全球制造业景观处于不断变化的状态,面临着复杂供应链的复杂舞蹈,市场需求的波动,以及对高效率的不断压力。传统的生产规划系统,长期是制造运营的基石,日益受到对实时适应性和管理各种变量的能力的需求的压力。 人工智能正在成为一个深刻变革的力量,承诺显著提高决策能力,优化稀缺资源的分配,并简化整个制造价值链的运营工作流程。 相反,基于人工智能的规划系统可以利用复杂的算法进行实时数据分析,更准确地预测需求变化,并动态地调整生产时间表,以适应不断变化的条件。 在将人工智能整合到SAP制造解决方案的复杂领域的最前沿是Mahesh Babu MG,SAP供应链制造业的杰出领导者. 他的职业生涯超过19年,反映了SAP制造和规划解决方案的丰富经验和深厚的专业知识,包括SAP ECC,SAP APO和SAP S/4HANA。 在他目前的职位中,他领导了 SAP Premium Hub CoE 制造和 PLM 团队,这强调了他的领导力和显著的技术能力。 , “PP/DS with SAP S/4HANA” (具体来说,第一版, ISBN 978-1-4932-1872-1,以及 )。 SAP新闻书 第二版 这些关于高级规划和规划的综合指南,涵盖主数据、光学、PP/DS优化器和警报监控等关键领域。 ,巩固了他作为该领域的主要权威地位。 由国会图书馆目录 这种独特的深度、实用的 SAP PP/DS 知识和前瞻性 AI 扩展研究的结合使他成为已建立的企业系统与下一波智能技术之间的关键环节,从而确保他的见解既创新又易于应用于现实制造环境。 结合 SAP PP/DS 的丰富背景和 HANA 原型设计的专业知识,MG 概念化并执行了一项重大行为研究,旨在精心研究在 AI 增强计划系统下运行的管理决策质量。 在受控研讨会的结构化环境中,参与计划者被委托比较传统的基于灵感的输出与人工智能驱动的建议,这项实验的结果令人信服:通过人工智能联合试点增强的用户能够更快地达成计划决策,对优化序列的接受率提高了20%,至关重要的是,导致晚期订单减少了12%。 如SAP Joule等AI辅导员的概念,通过自然语言提供背景洞察和自动化任务,是这里的核心。尽管PP/DS的标准Joule在研究时尚未可用,但MG通过概念模型探索这一范式尤其有洞察力。 从这项开创性的研究中获得的见解随后为MG的执行研讨会和他的各种出版物的内容提供了信息,这进一步巩固了他作为AI驱动制造规划领域的有影响力的思想领袖的声誉。 MG的专业努力主要集中在使北美各地的制造业能够充分利用SAP供应链制造解决方案的能力,最终的目标是显著改善其制造计划和规划运营,而制造业,特别是北美,目前正经历着一个深度变革的时期,很大程度上是由广泛的数字化和建立更具弹性和敏捷的供应链的迫切需要推动的。 采用人工智能被广泛认为是这一不断变化的关键推动因素,有相当多的公司正在积极探索或已经在其运营中实施人工智能技术。MG的工作直接面对实际挑战,并释放了这种不断变化的工业环境中固有的机遇。 MG的PP/DS研究中的“SAP Joule”的概念性质表明,在标准解决方案普遍可用之前,人工智能的未来潜力仍在探索,这对于旨在保持快速技术进步的前进的组织来说是至关重要的方法。 通过AI驱动的见解应对传统的PP/DS挑战 传统的生产规划和详细规划(PP/DS)系统虽然强大,但存在着固有的挑战,促使人们探索人工智能扩展。MG指出,“在传统的PPDS中,策划者和策划者依赖于自动的背景执行规划和策划算法,以及PPDS中的优化器来解决与完成产品和组装制造相关的规划和策划问题。 规划人员花费大量的时间来扫描交互交易产生的警报,识别出销售订单交付可能延迟的问题,因为组装线上无法提供容量,或供应计算的天数低于关键门槛。 该概念研究的目标是由这些现有的局限性和人工智能新兴潜力塑造的:“SAP Joule 是一个理解连接云 ERP 系统业务语义的合作试点。 核心用例是使用历史PP/DS警报数据和规划者所采取的相应决策行动来训练人工智能模型,该方法旨在为PP/DS系统内的警报监视器中更频繁观察和往往耗时的警报自动化决策,并通过仔细考虑资源和组件可用性来增强指标,例如时间引导和及时交付。 然而,其有效性往往取决于对例外的管理预警和警报监视器,要求规划人员手动干预“日期供应计算结果低于定义门槛”或“由于缺乏容量而导致的销售订单交付延迟”等警报。 