智慧決策技術在汽車產業的應用實踐

隨著新能源、自動駕駛、人工智慧技術的發展，汽車產業的智慧化程度也水漲船高。作為人工智慧領域“皇冠上的明珠”，決策智慧是如何推動汽車產業數位轉型的？決策智能在實際落地有哪些痛點與解決方案？本文將結合個人十年的數據分析經驗，從實戰角度介紹運籌優化在汽車行業的實踐探索和經驗總結，希望為大家的工作帶來幫助和啟發，此次分享會圍繞下面四點展開：

• 汽車產業鏈簡介
• #運籌優化賦能汽車產業
• 運籌最佳化專案實作困難
• 實務探索與經驗總結

#實務探索與經驗總結

01 汽車產業鏈簡介

汽車產業鏈可分為核心四塊，一塊是貫穿整個產業鏈的，從零件的採購到汽車的製造、銷售、售後服務的整個汽車產業鏈中的研發和技術。另外一塊是零件的採購，一般一個汽車公司會有很多汽車零件公司的支持，這塊非常重要。第三塊是整車廠，對整車廠來說，一般零件是由供應商來支援的，核心零件，像是引擎、變速箱，都是由自己來生產的。第四大塊是銷售和服務，傳統的銷售模式有經銷商，然後經銷商分銷給各個客戶，現在還有一種直銷的模式。銷售之後會有售後和保險服務，包括售後保養、保險、二手車等一系列的售後服務。

汽車產業鍊是非常長的，所以也會有各種各樣的人工智慧技術可以發揮作用。例如汽車零件可以建構一些知識圖譜，在生產製造和品質方面有預測維護、缺陷檢測，以及汽車在銷售過程中有票據識別，還有汽車裝飾件識別等都有人工智慧發揮技術的地方。從數據統計分析、機器學習，到自然語言處理、知識圖譜、智慧互動、電腦視覺等人工智慧領域的各個技術，在汽車產業鏈上都能夠找到非常多的應用場景。隨著許多造車公司加入汽車產業中，以及新能源、自動駕駛技術的推進，汽車產業的智慧化程度也會越來越高。

02 

#運籌最佳化賦能汽車產業

#################### ##運籌優化是尋找滿足約束條件下，能夠使得某一個或幾個目標達到最優化的最優決策。 ###運籌最佳化分為兩個關鍵的步驟，建模和求解###。第一步建模是將實際的問題變成數學最佳化模型，模型包含一些關鍵的要素，包括決策變數、目標和限制條件等。下一步就是求解，求解牽涉到許多最佳化演算法，其中有些是求精確解，有些是求非精確解，會牽涉到不同的最佳化演算法。運籌學的傳統應用非常多，例如路徑優化、選址優化、供應鏈優化、網頁佈局等。 ##############################

下面介紹一下運籌優化在汽車供應鏈的應用。在終端需求採集方面，例如新能源積分政策影響汽車長期規劃，如何規劃汽車才能滿足國家政策要求。在研發設計方面，例如研發設計中的生產排程、庫存管理、訂單管理中車輛分配策略以及物流運輸中的運輸計畫、調度等。 依照實際應用的決策等級和決策範圍來分可以把汽車領域的應用場景分成三個層級：

• 第一個層級是策略層級的最佳化，例如汽車產能的規劃、零件加工流程的規劃、庫存長期規劃、倉儲長期規劃。戰略層級的最佳化對於時間性和穩定性的要求會比較低，對結果的最優化有較高要求。
• 第二層是計畫層面的最佳化#，像是生產計畫、分銷計畫、物流計畫、物料計劃等，這些對於最優解，時效性和穩定性都有一定的要求，一般是每週或每月做一些計劃。
• 第三個層面是一個執行層面最佳化#，例如車間的調度、揀貨路徑、物料供應等，這些會涉及正常生產，優化結果立刻會影響到業務，對於優化系統的時效性和穩定性的要求非常高。

總之，從各個層級來說，策略層級偏向於是做一個最優最佳化；計畫層級在最優性、時效性和穩定性方面都有一定的要求；在執行層對最適性要求相對較弱，對於時效性和穩定性要求較高。

