자동차 산업의 지능적 의사결정 기술 적용 사례

신에너지, 자율주행, 인공지능 기술의 발달로 자동차 산업의 지능화 수준도 높아졌습니다. 인공지능 분야의 '최고의 보석'인 의사결정 지능이 자동차 산업의 디지털 혁신을 어떻게 촉진합니까? 의사결정 인텔리전스의 실제 구현을 위한 문제점과 솔루션은 무엇입니까? 이 글은 10년간의 개인 데이터 분석 경험을 결합하고 실용적인 관점에서 자동차 산업의 운영 최적화에 대한 실질적인 탐구와 경험 요약을 소개할 것입니다. 이번 공유 세션에서는 다음 사항에 중점을 둘 것입니다. 4가지 포인트:

• 자동차 산업 체인 소개
• 운영 최적화는 자동차 산업에 힘을 실어줍니다.
• 운영 최적화 프로젝트 구현의 어려움
• 실용적인 탐구와 경험 요약

01 자동차 산업 체인 소개

자동차 산업 체인은 네 가지 핵심 부분으로 나눌 수 있습니다. 자동차 산업 체인 전체에 걸쳐 자동차의 제조, 판매 및 판매 후 서비스에 대한 부품 조달. 또 다른 부분은 부품 조달입니다. 일반적으로 자동차 회사는 많은 자동차 부품 회사의 지원을 받게 되는데, 이는 매우 중요합니다. 세 번째 영역은 자동차 제조사입니다. 자동차 제조사의 경우 일반 부품은 공급업체에서 지원하고, 엔진, 기어박스 등 핵심 부품은 자체 생산합니다. 네 번째 블록은 판매 및 서비스입니다. 전통적인 판매 모델에는 딜러가 있고, 딜러는 이제 다양한 고객에게 배포합니다. 판매 후에는 애프터 유지 관리, 보험, 중고차 및 일련의 애프터 서비스를 포함한 애프터 서비스 및 보험 서비스가 제공됩니다.

자동차 산업 체인이 매우 길기 때문에 역할을 할 수 있는 다양한 인공지능 기술이 있을 것입니다. 예를 들어, 자동차 부품에 대한 지식 그래프를 구축할 수 있는데, 제조 및 품질 측면에서는 예측 유지 관리 및 결함 감지는 물론 자동차 판매 과정에서 송장 식별, 자동차 장식 부품 식별 등이 있습니다. 인공지능 기술을 사용할 수 있다. 데이터 통계 분석, 기계 학습부터 자연어 처리, 지식 그래프, 지능형 상호 작용 및 컴퓨터 비전과 같은 인공 지능 분야의 다양한 기술에 이르기까지 자동차 산업 체인에서 많은 응용 시나리오를 찾을 수 있습니다. 많은 자동차 제조사들이 자동차 산업에 합류하고, 신에너지와 자율주행 기술이 발전함에 따라 자동차 산업은 점점 더 지능화될 것입니다.

02 운영 연구 최적화는 자동차 산업에 힘을 실어줍니다.

운영 연구 최적화는 제약 조건 하에서 하나 이상의 목표를 최적화할 수 있는 최적의 결정을 찾는 것입니다. 운영 연구 최적화는 모델링과 해결이라는 두 가지 주요 단계로 나뉩니다. 모델링의 첫 번째 단계는 실제 문제를 수학적 최적화 모델로 전환하는 것입니다. 모델에는 의사결정 변수, 목표 및 제약 조건 등을 포함한 몇 가지 핵심 요소가 포함되어 있습니다. 다음 단계는 해결하는 것입니다. 솔루션에는 많은 최적화 알고리즘이 포함되며, 그 중 일부는 정확한 솔루션을 위한 것이고 일부는 다른 최적화 알고리즘을 포함하는 부정확한 솔루션을 위한 것입니다. 경로 최적화, 위치 최적화, 공급망 최적화, 네트워크 레이아웃 등과 같은 운영 연구에는 전통적인 응용 프로그램이 많이 있습니다.

