智能应用 影音
supplychain
Vector Japan

从天灾到人祸频传 AI如何打造后疫情韧性供应链?

从天灾到人祸频传 AI如何打造后疫情韧性供应链?

细数过去三、四年,从中美贸易战、COVID-19新冠疫情、塞港缺柜、原物料齐涨、净零减碳到乌俄开战,甚至工厂火灾、停电跳电等事故频传,从天灾到人祸,正全面改写全球供应链的新秩序,供应链布局的基础,也从过往的降低成本变成「降低风险」。

KPMG最新发布的《2022全球制造业展望》报告中也指出,未来供应链风险将被视为最大的威胁。像是持续两年多的疫情对制造供应链带来诸多影响,包括零组件短缺与成本上涨、物流作业的中断、无法与客户面对面沟通等,甚至于恶劣气候与政治纷乱都有可能造成多米诺骨牌效应,种种令人措手不及,也让全球供应链的风险和缺漏在这场危机中变得更加明显,凸显出以往过于单一且复杂的跨国供应链,只要其中一个环节出错,就会导致整个系统瘫痪且难以立即恢复。

为此,对大多数的企业来说,如何设法提高供应链的韧性,确保其供应链在快速变化的市场及客户压力下仍能维持营运不中断,也成为后疫情时代企业的必修课题。而所谓提高韧性的关键就在于,如何透过发展愈趋成熟的人工智能(AI)、大数据、物联网等技术,导入于设备、产线甚至整厂中的每一个环节中,用以蒐集生产过程中的状态、数据,或是透过适当的智能化分析,一旦供应链任何环节发生变动,仍能快速预测生产进度、交期和品质等,并作出实时动态调整。进一步说,如何透过AI让供应链更具有韧性,究竟具体可以体现在哪些地方?

打造韧性供应链的第一步:建置数据中台

台湾IBM全球企业谘询服务事业群资深顾问吴孟颖指出,过去以成本考量的集中式生产已不再,全球供应链正从过去的线性架构转变为多维,未来各地的生产基地除了原有的制程能力与产能外,还须考量到客户认证、物料成本、达交能力、存货周转、物流能力、关税等条件,这些考量都必须有对应的数据,而这些数据不只制造业者本身必须具备,也需与客户端有一定程度的共享,让客户掌握供应端的状态,从而配置资源与订单。

而要达到这样的境界,建立数据中台则是相当关键的第一步,这与一般企业所认知的传统数据仓储稍有不同,所谓数据中台,其更强调的是跨越单一平台,将来自不同管道的数据串连起来,而正是藉由这中间的「串连」,才能更好地发现其中的关联与因果关系,并借此进一步驱动洞见。

举例来说,面对疫情带来的营运新局,全球云端服务器大厂纬颖科技则是透过将数据中台做为建置产品溯源系统的基础,来提高客户满意度。纬颖科技打造了一个整合来自采购、生产、测试、包装、出货等阶段的数据中台,这些数据则来自不同营运据点、不同系统,包括车间系统、生产测试系统、ERP、物流系统等,不仅数据来源多样、数据定义方式与型态都不同。

打造一个数据中台是大工程,然纬颖科技信息长温宗正也表示,AI 时代,必须先做好数据工程,才能发挥更多 AI 应用。目前纬颖也透过这套产品溯源系统,除了可以快速反应客户提出的问题外,也能将产品问题同时回馈到研发部门作为后续设计参考。

AI 精准预测需求与库存

其次,在全球复杂分工下,供应链管理已是制造业的重中之重,若没有精准的预测,备料过多会增加库存成本,过少则影响客户满意度。全球数据分析领导厂商SAS就观察,目前台湾包括制造业应用在维修备料预测、能源业在原料价格预测以及零售业在供应链管理上,愈来愈多业者开始意识到,如果仅是将过去交易数字输入报表系统来产出未来预测,再依据经验法则人工微调,这样的作法已不符需求,而是转而希望以AI技术为基础,透过多维度的数据分析,建立更精准的需求预测。

像是美国本田汽车(Honda)就运用1,200个经销商、一天数十次更新所累积下来的客户销售与维修数据,包含施工作业的类型、客户支付的金额、各维修订单的历史数据及维修保养顾问的意见等,建立一个AI预测模型,预测各零件预备的指标,及客户偏好与习惯等。据悉,美国本田汽车在AI零件准备预测准确度高达99%,同时降低三倍的维修及保固时间。美国本田汽车未来还规划将这些数据数据,纳入日后车辆设计的修正中。

AI 引导生产排程最佳化

从2021年持续至今的全球车用芯片大缺货尚未落幕,引发一连串连锁效应,全球车厂不得不因此下调生产量,彼时台积电更宣布为了缓解车用芯片燃眉之急,决定采用「超级急件」(super hot run)的做法,也就是要「重新调配产能」让车厂临时插单生产,将生产周期最多缩短50%。然一旦插单,也意味着会影响现有生产排程,甚至增加生产成本。台积电的例子虽较难与其他产业作比较,但仍值得省思的是,对应少量多样的生产模式已是未来趋势,频繁换线不可避免,加上市场一朝变化快速,急单、插单等更无可预期,因此如何将生产排程最佳化,不管是对生产效率亦或是品质,都会有很大的影响。

在多数制造业者的印象中,产线排程影响所及者仅是订单的出货顺序,但事实上排程先后考虑的因素有很多,包括交期、进料日期、产能、机种切换耗时等各种因素,且常常其中一项因素变动后,全部就要跟着重排,倘若单靠人的经验将花费许多时间,但如果能运用人工智能协助排程规划,就能更快速、弹性且有效的自主产生最佳化排程,且具备智能化能力的排程系统不仅可大幅提升产能,还能提前分析产线的瓶颈环节,让生产效率最佳化。

工研院信息与通讯研究所副组长暨AIdea人工智能共创平台计划主持人洪淑慎则观察,近年制造业导入AI的需求持续扩大,其中在生产排程最佳化的需求更是显着成长。主要在于近年各种因素变动下,如何调整资源,让生产营运不中断已成制造业最关心的课题,加上近年AI技术包括增强式学习,或是Alpha Go的关键技术之一 MCTS(Monte Carlo Tree Search;蒙地卡罗树查找)等技术,都能让AI排程更有效率。此外,在近年各界所关心的碳排议题上,AI排程更可在高碳排产业中,有助于透过调整制程,将设备能源使用最佳化,透过数码减碳法来降低碳排。

编按:本文将同步收录于5/4~5/6由DIGITIMES主办之AI Expo专刊中

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: AI 供应链