下面分享三個運籌優化的例子。

機加工藝方案優化#，設計一款引擎的機械加工方案時，傳統機加工藝需要有數十名資深的工程師，經過幾個月的手工編排，才能把一款引擎的編排工作完成，工作量巨大，編排的結果只能找到一個可行解，沒有辦法找到一個最優解。可以將這個機械加工問題進行數學建模，求得一個最優解，在實際應用上可以降低80%的編排工作。這屬於中長期規劃，目標主要是成本最優，這種目標要求精確解。規模比較大，把數學模型建好之後，會用解算器來幫助求解。

第二個例子是生產計畫的最佳化#，如零件生產、試驗車生產、整車生產，都是需要做生產計劃的，汽車領域的生產線都需要生產計劃，一般生產計劃目標是生產的均衡性，例如顏色的均衡、配置的均衡、日均衡、月均衡等。同時這種生產計劃的最佳化對於性能也有要求，因為工廠特別多，每個工廠可能都會有計劃員去做生產計劃的編排，他們對於時間的響應也有一定要求，這種一般需要使用基於整數規劃模型的解決方案。

第三個範例是庫存最佳化。倉庫庫存、經銷商庫存、整車庫存、零件庫存的成本都是非常大的，一般是要在滿足一定的服務水準下，使得庫存盡可能地低。先前的傳統模式就是用庫存最佳化模型，綜合預測銷售量、需求平均值、滿足率目標、缺貨成本等建構庫存最佳化模型，最終輸出安全庫存、目標庫存水準、訂單計畫、再訂貨點。現在一般會在傳統方式的基礎上，再結合機器學習演算法去做庫存最佳化。

#

03 運籌優化專案實施困難

運籌優化專案實施的難按從概念的驗證到這個專案實作的過程來看，主要有這幾點：

• 業務邏輯比較複雜：業務邏輯複雜方面就是不同業務中有很多專有名詞，業務需求方和建模工程師之間溝通非常困難，建模工程師必須了解每一個細節才能成功建模，這就造成業務需求理解比較複雜。
• 建模困難#：一方面是由於業務目標和限制不可量化，定性的描述會比較多，例如要求加工時間最短，生產計畫盡可能均衡的這種需求，盡可能是一種不可量化的限制。另一方面，實際中很多問題都是非線性的，建模實作很難。

• # 解時無解：解法模型會出現無解的情況，有可能是資料問題，或是模型的問題，另外解算器的效能可能也會有一些問題，這些都需要很大精力去排查。

• #解決方案的接受度受使用者習慣的影響#：運籌優化面臨比較大的問題就是求解出的方案結果和使用者的習慣不一致，使用者會有很多自己的想法，不接受最佳化方案。

• #專案重複迭代，成本提高：就是使用者需求沒有說全，這種情況常出現，等專案完成了，突然會有提出一個要求，建模工程師有時候業務背景不強的話就會遺漏使用者認為是常識而沒有溝通到的需求。另外運籌優化的客製化程度非常高，新出來的場景和限制會導致模型反覆迭代。

04 實務探索與經驗摘要

下面從專案的不同階段做一個總結。

1. POC(Proof of Concept)階段

POC階段是專案實施之前做的概念驗證。

#

• 一般專案可能沒有概念的驗證，只是示範ui介​​面，提需求就可以了。
• 分析型項目中演算法的結果是專案成功的關鍵因素，例如影像辨識項目，影像辨識的準確度比較重要，能不能達到這個準確度，對於專案的成敗很關鍵。預測專案的預測準確度也是專案成功的關鍵要素。在POC階段需要驗證出標準是否合理。
• 對於運籌最佳化項目，除了具備分析型項目的要素之外，還需要對潛項階段的功能進行驗證，例如驗證分析型項目的準確度，用戶要求80%，現在已經達到78%，那可能再優化一下，就能達到了。但由於需求變化對方案的影響，運籌優化專案在POC階段的驗證也只能做參考。例如要求成本最低的最優方案，目前提出來的要求，用這種方案是可以的，可是在專案實施的過程當中，如果提出了更多的要求，更多的約束之後，不一定能夠保證poc階段的驗證效果。這是運籌優化專案比較突出的困難和風險點。

