企业利用数据分析的主要方向之一，就是规划业务和优化运营——这一直是“运营研究”分析方法的长期重点。然而这通常在一个相对较小的范围内完成，仅仅使用少数变量的单个模型。现在，认知工具(Cognitivetools)——特别是机器学习——可以让这个用途在广度和深度上更上一层楼。
人工智能在制造和运营方面的作用可能不为人所知，但是我们有机会使用这些工具来显着提高重要行业的效率和有效性。以美国大河特种钢铁厂“BigRiverSteel”为例，这家大型钢铁制造企业正试图在最具工业特性的行业内进行重大转型。BigRiverSteel的先例告诉钢铁行业，机器学习同样适用它们。
位于美国阿肯色州的BigRiverSteel广泛使用传感器、控制系统和基于机器学习的优化。通过与人工智能咨询公司Noodle.ai合作，BigRiverSteel开发了多种技术来提高炼钢的实践和利润。BigRiverSteel首席执行官DavidStickler经常表示：“我们是一家在生产钢铁的科技公司。”
BigRiverSteel在以下6个主要方面使用机器学习，尽管每个方面在应用成熟度上有所不同：
·需求预测：BigRiverSteel通过明智地使用资金而取得成功，所以它需要准确预测钢铁需求。要做到这一点，就采用具有宏观经济数据、钢铁的历史需求、制造业动态、钢铁大客户的动态(例如住房开工、石油钻台数量)的机器学习模式。
·资源开发和库存管理：和小型钢铁厂一样，BigRiverSteel的原材料是废钢，所以需要预测其可用性。Noodle.ai开发了“废钢指数”，并正在与BigRiverSteel合作，采取对冲方式购买废钢。
·调度优化：什么时候生产什么，这是任何钢铁厂都要做出的重要决定，特别是当你最重要的投入是电能(用于熔炼废钢的电弧炉)时，就更加关键了。优化模型能使非高峰时间的能源消耗最大化，从而使能源成本最小化。
·生产优化：所有钢厂都有非计划事件，如漏钢(当铸造时钢水从铸模中脱落)和堆钢事故(当热轧钢从辊子掉到磨机地板上时)。这些事件会使生产停滞，既危险又要付出成本代价。机器学习模型可以预测何时最有可能发生事故，并最大程度减少事故的发生。
·预测性维护：随着工业机器数量的增加，BigRiverSteel可以使用机器学习模型来确定维护关键机器和设备的最佳时间。
·出站运输优化：像亚马逊这样的公司一直在优化他们的出站供应链，但这在钢铁厂很少见。BigRiverSteel与客户和托运人合作，将出站运输的成本降到最低，并优化客户交付窗口。
有了这些应用，BigRiverSteel和其他公司改善的运营能力，但最有价值的好处来自于整合。BigRiverSteel正在试图为工厂的业绩和盈利能力进行“端到端”优化，已经具有不同模型将业务计划和运营的不同部分进行互连，并且在整个企业中进行优化。
这种规划和优化的综合方法仍处于早期阶段，细化的话还需要更多的数据、算法的调整和大量的计算能力。但是Stickler和Noodle.ai的数据科学家都相信这是可以实现的。
更多信息请进入法钢耐磨钢板新闻资讯
http://www.bmmsteel.com