前不久,北京地區刮起了一陣搶購“冰柜”的風潮,其背后是人們對疫情防控的誤判和大量囤貨導致的連鎖反應。實際上,判斷并給出決策一直是人腦中最復雜的功能之一。在激烈的市場競爭與疫情帶來的不確定環境下,如何通過數據驅動使企業獲得運營管理的最優解,則是企業數字化轉型的重要抓手。在研究咨詢機構愛分析聯合杉數科技共同編寫的《2022工業“智能決策”白皮書》中提出,管理層最關心的大數據應用場景多數都可以使用智能決策技術進行賦能,未來通過智能決策機制可以在供應鏈及制造管理方面釋放的價值空間高達1.2至2萬億美元。
由于決策優化通常是在有限資源和滿足業務規則條件下進行全面而綜合(多個業務目標平衡)考慮,計算出給定場景下的更佳甚至最佳方案,是一項復雜的系統工程,而機器學習與運籌優化的深度融合,則成為了企業經營決策從經驗和流程驅動轉向數據驅動、自動化決策的關鍵。在日前舉辦的媒體溝通會上,愛分析合伙人&首席分析師黃勇和杉數科技工業與智能制造副總裁黃翔剖析了智能決策在推進智能制造過程中扮演的角色、智能決策落地的關鍵技術以及杉數科技如何通過自主創新求解器對運籌優化模型進行算法優化和求解,為企業高效精準的實施智能決策,以全局思維推進數字化轉型落地提供了參考與借鑒。
以智能決策應對不確定性
當前百年變局與世紀疫情交織疊加,越來越多的制造企業逐漸意識到產業升級帶來的智能制造已經深入各個行業,率先實踐數字化轉型的行業先行者與跟隨者之間的差距已日益顯現,許多企業對數字化技術投資已經突破“單點應用”,開始轉化為運營指標的提升及財務回報,朝著規?;瘡椭坪拖騼r值鏈各個環節延伸。在此過程中,持續籠罩的疫情陰影則將企業的供應鏈管理與抗風險能力提到了新的高度。例如上海地區作為首批重點單位開始復工復產壓力測試汽車制造企業,就面臨上游供應鏈斷裂、采購成本上升、員工地域受限、交通物流受阻等一系列問題。
面對不確定的疫情散發風險和確定的數字經濟浪潮,制造企業需要重新審視自身供應鏈,需要從銷售預測上考慮突發事件對訂單量的影響;從生產計劃層面考慮對工廠產能的影響;從原材料供應方面解決突發事件對斷供的影響;從物流層面思考如何應對突發事件對于原材料、半成品,成品的物流運輸環節不及時、不通暢的影響。
這就要求企業通過端到端的數據深度集成與建模分析,愛分析合伙人&首席分析師黃勇介紹智能決策面向的產業鏈是在打通上下游企業信息流的基礎上,實現將產業鏈上企業整體進行各種資源同一調配,形成更加深度與高效的協作關系。在工業互聯網和智能制造引領的數字浪潮下,企業通過實現核心環節智能優化與決策,可以由自下而上的信息流與自上而下的決策流共同構成了應用優化閉環。例如從生產類型劃分,整車制造屬于典型的離散制造業,上游擁有數萬零部件,對應多層級供應鏈體系。因此,供應鏈的高度復雜決定了對整車的訂單、生成、物料進行統籌規劃的難度。
圖 整車廠供應鏈管理圖譜(來源:愛分析)
在黃勇看來,通過將實際問題中的決策標的、約束、偏好以及目標轉化為數學模型,是將決策問題與智能化手段和方法進行銜接的關鍵環節。在已經建?好的模型基礎上輸入數據,利用機器學習、運籌優化等技術,對模型進行高效求解。傳統的業務決策依賴于業務規則和專家經驗,從傳統決策到智能決策經歷了長期的發展過程。
圖 智能決策流程示意圖
實際上,自從2018年開啟人工智能“元年”,許多領先的制造企業就開始考慮人工智能對自身戰略的潛在影響并研究如何將這項技術用于解決業務問題。隨著數據科學和人工智能技術的發展,系統基于“數據+算法” 可以在決策中實現越來越重要的價值。如今,企業端訴求、技術變革與基礎設施完善共同推動智能決策時代到來。根據Gartner的預測,到2023年,超過33%的大型機構將采用智能決策的實踐。
“頭腦風暴”背后的自主創新之路
《“十四五”規劃和2035年遠景目標綱要》提出,要“充分發揮海量數據和豐富應用場景優勢,促進數字技術和實體經濟深度融合,賦能傳統產業轉型升級,催生新產業新業態新模式,不斷做強做優做大我國數字經濟。”對于企業而言,在應用智能決策的過程中,離不開方法指引,也離不開場景選擇、業務邏輯的深入理解,更離不開機器學習和運籌學技術的深度融合。
在杉數科技工業與智能制造副總裁黃翔看來,運籌學和機器學習的關系相對而言比較抽象。在企業實際運行中,機器學習技術主要是通過強化學習、深度學習等算法實現預測,通常需要大量數據來驅動模型以實現較好的效果,它往往適用于描述預測類場景,如銷量預測等;而運籌優化技術則是基于對現實問題進行準確描述刻畫來建模,通過運籌優算法在一定約束條件下求目標函數最優解,對數據量的依賴性弱,結果的可解釋性強,它往往適用于規劃、調度、協同類問題,如人員排班、補配貨等場景。
