人工智能如何解决``肮脏''数据问题？
来源：CPDA数据分析师网 / 时间：2021-05-27
但是手动执行此操作很耗时吗，甚至在COVID-19之前，该流程就阻碍了供应链效率，但是一旦大流行全面爆发，就不再需要选择慢速运行了，传统的数据清理已经失去了它的用处，并且时机已经过去，现在该让人工智能和机器学习消除大数据所产生的噪音的时候了。
了解整个业务
退后一步看看整个业务运营，尽管可能对当前设施的供应情况有准确的了解，但对其他相连设施的可见性状况如何？另外，对其他供应商的库存了解多少，他们可以多快的时间满足生产需求？也许IT部门有一个工具可以为其他位置的姊妹工厂提供一些见识，但几乎无法了解您的供应商同时拥有什么，解决此问题的方法是提高手头上的材料以准备就绪，即使这些材料现在并不需要，但是这种方法通常会导致一种类型的库存过多，而另一种类型的库存却不足，没有足够的实时信息来进行有意义的采购调整以满足生产需求，收集所有信息的长期后备是数据清除。
让算法听写
各地的组织都被基于项目的数据清理所束之高阁，它们价格昂贵，耗时且损害了长期的投资回报率。这不是一个可持续的策略，通常必须每隔几年重复一次该过程，甚至在大流行爆发之前，数据清理还拖慢了供应链流程，降低了业务运营水平，花费半百万元进行数据清理（预计需要长达一年），对企业几乎没有好处。即使采用的技术，也会重复同样的不良过程，输入AI和机器学习，具有成本效益，快速简便的实验是创新业务流程的关键。在这种情况下，这意味着用机器学习算法替换旧的数据清理，从而将长达一年的过程减少到只有几周。
AI是使用现有数据实现的
可以做出更好的决策并立即创建智能，而无需使用数据清理过程，AI流程将数据从筒仓中取出，因此组织可以从一对一关系转移到整个供应链网络的全景图，机器学习生成的算法提供了更高的可视性，并为供应链网络中的其他人共享有价值的数据打开了大门，使用AI和机器学习为更好地使用数据开辟了一些新机会，一种是能够同时对数据执行多项任务的能力，如果经理说是时候减少库存了，您通常会犹豫不决，因为有在需要时没有库存的风险。但是在这种新模型中，这不再是问题，因为您可以更好地优化与库存相关的营运资金-不仅在您的工厂内，还可以在网络内的各个组织内。这降低了风险，因为您现在拥有了所需的智能和信心，可以随时随地获得所需的信息。
这种范例使向工业4.0流程的过渡更为顺畅
如果一台机器上存在传感器问题，则会警告供应商并提供零件，数据的实时使用消除了较长的停机时间，不应再使用脏数据和冗余数据来减慢供应链的运行速度，机器学习生成的算法将使您能够根据数据做出更好的决策，以保持供应链在各个层面上的正常运转。
商业联合会数据分析专业委员会
返回列表