疫情前,豐融出差去了趟重慶,跟一個(gè)客戶談工業(yè)大腦的方案。但項(xiàng)目還沒(méi)來(lái)得及落地,疫情已經(jīng)到來(lái)。
豐融是阿里云工業(yè)大腦首席解決方案架構(gòu)師。春節(jié)期間,客戶跟他電話溝通時(shí),表示非常后悔,如果能早三個(gè)月接觸,項(xiàng)目在春節(jié)前落地,如今就可以用工業(yè)大腦托管控制系統(tǒng),無(wú)需再為招工發(fā)愁了。
疫情前期,可謂一工難求,甚至加錢員工都不愿意上工。這也在悄然改變產(chǎn)業(yè)方對(duì)于工業(yè)智能的看法。
在新基建七大領(lǐng)域中,有三個(gè)(大數(shù)據(jù)中心、人工智能、工業(yè)互聯(lián)網(wǎng))直接與智能制造相關(guān),政策的引導(dǎo)與扶持,也為工業(yè)智能的落地與傳統(tǒng)企業(yè)的智能化轉(zhuǎn)型帶來(lái)良好的契機(jī)。
自2017年以來(lái),科研大牛、AI公司相繼涌入工業(yè)領(lǐng)域。前不久,原騰訊杰出科學(xué)家、優(yōu)圖實(shí)驗(yàn)室 X-Lab 負(fù)責(zé)人賈佳亞離職創(chuàng)業(yè),智能制造便是新公司發(fā)力的重要領(lǐng)域。
再往前翻,前阿里云機(jī)器智能首席科學(xué)家閔萬(wàn)里去年亦離職創(chuàng)業(yè),成立北高峰資本,制造業(yè)也是三大聚焦方向之一。
然而,當(dāng)每一位創(chuàng)業(yè)者、變革者拿起AI的工具,叩響工業(yè)之門(mén)時(shí),撲面而來(lái)的是前所未有的挑戰(zhàn),不僅有工業(yè)機(jī)理、領(lǐng)域知識(shí)的屏障,還有數(shù)據(jù)匱乏、模型泛化的挑戰(zhàn),更有傳統(tǒng)企業(yè)的認(rèn)知問(wèn)題與信任缺乏。
面對(duì)“AI工業(yè)落地之深坑”,無(wú)論技術(shù)提供方,還是產(chǎn)業(yè)方,該如何走出?
透過(guò)阿里云工業(yè)大腦、庫(kù)柏特科技、阿丘科技、杉數(shù)科技等在工業(yè)領(lǐng)域的實(shí)戰(zhàn),看他們?nèi)绾螐摹吧羁印敝刑顺鲆粭l工業(yè)智能之路。
01 企業(yè)幾乎必遇的“深坑”
在清華大學(xué)人工智能實(shí)驗(yàn)室還未畢業(yè)時(shí),黃耀就創(chuàng)辦了阿丘科技,如今已在工業(yè)視覺(jué)賽道摸爬滾打了3年多。
創(chuàng)業(yè)以來(lái),他一直聚焦解決工業(yè)檢測(cè)問(wèn)題,跑了不下100個(gè)工廠,看到了行業(yè)的無(wú)數(shù)坑,自身也踩過(guò)許多坑。
AI在工業(yè)檢測(cè)領(lǐng)域的落地,如同技術(shù)成熟度曲線所演繹的那樣,整個(gè)過(guò)程中會(huì)存在一個(gè)低谷,黃耀稱之為“AI工業(yè)落地之深坑”。
他坦言,剛開(kāi)始接觸AI時(shí),客戶的工程師往往比較興奮,愿意去嘗試,用AI嘗試解決之前不可解的工業(yè)視覺(jué)難題,小樣本測(cè)試的結(jié)果通常非常好,比如傳統(tǒng)方法的識(shí)別準(zhǔn)確率只有50%,而AI很短時(shí)間內(nèi)就可以做到超過(guò)80%。
這給了他們期望,推動(dòng)公司投入更多資源進(jìn)行AI項(xiàng)目導(dǎo)入。可是當(dāng)進(jìn)行大量樣本測(cè)試時(shí),盡管增加一定的數(shù)據(jù)可以讓模型準(zhǔn)確度進(jìn)一步提升,比如達(dá)到90%,但瓶頸隨之出現(xiàn)。
