CHLB ĐỨC – Các công ty sản xuất là một trong những đơn vị được hưởng lợi lớn từ việc chuyển đổi kỹ thuật số. Khả năng truy cập vào lượng dữ liệu lớn ngày càng tăng mang lại nhiều cơ hội giúp tăng hiệu quả, cải thiện chất lượng và giảm chi phí sản xuất. Các giải pháp trí tuệ nhân tạo (AI) đã được sử dụng thành công trong nhiều bộ phận của doanh nghiệp nhằm đạt được những mục tiêu này và tiếp tục được nghiên cứu chuyên sâu.
Một lĩnh vực ứng dụng quan trọng của giải pháp trí tuệ nhân tạo (AI) là lập kế hoạch và kiểm soát sản xuất – PPC (Production Planning and Control). Mô hình chuỗi cung ứng Hanoverian (Hannoveraner Lieferkettenmodell) – viết tắt là HaLiMo – cấu trúc các nhiệm vụ và quy trình của PPC theo trình tự thời gian và tính logic. Trong mô hình HaLiMo, có thể xác định được các trường hợp ứng dụng.
Mô hình chuỗi cung ứng Hanoverian.
Ba trường hợp được mô tả ở phía dưới đây. Ba trường hợp này đề cập đến việc dự báo ngày giao hàng trong việc quản lý đơn hàng, dự báo nhu cầu nguyên vật liệu trong việc lập kế hoạch sản xuất, và kiểm soát sản xuất bằng cách sử dụng các ứng dụng thông minh.
Dự báo ngày giao hàng trong quản lý đơn hàng Sàn thương mại điện tử Amazon có chính sách “next day delivery” (tạm dịch là: giao hàng vào ngày hôm sau), cho nên thời gian giao hàng ngắn và đáng tin cậy là rất cần thiết. Khả năng cung cấp và duy trì thời gian giao hàng ngắn có tầm quan trọng đối với các công ty sản xuất. Quản lý đơn hàng trong các công ty sản xuất có hai chức năng quan trọng. Một mặt, ngày giao hàng được báo trước với khách hàng theo quy trình đặt hàng trên ứng dụng. Mặt khác, có sự điều phối đơn hàng theo tiến trình đặt mua của khách hàng và thông báo giao hàng chậm trễ trong trường hợp có sự cố xảy ra. Để hỗ trợ hai nhiệm vụ này, trí tuệ nhân tạo (AI) được sử dụng để dự đoán ngày giao hàng.
Đối với các phương pháp truyền thống, để xác định ngày giao hàng thường dựa trên các phương pháp thống kê đơn giản, chỉ tính đến một số yếu tố ảnh hưởng bằng kiến thức chuyên môn. Với sự trợ giúp của các phương pháp trí tuệ nhân tạo (AI), có thể sử dụng dữ liệu từ quy trình đặt hàng và dữ liệu vận chuyển có sẵn trong các công ty thông qua việc sử dụng phần mềm quản lý doanh nghiệp – ERP (Enterprise Resource Planning software) và hệ thống điều hành sản xuất – MES (Manufacturing Execution System) (ví dụ: xác nhận mua hàng, tuyến đường, chuyển hàng từ kho) và sử dụng nó để dự báo ngày giao hàng.
Một lượng lớn dữ liệu được truy xuất trong thời gian rất ngắn, kết quả là ngày giao hàng được tính toán một cách tự động. Các thuật toán trí tuệ nhân tạo (AI) được sử dụng vượt trội hơn nhiều so với các phương pháp thống kê. Tuy nhiên, nguyên tắc GIGO (Garbage In – Garbage Out)* cũng được áp dụng. Các thuật toán chỉ có thể xử lý những thông tin đã được cung cấp. Nếu các dữ liệu đầu vào không tốt, như thông tin về đơn đặt hàng không chính xác hoặc thông tin vận chuyển không đầy đủ, thì dữ liệu đầu ra sẽ không chính xác. Cũng cần lưu ý rằng trí tuệ nhân tạo (AI) không phải lúc nào cũng xác định ngày giao hàng chính xác, mà là ngày có khả năng xảy ra nhất theo các mô hình tính toán cơ bản. Tuy nhiên, do mô hình trí tuệ nhân tạo (AI) không thể tính đến tất cả các sự cố gây cản trở việc giao hàng, như: người nhận hàng vắng mặt hoặc tắc nghẽn giao thông, vì vậy cần xác minh ngày giao hàng trước khi thông báo cho khách hàng. * Nguyên tắc GIGO (Garbage In – Garbage Out): khái niệm dùng trong khoa học máy tính và toán học, ám chỉ chất lượng, thông tin đầu ra được quyết định bởi chất lượng thông tin đầu vào.
Dự báo nhu cầu về nguyên vật liệu trong việc lập kế hoạch sản xuất Trong việc lập kế hoạch sản xuất, các nhu cầu về nguyên vật liệu được xác định dựa trên chương trình sản xuất của nhà máy. Bao gồm: nguyên liệu thô cũng như các bộ phận và linh kiện lắp ráp để sản xuất thành phẩm. Sau khi tính toán tổng nguyên vật liệu và nguyên vật liệu ròng, lượng tồn kho theo kế hoạch và thực tế, từ đó nhà sản xuất sẽ chỉ định cách thức mua nguyên vật liệu. Kết quả của việc phân bổ này là một đề xuất mua nguyên vật liệu từ nhà cung cấp bên ngoài và/ hoặc sản xuất tại nhà máy.
