192春節(jié)期間，DeepSeek持續(xù)沖上熱搜，使的原來(lái)隔岸觀Chat-GPT的，對(duì)AI大模型渴望已久的國(guó)內(nèi)的生產(chǎn)制造企業(yè)，終于感覺(jué)到有了應(yīng)用AI的可能，特別是DeepSeek是國(guó)內(nèi)研發(fā)的大模型，支持開(kāi)源、本地部署，且部署對(duì)顯卡等硬件資源要求不高等特性，使的AI真正有可能走進(jìn)生產(chǎn)制造企業(yè)。
作為17年來(lái)持續(xù)深耕智能制造的IT服務(wù)商，漢思信息從 2024 年 3 月開(kāi)始，便踏上了利用開(kāi)源大模型進(jìn)行訓(xùn)練的探索之路。當(dāng)時(shí)，AI 技術(shù)在生產(chǎn)制造領(lǐng)域的應(yīng)用還處于起步階段，漢思信息憑借對(duì) IT 技術(shù)的敏銳洞察力，率先嘗試將開(kāi)源大模型引入 MES/MOM 系統(tǒng)，并將其定義為深思（ThinkDeep） V1.0。然而，在這一過(guò)程中，漢思信息遇到了一系列挑戰(zhàn)：
-
數(shù)據(jù)標(biāo)注難題：工業(yè)數(shù)據(jù)的標(biāo)注工作復(fù)雜且耗時(shí)，尤其是對(duì)于一些專(zhuān)業(yè)性較強(qiáng)的生產(chǎn)數(shù)據(jù)，需要投入大量的人力和時(shí)間進(jìn)行標(biāo)注。這不僅增加了訓(xùn)練成本，還限制了模型的訓(xùn)練效果。
-
模型泛化能力不足：由于工業(yè)場(chǎng)景的多樣性和復(fù)雜性，開(kāi)源大模型在特定工業(yè)場(chǎng)景下的泛化能力有限，導(dǎo)致模型在實(shí)際應(yīng)用中的表現(xiàn)不盡如人意。
-
硬件資源限制：開(kāi)源大模型的訓(xùn)練和部署對(duì)硬件資源的要求較高，尤其是在顯卡等硬件資源方面。
-
模型維護(hù)難度大：開(kāi)源大模型的維護(hù)和更新需要專(zhuān)業(yè)的技術(shù)團(tuán)隊(duì)支持，企業(yè)在實(shí)際應(yīng)用中往往面臨技術(shù)瓶頸，難以及時(shí)解決模型出現(xiàn)的問(wèn)題。
2025 年春節(jié)，隨著 DeepSeek 的發(fā)布，漢思信息迅速將其接入 MES/MOM 系統(tǒng)，并對(duì)模型進(jìn)行訓(xùn)練，形成了制造行業(yè)MES/MOM的AI大模型深思（ThinkDeep） V2.0。DeepSeek 的出現(xiàn)，為漢思信息的 AI 大模型帶來(lái)了巨大的提升：
-
數(shù)據(jù)安全與隱私保障：DeepSeek 支持本地部署，確保了數(shù)據(jù)的安全性和隱私性，避免了數(shù)據(jù)泄露的風(fēng)險(xiǎn)。
-
高效推理與低成本部署：DeepSeek 的高效推理能力和低成本部署特性，使得漢思信息能夠在不增加硬件成本的情況下，實(shí)現(xiàn) AI 技術(shù)的廣泛應(yīng)用。
-
強(qiáng)大的泛化能力：DeepSeek 在工業(yè)場(chǎng)景下的泛化能力顯著提升，能夠更好地適應(yīng)不同工業(yè)場(chǎng)景的需求，提高了模型的實(shí)用性和可靠性。
通過(guò)接入 DeepSeek，漢思信息的 AI 大模型深思（ThinkDeep） V2.0 在性能和應(yīng)用效果上都得到了顯著提升，為企業(yè)帶來(lái)了更加智能、高效的生產(chǎn)管理體驗(yàn)。
