AI如何重塑供應鏈管理? 這是你必須知道的20件事情
公眾號/機器之能
來源 | Forbes
編譯 | 張璽
本週,中國 AI 獨角獸公司曠視宣佈業務上的戰略升級,押注 AIoT 應用於供應鏈改造。曠視 CEO 印奇表示,這一方面是因為產業發展的巨集觀趨勢,另一方面是因為中國的實業行業有很長的鏈條。印奇將其稱為「沉重的十字」:
「橫向維度上,實業公司的內部產業流程,從設計研發、生產製造、物流倉儲、渠道配送,包括一直到客戶服務,這是一個複雜而且很長的一個內部鏈條。縱向維度上,當前實業行業面臨更進一步整合時,都會面臨的從資產、運營到科技的問題,甚至還要懂艱深的雲端計算、AI、科技。」
這一橫一縱的沉重鏈條構成了實業型企業的致命「十字」。
那麼,AIoT 將如何助力智慧製造?
十多年前,已經將機器學習應用於改善需求預測的英國上市公司 AVEVA 是一個不錯的案例。AVEVA Group plc (LSE: AVV),英國計算機軟體商為造船和海洋工程、石油和天然氣、造紙、電力、化工和製藥等工業領域提供全生命週期解決方案及服務。該集團在倫敦證券交易所 (London Stock Exchange) (LSE: AVV) 上市。集團總部位於英國劍橋。
本文作者是 ARC Advisory Group 的供應鏈服務副總裁,ARC Advisory Group 是一家領先的行業分析師和技術諮詢公司。參與供應鏈管理技術,最佳實踐和新興趨勢的定量和定性研究。
以下為 Steve Banker 結合 AVEVA 案例給到 AI 供應鏈管理的 20 條建議。
1、所有可以感知周邊環境、以最大化目標完成可能性為原則執行任務的裝置,都在以某種方式與人工智慧相結合。人工智慧概念寬泛,涉及許多技術。運籌學家認為,人工智慧的趨勢是蘊含在各項技術中的演算法,但演算法仍不如人工智慧發展成熟。諸如數學及統計學等成熟發展的學科卻不願貼上人工智慧的標籤,儘管它們符合人工智慧的定義。
2、在供應鏈領域,機器學習備受矚目。我個人很喜歡 Symphony RetailAI 首席產品官 Adeel Najmi 對於機器學習的定義。「每當機器產生輸出、觀測輸出準確率及更新自身模型(優化輸出)時,機器便會學習。如此工作的所有機器都在使用機器學習。是否運用了資料科學方法、神經網路或其他形式的監督或非監督學習,一點都不重要。不要被具體技術所侷限。機器能否自我學習及自我改善,才是最重要的。」
3、當大家以這個角度看待機器學習時,人工智慧之於供應鏈管理就不是什麼新鮮事了。21 世紀初,機器學習就已應用於需求預測。需求計劃應用依賴於一系列演算法,將歷史貨運資料轉變為預測資料。有的演算法適用於產品銷售預測,而有的演算法適用於產品報廢預測。機器關注於預測結果,將其與實際貨運量比較。因維持某一產品或產品組庫存水平而需要切換演算法時,機器也會主動建議。
4、隨著時間的推移,需求計劃應用的輸入資料愈來愈多,而許多公司的機器學習應用也遠不止需求預測。譬如,相比於預測全美東半部地區的月需求量,一些公司可以預測產品/門店的日、周、月及更長時間範圍的庫存水平。針對某產品的門店日庫存水平預測,基於銷售點資料流的演算法預測能力強。針對相同產品的月庫存水平預測,基於倉庫貨運歷史資料與倉庫訂單模式的演算法預測能力強。基於機器學習的預測引擎始終針對不同層級的預測問題尋找最佳的演算法與資料流結合方式。
5、但是,基於可用資料量的大小、週期跨度及發貨位置範圍,一些公司已經採用基於學習的全自動化解決方案,預測過程不需要人工參與。E2open 提供了一套「黑箱」解決方案,預測流程全自動化。基於「黑箱」解決方案,計劃員無法瞭解機器的工作邏輯,掌握預測引擎的工作機制。計劃員必須完全信任解決方案的預測結果。一些大型、成熟的企業(如寶潔)已採用了這套解決方案且完全信任。E2open 稱,有證據表明:當預測人員忽略引擎的輸出結果且調整預測值時,相較於信任引擎且不響應,干預的結果會更糟糕。
6、「黑箱」解決方案爭議頗大。Kinaxis 行業解決方案營銷副總監 Harish Iyer 強烈排斥此類解決方案。「有些人應該為此負責!」如果某些環節出現問題而使用者又才從「黑箱」中接收了一單計劃,計劃員該如何定責?此外,供應鏈節點層級越多,黑箱解決方案的可接受性就越差。如果一家上市公司漏填了本季度的資料,「誰能想象 CEO 該如何想投資人交代?」
7、無法解決方案是否是「黑箱」,人工智慧與機器學習都能融合進去──與更多傳統商業智慧及業務流程管理技術結合。這使得人工智慧的洞察力能嵌入業務流程,讓使用者只看見其對其有用的資料,讓計劃員深挖資料以觀察輔助資訊。
8、最近,需求計劃應用正致力於採用機器學習,更好地融合競爭對手的定價資料,門店每週/日的客流量、天氣資料及許多其他潛在因素,改善需求預測結果。