能够理解业务背景和通过自然语言进行交互的AI联合试点的愿景直接解决了与这些常见警报相关的手动负担。 该研究的重点是通过规划者行动训练人工智能,这表明一种方法可以编码和扩展经验丰富的规划者目前所拥有的宝贵的沉默知识,潜在地将最佳实践标准化,并为新团队成员加速学习。 HANA原型在设计AI增强实验中的关键作用 MG行为实验的技术架构受到他对SAP HANA原型制作的专业知识的显著影响,这在建立研究所需的基本数据结构方面至关重要。MG表示,“HANA原型设计专业知识被利用来创建文物,捕捉HANA模型中规划者采取的警报和行动的细节,后者可以用来训练AI模型。 这些文物,主要是HANA表和视图,经过精心设计,记录了PP/DS系统中产生的警报的细微细节,以及由人类规划者实施的后续纠正行动。 其功能适用于此类实时数据处理和分析,提供了一个理想的平台来捕捉动态事件数据,这与利用ML和AI在SAP数据分析中的更广泛趋势一致,以增强实时数据分析并促进预测建模。 萨普·汉娜 这种基于HANA的数据捕获的实际应用进一步说明了MG描述的一种特定的场景:“例如,对于制造业中第三级的组装,发出警报以通知规划者有延迟,规划者通过手动执行规划 heuristics来恢复计划来解决,因为在这个层次上有非常频繁的计划故障。 因此,此警报以及产品/位置的性质,以及所采取的行动,使用HANA文物,如基于PPDS系统中发生的事件更新的表格和视图来捕获。 创建HANA文物的这一过程是有效的机器学习模型培训所必需的数据准备技术的直接应用,并解决了对高质量、综合数据的根本需求,以燃料强大的AI性能。 选择将原型机集中在一个具有非常频繁计划失败的第三级组装上,这表明战略选择了一个高影响区域,其中人工智能可以通过解决持久的疼痛点来展示显著价值,这是人工智能使用案例识别的最佳实践。 此外,不仅捕捉了警报和行动,还捕捉了产品/位置的性质,从而创造了丰富的背景数据集,这种多维数据对于训练复杂的AI模型来说是无价的,能够了解超出简单的警报分类之外的细微差别,从而产生更准确和与环境相关的AI驱动的建议。 创建强有力的比较:参与者和场景选择AI决策支持研究 MG的研究中控制研讨会的设计强烈强调细致的参与者和场景选择,以确保传统人为驱动的规划决策与概念人工智能合作试点增强的决策之间的强大和有意义的比较。 MG解释说:“由于本研究的范围受到控制,并且仅限于两种类型的警报(顺序完成延迟和能力使用过剩),因此所选择的角色是完成商品的生产监督和完成商品组装线的规划监督。 作为参与者的角色选择产品生产主管和产品组装线的规划主管是实验设计的关键方面。这些角色直接和经常参与管理正在调查的警报类型――订单履行延迟和能力过度利用。 这些场景集中在排序延迟和能力过度利用上,解决了制造业中常见且具有极大影响的问题,这些问题具有显著的财务和运营影响,使得通过人工智能的潜在缓解对企业来说是一个令人信服的建议。 这些研讨会的“受控”性质有助于通过最大限度地减少外部变量的影响来隔离人工智能工具的具体影响。 MG所选择的警报类型通常建立了“更好的”或“更差”的分辨路径,允许一个清晰的基准,可以对人类和AI增强的决策进行评估。   测量影响:评估人工智能增强规划决策的关键指标 为了严格评估人工智能合作试点的影响,MG优先考虑了一组重点指标,重点关注决策速度,人工智能推荐的行动序列的质量,以及像订单及时等实实在在的操作结果。 MG解释说:“决策速度是通过对聊天机器人输入提示到初始响应的产生之间的延迟来衡量的,例如,对于一个提示,“我负责的产品有多少高优先级延迟订单通知”,聊天机器人将使用人工智能来理解提示并触发后端PPDS行动,以生成警报和响应警报的数量。 该指标直接量化了人工智能快速处理自然语言查询的能力,与潜在的PP/DS系统进行交互,并为规划者提供相关信息,这在快速的制造环境中是一个关键因素。 “背景准确性被用来衡量序列接受率,以评估AI触发的行动,将其与具有相同提示的手动序列的行动进行比较,”MG说。 最后,订单及时性是一个关键的制造 KPI,通常通过制造 KPI 来衡量,这是一个关键的结果指标,反映在研究角度报告的晚期订单减少12%。AI 模型验证技术被应用到确保这些指标的可靠性和准确性,包括验证聊天机器人响应的相关性和正确性。 决策速度示例提示还凸显了人工智能的预期复杂性,能够理解自然语言,用户背景(例如“我负责的产品”),并触发复杂的后端系统交互。 