Nhu cầu có thể được xác định bằng nhiều phương pháp khác nhau. Những phương pháp này bao gồm ước tính nhu cầu xác định, phương pháp Heuristic và phương pháp ngẫu nhiên. Dự báo phù hợp với hoạt động sản xuất ổn định và có thể dự đoán được. Phương pháp xác định nhu cầu Heuristic, dựa trên kinh nghiệm và ước tính, rất hữu ích khi lượng dữ liệu chưa đầy đủ hoặc cần quyết định nhanh chóng. Kỹ thuật ngẫu nhiên sử dụng mô hình thống kê và phân phối xác suất để dự báo nhu cầu. Dự báo dựa trên dữ liệu lịch sử và mô hình toán học ước tính nhu cầu trong tương lai dựa trên xác suất và xu hướng. Kỹ thuật ngẫu nhiên rất hữu ích khi nhu cầu không thể đoán trước hoặc có tính biến động cao.
Một thách thức lớn trong việc áp dụng các phương pháp ngẫu nhiên là mô hình hóa các mối quan hệ ngẫu nhiên. Trong thực tế, các mối quan hệ ngẫu nhiên có thể rất phức tạp. Một số biến số và yếu tố có thể tham gia, tương tác và ảnh hưởng lẫn nhau. Do đó, việc mô hình hóa các mối quan hệ phức tạp như vậy đòi hỏi rất nhiều sự nỗ lực. Việc áp dụng các phương pháp trí tuệ nhân tạo (AI) có thể giải quyết thách thức này. Ưu điểm chính là các phương pháp trí tuệ nhân tạo (AI) có thể phân tích một lượng lớn dữ liệu và xác định các mô hình, xu hướng và mối quan hệ mà con người khó thực hiện. Thông qua các thuật toán máy học tiên tiến, trí tuệ nhân tạo (AI) có thể trích xuất các tính năng (đặc điểm) có liên quan từ dữ liệu và kết hợp chúng vào mô hình hóa. Điều này giúp tạo ra các mô hình chính xác hơn, nâng cao độ chính xác của dự báo nhu cầu và tăng hiệu quả của việc lập kế hoạch và kiểm soát sản xuất – PPC.
Kiểm soát hoạt động sản xuất với sự trợ giúp từ công nghệ trí tuệ nhân tạo (AI) Kiểm soát sản xuất có ý nghĩa trong việc sắp xếp các đơn đặt hàng và quản lý chúng trong quá trình sản xuất. Mục tiêu chính là hoàn thành việc xử lý các đơn hàng theo kế hoạch sản xuất, bao gồm tất cả những thay đổi do con người điều chỉnh. Để đạt được mục tiêu này, các lệnh phải được đưa ra theo một logic thống nhất và được đặt theo một trình tự nhất định. Trong trường hợp này, việc tích hợp các yếu tố tác động từ môi trường là một thách thức lớn đối với các công ty vì chúng phải được xem xét cùng các yếu tố hậu cần sản xuất và hoạt động sản xuất truyền thống vốn dĩ giúp công ty tồn tại lâu dài trên thị trường.
Trí tuệ nhân tạo (AI) cung cấp nhiều phương pháp khác nhau giúp giải quyết vấn đề phức tạp được mô tả ở phía trên. Các phương pháp kiểm soát sản xuất đã được thiết lập thường dựa trên kiến thức chuyên môn, phương pháp phỏng đoán hoặc mô hình nghiên cứu hoạt động. Ưu điểm của các phương pháp trí tuệ nhân tạo (AI) nằm ở việc xem xét đồng thời một số lượng lớn các tính năng với bộ dữ liệu phong phú. Ngoài nguyên tắc GIGO đã giải thích ở phía trên, các nhà điều hành cần lưu ý rằng các thông tin được đưa vào phần mềm phân tích và đặc biệt là số lượng dữ liệu, có ảnh hưởng đến độ chính xác của kết quả phân tích trí tuệ nhân tạo (AI). Những công nghệ tiến bộ, chẳng hạn như công nghệ nhận dạng tự động – RFID (Radio Frequency Identification), là cơ sở để thu thập dữ liệu một cách hiệu quả về mặt chi phí. Do đó công nghiệp 4.0 đã giúp tạo ra các ứng dụng từ trí tuệ nhân tạo (AI),
Việc sử dụng chương trình máy học tăng cường là một trong những cách tiếp cận sáng tạo để giải quyết sự phức tạp của quy trình kiểm soát sản xuất. Đó là một kỹ thuật máy học trong đó phần mềm thông minh sẽ học cách đưa ra các quyết định tuần tự thông qua các tương tác. Với sự trợ giúp của chương trình máy học Q-learning hoặc Policy Gradients, robot được đào tạo để kiểm soát quá trình tự sản xuất toàn diện, bao gồm các yếu tố ảnh hưởng hiện có và cả những yếu tố phát sinh ngoài dự tính (kinh tế, hậu cần, môi trường).
Phân tích ban đầu cho thấy những cách tiếp cận mới trong việc lập kế hoạch và kiểm soát sản xuất có thể đáp ứng tốt các tiêu chuẩn đã được thiết lập của ngành sản xuất công nghiệp và do đó cải thiện hiệu suất hậu cần của kiểm soát sản xuất.
Để xem các tin bài khác về “Trí tuệ nhân tạo”, hãy nhấn vào đây.
(Nguồn: Emo-Hannover)
