联想智链：当AI“入侵”供应链，如何每年节省千万美元？ | 百万人学AI评选

2020 无疑是特殊的一年，而 AI 在开年的这场”战疫“中表现出了惊人的力量。站在“新十年”的起点上，CSDN【百万人学AI】评选活动正式启动。本届评选活动在前两届的基础上再度升级，设立了「AI优秀案例奖Top 30」、「AI新锐公司奖Top 10」、「AI开源贡献奖Top 5」三大奖项。我们相信，榜样的力量将成为促进AI行业不断发展的重要基石，而CSDN将与这些榜样一起，助力AI时代的”新基建“。

活动官网：https://bss.csdn.net/m/topic/ai_selection/index

申报地址：http://csdnprogrammer.mikecrm.com/WpA03hJ

一、团队简介

联想研究院人工智能实验室为联想智能服务供应链团队配备了优越的计算资源和研发队伍。整个团队的人员构成包含有机器学习、数学、计算机等相关专业研究背景的国内外知名高校毕业博士3名，硕士5名。同时，研发团队获得了联想人工智能计算平台—联想大脑的支持，联想大脑旨在支持联想的智能转型战略，支持智能制造的整个价值链和广泛的应用场景。它提供了不同级别的定制功能，是算法研究人员，应用程序开发人员和业务人员共同合作构建AI生态系统的协作平台，可满足本项目研发的全生命周期管理能力，包括模型训练，模型推理和一站式开发环境。

二、案例详情

联想研究院携手业务部门打造的联想智慧服务供应链系统（联想智链）面向服务供应链，基于多种机器学习算法和运筹优化技术，快速准确地助力企业进行服务供应链网络规划、备件需求计划、库存优化等决策支持，快速满足客户需求，提升用户满意度，同时降低企业服务供应链采购、运输、库存等运营成本。重点技术如下：

1、服务供应链需求预测

在服务供应链需求预测的研究上，方法众多且各有所长，联想智慧服务供应链综合应用各种方法，建立集成式服务供应链需求预测方法。综合研究了跟需求预测相关的时间空间产品客户特征、传统时间序列预测方法（包括ARIMA、Holt-winters预测方法、ETS预测方法）、多层级传统时间序列预测方法（最优集成预测方法、多层级调和预测方法）、基于神经网络的预测方法（包括RNN、WaveNet、Seq2seq）、基于神经网络的时空需求预测和机器学习融合模型研究，把以上各有所长的模型通过自适应加权方法融合成统一的通用需求预测模型，以满足全生命周期预测需要。

2、服务供应链时间序列生成

通过时间序列条件生成模型，生成按照场景设定的服务供应链时间序列需求数据，采用择优选取或者加权融合的方法把条件变分自编码器和条件生成对抗神经网络的结果进行综合，为服务供应链时间序列生成赋能。

3、服务供应链仿真模拟

服务供应链仿真模拟是从采购端一直到需求端的整个过程，涉及到需求采购模块、分货补货模块、服务供应链底端消耗模块。服务供应链仿真对每个产品每个备件在每个仿真时间点都会进行计算，通过基于GPU的多尺度并行计算仿真平台，加速整个仿真的时效性。

4、多目标贝叶斯优化

把服务供应链仿真的输入-计划策略参数，通过贝叶斯优化，找到全局最优的计划参数，从单目标贝叶斯优化扩展到多目标贝叶斯优化，通过优化采集函数从而达到最小化服务供应链仿真计算的迭代次数。

三、典型应用场景

联想作为全球大型智能设备制造商，产品线复杂，产品多元化，其服务备件数量也高达19万余种，联想全球化的服务供应链受地理、时间以及不同地区用户习惯等诸多因素影响。如在印度雨季，手机和笔记本的特定备件的坏损率会急剧增加，这给服务供应链的需求预测带来了极大的挑战。

联想智链通过机器学习引发主动需求预测，触发多层级多场景下提供对服务备件未来整个生命周期以及采购计划期内准确的需求趋势分析和需求周期性波动预测。

1、通过建立产品代与代之间关联性影响因素之间的联系，如前代产品备件故障率与下一代产品备件故障率之间的相关性模型辅助预测。

2、建立通用的多层级多网点预测模型，满足预测结果加和的一致性和不同生命周期预测要求，包括新品发售期前的预测，新品发售期后的预测，产品平稳期的预测，产品末期的预测等。

3、通过提供安全库存优化模块，用来帮助计划人员找到备件所在位置、类别、生命周期和价格范围内的最佳安全库存参数。

4、提供智能化的分货补货以及再平衡模块，用来帮助计划人员找到最合理的分货策略，如计划周期，分货激活条件，分货优先级等。

联想智链不仅通过自动化极大的减少计划人员的工作量，且显著提升了服务供应链的表现。在应用联想智链后，联想集团的服务供应链，需求预测比人工表现提升了7%，人员需求减少20%，采购支出减少23%，库存总水平减少18%，总体带来每年上千万美元的资金节约。