左手采购.右手AI
有故事.有方法.有工具
2024年10月25日
2023年第59篇原创文章
总第722篇原创文章
全文2713字，阅读时间约9分钟
图片来源：2024常州国际卓越运营大会
2024年10月12日，我受邀在2024常州国际卓越运营大会的供应链论坛上发表了主题演讲：“AI驱动下的供应链优化策略与实践”。以下是演讲实录第四篇。
精华回顾：
第三篇：宝洁的AI看板，联合利华的AI预测，还有采购对AI的多轮拷问
这篇是精华中的精华，讲一下企业要应用AI技术，具体怎么做？
我总结了三步走。当然，实际部署的时候肯定不止三个步骤，但鉴于今天时间有限，我只能简要地分享一下三步走：
首先，搞清楚你想用AI解决什么具体的问题？
其次，选择正确的模型和AI技术；
最后，做全方位的准备。
下面我们一一说明。
01 具体化问题
九月初，我受邀在上海闵行区中小企业协会做了一场演讲——“AI赋能装备制造行业降本增效”。现场都是中小企业的企业主。
图片来源：上海闵行中小企业协会AI分享会
我演讲的时候给大家播放了几段AI技术应用于研发、生产 、仓库的视频，大家看了都特别兴奋。演讲结束后，大家几乎都提了同一个问题：我们公司怎么上马AI？
我给大家泼了一瓢冷水——这个问题问得太大了！要想上AI，首先要想明白，“你想用AI解决什么具体的问题？”
比如，
提升研发效率
优化生产计划
降低库存
增强采购寻源的能力
实现设备预防性维护
以上都是物理世界的难题，但是所用的AI技术却不尽相同。
而非物理世界里，AI一样可以大显身手，
比如，写报告、录制会议纪要、做PPT、分析数据、做宣传海报，等等
02 模型和技术选择
搞清了要解决的具体问题，下面就要选择模型和技术了。
是用公有大模型还是私域小模型？
公有大模型就是每个人都可以用的动辄百亿、千亿参数的模型。比如我们耳熟能详的文心一言（现在叫“文小言”）、Kimi、智谱清言、通义，等等。
私域小模型通常是指在特定的私有数据环境中，针对特定场景和需求训练的人工智能模型。这些模型相较于大模型而言，具有更少的参数、更低的算力需求、更高的数据安全性和隐私保护，以及更好的定制化能力。
私域小模型特别适合于以下应用场景：
特定行业的专业化应用：私域小模型可以通过特定行业的数据进行训练，以适应特定的业务场景和数据特点，如使用特定行业的术语、处理行业特有的交互模式等，提高模型在特定应用场景中的性能。
数据隐私和安全性要求高的场景：私域小模型可以在本地处理数据，不必将数据上传到云端，减少了数据泄露的风险。例如在医疗健康、金融服务等领域，数据隐私保护至关重要。
用哪个AI技术？
前面说了，AI不是万能的。同时，对于不同的问题，要应用不同的AI技术。
AI技术可大致分为决策式AI/分析式AI（Discriminant/Analytical AI）和生成式AI （Generative AI）两类。
决策式AI：学习数据中的条件概率分布，根据已有数据进行分析、判断、预测。这类AI模型关注于根据输入数据做出判断或预测。它们通过学习输入特征和输出标签之间的关系来实现这一目标，适用于优化生产流程、材料使用和工艺参数。可以通过历史数据和实时数据进行预测和决策，提升生产效率和产品质量。
生成式AI（也就是我们常说的AIGC，或者GAI）：学习数据中的联合概率分布，并非简单分析已有数据而是学习归纳已有数据后进行演技创造，基于历史进行模仿式、缝合式创作，生成了全新的内容，也能解决判别问题。
生成式AI模型则更注重创造新的内容或数据。它们学习数据的内在分布，然后生成全新的、与训练数据相似但不完全相同的实例。适用于设计优化和创新，通过生成新的设计方案和工艺流程，帮助企业实现创新突破。
03 全方位准备
概要地说，是准备数据、流程和资金。
>>>准备数据
训练模型是需要数据的，而且是大量的数据，定制化模型则需要专有的数据。
问题来了，你们有没有发现，当我们说要数字化时，却发现我们并没有数字。
在我的公众号文章“德勤CPO研报：数据质量不佳仍是首要挑战，数据应用的八个阶段，看看你在哪个阶段？”里，我提出了关于数据的灵魂八问（见下图）。
点击深入阅读：德勤CPO研报：数据质量不佳仍是首要挑战，数据应用的八个阶段，看看你在哪个阶段？）。
事实证明，大多数企业的数据都是有问题的，大家可以自己对照这“灵魂八问”进行自查。
有人问，“那是不是我们的数据必须要很规整、很结构化的那种？”
我说“不是。AI更喜欢非结构化数据。如果你有结构化的数据，你只要搭建模型就可以了，可能都用不上AI了。因为AI最擅长的是在混沌的大数据里找出规律...
