Amalan aplikasi teknologi membuat keputusan pintar dalam industri automotif

Dengan pembangunan tenaga baharu, pemanduan autonomi dan teknologi kecerdasan buatan, tahap kecerdasan dalam industri automotif juga telah meningkat. Sebagai "permata mahkota" dalam bidang kecerdasan buatan, bagaimanakah kecerdasan membuat keputusan menggalakkan transformasi digital industri automotif? Apakah titik kesakitan dan penyelesaian untuk pelaksanaan sebenar risikan membuat keputusan? Artikel ini akan menggabungkan sepuluh tahun pengalaman analisis data peribadi dan memperkenalkan penerokaan praktikal dan ringkasan pengalaman pengoptimuman operasi dalam industri automotif dari perspektif praktikal. Saya berharap dapat membawa bantuan dan inspirasi kepada kerja semua orang empat mata:

• Pengenalan kepada rantaian industri automotif
• Pengoptimuman operasi memperkasakan industri automotif
• Kesukaran dalam pelaksanaan projek pengoptimuman operasi
• Penjelajahan praktikal dan ringkasan pengalaman

01 Pengenalan kepada rantaian industri automobil

Rantaian industri automobil boleh dibahagikan kepada teras Empat bahagian , satu bahagian merangkumi R&D dan teknologi dalam keseluruhan rantaian industri automotif, daripada pemerolehan alat ganti kepada pembuatan , jualan dan perkhidmatan selepas jualan kereta itu. Bahagian lain ialah perolehan alat ganti Secara amnya, syarikat automobil akan mendapat sokongan banyak syarikat alat ganti kereta, yang sangat penting. Kawasan ketiga ialah pengeluar kenderaan Bagi pengeluar kenderaan, alat ganti am disokong oleh pembekal, dan komponen teras, seperti enjin dan kotak gear, dihasilkan sendiri. Blok keempat ialah jualan dan perkhidmatan Model jualan tradisional mempunyai pengedar, dan kemudian pengedar mengedarkan kepada pelbagai pelanggan Sekarang terdapat model jualan langsung. Selepas jualan, akan ada perkhidmatan selepas jualan dan insurans, termasuk penyelenggaraan selepas jualan, insurans, kereta terpakai dan beberapa siri perkhidmatan selepas jualan.

Rangkaian industri automobil sangat panjang, jadi akan ada pelbagai teknologi kecerdasan buatan yang boleh memainkan peranan . Sebagai contoh, beberapa graf pengetahuan boleh dibina untuk alat ganti kereta Dari segi pembuatan dan kualiti, terdapat penyelenggaraan ramalan dan pengesanan kecacatan, serta pengenalan invois semasa proses jualan kereta, dan pengenalpastian bahagian hiasan kereta, dsb., di mana. teknologi kecerdasan buatan boleh digunakan. Daripada analisis statistik data, pembelajaran mesin, kepada pelbagai teknologi dalam bidang kecerdasan buatan seperti pemprosesan bahasa semula jadi, graf pengetahuan, interaksi pintar, dan penglihatan komputer, banyak senario aplikasi boleh didapati dalam rantaian industri automotif. Memandangkan banyak syarikat pembuatan kereta menyertai industri automotif, dan apabila tenaga baharu dan teknologi pemanduan autonomi semakin maju, industri automotif akan menjadi semakin pintar.

02 Pengoptimuman operasi memperkasakan industri automotif

Pengoptimuman operasi adalah untuk mencari keputusan optimum yang boleh mengoptimumkan satu atau beberapa matlamat di bawah kekangan. Pengoptimuman penyelidikan operasi dibahagikan kepada dua langkah utama, pemodelan dan penyelesaian . Langkah pertama pemodelan ialah mengubah masalah sebenar menjadi model pengoptimuman matematik Model ini mengandungi beberapa elemen utama, termasuk pembolehubah keputusan, matlamat dan kekangan, dsb. Langkah seterusnya ialah menyelesaikan. Penyelesaian ini melibatkan banyak algoritma pengoptimuman, sebahagian daripadanya adalah untuk penyelesaian tepat, dan sebahagian daripadanya adalah untuk penyelesaian tidak tepat, yang melibatkan algoritma pengoptimuman yang berbeza. Terdapat banyak aplikasi tradisional penyelidikan operasi, seperti pengoptimuman laluan, pengoptimuman lokasi, pengoptimuman rantaian bekalan, susun atur rangkaian, dll.

