机器学习+运筹优化,智能决策推动工业互联网上台阶

2022-04-14 10:46:57
周宝冰
文章摘要: 智能决策是组织或个人综合利用多种智能技术和工具,基于既定目标,对相关数据进行建模、分析并得到决策的过程。该过程综合约束条件、策略、偏好、不确定性等因素,可自动实现最优决策,以⽤于解决新增长时代日益复杂的生产、生活问题。

企业正进入数字化深化、智能化延伸的阶段,这包括了智能决策应用的探索与实施。

政策导向非常明确。《工业互联网创新发展行动计划(2021-2023年)》重点任务之一的“新型模式培育行动”提出:要发展智能化制造。实现全流程动态优化和精准决策。实施数字化管理。开展动态市场响应、资源配置优化、智能战略决策等新模式应用探索。

制造与管理是工业企业的两大核心,是智能决策的首要目标场景。数字化、智能化的深入使研发、制造、运营、销售、服务全价值链“数据就绪”,这为决策智能深入生产制造与运营管理优化创造了条件。

决策精细化、自动化将加持企业增长。那么,到底什么是智能决策?有什么关键技术?如何实施?它与信息化、数字化转型有何关系?

智能决策是刚需

中国首个工业智能决策白皮书《2022工业“智能决策”白皮书——点亮企业增长的“灯塔”》(下称“白皮书”)于近期发布,该白皮书由爱分析、杉数科技、卡奥斯共同组织编写。

白皮书指出,智能化是工业互联网建设价值的核心,智能决策是工业互联网智能化的“大脑”,以全局优化为目标实现企业综合收益最大化。

或者,如果说智能化是工业互联网的价值C位,智能决策就是C位的C位。

这是因为,过程是在执行决策,而决策涉及生产、管理等全价值链、全流程。

根据白皮书,智能决策是组织或个人综合利用多种智能技术和工具,基于既定目标,对相关数据进行建模、分析并得到决策的过程。该过程综合约束条件、策略、偏好、不确定性等因素,可自动实现最优决策,以⽤于解决新增长时代日益复杂的生产、生活问题。

流程上,智能决策首先将实际问题中的决策标的、约束、偏好以及目标转化为数学模型,然后在模型基础上输入数据,利用机器学习、运筹优化等技术,对模型进行高效求解。

其中,机器学习技术通过强化学习、深度学习等算法实现预测,通常需要⼤量数据来驱动模型以实现较好的效果;适用于描述预测类场景,如销量预测。

运筹优化技术基于对现实问题进行准确描述刻画来建模,通过运筹优算法在⼀定约束条件下求目标函数最优解,对数据量的依赖性弱,结果的可解释性强;适用于规划、调度、协同类问题,如人员排班、补配货。

机器学习与运筹优化技术的深度融合,推动智能决策技术不断扩充能力边界。

一个面向16个细分⾏业的222家企业CIO的调查结果显示,“辅助管理层决策”已成为企业最关注的⼤数据应⽤场景。这是个“刚需”。

智能决策要有大局观

但凡有数据、有信息,需要做出选择,这就是决策。决策可大可小。在应用中,落地的场景会不同。

杉数科技工业与智能制造副总裁黄翔说,整体上,每个行业都已经具备了进一步智能化,推进智能决策的基础。

在工业领域,智能决策的典型应用场景可以分为面向设备、面向生产、面向运营(市场/销售/⽣产/供应链)、面向产业链四大方面。实施路径,可先从最核心的生产环节切入,同时打通端到端供应链,以及增强设备监控管理,再横向拓展到产业链上下游协同创新。

以产业链为例,利用智能决策,工业企业可以通过上下游协同运营进行柔性化生产,基于市场竞争进行差异化定价,通过消费者大数据分析,洞察流行趋势与市场需求进行新品优化,从而在整个供应链系统中匹配最优生产资源。

上汽通用作为国内龙头整车厂,在本土化发展过程中,国外整车厂信息化工具无法满足国内生产制造实际需求,为提⾼⽣产计划效率,上汽通用通过建设智能排产系统实现排产优化和均衡化物料需求,拉动物流车次运输效率提升10%,日均运输管理费用降低7%,整体年化收益达数百万。整车生产装配涉及众多供应商与上万种零件,为保证平稳生产,供应、仓储及入场物流都面临解决复杂约束问题的挑战。通过智能决策技术,可以实现“生产+供应+仓储+物流”的全面整合,从局部优化到全局优化。

