新エネルギー、自動運転、人工知能技術の発展に伴い、自動車業界の知能レベルも向上しました。人工知能分野の「最高の宝石」である意思決定インテリジェンスは、自動車業界のデジタル変革をどのように促進するのでしょうか?意思決定インテリジェンスを実際に導入する際の問題点と解決策は何ですか?この記事では、10 年にわたる個人データ分析の経験を組み合わせて、自動車業界における業務最適化の実際的な調査と経験の概要を実践的な観点から紹介します。皆様の仕事に助けとインスピレーションをもたらすことを願っています。この共有セッションは次のことに焦点を当てます。 4 つのポイント:
- 自動車産業チェーンの紹介
- 運用の最適化自動車業界に力を与える
- 運用最適化プロジェクトの実装における困難
- 実践的な探索と経験概要
#01 自動車産業チェーンの紹介
##自動車産業チェーンは 4 つのコアに分割できます 1 つのピースで、部品の調達から製造、販売に至る産業チェーン全体の研究開発と技術がカバーされます自動車のアフターサービスも行っております。もう一つは部品の調達ですが、一般に自動車会社は多くの自動車部品会社の協力を得ることになりますが、これは非常に重要です。 3つ目は自動車メーカーであり、自動車メーカーの場合、汎用部品はサプライヤーのサポートを受け、エンジンやギアボックスなどのコアコンポーネントは自社生産となります。 4 番目のブロックは販売とサービスで、従来の販売モデルはディーラーがあり、ディーラーがさまざまな顧客に販売するというものでしたが、現在は直接販売モデルがあります。販売後はアフターメンテナンス、保険、中古車と一連のアフターサービスがございます。
#自動車産業チェーンは非常に長いため、さまざまな人工知能技術も役割を果たすことができます。例えば、自動車部品のナレッジグラフを構築することができ、製造や品質の観点からは、予知保全や欠陥検出、自動車の販売過程での請求書識別、自動車装飾部品の識別などが挙げられます。人工知能技術を活用することができます。データ統計分析、機械学習から、自然言語処理、ナレッジ グラフ、インテリジェント インタラクション、コンピューター ビジョンなどの人工知能分野のさまざまなテクノロジーに至るまで、自動車産業チェーンには多くのアプリケーション シナリオが見られます。多くの自動車製造会社が自動車業界に参入し、新エネルギーと自動運転技術が進歩するにつれて、自動車業界はますますインテリジェント化していきます。
02
運用の最適化が自動車業界に力を与える
Operations の最適化は、制約の下で 1 つまたは複数の目標を最適化できる最適な決定を見つけることです。オペレーション リサーチの最適化は、モデリングと解決という 2 つの主要なステップに分かれています。モデリングの最初のステップは、実際の問題を数学的最適化モデルに変換することです。モデルには、決定変数、目標、制約などのいくつかの重要な要素が含まれています。次のステップは解決です。解決には多くの最適化アルゴリズムが含まれており、その一部は正確な解を対象としたものと、一部は不正確な解を対象としたものであり、異なる最適化アルゴリズムが含まれています。オペレーション リサーチには、パスの最適化、ロケーションの最適化、サプライ チェーンの最適化、ネットワーク レイアウトなど、従来から多くのアプリケーションがあります。
#
以下では、自動車サプライ チェーンにおける 運用最適化のアプリケーションを紹介します。例えば、最終需要の収集に関しては、新エネルギーポイント政策は、自動車の長期計画、および国家政策の要件を満たす自動車の計画方法に影響を与えます。研究開発・設計においては、研究開発・設計における生産スケジュール、在庫管理、受注管理における配車戦略、物流・輸送における輸送計画・スケジューリングなど。 実際のアプリケーションの意思決定レベルと範囲に応じて、自動車分野でのアプリケーション シナリオは 3 つのレベルに分類できます。
- 第 1 レベルは、自動車生産能力計画、部品加工技術計画、長期在庫計画、長期倉庫計画などの戦略レベル ## の最適化です。 。戦略レベルでの最適化では、適時性と安定性についての要件は低くなりますが、結果の最適化については要件が高くなります。
- #第 2 レベルは、生産計画、流通計画、物流計画などの計画レベルでの最適化です。 、材料計画など、これらには最適なソリューション、適時性、安定性のための特定の要件があり、通常、一部の計画は毎週または毎月作成されます。
- 3 番目のレベルは実行レベルの最適化です。 ワークショップのスケジュール設定、パスの選択、材料の供給、など、これらには通常の生産が含まれ、最適化の結果はすぐにビジネスに影響を与えるため、最適化システムの適時性と安定性に対する要件は非常に高くなります。
つまり、すべてのレベルから見て、戦略レベルは最適化に偏っており、計画レベルは最適性、適時性、安定性の観点からのものです。パフォーマンスに関しては特定の要件があり、実行レベルでは、最適性の要件は比較的弱く、適時性と安定性の要件は比較的高くなります。
#加工工程計画の最適化
エンジンの加工計画を設計する際、従来の加工工程はエンジンのプログラミングを完了するには、数十人の上級エンジニアと数か月にわたる手動プログラミングが必要であり、その作業量は膨大であり、プログラミングの結果、実現可能な解決策しか見つけることができず、最適な解決策を見つける方法はありません。この加工問題は数学的にモデル化して最適な解決策を得ることができ、実際のアプリケーションではコレオグラフィー作業の 80% を削減できます。これは中長期的な計画であり、主にコストの最適化が目標であり、この目標には正確なソリューションが必要です。規模は比較的大きく、数学モデルが構築された後は、ソルバーを使用してそれを解決します。 #2 番目の例は、部品生産、テスト車両生産、生産計画などの生産計画の最適化です。完成車生産 生産にはすべて生産計画が必要です 自動車分野の生産ラインにはすべて生産計画が必要です 一般的に生産計画の目標は、カラーバランス、構成バランス、日次バランス、月次バランスなどの生産バランスです。同時に、この種の生産計画の最適化には、パフォーマンスの要件もあります。非常に多くの工場があるため、各工場には生産計画を調整するプランナーがいる場合があります。また、時間応答についても一定の要件があります。これには一般に、整数計画法モデルの使用。
#3 番目の例は、在庫の最適化です。
。倉庫在庫、ディーラー在庫、車両在庫、部品在庫のコストはいずれも非常に高いため、一般に一定のサービスレベルを満たしながら在庫をできる限り低く抑える必要があります。以前の従来のモデルは、在庫最適化モデルを使用して、販売量、平均需要、満足度目標、在庫切れコストなどを包括的に予測して在庫最適化モデルを構築し、最終的に安全在庫、目標在庫レベル、プランを注文し、ポイントを再注文します。現在、在庫の最適化は通常、従来の方法に基づいて機械学習アルゴリズムと組み合わせて行われています。
03 運用最適化プロジェクトの実装における困難
運用最適化プロジェクトの実行 このプロジェクトのコンセプト検証から実行までのプロセスの観点から、主なポイントは次のとおりです。
- #ビジネス ロジックは相対的にcomplex: ビジネス ロジックの複雑さは、さまざまなビジネスに多くの固有名詞が存在することです。ビジネスの要求者とモデリング エンジニアの間でコミュニケーションを図るのは非常に困難です。モデリング エンジニアは、すべての詳細を理解する必要があります。これにより、ビジネス要件の理解がより複雑になります。
- モデリングの難しさ: 一方で、ビジネスの目標と制約は定量化できないため、定性的な説明は困難です。処理時間を最小限に抑え、可能な限りバランスのとれた生産計画を立てるという要件など、多くの制約は定量化できないものです。一方で、実際の問題の多くは非線形であるため、モデリングと実装が困難になります。
- #解決時に解決策がありません:モデルを解くときに解決策がない場合があります。それはデータの問題またはモデルの問題である可能性があります。さらに、ソルバーのパフォーマンスに問題があり、トラブルシューティングに多くの労力が必要になる場合があります。
- #ソリューションの受け入れはユーザーの習慣に影響されます: オペレーション リサーチと最適化が直面する大きな問題は、ソリューションの結果がユーザーの習慣と一致しないことです。ユーザーはさまざまな考えを持っており、最適化計画を受け入れません。
- プロジェクトが何度も繰り返され、コストが増加する
- : ユーザーの要件が完全に記述されていない。この状況はよく発生します。プロジェクトが完了した後、突然要件が提示されます。モデリング エンジニアが強力なビジネス バックグラウンドを持っていない場合、要件を見逃してしまうことがあります。ユーザーは常識だと思っているのに、伝わっていない。さらに、オペレーション リサーチと最適化のカスタマイズの度合いは非常に高く、新しいシナリオと制約によりモデルの繰り返しが必要になります。
04
##以下は、プロジェクトのさまざまな段階の概要です。
1. POC (概念実証) ステージ
POC ステージこれは、プロジェクトの実装前に行われる概念実証です。
- 一般的なプロジェクトには概念実証がなく、UI インターフェイスのデモと要件の提示のみが行われる場合があります。
- 分析プロジェクトにおけるアルゴリズムの結果は、プロジェクトの成功の重要な要素です。たとえば、画像認識プロジェクトでは、画像認識の精度が重要です。この精度を達成できるかどうかが、プロジェクトの成否を左右します。プロジェクトを予測するための予測精度も、プロジェクトの成功の重要な要素です。 POC段階では、その基準が合理的かどうかを検証する必要があります。
- オペレーションズリサーチや最適化プロジェクトでは、分析プロジェクトの要素に加えて、潜在的なプロジェクトフェーズの機能を検証する必要があります。分析プロジェクトの機能の検証として、ユーザーは 80% の精度を要求していますが、現在では 78% に達しており、さらなる最適化により達成できる可能性があります。ただし、需要の変化が計画に影響を与えるため、POC段階での運用最適化プロジェクトの検証は参考程度にしか利用できません。たとえば、最小のコストで最適なソリューションが必要な場合、現在の要件に対してそのソリューションを使用することは可能ですが、プロジェクトの実行プロセス中に、より多くの要件とより多くの制約が提示された場合、POC が保証されない可能性があります。ステージ検証効果です。これは、運用最適化プロジェクトにおける顕著な困難でありリスク ポイントです。
#2. フェーズの定義
- 一般的なプロジェクトでは、現在のプロセスと将来のプロセスを定義します。 、レポート要件、ビジネス上の役割、パフォーマンス要件。
- #分析プロジェクトでは、ビジネスの問題点、入力、出力、終了基準を定義します。たとえば、入力は写真で、出力は認識されたフィールドと精度です。
- オペレーション リサーチ最適化プロジェクトでは、ビジネス目標、最大の利益、最高の効率、生産能力の制約、順序の制約などを定義します。モデラーは、優れたモデルを構築するためにあらゆる制約について明確にする必要があり、他の種類の分析プロジェクトよりも要件について議論することに多くの時間を費やします。
#3. 建設段階
- ##一般要件に応じてプロジェクトを直接開発できるため、要件が明確に記載されている限り、アナリストと開発者のニーズを完全に分離できます。
- 分析プロジェクトには、いくつかのデータの問題が発生します。たとえば、定義段階でデータが分析要件をサポートしていないなど、これは非常に一般的です。
- 運用調査および最適化プロジェクトでは、解決策が見つからない制約の競合や、制約が何であるかをユーザーと再定義する必要性など、さらに多くの問題に遭遇することになります。制約はユーザーが指定した制約と異なるため、論理チェックを逆に行う必要があります。モデルを検証するための完全なデータセットを用意し、すべての制約を満たす実行可能なソリューションを準備することも必要です。
4. テスト段階
- 一般的なプロジェクトには、ファンクション ポイントごとのテスト、フォワード テストが含まれます。 、バックテスト、ストレステスト、ユーザーテストなど。
- # 一般的なプロジェクトに必要なテストに加えて、分析プロジェクトでは実際のデータを使用して、アルゴリズムの結果が標準を満たしているかどうかをテストする必要があります。
- オペレーション リサーチ最適化プロジェクトをテストしたところ、以前の制約が満たされ、結果を解決できることがわかりました。しかし、ユーザーは突然、いくつかの問題があることに気づきました。現時点では、これらの制約を再度追加する必要がある場合があります。これらの制約を再度追加するには、開発反復段階に再度入る必要があるため、オペレーション リサーチおよび最適化プロジェクトのテスト段階で十分なテスト時間を残す必要があります。
05 素晴らしいQ&A
Q: 生産計画を立てるときはどうですか?注文投入計画は実行されましたか?
#A: 受注計画は生産計画の途中ですが、突然新しい計画が来ます。生産計画は通常、週単位で行われます。1 週間以内に計画時点を過ぎた場合、注文は考慮されません。ただし、「特定の週のカラー生産量を事前にロックする必要がある」などの固定された長期要件をモデルに配置し、制約としてモデルに配置することができます。ただし、今週が計画どおりに生産され、生産計画が有効になり、それが単なる一時的な発注の場合は、モデルに入れる必要はなく、手動で調整する必要がある可能性があります。
#Q: 自動車会社における物流アプリケーションの現状はどうなっていますか?一般的なアルゴリズムで得られた結果が販売員の経験に反する場合、そのアルゴリズムで得られた結果を宣伝できるでしょうか?進級後の実際の効果。一般的にはどうですか?
#A: 質問が 2 つあります。1 つ目は、自動車業界におけるオペレーション リサーチ アプリケーションの現在の適用状況はどうなっているのかということです。 2 つ目は、モデルの結果とユーザーのエクスペリエンスの間に矛盾がある場合にどうすればよいかというエクスペリエンスです。
# まずは最初の質問についてお話しますが、個人的には、自動車業界における物流最適化の適用シナリオは、業界全体の中で最も複雑だと考えています。 、さまざまな電子商取引業界を含む。他業界で見られる様々なシナリオが自動車業界にもあり、メーカーごとに導入状況が異なりますが、工場設立が長く、データ蓄積が比較的豊富で、基本的なシステム化が比較的成熟している場合には、運用の最適化の実装は容易になりますが、古い機器に問題が発生する可能性もあります。たとえば、一部のワークショップの機器は比較的古く、抽出されたデータにはタイムリーなフィードバックが得られず、リアルタイムのスケジューリングが困難になります。
#2 番目の質問は、最適化の結果がユーザーと矛盾する場合、モデラーとユーザーの両方が妥協する必要があるということです。モデリングにもいくつかの制限があるため、数学的モデルを実装する前に、一部の複雑なビジネス シナリオを簡素化する必要があります。ビジネス ユーザーが自分の習慣に従って物事を行うことに固執した場合、結果は最適化されずに習慣と同じになる可能性があります。さらに、モデラーはビジネスの観点からも理解する必要があり、ユーザーはこの種の操作を本当に必要としており、それを支援するためにできるだけ多くの方法を考える必要があります。したがって、上記に基づくと、運用最適化プロジェクトを成功させるには、需要側と実装側の調整が必要であり、複数の関係者が共通の目標に向かって協力する場合にのみ、比較的成功したプロジェクトを構築できます。
#Q: 自動車業界における在庫管理と補充リンクにおける堅牢な最適化の適用状況はどのようなものですか?
#A: 自動車業界の在庫最適化では、成熟した部品、新しい部品、需要の少ない部品など、さまざまな状況に応じてさまざまな処理が行われます。成熟部品であれば、基本的には時系列で予測される需要、需要の分布分散に基づいて、在庫理論に従い、目標在庫量と安全在庫を作れば足りる。
需要が低い部品の場合、ディーラーは月または半年に 1 つの部品しか消費しません。通常、在庫は 1 つだけです。基本的には、理論は必要ありません。1 つが落ちたら、別の物と交換します。実際には、すべての理論が直接使用されるわけではなく、ビジネス上の制限、貴重な実務経験、およびこの問題に対処する他の側面と組み合わせる必要がある、より柔軟な方法が存在するでしょう。
以上が自動車産業におけるインテリジェント意思決定技術の応用実践の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

