圖1

企業(yè)在開展系統(tǒng)間數(shù)字主線建設(shè)的同時,應(yīng)該秉承以終為始的思路,考慮如何建立合理的主數(shù)據(jù)體系,并在海量數(shù)據(jù)中進(jìn)行清洗、特征工程、建模、迭代優(yōu)化等工作,將系統(tǒng)中產(chǎn)生的歷史數(shù)據(jù)和新產(chǎn)生的實時數(shù)據(jù)通過數(shù)據(jù)服務(wù)的形式持續(xù)性地組織分析,建立基于系統(tǒng)數(shù)據(jù)的模型自學(xué)習(xí)、自升級機(jī)制。

只要實現(xiàn)了LLM通用模型基礎(chǔ)上的垂域知識訓(xùn)練與建模,在產(chǎn)品開發(fā)過程的每個階段都可以挖掘AI應(yīng)用,例如通過爬蟲技術(shù)進(jìn)行市場洞察、利用LLM模型虛擬大量用戶支撐需求優(yōu)先級排序、利用生成式AI進(jìn)行產(chǎn)品概念設(shè)計或增材制造設(shè)計、采用機(jī)器學(xué)習(xí)對測試活動進(jìn)行缺陷預(yù)測、通過三點估測法結(jié)合深度學(xué)習(xí)預(yù)測項目成本或采購風(fēng)險。基于上述能力就可構(gòu)建應(yīng)用級智能體,例如采購BOM預(yù)測Agent、基于需求的快速報價Agent、變更影響分析Agent……只有實現(xiàn)了底層系統(tǒng)數(shù)據(jù)打通和面向垂直領(lǐng)域應(yīng)用的持續(xù)分析,才能實現(xiàn)產(chǎn)品開發(fā)過程數(shù)據(jù)的可自主讀取識別,逐漸達(dá)到數(shù)據(jù)可自主創(chuàng)造和自主決策的高度。如圖2所示,將PLM等系統(tǒng)數(shù)據(jù)進(jìn)行結(jié)構(gòu)化、圖譜化梳理,并建立持續(xù)的訓(xùn)練與模型調(diào)優(yōu)機(jī)制,對垂直領(lǐng)域大模型開展?jié)u進(jìn)優(yōu)化,是建立企業(yè)級AI應(yīng)用的必由之路。

圖2

AI驅(qū)動的集成供應(yīng)鏈優(yōu)化

以集成供應(yīng)鏈優(yōu)化為例,AI技術(shù)能夠協(xié)助企業(yè)預(yù)測采購需求,推薦物料選型,求解最佳采購計劃,規(guī)避供應(yīng)商交付風(fēng)險,如圖5所示,AI技術(shù)在供應(yīng)鏈優(yōu)化方面能夠提供重要助力。

圖3

由于市場需求和供應(yīng)鏈趨勢的波動,企業(yè)希望提前預(yù)測未來一段時間的采購計劃。企業(yè)可以通過建立市場趨勢、客戶需求、歷史銷售數(shù)據(jù)和采購數(shù)據(jù)的數(shù)字主線,結(jié)合時間序列模型和深度學(xué)習(xí)模型,預(yù)測未來的采購方案,以降低庫存壓力或物料短期風(fēng)險。某車企通過時間序列ARIMA模型和深度學(xué)習(xí)LSTM模型預(yù)測6個月內(nèi)的采購需求,實現(xiàn)訂單驅(qū)動的拉式生產(chǎn)零庫存管理,將庫存對資金占用的浪費(fèi)降到最低。

AI技術(shù)也能夠幫助企業(yè)建立物料智能優(yōu)選引擎,構(gòu)筑物料采購規(guī)模效應(yīng)。通過建立包含供應(yīng)商歷史交貨準(zhǔn)時率、質(zhì)量合格率、價格波動、DOE結(jié)果、客訴數(shù)據(jù)的數(shù)字主線,構(gòu)建面向物料的多維尺度評價模型,整合基于固有屬性的機(jī)理模型和基于歷史采用情況的數(shù)據(jù)模型,自動推薦最優(yōu)供應(yīng)商和物料,實現(xiàn)數(shù)據(jù)驅(qū)動的物料智能推薦。國內(nèi)電子高科技行業(yè)某頭部企業(yè)已經(jīng)開始使用上述方法針對電氣元器件進(jìn)行AI智能優(yōu)選的探索,并且取得了一定的成效。

Gartner預(yù)測到2028年,至少15%的日常工作決策將通過代理型AI自主做出。借助AI的力量,未來的集成供應(yīng)鏈管理必將從傳統(tǒng)的“成本單元”轉(zhuǎn)型為構(gòu)筑企業(yè)競爭力的“戰(zhàn)略單元”。

展望

人工智能技術(shù)是企業(yè)數(shù)字化轉(zhuǎn)型的重要驅(qū)動力,企業(yè)要想構(gòu)建基于AI的數(shù)字化轉(zhuǎn)型能力就必須構(gòu)建“算力-算法-數(shù)據(jù)”三位一體的底層架構(gòu)。對于企業(yè)來說該架構(gòu)的最大困難仍然在于高質(zhì)量數(shù)據(jù)的突破,能否將嵌在多源異構(gòu)系統(tǒng)和流程中的寶貴數(shù)據(jù)提煉并應(yīng)用,是企業(yè)未來實現(xiàn)AI驅(qū)動數(shù)字化轉(zhuǎn)型的最大挑戰(zhàn)。如圖4所示,AI技術(shù)是未來驅(qū)動數(shù)字化轉(zhuǎn)型的核心驅(qū)動力,要想駕馭AI能力并實現(xiàn)落地應(yīng)用,企業(yè)還有很長的路要走。

圖4

企業(yè)在這場沒有終點的AI競賽中想要勝出,除了需要構(gòu)建“算力-算法-數(shù)據(jù)”三位一體的底層架構(gòu)以外,還需要建立基于LLM通用模型基礎(chǔ)上的垂直領(lǐng)域模型,達(dá)到面向人員的能力在線和面向流程的業(yè)務(wù)在線,使其具備制造業(yè)專有的產(chǎn)品開發(fā)知識,用于促進(jìn)多角色協(xié)同的產(chǎn)品開發(fā)工作。未來的產(chǎn)品競爭力,將取決于企業(yè)駕馭AI創(chuàng)新的能力。唯有將AI深度融入研發(fā)基因,方能在智能時代占據(jù)先機(jī)。【本文作者:PTC公司  段立淵 施戰(zhàn)備】

分享到

xiesc

相關(guān)推薦