盲目增加數(shù)據(jù),帶來(lái)效果不一,有的缺陷項(xiàng)檢測(cè)效果可能變好,有的準(zhǔn)確率反而會(huì)下降。此時(shí)往往進(jìn)入一個(gè)震蕩期,工程師陷入其中而不得其解。
黃耀稱,這種情況在AI落地工業(yè)檢測(cè)過(guò)程中遇到的概率高達(dá)90%以上,幾乎是必遇的坑。
這一精度對(duì)工業(yè)而言,顯然遠(yuǎn)遠(yuǎn)不夠,AI難以達(dá)到上線要求。一些人開(kāi)始失望,深度學(xué)習(xí)似乎遠(yuǎn)沒(méi)有達(dá)到預(yù)期,許多AI項(xiàng)目逐漸擱置或邊緣化。
這就是AI工業(yè)視覺(jué)落地之深坑。工業(yè)領(lǐng)域經(jīng)常會(huì)出現(xiàn)一種情況,兩張差不多的“缺陷”照片,一張能夠被AI檢測(cè)出來(lái),另一張卻沒(méi)有,甚至不明顯的被檢測(cè)出來(lái),明顯的卻被漏掉了。
此時(shí),工程師需要的不是盲目增加數(shù)據(jù),而是理性分析,找出問(wèn)題的根源,優(yōu)化直至模型達(dá)標(biāo)上線。
正如庫(kù)柏特創(chuàng)始人李淼所言,AI很大程度取決于數(shù)據(jù)和場(chǎng)景。
工業(yè)AI問(wèn)題的解決不能只局限問(wèn)題本身,更應(yīng)該基于工業(yè)應(yīng)用的一般流程,從全流程中去優(yōu)化關(guān)鍵問(wèn)題,這也是運(yùn)營(yíng)的關(guān)鍵。
在AI落地的流程中,每一個(gè)環(huán)節(jié)都值得推敲。李淼稱,場(chǎng)景選擇非常重要,不能太大,否則數(shù)據(jù)千奇百怪,也需要與大量行業(yè)專家溝通,合理定義問(wèn)題的邊界。
數(shù)據(jù)獲取直接影響模型的效果,往往需要算法工程師到現(xiàn)場(chǎng)搜集,成本很高,并且對(duì)標(biāo)注人員要求較高,需要懂得行業(yè)知識(shí)。
除了數(shù)據(jù)環(huán)節(jié),后期的部署運(yùn)維也需要耗費(fèi)企業(yè)很多時(shí)間,進(jìn)行實(shí)際樣本測(cè)試,算法人員駐場(chǎng)觀察,優(yōu)化模型等。
從整個(gè)流程來(lái)看,中間的模型訓(xùn)練環(huán)節(jié),反而不是AI公司的主要障礙,兩端則耗費(fèi)大量的時(shí)間成本與人力成本。
除了技術(shù)之坑、業(yè)務(wù)之坑,AI在工業(yè)落地中還面臨領(lǐng)域知識(shí)之坑、公司定位之坑、商業(yè)模式之坑等等。
趟過(guò)一個(gè)個(gè)坑,這些公司完成了工業(yè)AI落地的從0到1,并實(shí)現(xiàn)一定規(guī)模的落地。透過(guò)他們的落地之路,更有助于我們思考,如何走出AI工業(yè)落地之深坑。
02 砍掉98%業(yè)務(wù),不做什么更重要
波士頓動(dòng)力機(jī)器人近乎花哨的表演,幾乎每隔一段都會(huì)上演。但業(yè)內(nèi)人都清楚,它離實(shí)際場(chǎng)景太遠(yuǎn),并且難以商用。因?yàn)楣I(yè)場(chǎng)景對(duì)機(jī)器人的精度要求極高,低于99.9%甚至無(wú)法商用,遠(yuǎn)非實(shí)驗(yàn)室可以達(dá)到。
在庫(kù)柏特創(chuàng)始人李淼看來(lái),機(jī)器人面臨的挑戰(zhàn)可分為3類:一是做不了,任務(wù)挑戰(zhàn)太大,智能性不夠;二是做不好,柔性不夠,適應(yīng)性差;還有一類是不想做,細(xì)分市場(chǎng)規(guī)模較小,盈利空間有限。
面對(duì)這些挑戰(zhàn),機(jī)器人公司一方面需要結(jié)合AI、傳感器、工業(yè)軟件等提升機(jī)器的智能性與適應(yīng)性;另一方面,也需要結(jié)合技術(shù)成熟度與市場(chǎng)判斷,選擇合適的“主戰(zhàn)場(chǎng)”。
