利用人工智能和大数据优化航空航天供应链
引言：用人工智能转变采购流程
航空航天供应链是一个复杂的系统，由多个全球供应商组成，这些供应商生产整个飞机生态系统的各种组件——机身、发动机、集成系统等。这个系统需要一个健全的管理策略，以提高供应链的可视性，使航空公司、原始设备制造商、维修运营商和零部件分销商能够在有效缓解合规风险的同时，做出明智的采购决策。
一架飞机可能包含数十万甚至数百万个零件。对于由不同平台组成的整个机队，航空公司、原始设备制造商或维修组织需要跟踪的零件数量呈指数级增长。一架商用飞机最多可以有300万个零件，这突显了库存管理的复杂性。由于全球多个供应商和零件分销商生产或销售零件，采购变成了一个复杂的、数据密集的过程，需要分析数以百万计的动态数据点。
目前的零件网站或数字市场还不够先进，无法解析或提取来自庞大且不断变化的数据集中的相关信息。需要大量的人工努力来验证零件是否符合要求、是否以公平的市场价值定价以及是否可用——这使得采购过程变得艰巨。
如此漫长的决策周期可能会影响OEM、航空公司、MRO车间和零部件分销商的运营和财务表现。波音估计，飞机停飞（AOG）每小时将使航空公司损失1万到2万美元，或者在某些情况下，甚至因为损失的收入和额外的开支高达10万美元。2018年，《航空经济》发现，AOG事件每年给全球航空业带来的估计损失高达500亿美元。
能够筛选和分析大量信息（例如数百万个零件及其相关数据）并迅速提出建议，是自动化技术（如人工智能（AI））在航空航天工业中的主要应用之一。AI能够将复杂的供应链交易网络转变为一个流程顺畅、高效且节省成本的操作——不仅让您能够管理，还能实时优化整个供应链。
像循环神经网络（RNNs）和变压器这样的AI模型分析序列数据趋势，有助于采购中的及时决策。
随着数据量、时间和训练的增加，这些专门针对航空的人工智能模型将变得更加精确和高效。这些模型经过过去几年的航空数据训练，已经达到了高准确性指标, 包括 R²，显示了预测的精确度。人工智能系统被设计为自学习和自优化, 根据新的数据输入不断提升它们的性能。
在这份白皮书中，您将了解人工智能技术如何优化航空航天行业的采购流程，从而提高运营和财务绩效。
利用区块链和人工智能技术的大数据能力
航天领域并不缺乏数据；甚至可以说数据是跨行业领域的共同基础。然而，数据的价值在于它能提供的洞察力以及它激发组织采取的行动。
收集和分析大量数据并产出建议是一个理想的应用场景，适合采用由区块链技术支持的人工智能解决方案。高级模型，比如图神经网络（GNNs），有助于理解供应商与零件之间的关系，增强在区块链启用的系统中的决策制定。
区块链系统的去中心化特性使得可以在几秒钟内使用公共的、第三方的和内部的数据进行实时的行业范围搜索。将这些结果过滤到一个人工智能模型中，立即就能制定出一个准确的解决方案 —— 通过简化和自动化一个非常手工的过程，在组织中创造效率。
ePlaneAI识别了这个用例，并开发了一个软件即服务平台，该平台利用对话式和生成式人工智能以及大数据，来完全自动化航空部件工业和采购流程。
区块链中的每个部件记录都包含了一个不可变的属性历史记录——例如状况、位置和合规性——提供了一个安全、防篡改的数字记录，减少了伪造风险，增加了透明度，并加强了对行业法规如EASA和FAA的遵守。
当部件搜索的结果被整理出来后，它们随即通过生成式人工智能模型，产生一个自动化且能根据实时航空市场数据自我调整的定制化推荐。任何关于部件的成本、位置或可用性的变化都会被纳入推荐解决方案中。因此，如果你在周一早上搜索部件A但直到周二才购买，它可能已经不再可用，或者显示的价格可能已经变化——就像在你的亚马逊购物车中延迟购买一样。
人工智能固有的处理大型数据集（及其类型）以及适应不同模式和生产复杂性的能力，确保了长期的可持续性和可扩展性。随着全球MRO市场预计到2026年达到1190亿美元, 且劳动力成本占MRO总支出的60-70%, 高效的人工智能解决方案可以显著推动成本节约和运营效率。
为了支持人工智能不断增长的数据需求，超快数据库是必不可少的。传统数据库通常缺乏实时数据处理所需的速度和可扩展性，这使得先进的数据库技术对于成功实施人工智能至关重要。云计算的成本本身可以从每小时0.25美元到超过每小时30美元的高端单个GPU系统。然而，这些技术是可扩展的，并且对各种规模的企业都是可访问的，包括较小的运营。人工智能的能力可以根据具体需求进行定制，以便所有人都能立即获益。
大型企业可以期待在利用连续的人工智能驱动洞察跨越庞大数据集时，获得更大的效率和成本节约。现代数据库能够在不到一秒的查询响应时间内，使人工智能解决方案能够更快速、更准确地为库存管理提供建议，以解决AOG（航空器停场）情况。
随着ePlaneAI的解决方案不断收集和处理大量数据，人工智能技术随着时间和训练不断提升。它能够识别的模式和趋势越多，基于数据量的增加，就能为用户生成更好的首选解决方案。
洞察超越人类分析
航空器零件数据的太字节级别可以被消耗和处理，这将需要数百名数据科学家数月时间才能产出可操作的结果。然而，在AI驱动的决策制定中，一个关键的瓶颈是数据库基础设施。尽管有些数据库可以在1秒内处理查询，但其他数据库可能需要长达15分钟才能提供相同的结果。这种延迟可能会显著影响关键采购场景中的实时决策制定，其中速度对于保持运营效率以最小化财务影响至关重要。例如，每架商用飞机每年大约经历3-5次重大维修事件，平均每架飞机的维修成本达到300万美元。
零件延迟和计划外的维护可能会导致额外成本，由于延长的停机时间而失去未来的票务销售，以及因增加的延误和取消而降低客户忠诚度。
Having internal resources diverted from daily operational tasks during to searching inventory stock or ordering parts and making critical decisions quickly with limited information causes further operational disruption.
