由于决策优化通常是在有限资源和满足业务规则条件下进行全面而综合（多个业务目标平衡）考虑，计算出给定场景下的更佳甚至最佳方案，是一项复杂的系统工程，而机器学习与运筹优化的深度融合，则成为了企业经营决策从经验和流程驱动转向数据驱动、自动化决策的关键。在日前举办的媒体沟通会上，爱分析合伙人&首席分析师黄勇和杉数科技工业与智能制造副总裁黄翔剖析了智能决策在推进智能制造过程中扮演的角色、智能决策落地的关键技术以及杉数科技如何通过自主创新求解器对运筹优化模型进行算法优化和求解，为企业高效精准的实施智能决策，以全局思维推进数字化转型落地提供了参考与借鉴。
以智能决策应对不确定性
当前百年变局与世纪疫情交织叠加，越来越多的制造企业逐渐意识到产业升级带来的智能制造已经深入各个行业，率先实践数字化转型的行业先行者与跟随者之间的差距已日益显现，许多企业对数字化技术投资已经突破“单点应用”，开始转化为运营指标的提升及财务回报，朝着规模化复制和向价值链各个环节延伸。在此过程中，持续笼罩的疫情阴影则将企业的供应链管理与抗风险能力提到了新的高度。例如上海地区作为首批重点单位开始复工复产压力测试汽车制造企业，就面临上游供应链断裂、采购成本上升、员工地域受限、交通物流受阻等一系列问题。
面对不确定的疫情散发风险和确定的数字经济浪潮，制造企业需要重新审视自身供应链，需要从销售预测上考虑突发事件对订单量的影响；从生产计划层面考虑对工厂产能的影响；从原材料供应方面解决突发事件对断供的影响；从物流层面思考如何应对突发事件对于原材料、半成品，成品的物流运输环节不及时、不通畅的影响。
这就要求企业通过端到端的数据深度集成与建模分析，爱分析合伙人&首席分析师黄勇介绍智能决策面向的产业链是在打通上下游企业信息流的基础上，实现将产业链上企业整体进行各种资源同一调配，形成更加深度与高效的协作关系。在工业互联网和智能制造引领的数字浪潮下，企业通过实现核心环节智能优化与决策，可以由自下而上的信息流与自上而下的决策流共同构成了应用优化闭环。例如从生产类型划分，整车制造属于典型的离散制造业，上游拥有数万零部件，对应多层级供应链体系。因此，供应链的高度复杂决定了对整车的订单、生成、物料进行统筹规划的难度。
图 整车厂供应链管理图谱（来源：爱分析）
在黄勇看来，通过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，是将决策问题与智能化手段和方法进行衔接的关键环节。在已经建？好的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。传统的业务决策依赖于业务规则和专家经验，从传统决策到智能决策经历了长期的发展过程。
图 智能决策流程示意图
实际上，自从2018年开启人工智能“元年”，许多领先的制造企业就开始考虑人工智能对自身战略的潜在影响并研究如何将这项技术用于解决业务问题。随着数据科学和人工智能技术的发展，系统基于“数据+算法” 可以在决策中实现越来越重要的价值。如今，企业端诉求、技术变革与基础设施完善共同推动智能决策时代到来。根据Gartner的预测，到2023年，超过33%的大型机构将采用智能决策的实践。
“头脑风暴”背后的自主创新之路
《“十四五”规划和2035年远景目标纲要》提出，要“充分发挥海量数据和丰富应用场景优势，促进数字技术和实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，不断做强做优做大我国数字经济。”对于企业而言，在应用智能决策的过程中，离不开方法指引，也离不开场景选择、业务逻辑的深入理解，更离不开机器学习和运筹学技术的深度融合。
在杉数科技工业与智能制造副总裁黄翔看来，运筹学和机器学习的关系相对而言比较抽象。在企业实际运行中，机器学习技术主要是通过强化学习、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，它往往适用于描述预测类场景，如销量预测等；而运筹优化技术则是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，它往往适用于规划、调度、协同类问题，如人员排班、补配货等场景。
例如服装行业或者快销品行业都会面临补货的场景，为了保持库存平衡，则首先需要应用人工智能技术对市场销售有一定的预测，再利用运筹优化等多级库存的模型去进行更好的补货策略的制定。可以看出，机器学习主要是在数据侧对起因及结果的记录乃至预测，而运筹优化主要在逻辑侧对问题进行理解及分析进而建模，两者都是现实工业生产中解决问题的重要构成要件，但也各自均存在不同程度的局限性，因此推动这两大支撑技术的有效和深度融合，则能够“取长补短”，更好地服务于智能决策速度和质量的提升。