創(chuàng)業(yè)近4年的李淼,趟過(guò)無(wú)數(shù)坑后,做的一個(gè)艱難決定便是做什么、不做什么,定位在哪里,選擇什么商業(yè)模式。
庫(kù)柏特定位于機(jī)器人操作系統(tǒng),即給定一個(gè)真實(shí)任務(wù),就可以從平臺(tái)中找到對(duì)應(yīng)的機(jī)器人系統(tǒng),來(lái)解決這個(gè)問(wèn)題。它跟機(jī)器人本體進(jìn)行打通,針對(duì)系統(tǒng)集成商的需求,面向行業(yè)提供解決方案。
在最開(kāi)始的AI落地中,ToB的創(chuàng)業(yè)公司往往會(huì)接觸大量場(chǎng)景,打磨技術(shù)同時(shí)培養(yǎng)產(chǎn)品化能力。
2018年,庫(kù)柏特廣泛涉獵了3C電子、汽車零部件、食品、物流、醫(yī)療等眾多領(lǐng)域,但絕大多數(shù)時(shí)間都用在了“臟活”(dirty work)和極端案例中。
“你費(fèi)半天勁解決某個(gè)復(fù)雜技術(shù)難題后,可能只賣出去一套。一開(kāi)始,對(duì)方說(shuō)要一百套。”李淼曾談道。
與集成商和設(shè)備商合作,還是直接面向終端客戶提供服務(wù),是一個(gè)艱難的商業(yè)選擇。
李淼想要針對(duì)大的市場(chǎng),實(shí)現(xiàn)機(jī)器人系統(tǒng)的產(chǎn)品化和規(guī)模化。但深耕在集成商與設(shè)備商之后,企業(yè)很難把握終端客戶與市場(chǎng)的真實(shí)需求。
后來(lái)他決定轉(zhuǎn)變,與渠道合作,直接與終端客戶簽訂合同。既然決定鋪渠道和規(guī)模化,他又砍掉98%不成熟的業(yè)務(wù),將重心濃縮為一個(gè)平臺(tái)(操作系統(tǒng)),兩個(gè)領(lǐng)域(智能檢測(cè)和柔性抓取)。
具體到一個(gè)場(chǎng)景,以香菇分揀為例,機(jī)器人系統(tǒng)的落地并不容易,數(shù)據(jù)就是尤為突出的一個(gè)挑戰(zhàn)。
其業(yè)務(wù)邏輯為,送料系統(tǒng)運(yùn)輸香菇到檢測(cè)環(huán)境,經(jīng)由光源與相機(jī),獲取一張圖像,傳回智能控制器進(jìn)行決策,除了判斷優(yōu)、良,還需要進(jìn)行分類或剔除,分裝到不同箱子中。
這一工作原來(lái)由人工完成,早期并無(wú)數(shù)據(jù)積淀,需要算法工程師現(xiàn)場(chǎng)采集一個(gè)個(gè)香菇數(shù)據(jù),并進(jìn)行標(biāo)注。
但這一看似簡(jiǎn)單的活并不容易。香菇個(gè)體有近10個(gè)維度的差異,包括花色、菇腿、卷邊、薄膜、殘缺等,需要存儲(chǔ)大量領(lǐng)域數(shù)據(jù)。
數(shù)據(jù)標(biāo)注的專業(yè)性也相當(dāng)高,非專業(yè)人士標(biāo)注水平比不上分揀工人,一個(gè)工廠中往往標(biāo)注水平最高的是廠長(zhǎng)。經(jīng)由他們標(biāo)注的圖像,能讓算法識(shí)別率躍升一個(gè)新高。
此外,香菇特征很豐富,每個(gè)廠家的分類標(biāo)準(zhǔn)也不同,這對(duì)算法帶來(lái)很大挑戰(zhàn);并且這樣一個(gè)實(shí)時(shí)性高的場(chǎng)景,對(duì)于算法的穩(wěn)定性、決策的實(shí)時(shí)性也有更高要求。
目前庫(kù)柏特的香菇分揀準(zhǔn)確率可達(dá)90~95%,結(jié)合這一場(chǎng)景的特性,已能夠?qū)崿F(xiàn)規(guī)模商用。
