供应链可靠性面临日益严峻的挑战
企业不断面临提高客户满意度和服务水平方面的挑战。对于高度依赖供应链网络的企业来说尤其如此。如果货物未能按时送达客户或目的地，就会导致客户体验差，并且会因客户流失而造成未来收入减少。
2020 年当全球各个国家/地区以及企业应对新冠的威胁时，这些场景在世界各地接连上演。在新冠大流行期间，医院、医疗机构、药店和杂货店都经历了非常明显的产品交货延迟和供应短缺困难。这些延迟可能会产生切实的代价，例如客户信任度降低、客户流失量增加和业务损失等。随着全球供应链面临的压力越来越大，企业正大力投资各种技术和流程，以提高其供应链的适应性和弹性。这类供应延误和供应短缺在飓风、地震和区域性洪灾等任何自然灾害情况下都会发生。
作为供应链物流领域的佼佼者，SAP 希望解决这些意外延误和短缺问题。为此，SAP 与先进的数据分析咨询公司 Inspired Intellect 合作，以高级分析和机器学习 (ML) 为基础构建更好的供应链解决方案。英特尔® 至强® 可扩展处理器、Red Hat OpenShift 容器平台和 Red Hat OpenShift 容器存储都是该解决方案的关键组成部分。
使用机器学习进行数据分析，避免交货延迟
这一客户案例突显出数据驱动解决方案的优势，以及人工智能和机器学习在缓解订单和发货延误风险方面的价值。同时，它还展示了所用技术如何实现可扩展的企业级解决方案。
这个解决方案的目标是主动预测可能发生的订单履行延迟情况，并制定备选方案来降低此类延误风险。为了实现这一目标，SAP 和 Inspired Intellect 设法通过使用高级分析来确定交货延迟的根本原因，然后设计构建一个现代化的订单管理系统来执行以下任务：
- 改善客户体验和提高客户满意度
- 降低因反复发生服务级别协议 (SLA) 违约而导致客户流失或收入受损的风险
- 提高收入确认潜力，减少与 SLA 违约相关的处罚
这一供应链解决方案融合了 SAP、Red Hat 和英特尔提供的各种关键组件
■ 强大的第三代英特尔® 至强® 可扩展处理器
第三代英特尔® 至强® 可扩展处理器逐步演变成英特尔® 双路、四路和八路处理器基础平台，用于处理基于人工智能的数据密集型工作负载。处理器集成多种人工智能加速功能，可以进一步为软件平台上的实时人工智能提供支持。这些功能包括英特尔® 深度学习加速技术（英特尔® DL Boost），其取得的新进展，使第三代英特尔® 至强® 可扩展处理器抢先成为提供集成脑浮点 (bfloat16) 指令的通用 CPU。另外，这些功能同样建立在对矢量神经网络指令 (VNNI) 的现有支持之上。增加 bfloat16 指令使主流人工智能训练可以更广泛地部署用于图像分类、语音识别和语言建模等工作负载，并且有助于使这些通用 CPU 成为更具成本效益的选择方案，而无需购买昂贵的图形处理单元 (GPU)，专门用于人工智能工作负载。
Inspired Intellect
Inspired Intellect 是从事数据管理、分析和应用开发的端到端服务提供商。其提供的产品组合范围包括战略咨询、设计服务、开发和部署服务、持续运营和托管服务。Inspired Intellect 通过培养客户掌握各种高级分析方法，帮助他们将数据转化为洞察并促成有意义的业务成果。这一切通过部署全新的人工智能和机器学习技术，在全新机器学习操作、程序和自动化支持下实现。
■ 面向企业级 Kubernetes 的 Red Hat OpenShift 容器存储
Red Hat OpenShift 容器存储是与 Red Hat OpenShift 容器平台集成并针对其进行优化的持久性软件定义存储。Red Hat OpenShift 容器存储可在 Red Hat OpenShift 运行的任何地方运行，无论是在本地还是在公有云中。该平台基于 Red Hat Ceph 存储构建，为 Red Hat OpenShift 和混合多云环境提供高度集成的持久性数据服务。作为 Red Hat OpenShift 管理员控制台不可或缺的组成部分，平台可按需配置和取消配置动态、有状态且高度可用的容器原生存储。
■ SAP 数据仓库云解决方案和 SAP 数据智能解决方案
如图 1 所示，这种混合供应链解决方案采用了 SAP 开发的两种互补产品。SAP 数据仓库云解决方案用作云端分析数据存储库，而 SAP 数据智能解决方案则用作本地数据科学和机器学习平台。