不可预测的动态:与人工智能建议的规划者互动,而不是传统的精灵学 人类规划者与人工智能驱动的决策支持系统之间的互动往往会揭示出意想不到的动态,而MG的研究在这方面提供了宝贵的见解。 MG 指出:“使用 Joule 模拟的聊天机器人,训练数据的质量和模式对 AI 建议产生了巨大的影响。 这种初步的培训模式导致了特定的,虽然非最佳的,人工智能行为,培训数据质量的重要性是人工智能开发的一个既定原则;数据的缺陷可能导致不准确的预测和错误的决策。 MG解释说:“但当能力在同一周内仍然可用时,人工智能的建议是重新安排到下一周;这被缓解了通过将能力检查作为一项行动,然后在培训数据中提出重新安排行动。 这种人工智能行为,由于其培训中的偏见,建议一种不那么优化的解决方案,说明人工智能模型如何在训练数据不够全面或代表所有相关的决策逻辑的情况下,可以学习意想不到的模式。 这种行为,如果不被纠正,可能会对策划者的信任产生负面影响,并导致不良的运营决策。减缓策略 - 丰富培训数据以包括明确的容量检查 - 反映了机器学习模型开发中常见的迭代改进过程。 这种经验凸显了嵌入“常识”或隐含的背景规则的挑战,人类规划人员直观地应用,例如在建议延迟之前检查更直接的容量可用性。 人工智能模型从模式中学习,如果训练数据没有完全封装所有所需的决策逻辑,人工智能将显示这些差距。 人工智能提出的潜在建议(由于培训数据模式)对其纠正至关重要,强调了人工智能系统的透明性和可解释性,这些系统对于建立用户信任和允许有效的人类监督至关重要。 为什么 实实在在的好处:减少人工智能延迟订单的运营和财务影响 MG的概念研究中获得的12%的晚期订单减少对制造业组织带来了显著和多方面的好处,包括运营效率和财务改善。 正如MG所描述的那样,“在传统的规划场景中,当销售订单的延迟是由于店铺地板的延迟,以预定时间生产产品时,必须执行夜间的背景运行,以安排被阻挡的制造订单到未来的可用容量插槽。 此外,管理高优先级销售订单往往需要规划人员手动干预,以重新安排其他制造订单,这是一个耗时且潜在易犯错误的过程。 MG强调了这种对比性:“通过基于聊天机器人的方法,规划者可以简单地询问聊天机器人是否有任何高优先级销售订单延迟,并指示解决问题,这反过来利用人工智能的能力自动触发相应的重新安排行动。 延迟订单的减少12%代表了显著的运营改善。在工业上,延迟交付和后续订单因加速运送和加班而被称为增加运营成本,降低客户满意度,导致减少保留,甚至可能导致声誉损害。 财务影响同样令人信服,有直接成本节省的潜力(短期交付可能占成本的近10%),增强客户忠诚度的收入和更健康的利润率。 此外,对关键、优先级订单的重新安排的自动化不仅减少了规划员的直接工作负荷,更重要的是,确保战略业务目标,如执行关键客户订单,得到一致和高效的解决。 这将最大限度地减少与这些关键账户相关的收入风险,展示了人工智能如何保护关键收入流并通过确保优先考虑和有效应对紧迫的履行挑战来加强重要客户关系。 从实验到专业知识:通过AI见解塑造高管研讨会和思想领导 MG的行为实验的令人信服的结果,特别是规划者效率和决策质量的提高,已成为他的执行工作坊和影响力的著作,包括他权威的SAP新闻书籍的塑造的基本要素。 他向行业领导者和从业者发送的信息的核心原则是人工智能在制造规划中实现“例外管理”模式的变革潜力,正如MG所指出的那样,“典型的规划者或计划员在其职责范围内管理数千种材料,他们花费的时间来解决PPDS中更常见和微不足道的规划/容量警报需要大部分时间。 这种广泛的参与常规警报解决往往会减轻更多的战略活动。 引入人工智能驱动的工具提供了缓解这一负担的明确途径,MG强调人工智能所促进的重点关键转变:“当他们的注意力和关注需要更复杂的警报和管理业务时,这种人工智能驱动的制造计划将企业和他们的规划团队驱动到“不要管理系统,只是管理真正的例外”的目标。 这种哲学,人工智能系统擅长处理常见和不那么关键的警报,使人类规划人员能够将自己的专业知识和认知带宽用于导航真正复杂的场景,管理重要的业务例外,并采取战略规划举措。 “例外管理”原则在运营管理人员中是一个经过仔细考虑的方法 , focusing attention on deviations that truly require expert intervention, and AI serves as a powerful enabler for this. MG’s experimental results, such as the 30% faster decision-making and 12% reduction in late orders, provide concrete, data-backed evidence that transforms abstract discussions about AI’s potential into tangible demonstrations of value. This empirical grounding is particularly persuasive in executive workshops, aiding leaders in their AI investment decisions. t 因此,MG的工作不仅有助于学术理解,而且也作为倡导和教育的实际工具,弥合了AI的潜力和执行理解和采购之间的差距。 战略采用:引导组织迈向人工智能增强的 SAP PP/DS 环境 基于他的研究结果,MG为考虑将人工智能增强规划系统整合到现有的SAP PP/DS环境的组织提供战略建议.最初的,虽然有限的,研究表明了明确的商业效益。 这种可量化的改进作为一个强大的起点,证明了人工智能的潜力。 基于这一点,一个主要的建议是通过针对投资回报显而易见和可测量的高影响用例来启动人工智能的采用。 MG提出了一个有价值的扩张的具体途径:“如果进一步使用案例,例如分析规划和优化工作日志以识别规划和计划错误,并利用人工智能来自动解决更常见的错误,将为企业带来很多价值。 分析规划和优化工作日志是战略上聪明的下一步,因为这些日志代表了丰富的结构化数据源,可在SAP系统中使用。 将这些现有数据用于人工智能倡议可以降低进一步人工智能探索的初步障碍,为扩大人工智能的好处提供一个务实的途径。自动解决这些日志中发现的常见错误,增强了“例外管理”理念。 初步成功的12%的按时实现的改进作为一个关键的概念证明。 解决进一步的使用案例的建议意味着早期展示实质价值的策略,然后利用这种成功来赢得并引导组织内更广泛的AI采用 - 有效的变革管理和战略规模的关键原则。 组织还应该确保强大的数据质量和治理,因为这些是SAP环境中任何成功的AI部署的关键前提。 将人工智能纳入制造规划的旅程,正如MG的工作所揭示的那样,揭示了向显著增强运营能力的道路。他的行为实验,展示了SAP PP/DS的概念人工智能联合试点可以提高30%的决策速度,并减少12%的延迟订单,提供了对人工智能的实际价值的令人信服的证据。 通过自动处理常规警报和常见错误解决方案,AI使熟练的规划人员能够将自己的专业知识投入到真正需要人类创造力的复杂战略挑战中,这种人类智力和人工智能之间的协同作用不是一个遥远的理论概念,而是可实现的现实,为制造业提供,特别是北美,利用SAP解决方案,提高效率,提高敏捷性和更强的竞争态度。 MG等专家提供的开创性研究和战略见解对于推动这一转型至关重要,确保人工智能的采用具有影响力,并与现代制造业不断变化的需求保持一致。

This story contains new, firsthand information uncovered by the writer.

該音頻是用故事的原始語言製作的！

Mahesh Babu MG:在SAP制造规划中开创人工智能增强的决策质量

About Author

註釋

標籤

这篇文章刊登在

Related Stories

数字游民请注意：您需要了解泰国新推出的 DTV 签证

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

看不见的层面：为什么用户访谈是不可替代的资产

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

数字游民请注意：您需要了解泰国新推出的 DTV 签证

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

看不见的层面：为什么用户访谈是不可替代的资产

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps