일반적인 제약 조건입니다.

예를 들어, 소매점의 경우 현지 유통 센터에서 상품 만 픽업 할 수 있으며 이웃 지방에서 상품을 할당 할 수 없습니다. 이는 제약입니다. 이러한 제약하에 얻은 솔루션은 실현 가능한 솔루션입니다. 그러나 실현 가능한 솔루션이 사람을 만족시킬 수있는 것은 아닙니다. 명확한 목표를 가지고 있으면 최적의 솔루션을 찾아야합니다. 여러 가지 최적의 솔루션이 있더라도 소위 파레토 프론트에서 적절한 포인트를 찾아야합니다.

지능형 재료 할당의 예를 알려 드리겠습니다. 전염병 기간 동안 공급이 부족했으며 인텔 또는 AMD와 같은 회사의 CPU는 수요가 많았습니다. 여러 지역과 고객 그룹이 본사의 공급망 부서에서 인기있는 CPU를 요청했습니다.

 

그렇다면이 귀중한 CPU는 누구에게 할당되어야합니까?

지능형 알고리즘이 없으면 일반적인 접근 방식은 동일한 분포를 사용하여 모든 사람의 총 수요를 총 공급으로 나누는 것입니다. 각 사람이 수요의 80%를받을 수 있다고 가정하면 모든 사람이 표면에 매우 만족하는 것으로 보입니다. 그러나 상사는 그렇게 생각하지 않습니다. 제품의 이익과 수익은 지역마다 다르기 때문에 고객 허용 범위에도 차이가 있습니다.

 

따라서, 우리는 이러한 CPU 또는 디스플레이 모듈과 같은 부족한 재료를 합리적으로 할당하기 위해 다목적 최적화를 수행하기 위해 재무 목표, 공정성 목표 및 기타 목표를 통합해야합니다.