机器学习+运筹优化，智能决策推动工业互联网上台阶

　　企业正进入数字化深化、智能化延伸的阶段，这包括了智能决策应用的探索与实施。

　　政策导向非常明确。《工业互联网创新发展行动计划（2021-2023年）》重点任务之一的“新型模式培育行动”提出：要发展智能化制造。实现全流程动态优化和精准决策。实施数字化管理。开展动态市场响应、资源配置优化、智能战略决策等新模式应用探索。

　　制造与管理是工业企业的两大核心，是智能决策的首要目标场景。数字化、智能化的深入使研发、制造、运营、销售、服务全价值链“数据就绪”，这为决策智能深入生产制造与运营管理优化创造了条件。

　　决策精细化、自动化将加持企业增长。那么，到底什么是智能决策？有什么关键技术？如何实施？它与信息化、数字化转型有何关系？

　　智能决策是刚需

　　中国首个工业智能决策白皮书《2022工业“智能决策”白皮书——点亮企业增长的“灯塔”》（下称“白皮书”）于近期发布，该白皮书由爱分析、杉数科技、卡奥斯共同组织编写。

　　白皮书指出，智能化是工业互联网建设价值的核心，智能决策是工业互联网智能化的“大脑”，以全局优化为目标实现企业综合收益最大化。

　　或者，如果说智能化是工业互联网的价值C位，智能决策就是C位的C位。

　　这是因为，过程是在执行决策，而决策涉及生产、管理等全价值链、全流程。

　　根据白皮书，智能决策是组织或个人综合利用多种智能技术和工具，基于既定目标，对相关数据进行建模、分析并得到决策的过程。该过程综合约束条件、策略、偏好、不确定性等因素，可自动实现最优决策，以⽤于解决新增长时代日益复杂的生产、生活问题。

　　流程上，智能决策首先将实际问题中的决策标的、约束、偏好以及目标转化为数学模型，然后在模型基础上输入数据，利用机器学习、运筹优化等技术，对模型进行高效求解。

　　其中，机器学习技术通过强化学习、深度学习等算法实现预测，通常需要⼤量数据来驱动模型以实现较好的效果；适用于描述预测类场景，如销量预测。

　　运筹优化技术基于对现实问题进行准确描述刻画来建模，通过运筹优算法在⼀定约束条件下求目标函数最优解，对数据量的依赖性弱，结果的可解释性强；适用于规划、调度、协同类问题，如人员排班、补配货。

　　机器学习与运筹优化技术的深度融合，推动智能决策技术不断扩充能力边界。

　　一个面向16个细分⾏业的222家企业CIO的调查结果显示，“辅助管理层决策”已成为企业最关注的⼤数据应⽤场景。这是个“刚需”。

　　智能决策要有大局观

　　但凡有数据、有信息，需要做出选择，这就是决策。决策可大可小。在应用中，落地的场景会不同。

　　杉数科技工业与智能制造副总裁黄翔说，整体上，每个行业都已经具备了进一步智能化，推进智能决策的基础。

　　在工业领域，智能决策的典型应用场景可以分为面向设备、面向生产、面向运营（市场/销售/⽣产/供应链）、面向产业链四大方面。实施路径，可先从最核心的生产环节切入，同时打通端到端供应链，以及增强设备监控管理，再横向拓展到产业链上下游协同创新。

　　以产业链为例，利用智能决策，工业企业可以通过上下游协同运营进行柔性化生产，基于市场竞争进行差异化定价，通过消费者大数据分析，洞察流行趋势与市场需求进行新品优化，从而在整个供应链系统中匹配最优生产资源。

　　上汽通用作为国内龙头整车厂，在本土化发展过程中，国外整车厂信息化工具无法满足国内生产制造实际需求，为提⾼⽣产计划效率，上汽通用通过建设智能排产系统实现排产优化和均衡化物料需求，拉动物流车次运输效率提升10%，日均运输管理费用降低7%，整体年化收益达数百万。整车生产装配涉及众多供应商与上万种零件，为保证平稳生产，供应、仓储及入场物流都面临解决复杂约束问题的挑战。通过智能决策技术，可以实现“生产+供应+仓储+物流”的全面整合，从局部优化到全局优化。