2. define階段

• #一般專案定義現在的流程、未來的流程、報表需求、業務角色、績效要求。
• 分析性項目定義業務痛點、輸入、輸出、準出標準。例如輸入是照片，輸出是識別出的字段，準確度。
• 運籌優化專案定義業務的目標、利潤最大、效率最高、產能限制、順序限制等。建模師更要對每一個限制清楚，才能建好模型，談需求時投入的時間會比其他類型的分析型項目多。

3. 建置階段

• ##一般專案依照需求直接開發就可以，分析人員和開發人員需求可以完全分開，只要把需求說清楚。
• 分析型項目會出現一些資料問題，例如資料不支援define階段的分析需求，這種很常見。
• 運籌優化項目，會遇到更多的問題，例如約束衝突導致沒有解，需要和用戶重新定義約束是什麼，或者原來理解的約束和使用者說的約束不一樣，要反向做邏輯檢查。還需要有一套完整的數據，去驗證模型，要準備一套滿足所有限制的一個可行解。

4. 測試階段

• #一般項目有依功能點測試、正向測試、反向測試、壓力測試、使用者測試等。
• 分析型項目除了要測一般項目所需的測試之外，還要利用真實數據對演算法的結果是不是能夠達到標準做測試。
• 運籌優化項目測了發現之前的限制已經滿足，結果也能求解，但是用戶突然發現有些限制忘了提出來，這時候可能要重新加上這些約束，需要再次進入開發迭代階段，所以在運籌優化專案測試階段需要留足夠的測試時間。

05 精彩問答

Q：在進行生產計畫時的插單計畫是如何實現的呢？ #

A：插單計畫是在生產計畫的過程中，突然又來了新的計畫。生產計畫通常都是按週來的，如果一週內已經過了一個計畫點，就不會考慮去插單了。但是像固定的長期需求，例如「某些週的顏色生產量需要提前鎖定」是可以放到模型當中的，可以做為約束放在模型中。但如果這個週度已經照計畫生產出來了，生產計畫已經生效，只是臨時性的插單，就沒有必要再放到模型中了，可能需要靠手工去調整了。

Q：目前運籌應用在車企的狀況是怎麼樣的？當一般演算法得到的結果跟業務員人員經驗相違背，還能否推進演算法得到的結果？推進後的實際效果。一般如何？

A：這裡有兩個問題，第一個是運籌應用在汽車產業現在的應用是怎麼樣的？第二個是模型的結果和使用者的經驗如果有衝突，是怎麼做的經驗。

首先說第一個問題，我個人認為運籌優化在汽車行業的應用場景是全行業中包括各種電商行業裡面最複雜的。其他產業有的各種場景在汽車產業裡面都有，落地情況每個廠家不一樣，如果是建廠時間比較長，數據累積比較豐富，基礎系統化比較成熟的公司的運籌優化落地會比較容易，但也可能有設備老舊的問題，例如一些車間的設備比較老舊，抽取的數據沒有及時的回饋，做即時性的調度就會有一定的難度。

第二個問題，如果最佳化結果和使用者有衝突，建模師和使用者都是需要妥協的。因為建模也是有一些限制的，需要把一些複雜的業務場景去做一些簡化，才能做成一個數學模型，才能落地的。如果業務用戶非常堅持按照他的習慣去做，可能做出來的就和他的習慣是一樣，得不到什麼優化。另外就是建模師也要從業務的角度去理解一下，使用者確實需要這種操作，並且要盡量多想一些辦法去幫助他們。所以基於以上，成功的運籌優化專案需要需求方和實施方一起協調，多方圍繞共同的目標一起配合才能夠做一個比較成功的專案。

Q：汽車產業的庫存管理，補貨環節的穩健最佳化應用的情況是怎麼樣的？

A：汽車產業的庫存優化不同的情況有不同的處理，例如成熟件、新件、需求量少的零件等。如果是成熟件，基本上就是依照時間序列預測的需求，依照需求的分佈方差，依照庫存理論，去做目標庫存水準、安全庫存就可以。

需求量少的零件一般一個月或是半年經銷商才會消耗掉一個，一般庫存就是一個，基本上不用什麼理論了，用掉一個就補一個。實際上並不是直接把所有的理論都用上去，會有更靈活的方式，需要結合業務的限制、寶貴的實際操作經驗等多方面去處理這種問題。

#

以上是智慧決策技術在汽車產業的應用實踐的詳細內容。更多資訊請關注PHP中文網其他相關文章！