Berikut ialah pengenalan kepada aplikasi pengoptimuman operasi dalam rantaian bekalan automotif. Dari segi kutipan permintaan terminal, sebagai contoh, dasar mata tenaga baharu mempengaruhi perancangan jangka panjang kereta, dan cara merancang kereta untuk memenuhi keperluan dasar negara. Dari segi R&D dan reka bentuk, seperti penjadualan pengeluaran, pengurusan inventori dalam R&D dan reka bentuk, strategi peruntukan kenderaan dalam pengurusan pesanan, dan perancangan dan penjadualan pengangkutan dalam logistik dan pengangkutan. Mengikut tahap membuat keputusan dan skop aplikasi praktikal, senario aplikasi dalam bidang automotif boleh dibahagikan kepada tiga peringkat:

• Tahap pertama ialah pengoptimuman pada peringkat strategik , seperti perancangan kapasiti pengeluaran kereta, perancangan teknologi pemprosesan alat ganti, perancangan inventori jangka panjang dan perancangan pergudangan jangka panjang. Pengoptimuman pada peringkat strategik akan mempunyai keperluan yang lebih rendah pada ketepatan masa dan kestabilan, tetapi keperluan yang lebih tinggi untuk pengoptimuman hasil.
• Tahap kedua ialah pengoptimuman pada peringkat perancangan , seperti pelan pengeluaran, pelan pengedaran, pelan logistik , Perancangan bahan, dsb., ini mempunyai keperluan tertentu untuk penyelesaian optimum, ketepatan masa dan kestabilan Umumnya, beberapa rancangan dibuat setiap minggu atau setiap bulan.
• Tahap ketiga ialah pengoptimuman tahap pelaksanaan , seperti penjadualan bengkel, memilih laluan, Bekalan bahan, dll., ini akan melibatkan pengeluaran biasa, dan hasil pengoptimuman akan menjejaskan perniagaan serta-merta Keperluan untuk ketepatan masa dan kestabilan sistem pengoptimuman adalah sangat tinggi.

Ringkasnya, dari semua peringkat, tahap strategik cenderung untuk pengoptimuman terbaik tahap perancangan adalah dari segi optimum, ketepatan masa dan kestabilan Terdapat keperluan tertentu dari segi prestasi pada tahap pelaksanaan, keperluan untuk optimum adalah agak lemah, dan keperluan untuk ketepatan masa dan kestabilan adalah agak tinggi.

Berikut ialah tiga contoh pengoptimuman operasi.

Pengoptimuman pelan proses pemesinan, apabila mereka bentuk pelan pemesinan untuk enjin, teknologi pemesinan tradisional Ia memerlukan berpuluh-puluh jurutera kanan dan beberapa bulan pengaturcaraan manual untuk menyelesaikan pengaturcaraan enjin Beban kerja adalah besar Hasil daripada pengaturcaraan, hanya satu penyelesaian yang boleh didapati, dan tidak ada cara untuk mencari penyelesaian yang optimum. Masalah pemesinan ini boleh dimodelkan secara matematik untuk mendapatkan penyelesaian yang optimum, yang boleh mengurangkan 80% kerja koreografi dalam aplikasi praktikal. Ini ialah pelan jangka pertengahan hingga panjang, dan matlamatnya adalah terutamanya pengoptimuman kos Matlamat ini memerlukan penyelesaian yang tepat. Skalanya agak besar Selepas model matematik dibina, penyelesai akan digunakan untuk membantu menyelesaikannya.

Contoh kedua ialah pengoptimuman rancangan pengeluaran , seperti pengeluaran alat ganti, pengeluaran kenderaan ujian dan kenderaan lengkap Pengeluaran semua memerlukan perancangan pengeluaran Barisan pengeluaran dalam bidang automotif semuanya memerlukan perancangan pengeluaran Secara amnya, matlamat perancangan pengeluaran adalah keseimbangan pengeluaran, seperti keseimbangan warna, keseimbangan konfigurasi, baki harian, baki bulanan, dll. Pada masa yang sama, pengoptimuman pelan pengeluaran jenis ini juga mempunyai keperluan untuk prestasi Kerana terdapat begitu banyak kilang, setiap kilang mungkin mempunyai perancang untuk mengatur rancangan pengeluaran. Ini biasanya memerlukan penggunaan model pengaturcaraan integer.