ePlaneAI平台使用卷积神经网络（CNNs）来识别基于图像的零件数据以及自编码器进行异常检测，确保数据的准确性和质量保证。这些模型能够自主运行，根据不断演变的数据模式进行调整，以保持长期的高准确性和性能。这种自主能力减少了人工干预，提高了运营效率。通过利用这种解决方案，组织将更好地了解库存量和利用情况，这使得能够准确预测短期和长期需求，以减轻未来库存问题。该解决方案可以自动以最优的市场价格购买库存。
用例：自动化采购和库存优化
一家航空工业公司在处理AOG订单时面临重大挑战，这些订单占其零部件订单总量的70%。这涉及到500多家供应商，并在五个仓库管理着超过70,000个库存单位(SKUs)。他们的库存平衡优化不经常进行，仅每年一次，这导致了效率低下以及对员工在做出关键决策时的压力。平均而言，航空公司的目标是实现库存周转率为每年1.5到2次，这意味着零部件库存通常每6-8个月进行一次更换。
这家公司实施了ePlaneAI的定制解决方案，使用了XGBoost和Random Forests来优化采购时间表和库存管理，确保精确的库存水平调整和需求预测。具体成果包括：
- 超过37%的库存被识别为陈旧，从而可以更好地利用库存。
- 在预测和预测短期需求方面取得了超过95%的准确率，从而导致更精确的采购决策。
- 将劳动效率提高了65%
- AOG事件大幅减少，高级AOG部件的购买也有所减少
即使仅利用内部ERP数据，人工智能解决方案也可以根据用户偏好变得更具预测性。例如，能够利用历史采购决策——数量、供应商、交货速度来训练AI模型，不仅生成最佳决策，还能生成首选解决方案。
用例：长期预测与生产排程
一家航空航天部件制造商面临着重大挑战，因为长达八个月的长交货期和1到10天不等的短交货窗口。这些限制需要一个强大的解决方案来准确预测需求并有效规划生产。
他们采用了ePlaneAI的定制人工智能解决方案，以准确预测和识别模式和季节性趋势，并告知全面的年度生产计划，包括上限、下限和中值。
像Prophet和ARIMA这样的模型能够准确预测需求，而Genetic Algorithms则根据季节趋势优化生产计划。
具体结果包括：
- 发现有40%的零件没有流动，这最终导致公司在次年停止了这些产品的生产，有助于整体成本节约。
- 在零件编号级别上达到82%的准确率，在数量级别上达到90%的准确率，用于需要生产的零件。
- 使客户能够优化生产流程，减少不必要的制造，并更有效地满足交货期限。
从洞察到交易的自动化流程
ePlaneAI会自动引导用户在提供推荐后完成交易。通过整合强化学习（RL），系统能够适应动态市场条件，实现采购交易的实时定价调整。这些自适应算法以自主模式运行，最大限度地减少了人工干预，同时提高了效率和成本效益。这是通过自主前台实现的，它提供自动定价——根据当前市场率进行调整——以及基于合同条款的全球B2B结账和支付系统。
通过以下方式，自动化这个过程可以提高运营效率和性能，从而增加盈利能力：
- 减少人工干预，缩短交货时间，并自动以最优惠的价格购买库存。
- 在不过度消耗内部资源的情况下，实现各种规模的扩展。
- 提高了库存记录的准确性和一致性
- 通过及时支付供应商款项来加强与供应商的关系。
自动化交易还生成数字化的详细日志，这有助于作为增强合规性措施的可追溯性。这些详细记录也确保交易符合所有必要的采购流程指南。
自动化交易过程是促进更加流畅和有效采购策略的最后一步。
结论
一个更简化且有效的采购策略会导致运营效率的提升，最终使公司更加盈利。
为了让航空航天工业的每个部门保持竞争优势并提高其盈利能力，他们需要采用优化复杂、劳动力和时间密集型采购过程的技术。考虑到航空业的库存持有成本范围为每年零件价值的15-25%，由AI驱动的库存优化可以带来可观的节省。
航空维修趋势可能在不确定的情况下获得动力
飞机的服役时间越来越长，供应链如同火药桶，技术也在一夜之间不断革新。探索日益增长的维护趋势，以及它们对于努力保持飞行和盈利的运营商的意义。