（一）銷(xiāo)售環(huán)節(jié)：訂單查詢與交付預(yù)測(cè)
在銷(xiāo)售前端，漢思信息 MES/MOM 系統(tǒng)的 AI 應(yīng)用為銷(xiāo)售人員提供了強(qiáng)大的支持。當(dāng)銷(xiāo)售人員需要查詢某個(gè)訂單的情況時(shí)，只需簡(jiǎn)單地向 AI 提問(wèn)，例如 “AI，幫我查一下XXXX客戶的訂單現(xiàn)在進(jìn)展到哪一步了，預(yù)計(jì)什么時(shí)候能交付？”。AI 會(huì)迅速在系統(tǒng)中檢索相關(guān)信息，包括訂單的生產(chǎn)進(jìn)度、物料采購(gòu)情況、生產(chǎn)設(shè)備的排期等，并以簡(jiǎn)潔明了的方式回復(fù)銷(xiāo)售人員，如 “XXXX客戶的訂單目前已完成 70% 的生產(chǎn)工序，預(yù)計(jì)將在 3 天后交付。”。這使得銷(xiāo)售人員能夠第一時(shí)間掌握訂單動(dòng)態(tài)，快速、準(zhǔn)確地回復(fù)客戶，提升客戶滿意度和銷(xiāo)售效率。
 |
（二）管理決策：項(xiàng)目風(fēng)險(xiǎn)評(píng)估與預(yù)警
對(duì)于管理層而言，漢思信息 MES/MOM 系統(tǒng)的 AI 功能更是不可或缺的決策助手。當(dāng)管理層想要了解某個(gè)項(xiàng)目的風(fēng)險(xiǎn)狀況時(shí)，他們可以向 AI 提出類(lèi)似 “AI，請(qǐng)分析一下當(dāng)前所有項(xiàng)目的情況，指出風(fēng)險(xiǎn)最高的項(xiàng)目是哪個(gè)？” 的問(wèn)題。AI 會(huì)立即對(duì)各項(xiàng)目的生產(chǎn)數(shù)據(jù)、質(zhì)量數(shù)據(jù)、成本數(shù)據(jù)、進(jìn)度數(shù)據(jù)等進(jìn)行全面分析，綜合評(píng)估項(xiàng)目的風(fēng)險(xiǎn)等級(jí)，并以可視化圖表的形式呈現(xiàn)給管理層，如 “根據(jù)分析，項(xiàng)目 A 的風(fēng)險(xiǎn)等級(jí)最高，主要原因是其關(guān)鍵零部件的供應(yīng)商交貨延遲，可能導(dǎo)致項(xiàng)目無(wú)法按時(shí)交付。”。這幫助管理層迅速抓住重點(diǎn)，提前采取措施應(yīng)對(duì)風(fēng)險(xiǎn)，確保項(xiàng)目的順利推進(jìn)。
 |
（三）設(shè)備管理：維護(hù)工單與保養(yǎng)計(jì)劃跟蹤
在設(shè)備管理模塊，漢思信息 MES/MOM 系統(tǒng)的 AI 應(yīng)用讓設(shè)備維護(hù)變得更加高效、透明。管理層可以通過(guò) AI 快速了解某個(gè)維護(hù)工單的情況，只需詢問(wèn) “AI，維護(hù)工單XXXX的處理進(jìn)度如何了？”。AI 會(huì)實(shí)時(shí)查詢工單的處理狀態(tài)，包括維修人員的安排、維修所需物料的準(zhǔn)備情況、預(yù)計(jì)完成時(shí)間等，并以清晰的圖表方式展示出來(lái)，如 “維護(hù)工單XXXX正在由維修人員張三進(jìn)行處理，所需物料已全部到位，預(yù)計(jì)將在 2 小時(shí)內(nèi)完成維修。”。同時(shí)，AI 還能根據(jù)設(shè)備的運(yùn)行數(shù)據(jù)和歷史維護(hù)記錄，自動(dòng)生成保養(yǎng)計(jì)劃，并提醒相關(guān)人員按時(shí)執(zhí)行，確保設(shè)備的穩(wěn)定運(yùn)行，降低設(shè)備故障率。
