新冠疫情反复、地缘政治复杂多变和严重的供应短缺，使得全球供应链遭受前所未有的考验，也让“强链补链稳链”这一话题成为近年来全国经济工作中的重点关注内容。
作为全球PC市场份额第一的高科技制造企业，联想集团供应链在复杂大环境影响下依然保持韧性与高效，成为集团21/22财年取得创纪录业绩的强有力保障。在知名数据研究机构Gartner公布的2022年全球供应链25强最新排名中，联想集团第8次入选，排名较去年大幅提升至第9位，是中国、亚太地区唯一上榜的高科技制造企业，更是排名最高的中国企业。
联想集团韧性供应链背后，基于人工智能、运筹优化等核心技术的供应链智能决策功不可没。近日，联想人工智能实验室智能供应链团队经理、资深研究员欧阳文理受邀进行了《联想高级计划与排程系统——用人工智能实现供应链高效精准的智能决策》的主题分享，解析供应链韧性高效的智能决策密码。
联想高级计划与排程系统——用AI实现供应链高效精准的智能决策
直播视频回顾
01 贯穿生产全流程的供应链智能决策
供应链是企业实现业务愿景、促进价值增长的一项关键职能，对企业的发展乃至生存至关重要。供应链决策贯穿企业价值交付全过程，高水平的供应链计划决策应是贯穿生产全流程的，以联想高级计划与排程系统为例，可以提供覆盖生产计划、物料计划、齐套计算、详细排程等环节的智能决策，决策之间实现环环相扣、相互协调、形成闭环。
在供应分配方面，智能决策技术应用在联想的全球供应链部门，用以解决疫情以来居家办公导致的PC需求暴涨，以及全球供应链紧张条件下的核心组件最优分配问题。目前，基于智能决策技术的分配方案可以在有效保证分配公平性的同时实现整机齐套量提升15%，营收提升5%，每年可增加千万美元PC销售利润。
在物料齐套方面，智能决策技术应用在联想集团旗下最大的PC研发和制造基地——联宝科技，全球每售出8台笔记本电脑中就有1台来自那里，2021年平均每天处理14万笔订单。应用后，联宝不仅订单处理速度得到显著提升，同时相比其他传统方案，整机齐套量提升了6.88%。
在生产计划方面，智能决策技术部署在年订单数超过69万笔，涉及500余种PC产品和超过30万个成品物料号的联宝科技PC生产车间后，其产量提升了19%，订单完成量提高了24%，交期达成率达到了传统方法的3.5倍。
02 智能决策背后的“硬核支撑”
显著经济效益的背后，是领先的核心技术。联想高级计划与排程系统的几项核心技术，面对现代生产制造业中大规模多约束复杂生产场景的生产调度计划，从“算法最优性-求解运行效率-算法适用性”三个维度上实现对常规调度算法的超越。
多目标组合优化问题的深度学习算法引擎
目前用于求解多目标优化问题的最成熟方法，分为元启发算法和深度学习算法两大类。这两类方法在求解效率和最优性方面都存在尚需改进的空间。工业界的主流运筹优化软件虽然也能够实现特定场景范围内的多目标优化，但其实现手段多通过解耦、迭代和局部静态化实现，最优性有限且不具备指标灵活可配置能力。
联想高级计划与排程系统在深度强化学习的技术基础上，将多目标优化优化过程构造为策略表示方法，以网络训练方式获得目标自由组合形式下的可配置多目标调度优化策略。在网络训练阶段，智能体在不断变化的指标函数权重下进行学习，同时在样本空间和目标函数空间中进行探索和利用，因此可以在样本范围所有的目标函数方向上获得近似最优解。在推理阶段，只需要给定当前生产数据和各个指标权重组合，即可实现一次计算产生完整的多目标优化备选解集。结合GPU张量计算模式，运行时间与所得到的备选解集的大小呈线性关系。通过交互设计，可以让人类计划专家可视化的评价和选择最适合当前情况的“最终解”，或者通过指标参数的配置方式接受算法推荐的求解方案。不仅克服了传统优化方法面对大规模生产调度场景时最优性差、求解时间长、场景适应能力弱的缺点，而且能够可配置的实现多目标优化，通过人机交互产生最适合当前生产条件和供求关系的生产计划。
自适应神经网络求解器