　　在细分领域，智能化程度各不相同，头部企业已开始将智能决策应用于供应链协同、柔性⽣产等环节。从行业看，智能决策已从应用程度比较高的汽车制造业、3C电子制造业，逐步向机械、钢铁、纺织等行业渗透，覆盖离散制造与流程制造典型行业。

　　工业生产各环节成本关联性强，有相互制约性，仅考虑单⼀环节成本最优则会陷入“木桶效应”，所以智能决策应以“全局优化”为目标实现企业综合收益最大化。

　　爱分析合伙人&首席分析师黄勇指出，全局优化就是从企业的核心目标去考虑。例如，不能单纯为了降库存而让前端生产的产品卖不出去。决策就是取舍，因此“大局观”很重要。

　　在六国化工，通过建设产销协同智能决策系统，实现了以利润为导向，指导整体采购、生产、库存、发运。同时通过优化产能规划与生产工艺，进一步符合环保控制要求。

　　以求解器为牵引 推动行业共建

　　实现智能决策的开发与部署，需要通过机器学习引擎进行相关算法的敏捷开发，以及通过求解器对运筹优化模型进⾏算法优化和求解。

　　求解器是工业智能决策发展的关键核心技术。

　　能将复杂商业问题“通盘考虑、统筹优化”的数学规划求解器，长期处于国外技术垄断状态，早期国内求解器发展缓慢。

　　2017年10⽉，杉数科技与上海财经大学共同发布国内首个开源求解器LEAVES。2019年5⽉，杉数科技发布国内首个达到世界一流水准的线性规划求解器COPT（Cardinal Optimizer)，此后陆续推出整数规划求解器、⼆阶锥优化求解器。

　　“求解器是一个通用工具，类似于定制的‘芯片’，是数字化、智能化的基础设施。”爱分析黄勇说。

　　以求解器为核心搭建的智能决策平台，以及平台上的模型应用层、产品应用层，要根据行业特性和场景适配。这需要数据中台和应用中台为支撑，并落实到具体的应用场景。

　　所以，智能决策厂商是否具备跨场景落地能力，一方面要看企业是否拥有自主可控的底层技术能力；另一方面，是否有实打实的案例支撑。

　　只有在工业、零售、物流各个行业有相应的行业案例，才能理解这些行业特有的业务模型或数据模型。

　　杉数科技求解器COPT，也是支撑杉数端到端供应链平台的核心组件。其落地有两条路径：

　　第一，作为服务商直接服务客户。一是基于解决方案，结合行业直接服务于场景，如上汽通用、舜宇光学等客户；二是与平台进行深度融合，如前文海尔集团案例中，即为杉数科技与海尔卡奥斯合作。

　　第二，与科研单位合作共建，把求解器作为一个重要的科研工具，提供给科研院所，后者对最终的应用场景进行研发和应用落地。目前，这种模式在能源、交通等行业比较深入。

　　以轨道交通行业为例，杉数和轨交客户达成能力共建，将决策智能技术提供给客户，客户将业务应用的场景理解加深了以后，形成相应的实施基础，最终贡献落地应用，也为自身带来了实打实的价值。

　　“我们一直在推动行业共建。”杉数科技黄翔表示。

　　数字化和智能化是螺旋式上升的过程。有了更多的数据，就会诞生更多的应用场景；有了更多的场景落地后，反过来需要更多的数据做支撑，深化应用场景。

　　所有的场景都是随着社会的发展、数据的积累、新业态的诞生而不停地更新。而随着整个行业对智能决策的理解加深，未来应用会越来越丰富。

　　杉数会“随需应变”，不断更新迭代智能决策模型、产品和方案。

　　决策就是资源的配置和调度，资源可以是人、财、物、设备、时间。他们的配置优化，目的是企业增长。

　　下一步，杉数科技将推进智能决策向更多行业场景延伸。