为了实现出色的机器学习性能和企业级可扩展性，SAP 数据智能组件采用了两项关键技术：
- Red Hat OpenShift 容器化环境确立平台的安全性和开发运维功能。
- 英特尔® 数据分析加速库（英特尔® DAAL）提供性能可扩展性和预测方面的增值。
英特尔® DAAL
英特尔® DAAL 是针对英特尔® 架构优化的构建模块库，涵盖所有数据分析阶段：从数据源获取数据、预处理、转换、数据挖掘、建模、验证和决策。为了在各种英特尔® 处理器上均实现优异性能，英特尔® DAAL 采用源自英特尔® 数学核心函数库（英特尔® MKL）和英特尔® 集成性能原语（英特尔® IPP）的优化算法。
英特尔® DAAL 支持如下情况的端到端数据分析概念：某些数据分析阶段是在边缘设备（即靠近数据生成位置和最终使用位置的设备）上执行的。具体而言，英特尔® DAAL API 适用于范围广泛的跨设备通信技术，因此可用于各种端到端数据分析框架。
Red Hat OpenShift 容器平台和 Red Hat OpenShift 容器存储的优势
Red Hat 混合云和容器基础平台简化了 IT 运维，因而可提高一致性、增强安全性和简化管理。
■ 简单性
Red Hat OpenShift 提供在本地、云和混合基础设施上均一致的基础平台，通过全栈自动化运维，让您获得类似于云的简单性。OpenShift 借助 Red Hat Enterprise Linux CoreOS 为容器堆栈的每个部分提供自动化安装、升级和生命周期管理，包括操作系统、Kubernetes 和集群服务以及应用。其所含的 Operator Lifecycle Manager (OLM) 借助集成操作信息，进一步简化了 Kubernetes 原生应用的管理。另外，OLM 还将 Kubernetes API 扩展到复杂的有状态应用，让您可以在 Red Hat OpenShift 中对其进行部署、管理和维护。
■ 一致性
Red Hat OpenShift 让您可以无差别地跨本地、私有云和公有云基础设施部署容器和 Kubernetes 服务。它包含了在生产环境中运行容器所需的组件，即：企业级的 Linux 操作系统、容器运行时、网络配置、监控、注册表以及身份验证和授权解决方案。这些组件已经一起进行了测试，可在跨各种类型云的完整平台上统一运行。另外，Red Hat Enterprise Linux CoreOS 还提供不可变的容器优化型 Linux 主机，该主机可以部署在任何基础设施上。最后要说明的是，Red Hat OpenShift 可与您现有的投资无缝集成，为多个基础设施和团队提供一致的运维、开发和管理体验。
■ 安全性
Red Hat OpenShift 专为实现从操作系统到应用以及整个软件生命周期的全栈且持续安全而设计。除了 Red Hat Enterprise Linux 和容器自身提供的安全性之外，Red Hat OpenShift 还增加了内置身份验证和授权、机密管理、审查、日志记录和集成容器注册表，对各种资源和用户权限进行精细控制。Red Hat Enterprise Linux CoreOS 具备额外的自动化功能，可更加轻松地及时更新大型部署，并快速识别容器映像中的安全漏洞。
■ 灵活性
OpenShift 容器存储既可以在 Red Hat OpenShift 中作为 Kubernetes 服务运行，也可以作为单独的数据存储进行解耦和管理，为一个或多个 OpenShift 容器平台集群传送文件数据、块数据和对象数据。Red Hat OpenShift、Red Hat 中间件和 Red Hat OpenShift 容器存储等捆绑产品，还可帮助各种企业和机构自动运行数据管道，实现从边缘到混合平台和多云平台的实时数据处理。这种级别的集成消除了跨多个平台运行 Red Hat OpenShift 的不确定性，并可提供企业所需的数据存储、数据服务和数据保护功能。
此外，Red Hat 还支持机器学习运维 (MLOps)，从而实现多种模式的人工智能/机器学习管理。您可在 SAP 数据智能解决方案中训练模型并启动 MLOps 流程，以将模型投入生产。此外，您还可以将边缘设备与 Quay 等图像存储库进行集成，并使用新的可用模型在边缘运行推理。
使用的英特尔® 技术
英特尔® 高级矢量扩展 512（英特尔® AVX-512）是一组指令，用于加速数据分析和人工智能等复杂的内存工作负载，并提高性能。