Contoh ketiga ialah pengoptimuman inventori . Kos inventori gudang, inventori peniaga, inventori kenderaan dan inventori alat ganti semuanya sangat tinggi Secara amnya, inventori mesti disimpan serendah mungkin sambil memenuhi tahap perkhidmatan tertentu. Model tradisional sebelumnya adalah menggunakan model pengoptimuman inventori untuk meramalkan volum jualan secara menyeluruh, permintaan purata, sasaran kadar kepuasan, kos kehabisan stok, dll. untuk membina model pengoptimuman inventori, dan akhirnya keluaran stok keselamatan, menyasarkan tahap inventori, pelan pesanan, dan mata pesanan semula. Pada masa kini, pengoptimuman inventori biasanya dilakukan berdasarkan kaedah tradisional dan digabungkan dengan algoritma pembelajaran mesin.

03 Kesukaran dalam pelaksanaan projek pengoptimuman penyelidikan operasi

Penyelidikan operasi pelaksanaan projek pengoptimuman Kesukaran: Melihat kepada proses daripada pengesahan konsep hingga pelaksanaan projek ini, terdapat terutamanya perkara berikut:

• Logik perniagaan ialah agak kompleks: Aspek kompleks logik perniagaan ialah terdapat banyak kata nama khas dalam perniagaan yang berbeza Sangat sukar untuk berkomunikasi antara penuntut perniagaan dan jurutera pemodelan mesti memahami setiap perkara perincian untuk berjaya model Ini menjadikan pemahaman keperluan perniagaan lebih rumit.
• Kesukaran pemodelan : Di satu pihak, kerana matlamat dan kekangan perniagaan tidak boleh diukur, penerangan kualitatif akan menjadi lebih sukar Banyak, seperti keperluan untuk meminimumkan masa pemprosesan dan membuat rancangan pengeluaran seimbang yang mungkin, adalah sebanyak mungkin kekangan yang tidak boleh diukur. Sebaliknya, banyak masalah dalam amalan adalah tidak linear, menjadikan pemodelan dan pelaksanaan sukar.

• Tiada penyelesaian semasa menyelesaikan : Mungkin tiada penyelesaian semasa menyelesaikan model Ia mungkin masalah data atau masalah dengan model Selain itu, mungkin terdapat beberapa masalah dengan prestasi penyelesai, yang memerlukan banyak usaha untuk menyelesaikan masalah.

• Penerimaan penyelesaian dipengaruhi oleh tabiat pengguna : Masalah besar yang dihadapi oleh pengoptimuman operasi ialah keputusan penyelesaian tidak konsisten dengan tabiat pengguna Pengguna akan mempunyai banyak idea mereka sendiri dan tidak akan menerima pelan pengoptimuman.

• Projek itu diulang berulang kali dan kos meningkat: Keperluan pengguna tidak dinyatakan sepenuhnya Situasi ini sering berlaku Selepas projek selesai, keperluan jurutera pemodelan kadangkala tidak mempunyai latar belakang perniagaan yang kukuh dan akan terlepas keperluan yang difikirkan oleh pengguna rasa tetapi tidak dimaklumkan kepada . Di samping itu, tahap penyesuaian penyelidikan operasi dan pengoptimuman adalah sangat tinggi, dan senario dan kekangan baharu akan membawa kepada lelaran berulang model.

04 Penerokaan praktikal dan ringkasan pengalaman

Berikut ialah ringkasan peringkat projek yang berbeza.

1 peringkat POC (Proof of Concept)

Peringkat POC Ia adalah bukti konsep yang dilakukan sebelum projek dilaksanakan.