求解器是决策优化的“芯片” 和“根技术”。小到快递员路线选择、商铺选址，大到工厂排程、物流路径规划和金融风控等问题，都可以建成数学规划模型，用求解器进行求解。在中国科技的产业发展中，底层基础软件一直是一大“短板”，而求解器被学术界认为是运筹优化领域的“皇冠”，技术门槛高，全球市场更是被以GUROBI为代表的欧美公司所垄断。相比于其他的优化求解技术，求解器可以明确地判断问题是否有可行解。如果有，可进一步判断出目前找到的可行解距离最优解还有多远，直至找到最优解为止。
联想神经网络求解器将深度神经网络与求解器的启发式算法框架相结合，根据问题范式的不同自主学习或选择最适合的启发式规则，根据问题特征自适应进行参数优化和求解策略选取，实现求解效率提升。联想神经网络求解器包含线性规划求解器和混合整数线性规划求解器两部分。线性规划求解器采用先进的人工智能技术的pivot rule取代了传统的启发式规则，针对具体问题和场景可以自优化学习调整pivotrule，从而提升对这类问题的求解效率。混合整数线性规划求解器采用先进的人工智能技术训练最优的求解策略，如分支策略、节点选择策略等，相比传统的基于专家知识的启发式策略，可以在具体问题和场景上自动学习自动调整，从而达到最佳的求解效率。联想神经网络求解器除了算法先进外，也提供高效建模工具，基于高效输入编码··算法，充分利用GPU并行计算能力，并提供Python，C/C++接口。
大规模复杂关系图网络模型
图网络模型因可以特化为各种连结主义模型，具有灵活的拓扑结构，因此在具有复杂关联关系的机器学习场景中具有普遍的应用。但是，在进行大规模复杂图计算时，图网络模型也存在一定的局限性。首先，图网络本身相当于对输入信号的低通滤波操作，可以使信号更为平滑，但多次平滑操作会使得信号越来越趋同，从而丧失了节点特征的多样性，即多层图网络的过平滑（over-smooth）问题；此外，部分图结构非常复杂，边和节点数目十分庞大，针对大规模的图架构计算可能会非常耗时。
联想针对大规模复杂关系图计算问题场景，基于图注意力网络，提出了Relational GAT（R-GAT）技术方案，设计出一套复杂图结构下的信息表示与传递方式。联想R-GAT方案，将图的节点、边的表示通过多层R-GAT进行图上传播，可根据业务场景复杂程度控制图网络深度，同时对于大规模图结构，可以额外采取节点采样等方法，提高计算效率。同时，这种网络结构能够支持动态大小的图结构，表示不同属性的边以及不同属性的节点，同时对节点间连接的方向性予以了考虑，适用于更加复杂的实际问题。联想利用该项技术似求解NP-难的优化问题，将供需匹配问题近似分解为排序-选择问题，能够显式地考虑匹配优先级；通过预测边的连接概率来辅助选择，同时预测模块中加入图全局上下文（context）信息，增强预测能力，利用图深度学习技术挖掘高价值选择方案，具有较强的可拓展性，适用于多层级、多类型复杂图结构。
03 结语与展望
当前，受限于决策方法的发展水平，智能决策技术在企业中的应用，主要还是通过部分解耦、简化环节和约定逻辑等方式得到的近似决策优化结果。决策时聚焦某个特定环节，解决特定问题，场景单一孤立，决策更多考虑本环节的供需关系与条件约束，尚少开展多场景多环节的协同决策，应用效果受到一定程度的制约，且可能与其他相关环节发生冲突矛盾。
随着智能决策技术理论方法与行业实践的发展与成熟，联想高级计划与排程系统实现了新的生产计划模式和工作方式。在生产制造领域可以从单一场景拓展到长中短期相关联的多个场景，生产计划、物料计划、齐套计算、详细排程等环节的决策优化都将被运用智能决策技术进行一体化的决策。
未来，多场景多环节的生产计划综合决策有望协同联动，智能决策将贯穿生产制造的全链条，实现一体化决策。这将进一步发挥智能决策技术善于求解复杂问题、处理海量数据、自我迭代演进的特点与优势，充分使得智能决策技术的应用效果最大化，为生产制造带来更大价值。
（关注我们的微信公众号：ML OR 智能决策。分享更多干货，欢迎交流~）