


Comment la perturbation de la chaîne d'approvisionnement mondiale favorisera-t-elle l'adoption des robots ?
La diversification des chaînes d'approvisionnement est devenue une priorité alors que les entreprises cherchent à maintenir un meilleur contrôle et à éviter des perturbations coûteuses, en délocalisant la fabrication. Même si certains peuvent s’attendre à ce que ces efforts augmentent les coûts de main-d’œuvre, les entreprises peuvent contribuer à contrôler et à réduire les coûts en adoptant la robotique et l’automatisation.
L'externalisation a transformé les chaînes d'approvisionnement
Historiquement, la fabrication offshore a fourni aux entreprises une alternative attrayante à la production nationale. Avec de faibles coûts de main d’œuvre, des taux de change attractifs, un environnement réglementaire souple et un fort soutien des gouvernements locaux, de nombreuses entreprises sous-traitent ou délocalisent une grande partie de leurs opérations de fabrication vers les économies en développement. En particulier, la Chine est devenue l'usine du monde, représentant environ 13 % des exportations mondiales et 11 % des importations mondiales. D'autres marchés émergents ont emboîté le pas, des pays comme l'Inde, le Vietnam et la Thaïlande ayant contacté l'entreprise pour construire des usines sur leur territoire.
Aujourd’hui, environ 20 000 milliards de dollars de biens physiques sont échangés dans le monde. Les économies émergentes représentent près de la moitié de ce montant, avec des exportations totalisant 8 200 milliards de dollars, la plupart de ces biens étant fabriqués et assemblés sur les marchés émergents et consommés par les pays les plus riches.
Conséquences de la délocalisation
Cependant, nous sommes peut-être à l'aube d'un changement de paradigme à mesure que les entreprises prennent conscience des conséquences involontaires de la délocalisation. Le conflit commercial entre les États-Unis et la Chine a tiré la sonnette d’alarme sur la fragilité des chaînes d’approvisionnement mondiales. Le Brexit et l’accord États-Unis-Mexique-Canada (AEUMC) ont encore miné la confiance dans les accords commerciaux internationaux. Outre ces préoccupations d’ordre politique, la crise du COVID-19 et son impact sur les usines de production ont mis en évidence les risques associés à la concentration des emplois manufacturiers dans une région spécifique.
En bref, les entreprises doivent donner la priorité à l’intégrité de la chaîne d’approvisionnement plutôt qu’aux économies de coûts associées à la délocalisation. Même si le fait de tirer parti d’une main-d’œuvre à faible coût à l’étranger peut améliorer les marges bénéficiaires, si la chaîne d’approvisionnement est perturbée en raison de changements dans le paysage géopolitique, de risques sanitaires ou d’autres événements de type cygne noir, des revenus seront perdus, ce qui entraînera l’absence de produit à vendre.
Après la crise du COVID-19, de nombreuses entreprises sont devenues de plus en plus conscientes de cette vérité. Après l'épidémie, environ 31 % des usines chinoises ont été fermées et 32 % des personnes ont travaillé à distance depuis leur domicile. Étant donné que de nombreuses usines mettent en œuvre une production juste à temps, le redémarrage de la production après un long arrêt peut prendre des semaines pour que la chaîne d'approvisionnement se rétablisse complètement.
Certaines entreprises ont averti que les perturbations continues de la chaîne d'approvisionnement pourraient entraîner davantage de pertes de ventes. Les constructeurs automobiles du monde entier ont également interrompu une partie de leur production en raison de pénuries de pièces détachées en provenance de Chine. Nissan, Fiat Chrysler, Hyundai, Honda et un certain nombre d'autres constructeurs automobiles ont annoncé des ruptures d'approvisionnement.
Assurer les opérations grâce à la relocalisation
Les coûts de main-d'œuvre dans les économies développées sont sans aucun doute beaucoup plus élevés que dans les économies émergentes. Alors que le salaire moyen dans l'industrie manufacturière chinoise est d'environ 10 000 dollars par an, le salaire moyen aux États-Unis est de 46 000 dollars, soit plus de quatre fois plus élevé. Cet énorme différentiel de coûts a historiquement accéléré la tendance à la délocalisation. Mais la fabrication locale présente des avantages non monétaires qui doivent également être pris en compte, comme le rapprochement des opérations de la direction de l’entreprise, des équipes R&D et des clients. L’industrie manufacturière locale opère également dans le cadre de régimes réglementaires nationaux, plus familiers aux entreprises locales et souvent plus stables que les accords internationaux.
La robotique peut accélérer les efforts de relocalisation
Alors que les entreprises réfléchissent aux compromis entre la fabrication terrestre et offshore, la robotique et l'intelligence artificielle sont probablement les facteurs inconnus qui font pencher la balance en faveur de la production terrestre. L'automatisation permet aux entreprises de compenser une partie des coûts de relocalisation en recrutant des robots au lieu de travailleurs pour accomplir certaines tâches. Les robots peuvent travailler sans relâche 24 heures sur 24 et accomplir certaines tâches plus rapidement et avec plus de précision que les humains, sans nécessiter d’augmentation de salaire ni d’avantages sociaux.
Certaines études montrent que l'adoption de la robotique est associée à une diminution des délocalisations. Dans les économies avancées, une augmentation de 10 % de l’adoption des robots entraîne une diminution de 0,54 % des délocalisations. L’Administration des petites et moyennes entreprises (PME) et des startups de Corée du Sud a récemment annoncé qu’elle s’efforcerait d’aider l’industrie manufacturière à revenir sur le marché grâce à des usines intelligentes. L'American Reshoring Institute a publié les résultats de son enquête annuelle de 2019, montrant que plus de la moitié des dirigeants d'entreprise ont déclaré qu'ils prévoyaient ou envisageaient de relocaliser leurs activités au cours des cinq prochaines années. L'enquête a également révélé que plus de 80 % des personnes interrogées envisagent d'adopter de nouveaux systèmes logiciels. 70 % envisagent d’investir dans la robotique.
Le coût inférieur est un facteur majeur. Même si un bras robotique industriel complexe coûte environ 250 000 dollars, les entreprises peuvent atteindre le seuil de rentabilité par rapport aux coûts de main-d'œuvre traditionnels en moins de deux ans.
Coût total des robots par rapport aux coûts d'exploitation actuels
Au fil du temps, à mesure que les coûts des robots diminuent et que les coûts de la main-d'œuvre continuent d'augmenter, l'adoption des robots ne fera probablement que devenir plus attrayante. Au cours des 30 dernières années, le prix moyen des robots a en fait chuté de plus de 50 %, tandis que les coûts de main-d'œuvre ont augmenté de plus de 100 %.
Coût du robot par rapport au coût de la main-d'œuvre
Cependant, la baisse des coûts n'est que l'une des raisons de l'adoption croissante de la robotique. Une autre considération est la facilité de disponibilité des robots. Les nouvelles technologies de fabrication, l’augmentation des données et de la puissance de calcul, ainsi que les préférences des clients pour la fabrication à la demande entraînent des changements significatifs dans la manière dont les biens sont produits. Les entreprises peuvent désormais rechercher des abonnements Robotics-as-a-Service (RaaS) pour étendre la robotique à leurs processus de fabrication afin de réduire les coûts initiaux et les barrières à l'entrée pour l'acquisition de technologies.
Enfin, l’amélioration des technologies de robotique et d’intelligence artificielle stimule encore davantage l’adoption. La dextérité des robots continue de s'améliorer grâce aux capacités avancées de vision 3D et à l'outillage en bout de bras. Ils peuvent désormais travailler aux côtés des travailleurs dans les entrepôts pour transporter des marchandises et ont la flexibilité de sélectionner et de placer des objets fragiles. Les robots peuvent effectuer ces tâches pratiquement sans temps d’arrêt et peuvent même utiliser des capteurs en réseau pour prédire et éviter les pannes à l’avance.
En raison de ces tendances, les ventes de robots industriels continuent de croître. De 2013 à 2019, les ventes ont augmenté à un taux de croissance annuel composé de 15 %, pour atteindre environ 420 000 unités en 2019. La Fédération internationale de robotique estime que l’adoption atteindra 584 000 unités d’ici 2022. Si la relocalisation s’accélère dans ce nouveau paradigme mondial, cette estimation pourrait être plutôt basse.
La densité des robots peut être mesurée par le nombre de robots pour 10 000 travailleurs, ce qui montre le potentiel de croissance à long terme de l'adoption des robots. Actuellement, il n’existe que 99 robots industriels pour 10 000 emplois dans l’industrie manufacturière mondiale, ce qui signifie que la densité des robots est d’environ 1 %. Mais les pôles manufacturiers tels que Singapour et la Corée du Sud ont des densités de robots huit fois plus élevées, respectivement de 8,3 % et 7,7 %, et continuent d’augmenter. De grands pays comme les États-Unis, l’Allemagne et la Chine se situent encore bien en dessous de ces niveaux, mais ils pourraient converger avec le temps à mesure que l’adoption de la robotique s’accélère.
Conclusion
À mesure que les entreprises se préoccupent davantage de l'intégrité de la chaîne d'approvisionnement, la tendance à la délocalisation, vieille de plusieurs décennies, devrait s'inverser. Les événements macro-perturbateurs tels que les conflits commerciaux et la pandémie de COVID-19 ont semé l’incertitude sur les capacités opérationnelles et les chaînes d’approvisionnement des entreprises. Cela devrait encore accélérer la relocalisation à mesure que la robotique et l’automatisation deviennent plus performantes, moins coûteuses et plus faciles à mettre en œuvre, et que les entreprises réalisent que les avantages de la fabrication locale l’emportent sur les risques liés à la production de biens à l’étranger.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Il est rapporté que la prochaine série d’iPhone 18 d’Apple devrait utiliser des capteurs d’image fabriqués par Samsung. Ce changement devrait briser le monopole de Sony sur la chaîne d’approvisionnement d’Apple. 1. Selon certaines informations, Samsung aurait mis en place une équipe dédiée pour répondre aux exigences d'Apple. Samsung fournira à Apple un capteur d'image ultra grand angle de 48 mégapixels, 1/2,6 pouce à partir de 2026, indiquant qu'Apple ne dépend plus entièrement de la fourniture de capteurs Sony. Apple compte près d'un millier de fournisseurs et sa stratégie de gestion de la chaîne d'approvisionnement est flexible et changeante. Apple attribue généralement au moins deux fournisseurs pour chaque composant afin de promouvoir la concurrence entre les fournisseurs et d'obtenir de meilleurs prix. L'introduction de Samsung en tant que fournisseur de capteurs peut optimiser la structure de coûts d'Apple et pourrait affecter la position de Sony sur le marché. La force de la technologie du capteur d’image Samsung