矢量数据库。解锁航空业的非结构化智能。
向量数据库索引高维嵌入向量，以支持对非结构化数据的语义搜索，这与使用关键字精确匹配的传统关系或文档存储不同。向量存储管理表示文本或图像语义的密集数字向量（通常为 768-3072 维），而不是表格或文档。在查询时，数据库使用近似最近邻 (ANN) 搜索算法找到查询向量的最近邻。例如，基于图的索引（如分层可导航小世界 (HNSW)）构建分层邻近图：较小的顶层用于粗略搜索，较大的底层用于细化（见下图）。搜索“跳”到这些层 - 快速定位到一个集群，然后再详尽地搜索本地邻居。这在召回率（找到真正的最近邻）和延迟之间进行了权衡：提高 HNSW 搜索参数 (efSearch) 会增加召回率，但会增加查询时间。
供应链门户。一个卖家。多个买家。完全控制。
航空供应链门户本质上是一个为航空供应商及其客户量身定制的私人电子商务平台。它专为航空公司、MRO 和零部件分销商设计，将库存、采购和供应商协作集中到一个安全的系统中。实际上，OEM 或零部件分销商会“贴牌”此门户，并邀请其认可的买家（航空公司、MRO 等）登录。这些买家可以看到完整的零部件目录（从卖家的 ERP 实时同步），并且可以像在大型在线市场上一样搜索、筛选和比较商品。然而，与公开的公共交易所不同，这个门户是私有的——平台上只有一家供应商（有许多买家），使公司能够完全控制定价、库存和用户访问。
库存人工智能。预测每个航空零件的需求。
库存AI的数据工程和准备
有效的库存AI始于强大的数据管道。所有来自企业系统和外部来源的相关数据都必须经过汇总、清理和转换，以供AI使用。这包括库存数据（历史销售额、当前库存水平、零件属性）和需求驱动因素（市场趋势、维护计划、促销等）。通过将内部ERP记录与外部因素（例如行业趋势或季节性模式）相结合，该模型可以全面了解需求影响因素。数据管道中的关键步骤通常包括：
- 数据提取与集成：从 ERP 系统（例如 SAP、Oracle、Quantum）和其他来源（供应商数据库、市场数据）提取数据。该平台支持与各种航空系统的自动连接，确保数据顺畅流入。例如，历史使用情况、交货时间和未完成订单会与外部数据（例如全球机队利用率或宏观经济指标）合并。
- 数据转换与清理：数据采集后，需要进行清理和标准化。这包括处理缺失值、规范化单位（例如飞行小时数、周期数），以及将数据结构化为有意义的特征。可以应用自定义转换和数据仓库自动化来准备 AI 就绪的数据集。目标是创建一个统一的数据模型，用于捕捉库存状态（现有数量、位置、成本）和上下文变量（例如需求协变量、供应商交付周期）。
- 数据加载至云端：准备好的数据将被加载至可扩展的云数据平台。在我们的架构中，Snowflake 被用作中央云数据仓库，可以接收批量或实时数据流，并处理海量交易数据。Snowflake 的即时弹性特性支持按需扩展存储和计算能力，因此即使是海量的 ERP 数据集和预测功能也能高效处理。这个基于云端的存储库是所有下游分析和机器学习的唯一真实来源。
- 业务定制微调：关键的准备步骤是将数据和模型参数与每家航空企业的细微差别进行匹配。每家航空公司或维护、维修和大修 (MRO) 都可能拥有独特的消费模式、交付周期限制和服务水平目标。库存人工智能系统会根据客户的历史数据和业务规则对其模型进行“微调”，从而有效地学习客户的需求节奏和库存策略。这可能涉及使用公司部分数据校准预测模型，或调整优化约束条件（例如关键 AOG 部件的最低库存水平）。通过根据业务定制人工智能，预测和建议将变得更加准确，并与客户的运营更加相关。
持续数据更新：库存 AI 并非一次性分析，而是持续学习。数据管道会定期更新（例如每日或每小时），将新的交易数据（销售、发货、询价等）输入模型。这确保 AI 始终根据最新的库存和需求状态做出决策。自动化数据质量检查和监控机制可以捕捉输入数据中的异常，避免垃圾数据导致错误的预测。总而言之，云端集成、干净数据的坚实基础，使 AI 模型能够发挥最佳性能，并适应不断变化的情况。
