企業(yè)利用數(shù)據(jù)分析的主要方向之一，就是規(guī)劃業(yè)務和優(yōu)化運營——這一直是“運營研究”分析方法的長期重點。然而這通常在一個相對較小的范圍內(nèi)完成，僅僅使用少數(shù)變量的單個模型?，F(xiàn)在，認知工具（Cognitive tools）——特別是機器學習——可以讓這個用途在廣度和深度上更上一層樓。

人工智能在制造和運營方面的作用可能不為人所知，但是我們有機會使用這些工具來顯著提高重要行業(yè)的效率和有效性。以美國大河特種鋼鐵廠“Big River Steel”為例，這家大型鋼鐵制造企業(yè)正試圖在最具工業(yè)特性的行業(yè)內(nèi)進行重大轉(zhuǎn)型。Big River Steel的先例告訴鋼鐵行業(yè)，機器學習同樣適用它們。

位于美國阿肯色州的Big River Steel廣泛使用傳感器、控制系統(tǒng)和基于機器學習的優(yōu)化。通過與人工智能咨詢公司Noodle.ai合作，Big River Steel開發(fā)了多種技術來提高煉鋼的實踐和利潤。Big River Steel首席執(zhí)行官David Stickler經(jīng)常表示：“我們是一家在生產(chǎn)鋼鐵的科技公司?！?/span>

Big River Steel在以下6個主要方面使用機器學習，盡管每個方面在應用成熟度上有所不同：

· 需求預測：Big River Steel通過明智地使用資金而取得成功，所以它需要準確預測鋼鐵需求。要做到這一點，就采用具有宏觀經(jīng)濟數(shù)據(jù)、鋼鐵的歷史需求、制造業(yè)動態(tài)、鋼鐵大客戶的動態(tài)（例如住房開工、石油鉆臺數(shù)量）的機器學習模式。

· 資源開發(fā)和庫存管理：和小型鋼鐵廠一樣，Big River Steel的原材料是廢鋼，所以需要預測其可用性。Noodle.ai開發(fā)了“廢鋼指數(shù)”，并正在與Big River Steel合作，采取對沖方式購買廢鋼。

· 調(diào)度優(yōu)化：什么時候生產(chǎn)什么，這是任何鋼鐵廠都要做出的重要決定，特別是當你最重要的投入是電能（用于熔煉廢鋼的電弧爐）時，就更加關鍵了。優(yōu)化模型能使非高峰時間的能源消耗最大化，從而使能源成本最小化。

· 生產(chǎn)優(yōu)化：所有鋼廠都有非計劃事件，如漏鋼（當鑄造時鋼水從鑄模中脫落）和堆鋼事故（當熱軋鋼從輥子掉到磨機地板上時）。這些事件會使生產(chǎn)停滯，既危險又要付出成本代價。機器學習模型可以預測何時最有可能發(fā)生事故，并最大程度減少事故的發(fā)生。

· 預測性維護：隨著工業(yè)機器數(shù)量的增加，Big River Steel可以使用機器學習模型來確定維護關鍵機器和設備的最佳時間。

· 出站運輸優(yōu)化：像亞馬遜這樣的公司一直在優(yōu)化他們的出站供應鏈，但這在鋼鐵廠很少見。 Big River Steel與客戶和托運人合作，將出站運輸?shù)某杀窘档阶畹?，并?yōu)化客戶交付窗口。

有了這些應用，Big River Steel和其他公司改善的運營能力，但最有價值的好處來自于整合。Big River Steel正在試圖為工廠的業(yè)績和盈利能力進行“端到端”優(yōu)化，已經(jīng)具有不同模型將業(yè)務計劃和運營的不同部分進行互連，并且在整個企業(yè)中進行優(yōu)化。

這種規(guī)劃和優(yōu)化的綜合方法仍處于早期階段，細化的話還需要更多的數(shù)據(jù)、算法的調(diào)整和大量的計算能力。但是Stickler和Noodle.ai的數(shù)據(jù)科學家都相信這是可以實現(xiàn)的。

返回列表