李淼稱,一臺(tái)機(jī)器可替換4~6人,一條產(chǎn)線一般配5臺(tái),可替換20~30人。這些工人一年最少也要100萬(wàn)工資,而他們的產(chǎn)線目前售價(jià)75萬(wàn),6~10個(gè)月客戶就可以收回成本。
一直以來(lái),行業(yè)似乎更看好AI在自動(dòng)化程度更高、數(shù)據(jù)更好的汽車、3C等領(lǐng)域落地。從庫(kù)柏特的案例來(lái)看,勞動(dòng)密集型的食品加工業(yè),無(wú)論材料或配方,往往變動(dòng)更小,未嘗不是一個(gè)好的AI落地方向。
03 問(wèn)題導(dǎo)向,將AI和傳統(tǒng)視覺(jué)結(jié)合
對(duì)于投身于工業(yè)視覺(jué)的阿丘科技而言,清晰認(rèn)知AI能做什么,不能做什么,以及將AI算法和傳統(tǒng)算法相結(jié)合去解決具體問(wèn)題,是實(shí)現(xiàn)AI工業(yè)落地的重要一步。
工業(yè)視覺(jué)主要有四個(gè)應(yīng)用場(chǎng)景,一是測(cè)量,比如計(jì)算兩點(diǎn)間的距離;二是識(shí)別,比如讀取各種條碼;三是定位、引導(dǎo),識(shí)別位置,引導(dǎo)機(jī)械臂抓取或組裝等;四是檢測(cè),典型的就是缺陷檢測(cè)。
阿丘科技創(chuàng)始人黃耀解釋,2D/3D測(cè)量更強(qiáng)調(diào)精度,核心在于光學(xué)和傳感器,對(duì)硬件要求高,不是AI的主戰(zhàn)場(chǎng)。
識(shí)別,算法復(fù)雜度不是很高,也不是工業(yè)AI的主戰(zhàn)場(chǎng)。特殊場(chǎng)景復(fù)雜OCR識(shí)別(光學(xué)字符識(shí)別),需要用AI才能很好解決。
定位分2D定位與3D定位,工業(yè)領(lǐng)域大部分定位場(chǎng)景不需要AI來(lái)做。定位應(yīng)用中,AI在一些種類較多的場(chǎng)景價(jià)值較大,比如物流領(lǐng)域,有成千上萬(wàn)種SKU,場(chǎng)景較為復(fù)雜,適合AI來(lái)做定位、分揀等。
至于檢測(cè),他認(rèn)為這是AI的主戰(zhàn)場(chǎng),“AI在工業(yè)視覺(jué)的最大價(jià)值點(diǎn),是解決復(fù)雜的缺陷檢測(cè),這屬于行業(yè)難題,AI為它提供了新的可能性。”
而傳統(tǒng)視覺(jué)檢測(cè)存在一系列問(wèn)題,比如難以解決復(fù)雜檢測(cè);存在過(guò)檢誤報(bào)過(guò)高,需要人工輔助復(fù)檢;重光學(xué)、重算法,對(duì)集成商、設(shè)備公司要求高;并且后期算法補(bǔ)丁越來(lái)越大,維護(hù)難度大。
但黃耀坦言,國(guó)內(nèi)能夠做一定復(fù)雜度的缺陷檢測(cè)的公司很少,很多做的屬于輕量簡(jiǎn)單檢測(cè),比如判斷有無(wú)等。
一個(gè)典型的證明是,在黃耀去過(guò)的上百家工廠中,2017年質(zhì)檢員約占10~20%,但到2019年質(zhì)檢員已占到超30%。隨著自動(dòng)化水平的提升,組裝的工人在減少,但檢測(cè)端,受限于技術(shù)等問(wèn)題,仍需靠人力。
因?yàn)樵趶?fù)雜的缺陷檢測(cè)中,每種產(chǎn)品可能存在數(shù)十種到數(shù)百種的缺陷類型,且每種缺陷存在多樣的形態(tài)和變種,可能分布在產(chǎn)品的任何一個(gè)位置。此外缺陷的認(rèn)知,還存在人員間的主觀差異。這些都增加了問(wèn)題的解決難度。
以一個(gè)小小的連接器接口為例,涉及到的缺陷種類相當(dāng)多,包括劃傷、臟污、溢膠等復(fù)雜缺陷。
