Enterprise AI движет инновации и стабильность в стальном секторе

Признание ценности ИИ и data lakes

С прогрессом технологий, драйвируемого искусственным интеллектом (ИИ) и созданием data lakes, организации приходят к осознанию их ценности для промышленного производства.

Enterprise AI в бизнес-моделях

Enterprise AI может быть встроен в фундаментальные бизнес-модели для усиления принятия решений. Он фокусируется на результатах, а не на технологии самой по себе, позволяя организации превращать данные в ценные инсайты для создания непрерывной ценности для клиента.

Металлургическая отрасль: сталь как основа

Металлургическая отрасль, одна из старейших в человеческой цивилизации, была позвоночником современного промышленного роста. Сталь — самый популярный металл в использовании сегодня, и железо, четвертый по распространенности элемент в земной коре, — его ключевой компонент.

По данным Worldsteel Association, глобальное производство сырой стали выросло с 189 млн метрических тонн в 1950 до 1.8 млрд т в 2018. Быстрый рост за последние два десятилетия пришел от избыточной мощности, произведенной в Китае, который вносит почти 50% мирового производства стали. Несоответствие вызвало крупные нарушения в индустрии, особенно в западном мире, так как китайские производители начали экспортировать свой избыточный инвентарь по низким ценам.

Пока это несоответствие, вероятно, продолжится, компании работают над улучшением эффективности через модернизацию своих железо- и сталелитейных технологий. В процессе они постепенно снизили зависимость от человеческого труда в пользу автоматизации.

Современный сталелитейный завод нанимает гораздо меньше человеческого труда, чем 25 лет назад. За период, когда мировое производство стали выросло в 2,5 раза, индустрия сократила более 1,5 млн рабочих мест.

Уникальные элементы стальной цепи поставок

Стальная цепь поставок содержит уникальные элементы, ядерные для индустрии:

• Мульти-источчный входящий снабжение. Шахты генерируют непрерывный поток сырья. Однако железная руда приходит в разнообразии форм и качества, что часто требует дополнительной обработки перед движением в конечную обработку. Это может приводить к различным стальным грейдам, не обязательно привязанным к специфическим клиентским требованиям.
• Чувствительная к сбоям производство. Железо- и сталелитейный процесс требует непрерывного потока материалов между производственными стадиями, включая доменную печь, конвертер, непрерывную литейную машину и прокатный стан. Остановка и перезапуск данной операции в процессе сталелитья может быть затратной. Следовательно, производство и инвентарный поток должны быть сбалансированы для избежания затрат на переплавку, минимизации смен и устранения нежелательного накопления незавершенного производства.
• Сложная сеть хранения и распределения готовой продукции. Хранение, отслеживание и распределение уязвимы к неэффективностям из-за разнообразных грейдов, веса и размера конечных продуктов. Более того, есть ограничения использования технологий отслеживания для стальной индустрии, таких как RFID-теги, интерферирующие с физическими свойствами стали.
• Множественные каналы сбыта. Традиционно стальные компании полагались на разнообразие косвенных каналов сбыта, таких как дилеры, агентства и сервисные центры, все нацеленные на те же рынки. Стальные OEM имеют ограниченный контроль на рынке, с минимальной видимостью требований конечных потребителей. Кроме того, косвенные каналы замедляют процесс продажи из-за множественных согласований и накопления накладных расходов, таких как агентские комиссии. С появлением интернет-продаж и прямых каналов сбыта, e-marketplaces и e-аукционы стали популярным средством повышения прозрачности, сокращения циклов продаж и снижения накладных. В то же время e-marketplace платформы дали клиентам готовый доступ к рыночным данным и конкурентным котировкам для специфицированных требований по грейдам. Это привело к пролиферации стальных грейдов, 75% которых разработаны за последние 20 лет. Соответствие требованиям клиентов с самым коротким циклом выполнения заказа и наиболее конкурентной ценой стали ключами к процессу продажи.
• Товарный и волатильный рынок. В стальной цепи поставок и сырье, и готовый продукт являются товарами. Следовательно, бизнес экспонирован ценовой волатильности в обеих точках спроса и предложения, приводящей к уменьшению рентабельности.

Цифровой двойник и big-data lake как фундамент

Предприятия генерируют большие объемы данных ежедневно, и это растет экспоненциально. Данные приходят как в структурированных, так и неструктурированных формах. По мере того как in-memory вычисления, хранилище и цифровые технологии становятся надежными и доступными, многие металлургические компании используют их для разработки передовых аналитик и получения процессных инсайтов. До сих пор, однако, большинство этих усилий не имели организации-широкого видения в виде интегрированных стратегий цепи поставок. Стальная индустрия имеет значительное пространство для выгоды от улучшения своей цифровой мощи.