英特尔® 密钥保护技术（英特尔® KPT）是英特尔® 至强® 可扩展处理器的一项安全功能。英特尔® KPT 用于在运行时保护敏感的加密密钥，为平台额外增加一层保护。
英特尔® QuickAssist 技术（英特尔® QAT）是一种数据压缩和解压缩加速器，可提高处理和分析的速度。
CRISP-DM 方法
Inspired Intellect 采用知名跨行业标准数据挖掘流程 (CRISP-DM) 模型来识别高级分析机会和开发辅助性机器学习模型，从而更好地了解发生订单交付延迟的根本原因。从中获得的洞察将会有助于提出纠正措施建议，进而改进订单履行决策流程，并在订单交付延迟不可避免的情况下主动管理客户预期。
■ 数据发现
该解决方案采用各种 SAP 解决方案产生的相关数据，例如来自 SAP 客户关系管理 (SAP CRM)、SAP Material Master 对象模型、SAP 销售与分销监控系统、SAP 零售行业解决方案、SAP S/4HANA 销售和 SAP S/4HANA 云的数据。此外，该解决方案还利用相关的第三方数据源，例如国际海关/贸易法规、天气数据和流量数据。
按照 CRISP-DM 规定，开发始于数据发现练习。通过利用 SAP 数据仓库云中可用的数据整理、数据转换和数据可视化功能，团队复制了一个典型的企业管理展示板，该展示板依靠事后报告来决定如何更好地通过履行和交付漏斗确定传入订单的优先顺序。该团队使用展示板和报告来体现事后决策本身的不足之处。这种事后决策的做法会因为增加供应链成本和/或收入损失而导致失去大量商机。此外，数据发现还提出了一组模型开发过程中有待验证的假设。
■ 模型开发
通过数据发现获得的结果和丰富的可用数据，使团队选择了一对互补的机器学习模型，去构建主动订单履行决策过程的基础。具体而言，这两个模型旨在：
- 根据订单特征预测传入订单发生延迟的可能性
- 对传入订单预计延迟情况（天数）做出估计，以便在面临潜在交付延迟时更好地与客户进行沟通，管理客户预期
应用开发人员使用英特尔® oneAPI 深度神经网络库（英特尔® oneDNN）来提高生产力并增强深度学习 (DL) 框架的性能。这包括利用第三代英特尔® 至强® 可扩展处理器的集成人工智能加速功能（如 b_oat16 支持）来加快人工智能模型的训练。
SAP 数据智能解决方案为数据科学家和机器学习工程师提供常用的生产力和开发工具，例如集成 Jupyter Notebooks 的集成开发环境 (IDE)、Python 分发版以及 pandas、NumPy、Matplotlib、Seaborn 和 scikit-learn 等数据科学和机器学习库，并且支持各种自动化机器学习功能。这些功能可共同简化机器学习算法的开发，同时能够有效利用集成式 SAP 解决方案套件的强大功能。
■ 决策过程转换
相关人员可参照两个预测性机器学习模型中的每个模型，对传入订单进行评分，以转换订单履行流程，如图 3 所示：
- 一个传入订单会根据历史订单交付数据触发两个机器学习模型。
- 一个模型预测发生交付延迟的概率，并乘以传入订单的收入（或利润），得出面临风险的预计收入（或利润）。
- 另一个模型预测交付延迟的预计时长（天数）。
- 根据面临风险的预计收入和预计交付延迟天数，确定订单的优先履行级别。
如图 4 所示，就风险预估与第二个模型得出的预计延迟（天数）进行交叉制表，得出一个比较直观的 2 x 2 矩阵，从而确定订单履行优先级别。
前面所述的基于事后报告构建的管理展示板，现在可补入交付风险预测评分和预计延迟天数，由此为订单履行和配送中心主管提供数据驱动洞察，让他们可在订单交付延迟之前采取纠正措施。
企业就绪方面的益处
为了验证订单履行优化方案的企业就绪情况，测试人员评估了两项标准：性能可扩展性和开发运维可扩展性。
■ 性能可扩展性
为了展示性能可扩展性方面的机会，在传统的开源机器学习库基础上补充使用了英特尔® DAAL 优化库。这些库在每个架构上均使用新的可用矢量指令，以在硬件级别为它们提供支持。科学界已证明英特尔® DAAL 可扩展到 1,024 个节点，效率超过 88%1。
对这个解决方案的研究证实，使用英特尔的库资源可显著提高计算密集型算法和方法的计算性能（如梯度增强树与超参数优化的网格搜索）。