除了界定好問(wèn)題,有針對(duì)性的獲取缺陷數(shù)據(jù),并不斷優(yōu)化AI模型外,還需要以具體問(wèn)題為導(dǎo)向,綜合深度學(xué)習(xí)和傳統(tǒng)視覺(jué),發(fā)揮各自的長(zhǎng)處,來(lái)解決問(wèn)題。
針對(duì)膠圈間隙大、圓點(diǎn)超二分之一等精度測(cè)量問(wèn)題,阿丘科技采用傳統(tǒng)視覺(jué)算法解決;針對(duì)套筒溢膠、套筒粘膠等難以察覺(jué)、且可能分布任意位置等問(wèn)題,他們主要采用AI算法檢測(cè)。
不僅如此,針對(duì)金手指刮傷/粘膠、端子粘膠包膠等其他問(wèn)題,阿丘科技會(huì)動(dòng)態(tài)調(diào)整算法,或以AI檢測(cè)為主,傳統(tǒng)算法為輔,或傳統(tǒng)算法為主,AI檢測(cè)為輔,來(lái)解決實(shí)際問(wèn)題。
目前阿丘科技的工業(yè)AI視覺(jué)平臺(tái)已落地多個(gè)行業(yè),數(shù)十個(gè)應(yīng)用場(chǎng)景。
04 對(duì)行業(yè)理解越多,越充滿敬畏之心
阿里云探索工業(yè)大腦已三年有余。
其主要思路是,把生產(chǎn)全流程的數(shù)據(jù)打通匯聚,構(gòu)建工業(yè)數(shù)據(jù)中臺(tái),進(jìn)而通過(guò)算法挖掘出數(shù)據(jù)的價(jià)值。簡(jiǎn)單來(lái)說(shuō)就是數(shù)據(jù)智能。
互聯(lián)網(wǎng)起家的阿里云,天然具備AI、大數(shù)據(jù)、云計(jì)算的沃土,這也是其最初探索工業(yè)領(lǐng)域的三項(xiàng)核心技術(shù)。
然而隨著工業(yè)領(lǐng)域探索的深入,互聯(lián)網(wǎng)人的局限進(jìn)一步暴露,不懂工業(yè)機(jī)理,不懂領(lǐng)域知識(shí)。一個(gè)項(xiàng)目,往往需要AI算法人才、行業(yè)專家、行業(yè)集成商/方案商等多股力量,才能將工業(yè)大腦落地。
這也是很多AI創(chuàng)企遇到的問(wèn)題,以至于對(duì)行業(yè)理解越多,越充滿敬畏之心。
阿里云的一個(gè)轉(zhuǎn)變是,將專家知識(shí)庫(kù)納入核心技術(shù)版圖,更加重視行業(yè)專家的力量,將傳統(tǒng)機(jī)理與數(shù)理結(jié)合。
數(shù)據(jù)中臺(tái),是阿里云工業(yè)大腦的核心能力之一。在落地鋼鐵、水泥、化工等不同領(lǐng)域的過(guò)程中,他們也在深化對(duì)于工業(yè)數(shù)據(jù)中臺(tái)的認(rèn)知。
阿里云工業(yè)大腦首席解決方案架構(gòu)師豐融稱,數(shù)據(jù)中臺(tái)最核心的部分是中間層,今天數(shù)據(jù)中臺(tái)能不能做成,很大程度取決于中間層數(shù)據(jù)的治理是否合理,是否足夠完善,能否支撐上面的業(yè)務(wù)體系。
目前工業(yè)領(lǐng)域的現(xiàn)狀是,企業(yè)內(nèi)部數(shù)據(jù)往往割裂成孤島,直接使用容易變成數(shù)據(jù)煙囪,數(shù)據(jù)治理尤為重要。
只有中間層搭建好,這些跨領(lǐng)域的數(shù)據(jù)才能碰撞,發(fā)生化學(xué)反應(yīng)。
以某水泥集團(tuán)為例,它面臨的一個(gè)主要問(wèn)題是熟料生產(chǎn)能耗高。在水泥行業(yè),能耗成本約占生產(chǎn)經(jīng)營(yíng)成本的60%,其中主要能耗來(lái)自電耗和煤耗。