• Projek umum mungkin tidak mempunyai bukti konsep, ia hanya menunjukkan antara muka UI dan menyediakan keperluan.
• Hasil algoritma dalam projek analisis merupakan faktor utama dalam kejayaan projek Contohnya, dalam projek pengecaman imej, ketepatan pengecaman imej adalah lebih penting. Bolehkah ia mencapai ketepatan ini? Ketepatan ramalan untuk projek ramalan juga merupakan elemen utama kejayaan projek. Dalam peringkat POC, adalah perlu untuk mengesahkan sama ada piawaian itu munasabah.
• Untuk penyelidikan operasi dan projek pengoptimuman, selain mempunyai elemen projek analisis, ia juga perlu untuk mengesahkan fungsi fasa terpendam, seperti mengesahkan fungsi projek analisis Pengguna memerlukan ketepatan 80%, dan kini ia telah mencapai 78%. Walau bagaimanapun, disebabkan oleh kesan perubahan permintaan terhadap pelan, pengesahan projek pengoptimuman penyelidikan operasi di peringkat POC hanya boleh digunakan sebagai rujukan. Sebagai contoh, jika penyelesaian optimum dengan kos terendah diperlukan, penyelesaian ini boleh digunakan untuk keperluan semasa Walau bagaimanapun, semasa proses pelaksanaan projek, jika lebih banyak keperluan dan lebih banyak kekangan dikemukakan, POC mungkin tidak dijamin. kesan pengesahan peringkat. Ini adalah titik kesukaran dan risiko yang menonjol dalam projek pengoptimuman operasi.

2. mentakrifkan fasa

• Takrifan projek am proses semasa dan proses masa hadapan , keperluan pelaporan, peranan perniagaan, keperluan prestasi.
• Projek analisis mentakrifkan titik kesakitan perniagaan, input, output dan standard keluar. Sebagai contoh, input ialah foto, dan output ialah medan dan ketepatan yang diiktiraf.
• Projek pengoptimuman operasi mentakrifkan matlamat perniagaan, keuntungan maksimum, kecekapan tertinggi, kekangan kapasiti pengeluaran, kekangan urutan, dsb. Pemodel perlu jelas tentang setiap kekangan untuk membina model yang baik Mereka akan menghabiskan lebih banyak masa membincangkan keperluan daripada jenis projek analisis yang lain.

3 Fasa Pembinaan

• Umum. Projek ini boleh dibangunkan secara langsung mengikut keperluan Keperluan penganalisis dan pemaju boleh dipisahkan sepenuhnya, asalkan keperluan dinyatakan dengan jelas.
• Projek analisis akan mempunyai beberapa masalah data Contohnya, data tidak menyokong keperluan analisis dalam fasa define.
• Projek penyelidikan dan pengoptimuman operasi akan menghadapi lebih banyak masalah, seperti konflik kekangan yang membawa kepada tiada penyelesaian dan pengguna perlu mentakrifkan semula apakah kekangan itu, atau apa mereka faham pada asalnya. Kekangan adalah berbeza daripada kekangan yang dinyatakan oleh pengguna, jadi semakan logik mesti dilakukan secara terbalik. Ia juga perlu mempunyai set data yang lengkap untuk mengesahkan model, dan untuk menyediakan penyelesaian yang boleh dilaksanakan yang memenuhi semua kekangan.

4. Fasa ujian

• Projek am termasuk ujian mengikut titik fungsi dan ujian hadapan Ujian, ujian belakang, ujian tekanan, ujian pengguna, dll.
• Selain daripada ujian yang diperlukan untuk projek am, projek analisis juga perlu menggunakan data sebenar untuk menguji sama ada keputusan algoritma boleh memenuhi piawaian.
• Projek pengoptimuman penyelidikan operasi telah diuji dan mendapati bahawa kekangan sebelumnya telah dipenuhi dan hasilnya dapat diselesaikan Namun, pengguna tiba-tiba mendapati beberapa kekangan telah dilupakan dan mereka mungkin perlu disebut pada masa ini Menambah kekangan ini sekali lagi memerlukan memasuki peringkat lelaran pembangunan semula, jadi masa ujian yang mencukupi perlu ditinggalkan semasa peringkat ujian projek pengoptimuman operasi.

05 Soalan Jawab Hebat

S: Semasa membuat perancangan pengeluaran Bagaimanakah pelan sisipan pesanan dilaksanakan?

J: Pelan sisipan pesanan sedang dalam proses perancangan pengeluaran, dan pelan baharu tiba-tiba datang. Rancangan pengeluaran biasanya berdasarkan minggu Jika titik perancangan telah diluluskan dalam masa seminggu, pesanan tidak akan dipertimbangkan. Walau bagaimanapun, keperluan jangka panjang tetap, seperti "jumlah pengeluaran warna untuk minggu tertentu perlu dikunci terlebih dahulu" boleh diletakkan dalam model dan boleh diletakkan dalam model sebagai kekangan. Tetapi jika minggu ini telah dihasilkan seperti yang dirancang, pelan pengeluaran telah berkuat kuasa, dan ia hanyalah sisipan pesanan sementara, tidak perlu memasukkannya ke dalam model, dan ia mungkin perlu diselaraskan secara manual.