Цифровой двойник

Цифровой двойник — виртуальная реплика физических процессов цепи поставок и позвоночник для кибер-физической интеграции. Он обеспечивает бесшовную передачу данных между цифровыми мирами и физическими сущностями. Для включения enterprise AI необходимы следующие атрибуты цифровых двойников:

• Платформа экосистемы коммерции для обмена информацией со всеми внутренними и внешними бизнес-партнерами через коммерчески доступное off-the-shelf ПО.
• Платформа прослушивания и подписка на информацию, для захвата информации за пределами границ прямого контроля.
• Физическая связность оборудования и захват событий через IoT-устройства. Цифровой двойник обеспечивает непрерывный, реальное-время сбор данных на различных узлах цепи поставок, таких как хранение руды (шахтерами, поставщиками и операторами судов), производство (коксовые печи, синтерные заводы, доменные печи, литейные машины и прокатные станы), хранение и распределение продукции (склады и фрахт-перевозчики), и каналы сбыта (включая e-marketplaces, сервисные центры и дилеры).

Big-data lake

Big-data lake — единое место хранения для всех предприятий данных в их нативном формате. Он может использоваться для множества целей, таких как data science-драйвенная передовая аналитика и машинное обучение. Для стальных компаний big-data lake может хранить несвязанные бизнес-данные от различных узлов цепи поставок, включая карьеры, склады, доменные печи, литейные машины и прокатные станы, в сырых форматах. Big data может использоваться для получения инсайтов в следующих областях:

• Рыночная интеллектуальность, составленная из информации по макроэкономике, монетарной политике, тарифам, металлическим биржам, флуктуациям товарных цен, информации о конкурентах и геополитическим ситуациям.
• Данные сталелитейного завода, предоставляющие детали мощности и операций на различных стадиях, таких как железо- и сталелитье, управление двором и транспортировка.
• Данные бизнес-плана, включая производственные и отгрузочные планы.
• Данные партнерской экосистемы, генерируемые внешними стейкхолдерами вроде клиентов, агентств, сервисных центров, шахтеров, фрахт-форитров и операторов судов. Партнерская экосистема должна обеспечивать доступ к данным в мульти-энтерпрайз бизнес-сети (такой как платформа экосистемы коммерции) от внешних организаций, с которыми стальные компании делают бизнес.

Функции Enterprise AI

Enterprise AI включает следующие функции:

• Сенсирование событий на различных стадиях в стальной цепи поставок. Прежде чем достичь порога потребителя, стальной продукт должен пройти полный производственный жизненный цикл. По мере того как массовая железная руда конвертируется в дискретные стальные продукты, сырье движется через множественное оборудование и процессные шаги. Любое нарушение или изменение любой части цепи поставок будет иметь большое влияние на другие фазы производства. Цифровой двойник, с ассоциированными атрибутами вроде IoT, немедленно распознает изменения и собирает данные для дальнейшего анализа.
• Анализ событий и определение их влияния на KPI на разных временных горизонтах. После сбора данных событий, передовая аналитическая платформа запускается для идентификации возможных влияний на запланированные активности. Этот шаг создает множество сценариев «что-если» за долю секунды, позволяя сравнивать результаты от возможных изменений по всей сети поставок. Оценка может определить влияние на различные KPI в пределах горизонта планирования.
• Рекомендация альтернативных решений. Пока сбор и анализ данных существенны, реальная ценность enterprise AI лежит в его способности анализировать полный масштаб влияний и предоставлять ассоциированные рекомендации. Если влияние превышает порог определенных KPI, бизнес-правила и уроки от предыдущего когнитивного опыта могут помочь enterprise AI рекомендовать решения, доставляющие желаемые бизнес-результаты. Такие рекомендации должны учитывать влияния по всей сети цепи поставок и рекомендовать оптимальные планы.
• Оптимизация результатов через непрерывное когнитивное обучение. Big-data lake предоставляет инсайты через data science. Enterprise AI, в свою очередь, использует информацию для включения непрерывной оптимизации результатов. Big-data lake — масса несвязанной информации, которая заняла бы жизнь человека для понимания. Без структуры эта информация не может использоваться для бизнес-целей. Data-science техники могут фильтровать неструктурированные данные в специфических бизнес-измерениях, таких как временной фрейм, география и продукт, и выявлять скрытые связи для включения непрерывного самообучения.

Заключение

Enterprise AI драйвит надежность, эффективность и продуктивность в стальной индустрии через сокращение ручного труда, заменяя его машино-машинной связностью и прескриптивной аналитикой. Он может чувствовать элементы вроде рыночной инсайта, волатильности спроса и нарушений в производстве и поставке. Промышленное использование ИИ-технологий, вместе с инвестициями в big-data lakes и цифровые двойники, обещает трансформировать стальные компании в более отзывчивые и прибыльные операции. Прагматичный взгляд на enterprise AI может драматически увеличить эффективность стальной цепи поставок, ведущую к снижению затрат на хранение инвентаря и сокращению времени до рынка в волатильном стальном рынке.

Хиранмай Саркар — управляющий партнер в практике консалтинга и интеграции сервисов Tata Consultancy Services (TCS).