다음은 자동차 공급망에서의 운영 연구 최적화 적용을 소개합니다. 예를 들어, 터미널 수요 수집 측면에서 신에너지 포인트 정책은 자동차의 장기 계획과 국가 정책 요구 사항에 맞게 자동차를 계획하는 방법에 영향을 미칩니다. R&D 및 디자인 분야에서는 생산 스케줄링, 재고 관리 등의 R&D 및 디자인, 차량 배치 전략에 대한 주문 관리, 운송 계획 및 스케줄링 등의 물류 및 운송 등이 있습니다. 의사결정 수준과 실제 적용 범위에 따라 자동차 분야의 적용 시나리오는 세 가지 수준으로 나눌 수 있습니다.

• 첫 번째 수준은 전략적 수준의 최적화, 자동차 생산능력 계획, 부품 가공 기술 계획, 장기 재고 계획, 장기 창고 계획 등이 있습니다. 전략적 수준에서의 최적화는 적시성 및 안정성에 대한 요구 사항이 낮지만 결과 최적화에 대한 요구 사항은 더 높습니다.
• 두 번째 수준은 계획 수준의 최적화입니다 생산 계획, 유통 계획, 물류 계획, 자재 계획 등 최적의 솔루션, 적시성 및 안정성에 대한 특정 요구 사항이 있으며, 대개 매주 또는 매달 몇 가지 계획을 세웁니다.
• 세 번째 수준은 작업장 일정, 경로 선택, 재료 공급 등과 같은 실행 수준 최적화 입니다. 여기에는 정상적인 생산이 포함되며 최적화 결과는 최적화를 위해 즉시 영향을 미칩니다. 시스템 적시성 및 안정성에 대한 요구 사항은 매우 높습니다.

간단히 말하면, 전략적 수준은 최적의 최적화를 수행하는 경향이 있습니다. 계획 수준에는 최적성, 적시성 및 안정성 측면에서 특정 요구 사항이 있습니다. 성능은 상대적으로 약하지만 적시성과 안정성에 대한 요구 사항은 상대적으로 높습니다.

아래 공유는 운영 최적화의 세 가지 예입니다.

가공 공정 계획 최적화 엔진의 가공 계획을 설계할 때 기존의 가공 공정에서는 엔진을 완성하기 위해 수십 명의 수석 엔지니어와 수개월의 수작업 준비가 필요합니다. 작업이 완료되었고 작업량이 엄청납니다. 배치 결과는 실현 가능한 솔루션만 찾을 수 있을 뿐 최적의 솔루션을 찾을 방법은 없습니다. 이러한 가공 문제를 수학적으로 모델링하여 최적의 솔루션을 얻을 수 있으며, 이를 통해 실제 적용 시 안무 작업의 80%를 줄일 수 있습니다. 이는 중장기 계획이며, 주로 비용 최적화가 목표입니다. 이 목표에는 정확한 솔루션이 필요합니다. 규모가 상대적으로 큽니다. 수학적 모델이 구축된 후에는 이를 해결하는 데 솔버가 사용됩니다.

두 번째 예는 생산 계획의 최적화입니다 부품 생산, 테스트 차량 생산, 완성차 생산 등 자동차 분야의 생산 라인은 모두 생산 계획이 필요합니다. 일반적으로 생산기획의 목표는 컬러밸런스, 구성밸런스, 일일밸런스, 월간밸런스 등 생산의 밸런스를 맞추는 것입니다. 동시에 이러한 종류의 생산 계획을 최적화하려면 성능에 대한 요구 사항도 있습니다. 공장이 너무 많기 때문에 각 공장에는 생산 계획을 마련할 계획자가 있을 수 있습니다. 이는 일반적으로 시간 대응에 대한 특정 요구 사항도 필요합니다. 정수 프로그래밍 모델의 솔루션을 사용합니다.