阿里云通過(guò)工業(yè)大腦來(lái)托管水泥產(chǎn)線控制,通過(guò)模型來(lái)推薦相關(guān)指標(biāo)參數(shù),相比人工更穩(wěn)定、合理性更高。目前工業(yè)大腦可將噸熟料煤耗降低0.64%,將熟料工序電耗降低1.23%。對(duì)于水泥企業(yè)而言,任何一個(gè)點(diǎn)的提升,一年都可以節(jié)省數(shù)百萬(wàn)成本。
豐融稱,目前工業(yè)大腦已經(jīng)托管了水泥產(chǎn)線90%以上的控制場(chǎng)景,客戶反饋,工業(yè)大腦基本達(dá)到中級(jí)操作員水平。
疫情期間,招工難、人工緊缺之下,AI工業(yè)自動(dòng)化可謂正當(dāng)時(shí)。而隨著復(fù)工復(fù)產(chǎn),如何優(yōu)化運(yùn)營(yíng),進(jìn)行智能供應(yīng)鏈決策同樣重要。
杉數(shù)科技聯(lián)合創(chuàng)始人&CPO王曦稱,企業(yè)在做供應(yīng)鏈決策時(shí),往往存在4個(gè)問(wèn)題:
看不清,難以看懂市場(chǎng)需求的波動(dòng)性;靠人工,一方面靠人工做各類生產(chǎn)/銷售計(jì)劃,另一方面針對(duì)現(xiàn)有軟件給出的不合理結(jié)果,需要手動(dòng)調(diào)整;效果差,訂單滿足率、生產(chǎn)成本、倉(cāng)儲(chǔ)成本等難以優(yōu)化;難應(yīng)變,需求端變化、產(chǎn)能端變化、接單插單、轉(zhuǎn)產(chǎn)等運(yùn)營(yíng)問(wèn)題,難以應(yīng)變。
針對(duì)這些問(wèn)題,杉數(shù)科技推出智能供應(yīng)鏈決策平臺(tái),來(lái)輔助企業(yè)的生產(chǎn)計(jì)劃、調(diào)度計(jì)劃、銷售計(jì)劃等業(yè)務(wù)決策。其核心技術(shù)是依托運(yùn)籌學(xué)和機(jī)器學(xué)習(xí)等搭建的杉數(shù)優(yōu)化求解器(COPT)。
以某ICT行業(yè)巨頭為例,原來(lái)單工廠、不透明的計(jì)劃排產(chǎn)系統(tǒng)難以滿足業(yè)務(wù)需求,面臨工廠間協(xié)同生產(chǎn)效率低下的問(wèn)題。
它有數(shù)十個(gè)工廠,超過(guò)10萬(wàn)個(gè)零部件半成品,需要做一個(gè)28天+10周的訂單排程與需求預(yù)測(cè)計(jì)劃,這中間存在上億種可能性,千萬(wàn)級(jí)限制條件。
杉數(shù)為其打造一個(gè)最優(yōu)生產(chǎn)計(jì)劃,可詳細(xì)到每一個(gè)零部件加工指令,同時(shí)包括原材料到貨指令、建議采購(gòu)計(jì)劃與異常分析、預(yù)警等。
最終使客戶的訂單滿足率提升20%,產(chǎn)能損失率降低30%,人工干預(yù)降低70%,帶來(lái)生產(chǎn)端資源池的盤(pán)活,效率較大提升。
針對(duì)機(jī)器決策,王曦也談道,智能決策的目的不是替代人工,而是一個(gè)決策輔助工具,它要把人們從那些容易出錯(cuò),無(wú)法全局尋優(yōu)的工作中解放出來(lái)。
針對(duì)預(yù)測(cè)、分類問(wèn)題,人類的先驗(yàn)知識(shí)非常有價(jià)值,模型不一定準(zhǔn)確,因?yàn)閿?shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè),本質(zhì)只能解決歷史數(shù)據(jù)規(guī)律的最大化挖掘,但歷史數(shù)據(jù)不代表未來(lái)。
而決策建議,當(dāng)我們給定約束,比如產(chǎn)能、訂單、原材料、庫(kù)存等,可以讓機(jī)器去最優(yōu)化一些目標(biāo)。人可以找到一個(gè)合理解,但未必是最優(yōu)解,這正是機(jī)器的價(jià)值。
責(zé)任編輯;zl
評(píng)論
查看更多