您的位置：首页 >热讯 >

揭开卓越供应链的秘密，走近人机协同的智能决策

2022-04-21 18:56:16 来源：ML OR 智能决策

从金融海啸、贸易摩擦到新冠疫情大流行，供应链能力在企业发展中扮演着越来越重要的角色。打造安全、可控、韧性的供应链成为越来越多企业的共识，大数据、物联网、人工智能等领先技术在供应链中的应用也备受关注。企业通过不断推动自身智能化变革，打造高效生产、快速协同和强大抗风险能力的供应链，才能够进一步增强行业竞争力。

目前，以人工智能和运筹优化为核心的智能决策技术，已应用在联想多个业务场景，包括联想LAPS、来酷智慧零售、全球供应链智能分货等多个系统，在生产、零售以及物流等各个环节驱动着供应链运营更加卓越。

《AI决策智能技术在联想的实践》直播视频分享

1、供应紧张时，智能决策如何兼顾公平与利润？

疫情在全球的扩散影响了全球供应链市场环境，导致了物料存在供应短缺的紧张情况。产品线的多元化使得供应端料件繁多、料件和产品之间又存在多对多的对应关系、公司经营运营目标多样化等客观复杂性的存在，导致了传统的分货方式分配效率低，难以在多目标间达到平衡，并精细化控制分配结果。

联想全球供应链智能分货系统，面对多元化产品线复杂的供应链物料分配问题，通过分配多目标解空间中的可行域区间，合理配置目标函数标量化组合函数形式，并放宽次要目标优化裕度的方式，实现了秒级的响应速度，推动了多目标、精细化解决方案的实现。

以联想笔记本供应链为例，在原料供应不足时，在各个决策维度上对分配的影响，都会极大的影响交付、效率和成本等一系列指标的变化。这需要考虑到不同配件、型号、品牌、sku等多维因素，每增加一个考量维度，求解的难度都呈现指数级的增长，决策规模复杂度达到10的亿次方以上，这对快速做出分配方案是一个极高的挑战。为了达成这个目标，联想全球供应链智能分货系统采用了独创的多层级优化策略算法，通过逐个层级优化，将计算的复杂度减少大约4.6万倍，极大提高了分配效率，针对用户的不同配置需求可在秒级给出分配结果。

2、面对大规模生产制造场景，智能决策如何发挥优势？

在大规模生产制造场景中，生产规划需要考虑物料配比、生产工序、客户定制化需求等多种因素的影响。以联想联宝工厂为例，4个厂区、43条生产线、500+PC产品种类、250000+零部件数量等等复杂因素，使得如何以更合理的方式计划整个工厂的生产排程，成为一个极大的挑战。

联想高级计划与排程系统，面向大规模生产场景，具备求解性能高、可配置程度高、运行效率高、扩展能力强等核心功能优势。综合多种优化方法，大幅提升了联宝工厂的排产指标。

联想高级计划与排程系统引入了一种序列到序列的排产AI模型，由于指针网络的序列输出字典与输入数据同源，使得输出序列长度与输入序列长度相关且可控，因此通过合理的优化训练方法可以获得问题的规模泛化能力，理论上对同类型任意规模的排产问题都能够有效支持，非常适合大规模计算。

为了解决支持深度学习网络训练的真实数据不够的问题，这套系统基于强化学习技术，通过对工单和生产线的机型、产能、数量、换线时长等各个参数进行分布拟合等方法，从而产生非常多的虚拟数据来进行训练，保证了排产AI模型的最优性和泛化性。另外，对于生产排程中种类多样、数量又多的约束条件，通过在深度学习网络的输出端设置mask机制，并以张量运算的方式来实现策略空间的约束的方法，进而实现了大规模约束条件的快速处理。

3、智能决策如何让零售运营更精细高效？

在零售领域，随着门店数量和商品种类快速增长，传统依靠人工经验的运营模式已无法跟上现代智慧零售企业的发展步伐。如何在资源采购、库存周转、市场分配等运营场景中实现对精细化、智慧化、实时化的需求，成为来酷科技智慧零售新模式面临的新挑战。

联想来酷智慧零售供应链引擎将时间、地域、链路、数据、渠道等维度的数据应用到来酷的产品、场景、营销方式中，产生合理分析和定量判断，采用概率性预测，将门店、SKU、时间等特征的数据梳理后输入模型中，依据模型对未来预测分布的判断生成最终的预测结果。

为了把握消费者对来酷产品的真正需求，就需要把销售数据转化为需求预测。在这其中，系统依据机器学习的异常点检测技术，将产品销售过程中因客观因素造成的销量缺失还原成真实需求，近似的得到了真实的市场需求。之后再将这些真实需求导入自主研发的概率性预测模型中，输出产品在门店中销量的概率性预测结果，最终生成来酷门店未来的运营采购计划。

此外，通过对销售额、利润、库存等方面的权衡，系统通过自主研发的多目标优化模型，高效率计算每个门店需要备货的SKU及其最优备货量，满足业务增长目标的同时，提高资金、库存、物流等周转效率，真正推动来酷的运营从优秀迈向卓越。