制造业数字化转型“最优解”，看杉数科技智能

前不久，北京地区刮起了一阵抢购“冰柜”的风潮，其背后是人们对疫情防控的误判和大量囤货导致的连锁反应。实际上，判断并给出决策一直是人脑中最复杂的功能之一。在激烈的市场竞争与疫情带来的不确定环境下，如何通过数据驱动使企业获得运营管理的最优解，则是企业数字化转型的重要抓手。在研究咨询机构爱分析联合杉数科技共同编写的《2022工业“智能决策”白皮书》中提出，管理层最关心的大数据应用场景多数都可以使用智能决策技术进行赋能，未来通过智能决策机制可以在供应链及制造管理方面释放的价值空间高达1.2至2万亿美元。

由于决策优化通常是在有限资源和满足业务规则条件下进行全面而综合（多个业务目标平衡）考虑，计算出给定场景下的更佳甚至最佳方案，是一项复杂的系统工程，而机器学习与运筹优化的深度融合，则成为了企业经营决策从经验和流程驱动转向数据驱动、自动化决策的关键。在日前举办的媒体沟通会上，爱分析合伙人&首席分析师黄勇和杉数科技工业与智能制造副总裁黄翔剖析了智能决策在推进智能制造过程中扮演的角色、智能决策落地的关键技术以及杉数科技如何通过自主创新求解器对运筹优化模型进行算法优化和求解，为企业高效精准的实施智能决策，以全局思维推进数字化转型落地提供了参考与借鉴。

以智能决策应对不确定性

当前百年变局与世纪疫情交织叠加，越来越多的制造企业逐渐意识到产业升级带来的智能制造已经深入各个行业，率先实践数字化转型的行业先行者与跟随者之间的差距已日益显现，许多企业对数字化技术投资已经突破“单点应用”，开始转化为运营指标的提升及财务回报，朝着规模化复制和向价值链各个环节延伸。在此过程中，持续笼罩的疫情阴影则将企业的供应链管理与抗风险能力提到了新的高度。例如上海地区作为首批重点单位开始复工复产压力测试汽车制造企业，就面临上游供应链断裂、采购成本上升、员工地域受限、交通物流受阻等一系列问题。

面对不确定的疫情散发风险和确定的数字经济浪潮，制造企业需要重新审视自身供应链，需要从销售预测上考虑突发事件对订单量的影响；从生产计划层面考虑对工厂产能的影响；从原材料供应方面解决突发事件对断供的影响；从物流层面思考如何应对突发事件对于原材料、半成品，成品的物流运输环节不及时、不通畅的影响。

这就要求企业通过端到端的数据深度集成与建模分析，爱分析合伙人&首席分析师黄勇介绍智能决策面向的产业链是在打通上下游企业信息流的基础上，实现将产业链上企业整体进行各种资源同一调配，形成更加深度与高效的协作关系。在工业互联网和智能制造引领的数字浪潮下，企业通过实现核心环节智能优化与决策，可以由自下而上的信息流与自上而下的决策流共同构成了应用优化闭环。例如从生产类型划分，整车制造属于典型的离散制造业，上游拥有数万零部件，对应多层级供应链体系。，供应链的高度复杂决定了对整车的订单、生成、物料进行统筹规划的难度。

图 整车厂供应链管理图谱（来源爱分析）

在黄勇看来，通过将实际问题中的决策标的、约束、偏好以及目标转化为数学模型，是将决策问题与智能化手段和方法进行衔接的关键环节。在已经建好的模型基础上输入数据，利用机器学习、运筹优化等技术，对模型进行高效求解。传统的业务决策依赖于业务规则和专家经验，从传统决策到智能决策经历了长期的发展过程。

图 智能决策流程示意图

实际上，自从2018年开启人工智能“元年”，许多领先的制造企业就开始考虑人工智能对自身战略的潜在影响并研究如何将这项技术用于解决业务问题。随着数据科学和人工智能技术的发展，系统基于“数据+算法” 可以在决策中实现越来越重要的价值。如今，企业端诉求、技术变革与基础设施完善共同推动智能决策时代到来。根据Gartner的预测，到2023年，超过33%的大型机构将采用智能决策的实践。

“头脑风暴”背后的自主创新之路

《“十四五”规划和2035年远景目标纲要》提出，要“充分发挥海量数据和丰富应用场景优势，促进数字技术和实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，不断做强做优做大我国数字经济。”对于企业而言，在应用智能决策的过程中，离不开方法指引，也离不开场景选择、业务逻辑的深入理解，更离不开机器学习和运筹学技术的深度融合。

在杉数科技工业与智能制造副总裁黄翔看来，运筹学和机器学习的关系相对而言比较抽象。在企业实际运行中，机器学习技术主要是通过强化学习、深度学习等算法实现预测，通常需要大量数据来驱动模型以实现较好的效果，它往往适用于描述预测类场景，如销量预测等；而运筹优化技术则是基于对现实问题进行准确描述刻画来建模，通过运筹优算法在一定约束条件下求目标函数最优解，对数据量的依赖性弱，结果的可解释性强，它往往适用于规划、调度、协同类问题，如人员排班、补配货等场景。

例如服装行业或者快销品行业都会面临补货的场景，为了保持库存平衡，则需要应用人工智能技术对市场销售有一定的预测，再利用运筹优化等多级库存的模型去进行更好的补货策略的制定。可以看出，机器学习主要是在数据侧对起因及结果的记录乃至预测，而运筹优化主要在逻辑侧对问题进行理解及分析进而建模，两者都是现实工业生产中解决问题的重要构成要件，但也各自均存在不同程度的局限性，推动这两大支撑技术的有效和深度融合，则能够“取长补短”，更好地服务于智能决策速度和质量的提升。

犹如生物进化，智能决策在机器学习和运筹学技术不断发展和应用持续深化的进程中，自身也逐渐进化，而且这种进化衍生的速度远高于企业发展历程。实现智能决策的开发与部署，需要通过求解器对运筹优化模型进行算法优化和求解，机器学习引擎对机器学习相关算法的敏捷开发。尤其是在求解器领域，作为支撑我国工业智能决策发展的关键核心技术，国外IBM等厂商一直处于先发和领先地位， 黄翔介绍目前全球比较成熟的求解器公司包括IBM旗下的Cplex、FICO旗下的Xpress以及独立公司Gurobi。这三家公司构筑起了极高的市场竞争门槛，也形成了深不可测的“技术鸿沟”。