S: Apakah keadaan semasa aplikasi penyelidikan operasi dalam syarikat kereta? Apabila keputusan yang diperolehi oleh algoritma am bertentangan dengan pengalaman kakitangan jualan, adakah keputusan yang diperolehi oleh algoritma boleh dipromosikan? Kesan sebenar selepas kemajuan. Bagaimana secara amnya?

J: Terdapat dua soalan di sini yang pertama ialah apakah status permohonan semasa permohonan penyelidikan logistik dalam industri automotif? Yang kedua ialah pengalaman tentang perkara yang perlu dilakukan jika terdapat konflik antara hasil model dan pengalaman pengguna.

Biar saya bercakap tentang soalan pertama dahulu, saya secara peribadi berpendapat bahawa senario aplikasi pengoptimuman logistik dalam industri automotif adalah yang paling kompleks dalam keseluruhan industri. termasuk pelbagai industri e-dagang daripada. Pelbagai senario yang terdapat dalam industri lain boleh didapati dalam industri automotif, dan situasi pelaksanaan adalah berbeza untuk setiap pengeluar Jika ia mengambil masa yang lama untuk membina kilang, pengumpulan data agak kaya, dan sistemisasi asasnya agak matang. pelaksanaan pengoptimuman operasi akan menjadi lebih mudah Walau bagaimanapun, mungkin juga terdapat masalah dengan peralatan lama Sebagai contoh, peralatan di beberapa bengkel agak lama, dan data yang diekstrak tidak menerima maklum balas tepat pada masanya, menjadikan penjadualan masa nyata sukar.

Soalan kedua ialah, jika hasil pengoptimuman bercanggah dengan pengguna, kedua-dua pemodel dan pengguna perlu berkompromi. Oleh kerana pemodelan juga mempunyai beberapa had, beberapa senario perniagaan yang kompleks perlu dipermudahkan sebelum model matematik boleh dilaksanakan. Jika pengguna perniagaan berkeras untuk melakukan sesuatu mengikut tabiatnya, hasilnya mungkin sama dengan tabiatnya, tanpa sebarang pengoptimuman. Selain itu, pemodel juga perlu memahami dari perspektif perniagaan Pengguna benar-benar memerlukan operasi seperti ini, dan mereka harus cuba memikirkan sebanyak mungkin cara untuk membantu mereka. Oleh itu, berdasarkan perkara di atas, projek pengoptimuman operasi yang berjaya memerlukan penyelarasan antara bahagian permintaan dan bahagian pelaksanaan Hanya apabila beberapa pihak bekerjasama dalam mencapai matlamat yang sama, projek yang agak berjaya boleh dibina.

S: Apakah aplikasi pengoptimuman teguh dalam pengurusan inventori dan pautan penambahan dalam industri automotif?

J: Pengoptimuman inventori dalam industri automotif mempunyai layanan berbeza untuk situasi berbeza, seperti alat ganti matang, alat ganti baharu, alat ganti dengan permintaan rendah, dsb. Jika ia adalah bahagian yang matang, ia pada asasnya berdasarkan permintaan yang diramalkan dalam siri masa, berdasarkan varians pengedaran permintaan, dan mengikut teori inventori, ia sudah cukup untuk membuat tahap inventori sasaran dan stok keselamatan.

Alat ganti dengan permintaan rendah biasanya dimakan oleh peniaga hanya sekali sebulan atau setengah tahun Secara umumnya, inventori hanya satu untuk mana-mana teori Jika satu jatuh, gantikan dengan yang lain. Dalam amalan, tidak semua teori digunakan secara langsung Akan ada cara yang lebih fleksibel, yang perlu digabungkan dengan sekatan perniagaan, pengalaman praktikal yang berharga dan aspek lain untuk menangani masalah ini.

Atas ialah kandungan terperinci Amalan aplikasi teknologi membuat keputusan pintar dalam industri automotif. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!