スタンフォード大学ヒト指向の人工知能研究所によってリリースされた2025年の人工知能インデックスレポートは、進行中の人工知能革命の良い概要を提供します。 4つの単純な概念で解釈しましょう:認知(何が起こっているのかを理解する)、感謝(利益を見る)、受け入れ(顔の課題)、責任(責任を見つける)。 認知:人工知能はどこにでもあり、急速に発展しています 私たちは、人工知能がどれほど速く発展し、広がっているかを強く認識する必要があります。人工知能システムは絶えず改善されており、数学と複雑な思考テストで優れた結果を達成しており、わずか1年前にこれらのテストで惨めに失敗しました。 2023年以来、複雑なコーディングの問題や大学院レベルの科学的問題を解決することを想像してみてください

メタのラマ3.2:マルチモーダルとモバイルAIの前進 メタは最近、ラマ3.2を発表しました。これは、モバイルデバイス向けに最適化された強力なビジョン機能と軽量テキストモデルを特徴とするAIの大幅な進歩です。 成功に基づいてo

今週のAIの風景:進歩、倫理的考慮、規制の議論の旋風。 Openai、Google、Meta、Microsoftのような主要なプレーヤーは、画期的な新しいモデルからLEの重要な変化まで、アップデートの急流を解き放ちました

つながりの慰めの幻想:私たちはAIとの関係において本当に繁栄していますか? この質問は、MIT Media Labの「AI(AHA)で人間を進める」シンポジウムの楽観的なトーンに挑戦しました。イベントではCondedgを紹介している間

導入 あなたが科学者またはエンジニアで複雑な問題に取り組んでいると想像してください - 微分方程式、最適化の課題、またはフーリエ分析。 Pythonの使いやすさとグラフィックスの機能は魅力的ですが、これらのタスクは強力なツールを必要とします

メタのラマ3.2:マルチモーダルAIパワーハウス Metaの最新のマルチモーダルモデルであるLlama 3.2は、AIの大幅な進歩を表しており、言語理解の向上、精度の向上、および優れたテキスト生成機能を誇っています。 その能力t

データ品質保証:ダグスターと大きな期待でチェックを自動化する データ駆動型のビジネスにとって、高いデータ品質を維持することが重要です。 データの量とソースが増加するにつれて、手動の品質管理は非効率的でエラーが発生しやすくなります。

MainFrames:AI革命のUnsung Heroes サーバーは汎用アプリケーションで優れており、複数のクライアントの処理を行いますが、メインフレームは大量のミッションクリティカルなタスク用に構築されています。 これらの強力なシステムは、頻繁にヘビルで見られます


ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

EditPlus 中国語クラック版
サイズが小さく、構文の強調表示、コード プロンプト機能はサポートされていません

SublimeText3 Linux 新バージョン
SublimeText3 Linux 最新バージョン

WebStorm Mac版
便利なJavaScript開発ツール

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

AtomエディタMac版ダウンロード
最も人気のあるオープンソースエディター
