从制造业排产AI决策场景分析，筛选AI转型目前合适的着手点

引言 |

开源大模型在不断迭代能力，很多企业都在是否要训练自己企业或行业独特的大模型犹豫不决。自行训练大模型的成本太高。

企业目前偏向“本地部署+场景处理小模型”方式入手

其实做开源大模型的本地部署，使用自己私有的知识库和数据进行训练，使用适合自己业务的算法或流程对它进行约束和微调，这种方式实现企业某个业务环节AI转型是目前大多数企业都在采取的方式，尤其是中小型企业或者比较从传统的企业。

对于大模型在业务中扮演什么角色，如何参与到业务中以求降本增效的目标？可能会有些难以着手。

今天用一个小场景案例分析，跟大家分享一下我的一些思考，希望可以起到抛砖引玉的作用。

01—一句话场景描述

场景举例：生产排产计划突发状况的决策处理

制造业计划排产遇到约束因素突变如何让AI在其中发挥它的应对分析和智能决策能力？

场景特点：由简入手

为什么说到这个场景的决策角色AI化分析呢？其实之前我有出过一个视频聊过这个场景下的各类角色加入大模型的小需求分析。其中智能执行层面是比较好实现，大模型在其中参与度不算特别高，更多的还是要根据业务工作流进行应对操作。

场景化AI转型不仅仅是技术问题：

最近也看到挺多实现的案例，这里就围绕着决策角度AI化的场景进行分析。因为这里面涉及到的不仅是技术实现面，他更大的难题是做AI转型中核心的信任问题。AI的决策是不是足够我们信任？它会不会在其中出现幻觉导致业务出现较大偏差和出错的风险呢？

02—从风险的程度分析AI能够做哪些决策

制造业生产常见计划脱节的痛点场景

正在依照原来计划与排程生产的时候，

• 可能会出现客户原因对订单进行