>>>准备流程
AI很难替代一个闭环的工作，因为那通常需要综合的判断力、创造力、情感理解和复杂的人际交往能力。闭环工作往往涉及到从开始到结束的完整流程，包括规划、执行、监控、评估和调整，这些环节往往需要人类的直觉和经验来做出最佳决策。
相反，AI在替代工作中的某些工作流程方面表现出色。例如：
1. 数据分析：AI可以快速处理和分析大量数据，识别模式和趋势，为决策提供支持。在金融行业，AI可以分析交易数据，识别欺诈行为。
2. 重复性任务：在制造业，AI可以自动化生产线上的重复性任务，如装配、包装和质量检查，提高效率和减少人为错误。
3. 客户服务：AI聊天机器人可以处理大量的客户咨询，提供快速响应，解决常见问题，从而减轻客服人员的工作负担。
4. 内容审核：在社交媒体和在线平台，AI可以自动检测和过滤不当内容，如暴力、色情或仇恨言论，保护用户免受有害信息的影响。
5. 医疗诊断：AI可以辅助医生进行疾病诊断，通过分析医学影像数据，识别异常，提高诊断的准确性和效率。
6. 物流优化：在物流行业，AI可以优化运输路线，预测货物需求，提高供应链的效率和降低成本。
为了让AI能作为人类的辅助工具做到上述这些，就需要我们去判断一项工作的哪些工作流是可以被AI赋能的。这就要求你有清晰的工作流程以及分解的工作流。其实这和一家企业能否上数字化系统是一个道理，如果你的流程一塌糊涂，上数字化系统也是白上。因为数字化系统本身只是个工具，它并不能解决你流程体系的问题。
关于流程不给力导致上系统失败，听过一个典型的案例。某国内头部企业花了几千万买了Oracle系统，但是因为流程问题，最后沦为了招标和订单管理的工具。
>>>准备资金
部署一个企业级的私域模型需要多少钱？这个问题很难回答，因为变量太多。总的来说，从十几万、几十万到上百万不等。
这可能和一些人的感觉不同。他们觉得在企业内部应用私域AI模型没那么复杂，花不了多少钱。然而，事实并非如此。正如前面一位嘉宾指出的，尽管小模型是垂直的且适用于私域，但训练小模型的投资不仅仅是购买一套微调模型的费用，还需要硬件平台，比如服务器、显卡、云计算等等。同时，还需要持续的维护私域模型，确保它能正常运转，并且与时俱进，即当基础模型升级的时候，你的私域小模型也要升级。
因此，我的个人判断是，如果一家公司的营收没有超过3亿，那么在供应链或者生产级别上实施AI可能意义不大。当然，可以考虑通过应用公共大模型实现人员优化和效率提升，进而实现降本增效的目的。
——未完待续——
新课表来了，内容迭代了通过腾讯会议交付，课后有7天回放。添加小助理咨询详情
延展阅读
版权声明：“卢山说AI精进”个人公众号的文章均为本人原创。未经本人许可，禁止进行转载、摘编及复制等任何使用。如需转载、引用或者有其它意向，请事先通过本公众号后台等方式申请并获得授权。原创文章中的部分文字、图片源于网络，如有任何问题请联系本公众号。