此外，端到端机器学习管道也不同程度地体现出英特尔® 库资源的增值优势。通过复制典型的企业数据科学/机器学习工作负载，将多个用例、广泛的数据源（结构化和非结构化数据的批处理和流数据）、分布式计算要求、并发用户以及其他可能影响可扩展性的参数纳入其中，持续进行有关英特尔® 库资源优势的研究。这将有助于在本用例之外，将英特尔® 库资源与开源机器学习库的功能进行更广泛的性能比较。
■ 开发运维可扩展性
开发运维可扩展性是继解决方案/性能可扩展性的下一步。为解决企业 IT 部门在开发运维可扩展性上的优先排序问题，相关人员将 SAP 数据智能解决方案部署在 Red Hat OpenShift 容器化环境中，由此还引入了以微服务为中心的应用架构，为混合云部署提供一个一致的平台。
此外，Red Hat OpenShift 还解决了在典型企业 IT 部门中决定运维成本的诸多挑战。以下是 Red Hat OpenShift 容器平台和 Red Hat OpenShift 容器存储解决方案可轻松解决的一些常见挑战：
- 部署技术环境需要数周时间。
- 各种环境部署采用手动方式完成，费力且频率不高。
- 应用在生产环境中的表现与在测试环境中的表现截然不同。
- 必须支持和维护众多技术。
- 每个环境均有一组不同的配置需要管理。
- 容器化应用存在持久存储要求（文件和数据块级别）。
Red Hat OpenShift 通过简化 Kubernetes 无服务器容器化运维，可轻松完成上述应用以及更多技术的编排，轻松应对企业 IT 职能部门目前面临的开发运维挑战。
■ 盈利能力方面的益处
采用数据驱动方法的企业和机构可明显提高其在市场中的竞争地位。这种方法的益处包括：
- 改善客户体验，减少客户流失，提高客户满意度
- 通过改进对库存、履行流程和资源计划的管理，优化物流和配送规划，提高运营效率
- 加强与供应商和物流/配送合作伙伴的战略关系管理，以保持所需的客户服务水平
- 减少 SLA 处罚，同时减少因订单延迟交付而以折扣形式补偿客户所造成的利润损失
- 因采用英特尔® DAAL 优化的机器学习库和 Red Hat OpenShift 容器化技术，解决方案的 企业级可扩展性带来了其他益处
结论
与供应链延迟相关的风险从未如此之高。Inspired Intellect 整合了 SAP、Red Hat 和英特尔的出色合作成果，提供集成式可扩展供应链解决方案，采用人工智能和机器学习支持下的高级数据分析来降低上述风险。云端 SAP 数据仓库云解决方案和本地 SAP 数据智能解决方案作为两大关键组件，提供了该解决方案的核心供应链功能，而英特尔® DAAL 库则用于优化性能和可扩展性。
该解决方案采用 Inspired Intellect 创建的机器学习模型，通过隔离导致运营成本增加、利润率下降、未来收入风险或影响客户生命周期价值的因素，来提高供应链的运营效率。该解决方案让决策者更加全面地了解哪些因素会影响订单交付延迟，从而改变订单履行决策流程。此外，该解决方案还利用上述这些洞察提出各种纠正建议，尽可能降低交付延迟或 SLA 处罚的风险。
采用该解决方案的公司可整合人工智能/机器学习模型需考虑的各种数据资产，包括库存/缺货数据、路线信息和专门的处理要求（例如，气候控制和海关/监管规定）。另外，该解决方案不仅限于供应链环境，它还是一个可重复使用和可扩展的框架，可应用于许多其他类型的用例以及用于应对各种垂直领域的业务挑战。
通过使用外部数据和影响重大的因素来补充内部企业数据资产，可以增强本案例研究中提出的洞察和建议。例如，自然灾害中心迁移（如流行病、野火、地震、飓风、洪水或龙卷风）热力图的可见性，社交媒体驱动的、对产品短缺趋势的预见，以及急救人员隔离策略和需求的洞察等等，无论工作环境要求如何，均可让企业做好应对准备，并使其能够主动管理供应链。
SAP 数据智能解决方案具备预测性机器学习组件，其性能和可扩展性在 Red Hat 和英特尔® 技术的支持下均得到了提升。Red Hat OpenShift 可让容器化环境下的开发运维可扩展性变得简单、一致和安全。英特尔® 技术利用新的第三代英特尔® 至强® 可扩展处理器和英特尔® DAAL 优化库实现了机器学习流程的加速。
重要的是，对于在当前新冠大流行期间仍然保持运营但高度依赖供应链的企业来说，SAP 数据智能解决方案可预测对其构成挑战的动态需求模式，从而帮助企业在数据驱动下做出全面而周到的决策。
了解更多
有关英特尔和 SAP 如何携手打造智能型企业的更多信息，请访问 intel.com/sap。