9、需求計劃是機器學習的一項重要應用。因為這些系統具備了天然的資訊反饋迴圈。在需求管理應用中,系統會連續監測預測準確率。系統的準確率資料又可供反饋迴圈學習使用,將機器學習應用於供應計劃更加困難。
10、但是,供應鏈管理的許多領域都已使用機器學習,在供應鏈應用中似乎也展開了一場機器學習的裝備競賽。
11、運輸管理系統的供應商也使用天氣資料改善運輸計劃。運輸管理系統中機器學習的應用前景更為廣泛。
12、目前,供應計劃中錨定關鍵引數的應用已經完成,如交貨提前期及使用機器學習更新引數。針對精煉廠關鍵裝置故障引起的生產計劃重排程,AspenTech 致力於採用用預測性分析解決問題。
13、應用機器學習感知並適應多變的倉庫條件及優先順序。過去,揀貨密度可能是首要問題,但是由於搬運機器人時代的來臨,滿足訂單服務承擔承諾的優先順序更高。機器學習可用於預測計劃完工時間。然後,根據可用產能最優化原則,優化演算法基於預測結果去均衡相互衝突的約束條件。
14、大資料讓機器學習的學習效果最佳。資料越多,系統學習越快。許多用例中,供應鏈應用需要大資料平臺收集、清洗及協調資料。LLamasoft 創立了一個收集時間序列資料的平臺,甄別外部資料來源是否能改善需求預測結果。
OSIsoft 的工廠資訊系統(Plant Information System)可用於收集實時資料,並將資料轉化為多種用途的可執行資訊,包括機器學習應用。2018 年 8 月,JDA 完成 Blue Yonder 收購。Blue Yonder 是一家機器學習/人工智慧平臺。該筆收購加速了 JDA 自治供應鏈(Autonomous Supply Chain)的步伐──運用 Blue Yonder 平臺將供應鏈合作關係系統(Supply Chain Partnership Systems)與外部資料(尤其是社會、新聞、時間及天氣資料)連線,實現更加自動、優化的商業決策。同樣,還有許多為機器學習分析而收集資料的通用平臺。
15、一些客戶將機器學習視為魔杖。他們詢問供應商──供應鏈應用如何使用機器學習解決其遇見的供應鏈問題。但是,機器學習僅僅只是供應鏈技術工具之一,且並不總是有效。當閉環反饋具有明確定義的成功指標時,當供應鏈具備大資料時,當供應鏈具備加速學習的快速反饋迴圈時,機器學習效用最佳──簡言之,機器學習對於精準聚焦於邊界清晰的問題效果最佳。
16、一些大公司擁有足夠資源去聘請資料科學家,開發定製化解決方案,優化業務流程(戴爾在全球呼叫中心使用人工智慧,DHL 供應鏈斥資 3 億美元發展新興技術,電子商務公司使用人工智慧改善價值鏈)。但對於多數企業來說,這既不是可行選擇,也不可能獲取可觀的投資收益率。
17、關於機器學習與人工智慧投資收益率的一個問題是,使用者如何使用人工智慧搜尋海量數量(包括物聯網資料)以尋找可能改善模型預測公式的新變數。但在許多例項中,發現的新變數對於預測準確率的貢獻相對較少。這也是機器學習問題需要縮小邊界的主要原因。
18、人工智慧還可應用於供應鏈軟體解決方案。3CE 正使用自然語言處理及資訊檢索處理輔助進出口貨物分類工作──該工作的複雜程度難以想象。
19、此外,人工智慧還可用於物流專業相關的硬體解決方案。自主移動機器人(AMR)發展迅猛。近年來,超過 5 億美元的風險資本進入了 AMR 市場。AMR 可用於幫助實現電子商務自動化。AMR 無需預先規劃路徑,能基於周邊障礙導航。由於不依賴大量的基礎設施──如內置於倉庫物流門的 RFID 便籤,所以 AMR 實施快速。AMR 依賴於人工智慧技術──即時定位與地圖構建。
自動導引運輸車(AGV)可能配備抓手以抓取紙輥卷。如果壓力過大,紙輥卷會破損;如果壓力過小,線軸無法安全運輸。同樣的,IAM Robotics 擁有配備機械臂的機器人,使用吸盤抓取小件及輕量貨物,並放置於手提包中。真空吸盤的數量需要適配於物體大小及重量。
20、無人貨運同樣依賴於 SLAM 技術,但問題邊界較廣。最理想的猜測是,基於 SLAM 的無人搬運卡車距離技術實現至少還有 3 年時間。但是,其中仍存在許多監管阻礙。甚至在 3 年內,無人貨運的解決方案離完全自動都遙不可及。實際上,連 Embark Trucks 的營運長 Mike Reid 都認為「今天的司機未來仍能夠正常退休」。令人驚訝的事,Embark 恰恰是一家領先的自動卡車開發公司。
原文連結:
https://www.forbes.com/sites/stevebanker/2019/01/01/20-things-to-know-about-artificial-intelligence-for-supply-chain-management/#3c462a9a5371