例如服裝行業或者快銷品行業都會面臨補貨的場景,為了保持庫存平衡,則首先需要應用人工智能技術對市場銷售有一定的預測,再利用運籌優化等多級庫存的模型去進行更好的補貨策略的制定??梢钥闯?,機器學習主要是在數據側對起因及結果的記錄乃至預測,而運籌優化主要在邏輯側對問題進行理解及分析進而建模,兩者都是現實工業生產中解決問題的重要構成要件,但也各自均存在不同程度的局限性,因此推動這兩大支撐技術的有效和深度融合,則能夠“取長補短”,更好地服務于智能決策速度和質量的提升。
猶如生物進化,智能決策在機器學習和運籌學技術不斷發展和應用持續深化的進程中,自身也逐漸進化,而且這種進化衍生的速度遠高于企業發展歷程。實現智能決策的開發與部署,需要通過求解器對運籌優化模型進行算法優化和求解,機器學習引擎對機器學習相關算法的敏捷開發。尤其是在求解器領域,作為支撐我國工業智能決策發展的關鍵核心技術,國外IBM等廠商一直處于先發和領先地位, 黃翔介紹目前全球比較成熟的求解器公司包括IBM旗下的Cplex、FICO旗下的Xpress以及獨立公司Gurobi。這三家公司構筑起了極高的市場競爭門檻,也形成了深不可測的“技術鴻溝”。
正是看到求解器在推進智能制造,發揮智能決策中的關鍵作用,同時也為了盡快填補國內自主知識產權求解器領域的“空白”。2017年10月,杉數科技與上海財經大學共同發布國內首個開源求解器,拉開了中國在求解器領域的高速發展步伐。在2019年5月,杉數科技發布國內首個達到世界一流水準的線性規劃求解器COPT。
從技術能力方面,黃翔表示杉數科技目前的優化求解器已經覆蓋了線性規劃、整數規劃、二階錐規劃、凸二次規劃以及凸二次約束規劃等,從技術領先性和應用場景豐富度上與國際品牌保持一致。但他同時指出,求解器能力的發揮還需要與場景匹配,面對國內工業領域從工業1.0到工業4.0的跨度和千行百業不同know-how下的獨特需求,杉數科技深入理解企業應用場景中的痛點,將求解器與企業應用進行深度匹配,這也是杉數科技相較于國外廠商更有優勢的重要原因之一。
以杉數科技最初發布的線性規劃場景為例,這是求解器的入門場景,從求解能力上杉數科技和Cplex、Gurobi已經位于同一起跑線。由于實際在落地過程中,企業不可能生產0.2個手機、0.5臺電視,因此杉數科技還格外注重整數規劃的應用場景應用,并于2021年6月正式推出國內首個整數規劃求解器,徹底打破國際技術壁壘,這是因為整數規劃對于航空航天、能源電力、智能制造、供應鏈管理等國家關鍵領域應用尤為重要。此外,在具體落地到應用層面,杉數可以做更深層的技術支持和定制化開發,通過杉數量身打造的科學家和業務顧問團隊去做對應模型探索和研究,以“場景式創新”為企業帶來實實在在的價值。
“兩手抓”吹響智能決策應用“集結號”
如今,求解器在零售、快消、物流、工業制造、能源、航空等多個行業有著天然的場景需求,尤其是隨著這些行業數字化轉型和智能化升級的加速,基于求解器等相關技術的智能決策正在迅速成為行業用戶的強勁需求。然而不可否認的是,國內不少制造企業還處在推進智能制造的初期,黃翔認為企業關心前沿的應用趨勢、技術概念是必要的,但還應著眼于實操和實效。
在黃翔看來,雖然一定程度上,只有自身信息化建設達到一定程度后,才能更好的發揮智能決策價值,但這不妨礙那些不具備條件的企業以此獲得支持和提振。一方面,杉數科技面向自身信息化比較完善的企業,通過融合企業工業互聯網平臺、ERP、MES系統進行整個生態鏈的外延,以數據為基礎進行上層應用的創新,實現數據優化和決策分析,通過生態共建的方式,實現端到端智能決策應用系統落地。例如杉數科技在工業富聯工業互聯網平臺基礎上,通過智能排產計劃系統(APS),幫助企業真正地實現自動、智能的生產計劃,從機械繁復的工作中解放計劃員,實現企業供應鏈更加柔性的進行整體計劃安排。
另一方面,面對數字化基礎薄弱的企業,杉數科技則直接提供“交鑰匙”的工程,幫助他們搭建智能決策綜合平臺,首先服務好一個具體的應用場景。正所謂“九層高塔,始于壘土”,黃翔表示很多時候智能決策應用的第一個PoC(概念驗證)項目至關重要,它可以為企業未來打好基礎,并獲得信息化團隊的支持。
目前,杉數科技的決策優化解決方案已在20多個細分領域落地應用,服務包括上汽通用、一汽大眾、海爾、舜宇光學、東方日升、中國商飛、六國化工、工業富聯、小米、雀巢、太古可口可樂、百威英博、強生、中國郵政、順豐科技、滴滴出行、上海地鐵、永輝超市、國家電網以及南方航空等超百家國內外知名企業。
通過技術到場景,再到功能,層層推進,黃翔表示目前杉數科技正保持技術與應用的“兩條腿”走路。在他看來,持續加大技術研發力度,提升求解器的求解規模、求解速度、建模效率和求解效率是杉數科技的源動力。而深入企業應用場景,發揮求解器的實際價值則是杉數科技的最終目標。正是這種“技術創新內循環與應用生態外循環”的策略,促使杉數科技專注而卓越,創新而不凡。放眼未來,杉數科技將構建更加精準、高效、完整的智能決策解決方案,并將能力開放給廣大的生態伙伴,助力更多用戶實現數據驅動下的最優決策,讓更多制造企業能夠源源不斷駛向數字轉型的價值新藍海。