智慧應用 影音
鄧白氏
event

從天災到人禍頻傳 AI如何打造後疫情韌性供應鏈?

從天災到人禍頻傳,供應鏈布局的基礎,也從過往的降低成本變成「降低風險」。DIGITIMES

細數過去三、四年,從中美貿易戰、COVID-19新冠疫情、塞港缺櫃、原物料齊漲、淨零減碳到烏俄開戰,甚至工廠火災、停電跳電等事故頻傳,從天災到人禍,正全面改寫全球供應鏈的新秩序,供應鏈布局的基礎,也從過往的降低成本變成「降低風險」。

KPMG最新發布的《2022全球製造業展望》報告中也指出,未來供應鏈風險將被視為最大的威脅。像是持續兩年多的疫情對製造供應鏈帶來諸多影響,包括零組件短缺與成本上漲、物流作業的中斷、無法與客戶面對面溝通等,甚至於惡劣氣候與政治紛亂都有可能造成骨牌效應,種種令人措手不及,也讓全球供應鏈的風險和缺漏在這場危機中變得更加明顯,凸顯出以往過於單一且複雜的跨國供應鏈,只要其中一個環節出錯,就會導致整個系統癱瘓且難以立即恢復。

為此,對大多數的企業來說,如何設法提高供應鏈的韌性,確保其供應鏈在快速變化的市場及客戶壓力下仍能維持營運不中斷,也成為後疫情時代企業的必修課題。而所謂提高韌性的關鍵就在於,如何透過發展愈趨成熟的人工智慧(AI)、大數據、物聯網等技術,導入於設備、產線甚至整廠中的每一個環節中,用以蒐集生產過程中的狀態、數據,或是透過適當的智慧化分析,一旦供應鏈任何環節發生變動,仍能快速預測生產進度、交期和品質等,並作出即時動態調整。進一步說,如何透過AI讓供應鏈更具有韌性,究竟具體可以體現在哪些地方?

打造韌性供應鏈的第一步:建置數據中台

台灣IBM全球企業諮詢服務事業群資深顧問吳孟穎指出,過去以成本考量的集中式生產已不再,全球供應鏈正從過去的線性架構轉變為多維,未來各地的生產基地除了原有的製程能力與產能外,還須考量到客戶認證、物料成本、達交能力、存貨周轉、物流能力、關稅等條件,這些考量都必須有對應的數據,而這些數據不只製造業者本身必須具備,也需與客戶端有一定程度的共享,讓客戶掌握供應端的狀態,從而配置資源與訂單。

而要達到這樣的境界,建立數據中台則是相當關鍵的第一步,這與一般企業所認知的傳統資料倉儲稍有不同,所謂數據中台,其更強調的是跨越單一平台,將來自不同管道的數據串連起來,而正是藉由這中間的「串連」,才能更好地發現其中的關聯與因果關係,並藉此進一步驅動洞見。

舉例來說,面對疫情帶來的營運新局,全球雲端伺服器大廠緯穎科技則是透過將數據中台做為建置產品溯源系統的基礎,來提高客戶滿意度。緯穎科技打造了一個整合來自採購、生產、測試、包裝、出貨等階段的數據中台,這些資料則來自不同營運據點、不同系統,包括車間系統、生產測試系統、ERP、物流系統等,不僅資料來源多樣、資料定義方式與型態都不同。

打造一個數據中台是大工程,然緯穎科技資訊長溫宗正也表示,AI 時代,必須先做好資料工程,才能發揮更多 AI 應用。目前緯穎也透過這套產品溯源系統,除了可以快速反應客戶提出的問題外,也能將產品問題同時回饋到研發部門作為後續設計參考。

AI 精準預測需求與庫存

其次,在全球複雜分工下,供應鏈管理已是製造業的重中之重,若沒有精準的預測,備料過多會增加庫存成本,過少則影響客戶滿意度。全球數據分析領導廠商SAS就觀察,目前台灣包括製造業應用在維修備料預測、能源業在原料價格預測以及零售業在供應鏈管理上,愈來愈多業者開始意識到,如果僅是將過去交易數字輸入報表系統來產出未來預測,再依據經驗法則人工微調,這樣的作法已不符需求,而是轉而希望以AI技術為基礎,透過多維度的資料分析,建立更精準的需求預測。

像是美國本田汽車(Honda)就運用1,200個經銷商、一天數十次更新所累積下來的客戶銷售與維修資料,包含施工作業的類型、客戶支付的金額、各維修訂單的歷史資料及維修保養顧問的意見等,建立一個AI預測模型,預測各零件預備的指標,及客戶偏好與習慣等。據悉,美國本田汽車在AI零件準備預測準確度高達99%,同時降低三倍的維修及保固時間。美國本田汽車未來還規劃將這些數據資料,納入日後車輛設計的修正中。

AI 引導生產排程最佳化

從2021年持續至今的全球車用晶片大缺貨尚未落幕,引發一連串連鎖效應,全球車廠不得不因此下調生產量,彼時台積電更宣布為了緩解車用晶片燃眉之急,決定採用「超級急件」(super hot run)的做法,也就是要「重新調配產能」讓車廠臨時插單生產,將生產週期最多縮短50%。然一旦插單,也意味著會影響現有生產排程,甚至增加生產成本。台積電的例子雖較難與其他產業作比較,但仍值得省思的是,對應少量多樣的生產模式已是未來趨勢,頻繁換線不可避免,加上市場一朝變化快速,急單、插單等更無可預期,因此如何將生產排程最佳化,不管是對生產效率亦或是品質,都會有很大的影響。

在多數製造業者的印象中,產線排程影響所及者僅是訂單的出貨順序,但事實上排程先後考慮的因素有很多,包括交期、進料日期、產能、機種切換耗時等各種因素,且常常其中一項因素變動後,全部就要跟著重排,倘若單靠人的經驗將花費許多時間,但如果能運用人工智慧協助排程規劃,就能更快速、彈性且有效的自主產生最佳化排程,且具備智慧化能力的排程系統不僅可大幅提升產能,還能提前分析產線的瓶頸環節,讓生產效率最佳化。

工研院資訊與通訊研究所副組長暨AIdea人工智慧共創平台計畫主持人洪淑慎則觀察,近年製造業導入AI的需求持續擴大,其中在生產排程最佳化的需求更是顯著成長。主要在於近年各種因素變動下,如何調整資源,讓生產營運不中斷已成製造業最關心的課題,加上近年AI技術包括增強式學習,或是Alpha Go的關鍵技術之一 MCTS(Monte Carlo Tree Search;蒙地卡羅樹搜尋)等技術,都能讓AI排程更有效率。此外,在近年各界所關心的碳排議題上,AI排程更可在高碳排產業中,有助於透過調整製程,將設備能源使用最佳化,透過數位減碳法來降低碳排。

編按:本文將同步收錄於5/4~5/6由DIGITIMES主辦之AI Expo專刊中

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: AI 供應鏈