企業利用數據分析的主要方向之一，就是規劃業務和優化運營——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完成，僅僅使用少數變量的單個模型。現在，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正試圖在最具工業特性的行業內進行重大轉型。Big River Steel的先例告訴鋼鐵行業，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、控制系統和基于機器學習的優化。通過與人工智能咨詢公司Noodle.ai合作，Big River Steel開發了多種技術來提高煉鋼的實踐和利潤。Big River Steel首席執行官David Stickler經常表示：“我們是一家在生產鋼鐵的科技公司。”

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，就采用具有宏觀經濟數據、鋼鐵的歷史需求、制造業動態、鋼鐵大客戶的動態（例如住房開工、石油鉆臺數量）的機器學習模式。

· 資源開發和庫存管理：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開發了“廢鋼指數”，并正在與Big River Steel合作，采取對沖方式購買廢鋼。

· 調度優化：什么時候生產什么，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。

· 生產優化：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生事故，并最大程度減少事故的發生。

· 預測性維護：隨著工業機器數量的增加，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。

· 出站運輸優化：像亞馬遜這樣的公司一直在優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，將出站運輸的成本降到最低，并優化客戶交付窗口。

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績和盈利能力進行“端到端”優化，已經具有不同模型將業務計劃和運營的不同部分進行互連，并且在整個企業中進行優化。

這種規劃和優化的綜合方法仍處于早期階段，細化的話還需要更多的數據、算法的調整和大量的計算能力。但是Stickler和Noodle.ai的數據科學家都相信這是可以實現的。

返回列表