企業(yè)利用數(shù)據(jù)分析的主要方向之一，就是規(guī)劃業(yè)務(wù)和優(yōu)化運(yùn)營(yíng)——這一直是“運(yùn)營(yíng)研究”分析方法的長(zhǎng)期重點(diǎn)。然而這通常在一個(gè)相對(duì)較小的范圍內(nèi)完成，僅僅使用少數(shù)變量的單個(gè)模型。現(xiàn)在，認(rèn)知工具（Cognitive tools）——特別是機(jī)器學(xué)習(xí)——可以讓這個(gè)用途在廣度和深度上更上一層樓。

人工智能在制造和運(yùn)營(yíng)方面的作用可能不為人所知，但是我們有機(jī)會(huì)使用這些工具來(lái)顯著提高重要行業(yè)的效率和有效性。以美國(guó)大河特種鋼鐵廠“Big River Steel”為例，這家大型鋼鐵制造企業(yè)正試圖在最具工業(yè)特性的行業(yè)內(nèi)進(jìn)行重大轉(zhuǎn)型。Big River Steel的先例告訴鋼鐵行業(yè)，機(jī)器學(xué)習(xí)同樣適用它們。

位于美國(guó)阿肯色州的Big River Steel廣泛使用傳感器、控制系統(tǒng)和基于機(jī)器學(xué)習(xí)的優(yōu)化。通過(guò)與人工智能咨詢公司Noodle.ai合作，Big River Steel開發(fā)了多種技術(shù)來(lái)提高煉鋼的實(shí)踐和利潤(rùn)。Big River Steel首席執(zhí)行官David Stickler經(jīng)常表示：“我們是一家在生產(chǎn)鋼鐵的科技公司。”

Big River Steel在以下6個(gè)主要方面使用機(jī)器學(xué)習(xí)，盡管每個(gè)方面在應(yīng)用成熟度上有所不同：

· 需求預(yù)測(cè)：Big River Steel通過(guò)明智地使用資金而取得成功，所以它需要準(zhǔn)確預(yù)測(cè)鋼鐵需求。要做到這一點(diǎn)，就采用具有宏觀經(jīng)濟(jì)數(shù)據(jù)、鋼鐵的歷史需求、制造業(yè)動(dòng)態(tài)、鋼鐵大客戶的動(dòng)態(tài)（例如住房開工、石油鉆臺(tái)數(shù)量）的機(jī)器學(xué)習(xí)模式。

· 資源開發(fā)和庫(kù)存管理：和小型鋼鐵廠一樣，Big River Steel的原材料是廢鋼，所以需要預(yù)測(cè)其可用性。Noodle.ai開發(fā)了“廢鋼指數(shù)”，并正在與Big River Steel合作，采取對(duì)沖方式購(gòu)買廢鋼。

· 調(diào)度優(yōu)化：什么時(shí)候生產(chǎn)什么，這是任何鋼鐵廠都要做出的重要決定，特別是當(dāng)你最重要的投入是電能（用于熔煉廢鋼的電弧爐）時(shí)，就更加關(guān)鍵了。優(yōu)化模型能使非高峰時(shí)間的能源消耗最大化，從而使能源成本最小化。

· 生產(chǎn)優(yōu)化：所有鋼廠都有非計(jì)劃事件，如漏鋼（當(dāng)鑄造時(shí)鋼水從鑄模中脫落）和堆鋼事故（當(dāng)熱軋鋼從輥?zhàn)拥舻侥C(jī)地板上時(shí)）。這些事件會(huì)使生產(chǎn)停滯，既危險(xiǎn)又要付出成本代價(jià)。機(jī)器學(xué)習(xí)模型可以預(yù)測(cè)何時(shí)最有可能發(fā)生事故，并最大程度減少事故的發(fā)生。

· 預(yù)測(cè)性維護(hù)：隨著工業(yè)機(jī)器數(shù)量的增加，Big River Steel可以使用機(jī)器學(xué)習(xí)模型來(lái)確定維護(hù)關(guān)鍵機(jī)器和設(shè)備的最佳時(shí)間。

· 出站運(yùn)輸優(yōu)化：像亞馬遜這樣的公司一直在優(yōu)化他們的出站供應(yīng)鏈，但這在鋼鐵廠很少見。 Big River Steel與客戶和托運(yùn)人合作，將出站運(yùn)輸?shù)某杀窘档阶畹?，并?yōu)化客戶交付窗口。

有了這些應(yīng)用，Big River Steel和其他公司改善的運(yùn)營(yíng)能力，但最有價(jià)值的好處來(lái)自于整合。Big River Steel正在試圖為工廠的業(yè)績(jī)和盈利能力進(jìn)行“端到端”優(yōu)化，已經(jīng)具有不同模型將業(yè)務(wù)計(jì)劃和運(yùn)營(yíng)的不同部分進(jìn)行互連，并且在整個(gè)企業(yè)中進(jìn)行優(yōu)化。

這種規(guī)劃和優(yōu)化的綜合方法仍處于早期階段，細(xì)化的話還需要更多的數(shù)據(jù)、算法的調(diào)整和大量的計(jì)算能力。但是Stickler和Noodle.ai的數(shù)據(jù)科學(xué)家都相信這是可以實(shí)現(xiàn)的。