至顶网软件频道消息:在当今这个客户要求日益苛刻、利润超薄而工作流程愈加复杂的时代,生产效率周期性会不可避免地降低,但这并不等于厂商可以忽视或者容忍这个问题。生产效率的波动会带来很大的风险,导致交货日期、帐户盈利能力和产能计划有很大的不确定性,从而影响客户整体满意度。IM&E(工业机械和设备)制造商应一直对流程进行严格把控,以保持一致性,控制好利润。
了解问题
生产效率低下会给制造商带来很多麻烦。由于IM&E产品的尺寸和成本都较大,这些问题被进一步放大了。非常复杂的ETO流程以及资本密集型零件和劳动意味着即使很小的变化也会产生很大的影响。
例如,厂商需要一直付给技术熟练工人加班费,即使他们只是在一旁等待合适的零件,并没有实际的工作;在组装和测试阶段虽然还没有配备好资源和人员,超大的组装机库仍然会占用大量的间接成本。加大对延迟交货和合同违约罚款的力度会促进生产效率的提高。大多IM&E制造商对计划、规划和资源都很重视。
与生产消费商品或者商品化工业产品的制造设施相比,IM&E工厂的影响因素作用越来越强。IM&E行业的机械设备是非常工程化的,包含高科技组件,专为客户设计,会有非常专业化的要求,没有完全一样的订单。需要确定并提供图纸和规范。频繁更改订单会使流程更加复杂。
让现代技术付诸实践
采用现代技术解决方案可帮助IM&E制造商管理复杂的车间,避免在生产效率上出现重大失误。以下列出一些实用的举措:
Infor的ERP解决方案具有非常直观的用户界面,简化了流程,提高了生产效率。员工可以使用基于角色的工作台和仪表板功能管理自己的关键绩效指标(KPI),还可以参考预定义的最佳实践。屏幕把相关的上下文信息推送给用户,而不是等待用户自己来查找。这样可以加快进程,提醒用户下一步怎么办,以及要监控的详细信息。
制造商可以利用嵌入式业务协作工具,简化同事和客户之间的交流。Infor Ming.le™能够帮助整个企业的员工轻松跟踪会话,把问题按优先级分类,查看项目进展情况,以及与企业内外的人员进行对话。
管理员可以使用升级警报功能来密切控制那些需要额外注意的反复出现的问题。触发器可以设置为发送电子邮件,或者向团队发出警报以找到潜在的问题。这样可以在没有重大延误的情况下仍然有时间纠正错误,尽早解决问题。
Infor配置价格报价(CPQ)功能可以帮助管理配置度非常高的产品,帮助销售人员对个性化产品报价,并创建图表,以便客户能够直观想象出其定制的产品。
这是非常有价值的技术,可以在修复突发故障时打印出紧急备件。3D打印也可以用于加速原型设计和测试,让MTO项目顺利进行下去。3D打印支持企业打印出所需的零件,或者用于制造备件的模具、模板和工具。
可以通过内部设备上的嵌入式传感器来防止出现意外的设备故障停机。传感器测量和监测的常见物理指标是温度和振动。数据可用于发现早期劣化征兆,例如过热。及早发现潜在的问题,及时干预可以防止问题的接连发生。
高级分析功能还可以用于预测典型生命周期中的各个阶段,因此维护部门可以提前做好计划,在非工作时间进行必要的校准,更换过滤器等耗材,在被侵蚀的部件发生故障之前就将其更换掉。
公司应加大对新技术人员的招聘和培训力度。为了尽快让员工掌握设备操作知识,公司可以转向采用虚拟现实和模拟环境,以帮助培训新员工,使他们在安全环境中体验“实践和失败”,而不会损坏实际的机械设备。
在整个企业中具有端到端可见性,更有可能提前预见潜在的差距或者生产效率下降等问题。可见性还避免了单独行动,消除了沟通障碍,从而铲除了阻碍生产效率的主要因素。
结语
及时了解新技术,走在领域创新的最前沿对于IM&E制造商非常重要。虽然新技术通常需要资本投入,但在节省时间和防止绩效降低等方面会让企业快速得到回报。
关于作者
鹿崇,现任Infor大中华区商业咨询总监。他在企业应用软件领域有超过15年的实战经验。鹿崇先生自2003年1月加入Infor至今。加入Infor之前,他曾在KPWOOD公司任系统工程师、SSA上海公司任职商业顾问,还曾在迅达电梯担任过项目负责人。鹿崇先生毕业于清华大学管理信息系统专业。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。