在细分领域,智能化程度各不相同,头部企业已开始将智能决策应用于供应链协同、柔性⽣产等环节。从行业看,智能决策已从应用程度比较高的汽车制造业、3C电子制造业,逐步向机械、钢铁、纺织等行业渗透,覆盖离散制造与流程制造典型行业。

工业生产各环节成本关联性强,有相互制约性,仅考虑单⼀环节成本最优则会陷入“木桶效应”,所以智能决策应以“全局优化”为目标实现企业综合收益最大化。

爱分析合伙人&首席分析师黄勇指出,全局优化就是从企业的核心目标去考虑。例如,不能单纯为了降库存而让前端生产的产品卖不出去。决策就是取舍,因此“大局观”很重要。

在六国化工,通过建设产销协同智能决策系统,实现了以利润为导向,指导整体采购、生产、库存、发运。同时通过优化产能规划与生产工艺,进一步符合环保控制要求。

以求解器为牵引更多场景可期

实现智能决策的开发与部署,需要通过机器学习引擎进行相关算法的敏捷开发,以及通过求解器对运筹优化模型进⾏算法优化和求解。

求解器是工业智能决策发展的关键核心技术。

能将复杂商业问题“通盘考虑、统筹优化”的数学规划求解器,长期处于国外技术垄断状态,早期国内求解器发展缓慢。

2017年10⽉,杉数科技与上海财经大学共同发布国内首个开源求解器LEAVES。2019年5⽉,杉数科技发布国内首个达到世界一流水准的线性规划求解器COPT(Cardinal Optimizer),此后陆续推出整数规划求解器、⼆阶锥优化求解器。

“求解器是一个通用工具,类似于定制的‘芯片’,是数字化、智能化的基础设施。”爱分析黄勇说。

以求解器为核心搭建的智能决策平台,以及平台上的模型应用层、产品应用层,要根据行业特性和场景适配。这需要数据中台和应用中台为支撑,并落实到具体的应用场景。

所以,智能决策厂商是否具备跨场景落地能力,一方面要看企业是否拥有自主可控的底层技术能力;另一方面,是否有实打实的案例支撑。

只有在工业、零售、物流各个行业有相应的行业案例,才能理解这些行业特有的业务模型或数据模型。

杉数科技求解器COPT,也是支撑杉数端到端供应链平台的核心组件。其落地有两条路径:

第一,作为服务商直接服务客户。一是基于解决方案,结合行业直接服务于场景,如上汽通用、舜宇光学等客户;二是与平台进行深度融合,如前文海尔集团案例中,即为杉数科技与海尔卡奥斯合作。

第二,与科研单位合作共建,把求解器作为一个重要的科研工具,提供给科研院所,后者对最终的应用场景进行研发和应用落地。目前,这种模式在能源、交通等行业比较深入。

以轨道交通行业为例,杉数和轨交客户达成能力共建,将决策智能技术提供给客户,客户将业务应用的场景理解加深了以后,形成相应的实施基础,最终贡献落地应用,也为自身带来了实打实的价值。

“我们一直在推动行业共建。”杉数科技黄翔表示。

数字化和智能化是螺旋式上升的过程。有了更多的数据,就会诞生更多的应用场景;有了更多的场景落地后,反过来需要更多的数据做支撑,深化应用场景。

所有的场景都是随着社会的发展、数据的积累、新业态的诞生而不停地更新。而随着整个行业对智能决策的理解加深,未来应用会越来越丰富。

杉数会“随需应变”,不断更新迭代智能决策模型、产品和方案。

决策就是资源的配置和调度,资源可以是人、财、物、设备、时间。他们的配置优化,目的是企业增长。

下一步,杉数科技将推进智能决策向更多行业场景延伸。

信息化软件服务网 - 助力数字中国建设 | 责编:莎莉
文明上网,理性发言!请遵守新闻评论服务协议
评论