犹如生物进化，智能决策在机器学习和运筹学技术不断发展和应用持续深化的进程中，自身也逐渐进化，而且这种进化衍生的速度远高于企业发展历程。实现智能决策的开发与部署，需要通过求解器对运筹优化模型进行算法优化和求解，机器学习引擎对机器学习相关算法的敏捷开发。尤其是在求解器领域，作为支撑我国工业智能决策发展的关键核心技术，国外IBM等厂商一直处于先发和领先地位， 黄翔介绍目前全球比较成熟的求解器公司包括IBM旗下的Cplex、FICO旗下的Xpress以及独立公司Gurobi。这三家公司构筑起了极高的市场竞争门槛，也形成了深不可测的“技术鸿沟”。
正是看到求解器在推进智能制造，发挥智能决策中的关键作用，同时也为了尽快填补国内自主知识产权求解器领域的“空白”。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，拉开了中国在求解器领域的高速发展步伐。在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。
从技术能力方面，黄翔表示杉数科技目前的优化求解器已经覆盖了线性规划、整数规划、二阶锥规划、凸二次规划以及凸二次约束规划等，从技术领先性和应用场景丰富度上与国际品牌保持一致。但他同时指出，求解器能力的发挥还需要与场景匹配，面对国内工业领域从工业1.0到
工业4.0的跨度和千行百业不同know-how下的独特需求，杉数科技深入理解企业应用场景中的痛点，将求解器与企业应用进行深度匹配，这也是杉数科技相较于国外厂商更有优势的重要原因之一。
以杉数科技最初发布的线性规划场景为例，这是求解器的入门场景，从求解能力上杉数科技和Cplex、Gurobi已经位于同一起跑线。由于实际在落地过程中，企业不可能生产0.2个手机、0.5台电视，因此杉数科技还格外注重整数规划的应用场景应用，并于2021年6月正式推出国内首个整数规划求解器，彻底打破国际技术壁垒，这是因为整数规划对于航空航天、能源电力、智能制造、供应链管理等国家关键领域应用尤为重要。此外，在具体落地到应用层面，杉数可以做更深层的技术支持和定制化开发，通过杉数量身打造的科学家和业务顾问团队去做对应模型探索和研究，以“场景式创新”为企业带来实实在在的价值。
“两手抓”吹响智能决策应用“集结号”
如今，求解器在零售、快消、物流、工业制造、能源、航空等多个行业有着天然的场景需求，尤其是随着这些行业数字化转型和智能化升级的加速，基于求解器等相关技术的智能决策正在迅速成为行业用户的强劲需求。然而不可否认的是，国内不少制造企业还处在推进智能制造的初期，黄翔认为企业关心前沿的应用趋势、技术概念是必要的，但还应着眼于实操和实效。
在黄翔看来，虽然一定程度上，只有自身信息化建设达到一定程度后，才能更好的发挥智能决策价值，但这不妨碍那些不具备条件的企业以此获得支持和提振。一方面，杉数科技面向自身信息化比较完善的企业，通过融合企业工业互联网平台、ERP、MES系统进行整个生态链的外延，以数据为基础进行上层应用的创新，实现数据优化和决策分析，通过生态共建的方式，实现端到端智能决策应用系统落地。例如杉数科技在工业富联工业互联网平台基础上，通过智能排产计划系统（APS），帮助企业真正地实现自动、智能的生产计划，从机械繁复的工作中解放计划员，实现企业供应链更加柔性的进行整体计划安排。
另一方面，面对数字化基础薄弱的企业，杉数科技则直接提供“交钥匙”的工程，帮助他们搭建智能决策综合平台，首先服务好一个具体的应用场景。正所谓“九层高塔，始于垒土”，黄翔表示很多时候智能决策应用的第一个PoC（概念验证）项目至关重要，它可以为企业未来打好基础，并获得信息化团队的支持。
目前，杉数科技的决策优化解决方案已在20多个细分领域落地应用，服务包括上汽通用、一汽大众、海尔、舜宇光学、东方日升、中国商飞、六国化工、工业富联、小米、雀巢、太古可口可乐、百威英博、强生、中国邮政、顺丰科技、滴滴出行、上海地铁、永辉超市、国家电网以及南方航空等超百家国内外知名企业。
通过技术到场景，再到功能，层层推进，黄翔表示目前杉数科技正保持技术与应用的“两条腿”走路。在他看来，持续加大技术研发力度，提升求解器的求解规模、求解速度、建模效率和求解效率是杉数科技的源动力。而深入企业应用场景，发挥求解器的实际价值则是杉数科技的最终目标。正是这种“技术创新内循环与应用生态外循环”的策略，促使杉数科技专注而卓越，创新而不凡。放眼未来，杉数科技将构建更加精准、高效、完整的智能决策解决方案，并将能力开放给广大的生态伙伴，助力更多用户实现数据驱动下的最优决策，让更多制造企业能够源源不断驶向数字转型的价值新蓝海。