세 번째 예는 재고 최적화입니다. 창고 재고, 딜러 재고, 차량 재고, 부품 재고 비용은 모두 매우 높습니다. 일반적으로 특정 서비스 수준을 충족시키면서 재고를 최대한 낮게 유지해야 합니다. 기존의 전통적인 모델은 재고 최적화 모델을 이용하여 판매량, 평균 수요, 만족도 목표, 품절 비용 등을 종합적으로 예측하여 재고 최적화 모델을 구축하고 최종적으로 안전 재고, 목표 재고 수준, 계획을 주문하고 포인트를 재주문합니다. 요즘 재고 최적화는 일반적으로 전통적인 방법을 기반으로 수행되고 기계 학습 알고리즘과 결합됩니다.

03 운영 연구 및 최적화 프로젝트 수행의 어려움

운영 연구 및 최적화 프로젝트 수행의 어려움 컨셉 검증부터 본 프로젝트 구현까지의 과정에 따르면 주요 내용은 다음과 같습니다.

• 비즈니스 로직이 상대적으로 복잡함: 비즈니스 로직의 복잡성은 다양한 비즈니스에 고유명사가 많다는 점이며, 비즈니스 수요자와 모델링 엔지니어 간의 의사소통이 매우 어렵습니다. 모델링 엔지니어는 성공적인 모델링을 위해 모든 세부 사항을 이해해야 하므로 비즈니스 요구 사항을 이해하는 것이 더욱 복잡해집니다.
• 모델링의 어려움: 한편으로는 비즈니스 목표와 제약 조건을 정량화할 수 없기 때문에 최단 처리 시간 요구 사항, 생산 계획은 가능한 한 균형을 이루도록 하는 것이 정량화할 수 없는 제약입니다. 반면 실제로는 많은 문제가 비선형적이어서 모델링과 구현이 어렵습니다.

• 해결 시 해결 방법 없음: 모델 해결 시 해결 방법이 없을 수 있습니다. 또한, 솔버의 성능 문제일 수도 있습니다. 일부 문제는 문제를 해결하는 데 많은 에너지가 필요합니다.

• 솔루션 수용은 사용자 습관에 영향을 받습니다.: 운영 최적화에서 직면하는 큰 문제는 솔루션 결과가 사용자 습관과 일치하지 않는다는 것입니다. 문제 아이디어를 받아들이지 않고 최적화 솔루션을 받아들이지 않습니다.

• 프로젝트가 반복적으로 반복되고 비용이 증가합니다: 프로젝트가 완료되면 갑자기 요청이 발생하는 경우가 많습니다. 비즈니스 배경이 탄탄하지 않으면 사용자가 상식이라고 생각하지만 전달되지 않는 요구사항이 누락되는 경우도 있습니다. 또한 운영 연구 및 최적화의 사용자 정의 수준이 매우 높으며 새로운 시나리오와 제약 조건으로 인해 모델이 반복적으로 반복됩니다.

04 실제 탐구 및 경험 요약

다음은 프로젝트의 여러 단계를 요약한 것입니다.

1. POC(개념 증명) 단계

POC 단계는 프로젝트 구현 전 개념 증명입니다.

• 일반 프로젝트에는 개념 증명이 없을 수 있으며, UI 인터페이스를 시연하고 요구 사항을 제출하기만 하면 됩니다.
• 분석 프로젝트의 알고리즘 결과는 프로젝트 성공의 핵심 요소입니다. 예를 들어 이미지 인식 프로젝트에서는 이러한 정확도를 달성할 수 있는지 여부가 더 중요합니다. 프로젝트의 성공이나 실패를 좌우합니다. 예측 프로젝트의 예측 정확도 역시 프로젝트 성공의 핵심 요소입니다. POC 단계에서는 기준이 합리적인지 검증하는 과정이 필요합니다.
• 운영 최적화 프로젝트의 경우 분석 프로젝트의 요소를 갖추는 것 외에도 사용자가 요구하는 분석 프로젝트의 정확성을 80% 검증하는 등 잠재 프로젝트 단계의 기능을 검증하는 것도 필요합니다. 이제 78%에 도달했습니다. 그러면 추가 최적화를 통해 달성할 수 있을 것입니다. 그러나 수요 변화가 계획에 미치는 영향으로 인해 POC 단계의 운영 연구 최적화 프로젝트 검증은 참고용으로만 사용될 수 있습니다. 예를 들어, 가장 낮은 비용의 최적의 솔루션이 필요한 경우 현재 요구 사항에 대해 이 솔루션을 사용하는 것이 가능하지만 프로젝트 구현 과정에서 더 많은 요구 사항과 더 많은 제약 조건이 제시되면 POC가 보장되지 않을 수 있습니다. .단계 검증 효과. 이는 운영 최적화 프로젝트에서 두드러진 어려움과 위험 지점입니다.

2. 단계 정의

• 일반 프로젝트에서는 현재 프로세스, 미래 프로세스, 보고 요구 사항, 비즈니스 역할 및 성과 요구 사항을 정의합니다.
• 분석 프로젝트는 비즈니스 문제점, 입력, 출력 및 표준을 정의합니다. 예를 들어 입력은 사진이고 출력은 인식된 필드와 정확도입니다.
• 운영 연구 최적화 프로젝트는 비즈니스 목표, 최대 이익, 최고 효율성, 생산 능력 제약, 순서 제약 등을 정의합니다. 모델러는 좋은 모델을 구축하기 위해 모든 제약 조건을 명확하게 파악해야 하며 다른 유형의 분석 프로젝트보다 요구 사항을 논의하는 데 더 많은 시간을 할애합니다.

3. 구축 단계

• 요구 사항이 명확하게 명시되어 있는 한, 일반 프로젝트는 요구 사항에 따라 직접 개발할 수 있습니다.
• 분석 프로젝트에는 일부 데이터 문제가 있습니다. 예를 들어 데이터가 정의 단계에서 분석 요구 사항을 지원하지 않는 경우가 있습니다.
• 운영 연구 및 최적화 프로젝트에서는 제약 조건 충돌로 인해 해결책이 없고 사용자가 제약 조건이 무엇인지 다시 정의해야 하거나 원래 이해한 제약 조건이 사용자가 명시한 제약 조건과 다른 등 더 많은 문제에 직면하게 됩니다. 되돌려야 합니다. 논리 점검을 수행하십시오. 또한 모델을 검증하고 모든 제약 조건을 충족하는 실행 가능한 솔루션을 준비하려면 완전한 데이터 세트가 필요합니다.

4. 테스트 단계

• 일반 프로젝트에는 기능별 테스트, 순방향 테스트, 역방향 테스트, 스트레스 테스트, 사용자 테스트 등이 포함됩니다.
• 분석 프로젝트에서는 일반 프로젝트에 필요한 테스트 테스트 외에도 실제 데이터를 사용하여 알고리즘 결과가 표준을 충족하는지 테스트해야 합니다.
• 운영 연구 최적화 프로젝트를 테스트한 결과 이전 제약 조건이 충족되어 결과를 해결할 수 있는 것으로 나타났습니다. 그러나 사용자는 갑자기 이때 일부 제약 조건을 잊어버렸을 수 있습니다. 다시 추가하고 개발 반복 단계에 다시 들어가야 하므로 운영 최적화 프로젝트의 테스트 단계에서 충분한 테스트 시간을 남겨야 합니다.

05 Wonderful Q&A

Q: 생산 기획 시 주문 삽입 계획은 어떻게 구현되나요?

A: 주문 접수 계획이 생산 계획 중인데 갑자기 새로운 계획이 나오네요. 생산 계획은 일반적으로 주 단위로 이루어집니다. 일주일 이내에 계획 시점이 지나면 주문이 고려되지 않습니다. 그러나 "특정 주의 색상 생산량을 미리 잠가야 함"과 같은 고정된 장기 요구 사항을 모델에 배치할 수 있으며 제약 조건으로 모델에 배치할 수 있습니다. 하지만 이번 주가 계획대로 생산되고, 생산 계획이 발효되어 임시 주문 접수일 뿐이라면 모델에 넣을 필요도 없고 수동으로 조정해야 할 수도 있습니다.

Q: 자동차 회사의 물류 연구 애플리케이션 현황은 어떻습니까? 일반 알고리즘으로 얻은 결과가 영업사원의 경험과 상반되는 경우 알고리즘으로 얻은 결과를 홍보할 수 있나요? 승급 후 실제 효과. 일반적으로 어떻습니까?

A: 여기에는 두 가지 질문이 있습니다. 첫 번째는 자동차 산업에서 운영 연구 애플리케이션의 현재 애플리케이션 상태는 무엇입니까? 두 번째는 모델 결과와 사용자 경험이 충돌할 경우 어떻게 해야 하는지에 대한 경험입니다.

먼저 첫 번째 질문에 대해 말씀드리겠습니다. 저는 개인적으로 자동차 산업의 운영 최적화 적용 시나리오가 다양한 전자상거래 산업을 포함한 전체 산업에서 가장 복잡하다고 생각합니다. 다른 산업에서 볼 수 있는 다양한 시나리오는 자동차 산업에서도 찾아볼 수 있으며, 제조사마다 구현 상황이 다릅니다. 공장을 설립한 지 오래되면 데이터 축적이 상대적으로 풍부하고 기본 시스템화가 상대적으로 성숙되어 있으며, 운영 최적화 구현은 더 쉬울 것입니다. 그러나 오래된 장비에는 문제가 있을 수도 있습니다. 예를 들어 일부 작업장의 장비는 상대적으로 오래되었고 추출된 데이터는 적시에 피드백을 받지 못하여 실시간 일정 조정이 어렵습니다.

두 번째 질문은 최적화 결과가 사용자와 충돌할 경우 모델러와 사용자 모두 타협해야 한다는 것입니다. 모델링에도 몇 가지 제한 사항이 있으므로 수학적 모델을 구현하기 전에 일부 복잡한 비즈니스 시나리오를 단순화해야 합니다. 비즈니스 사용자가 자신의 습관에 따라 일을 고집한다면 결과는 최적화 없이 그의 습관과 같을 수 있습니다. 또한 모델러도 비즈니스 관점에서 이해해야 합니다. 사용자에게는 이러한 작업이 정말로 필요하며 이를 도울 수 있는 방법을 최대한 많이 생각해야 합니다. 따라서 위의 내용을 바탕으로 성공적인 운영 최적화 프로젝트를 위해서는 수요 측면과 구현 측면 간의 조정이 필요합니다. 여러 당사자가 공통 목표를 중심으로 협력할 때만 상대적으로 성공적인 프로젝트가 구축될 수 있습니다.

Q: 자동차 산업의 재고 관리 및 보충 링크에서 강력한 최적화의 적용 상황은 무엇입니까?

A: 자동차 산업의 재고 최적화는 성숙한 부품, 새 부품, 수요가 적은 부품 등 다양한 상황에 따라 다양한 처리 방법을 사용합니다. 성숙한 부품이라면 기본적으로 시계열적으로 예측된 ​​수요, 수요의 분포 변동을 바탕으로 재고 이론에 따라 목표 재고 수준과 안전 재고를 만들기에 충분합니다.

수요가 적은 부품의 경우 딜러는 일반적으로 한 달 또는 반년에 한 부품만 소비합니다. 일반적으로 재고는 한 개만 사용하면 이론이 필요하지 않습니다. , 교체하겠습니다. 실제로 모든 이론이 직접적으로 사용되는 것은 아니며 이 문제를 해결하기 위해 비즈니스 제한, 귀중한 실무 경험 및 기타 측면을 결합해야 하는 보다 유연한 방법이 있을 것입니다.

위 내용은 자동차 산업의 지능적 의사결정 기술 적용 사례의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!