 |
漢思信息在 AI 技術(shù)領(lǐng)域的布局，為 MES/MOM 系統(tǒng)的智能化升級(jí)提供了堅(jiān)實(shí)的技術(shù)支撐。以下是漢思信息在 AI 技術(shù)方面的一些關(guān)鍵舉措和優(yōu)勢(shì)：
（一）接入本地部署的 DeepSeek大語(yǔ)言模型
漢思信息已經(jīng)成功接入本地部署的 DeepSeek大語(yǔ)言模型。這一舉措不僅確保了數(shù)據(jù)的安全性和隱私性，還提供了更高效、更穩(wěn)定的 AI 服務(wù)。本地部署的 DeepSeek 大語(yǔ)言模型能夠更好地適應(yīng)企業(yè)的個(gè)性化需求，為企業(yè)提供定制化的 AI 解決方案。通過(guò)與 DeepSeek 的深度融合，漢思信息能夠充分利用其先進(jìn)的 AI 技術(shù)，提升 MES/MOM 系統(tǒng)的智能化水平，為企業(yè)帶來(lái)更優(yōu)質(zhì)的生產(chǎn)管理體驗(yàn)。同時(shí)，漢思信息MES/MOM也接入了其它云上大語(yǔ)言模型，如通義千問(wèn)、文心一言等，為企業(yè)提供更多樣化的選擇。
（二）基于海量項(xiàng)目數(shù)據(jù)訓(xùn)練大模型
漢思信息結(jié)合超過(guò) 300 個(gè) MES/MOM 項(xiàng)目經(jīng)驗(yàn)，組織團(tuán)隊(duì)創(chuàng)建和生成了大量生產(chǎn)領(lǐng)域的數(shù)據(jù)，對(duì)大模型進(jìn)行訓(xùn)練，使其更適用于 MES/MOM 的使用場(chǎng)景。這些項(xiàng)目數(shù)據(jù)涵蓋了不同行業(yè)、不同規(guī)模企業(yè)的生產(chǎn)管理需求，具有豐富的多樣性和代表性。通過(guò)對(duì)這些海量數(shù)據(jù)的深度挖掘和分析，漢思信息能夠不斷優(yōu)化大模型的性能，使其在MES/MOM應(yīng)用中表現(xiàn)得更加出色。經(jīng)過(guò)訓(xùn)練的大模型能夠更準(zhǔn)確地理解生產(chǎn)過(guò)程中的各種情況，提供更精準(zhǔn)的預(yù)測(cè)和決策支持，幫助企業(yè)更好地應(yīng)對(duì)生產(chǎn)中的各種挑戰(zhàn)。
（三）多元化的訓(xùn)練技術(shù)應(yīng)用
模型微調(diào)。漢思信息使用LLaMA-Factory平臺(tái)，基于DeepSeek-R1-Distill-Qwen-32B模型進(jìn)行了多輪微調(diào)訓(xùn)練。首先對(duì)實(shí)施過(guò)的MES/MOM項(xiàng)目數(shù)據(jù)進(jìn)行整理、脫敏形成預(yù)訓(xùn)練數(shù)據(jù)集，使用該數(shù)據(jù)集對(duì)大模型進(jìn)行Pre-Training訓(xùn)練，使大模型學(xué)習(xí)到MES/MOM相關(guān)的通用知識(shí)和特征。再由公司資深專(zhuān)家顧問(wèn)團(tuán)隊(duì)對(duì)行業(yè)內(nèi)一系列通用問(wèn)題的考慮因素和解決方案進(jìn)行整理編制，最終形成指令監(jiān)督微調(diào)數(shù)據(jù)集、偏好數(shù)據(jù)集以及后續(xù)用于評(píng)估模型的評(píng)估數(shù)據(jù)集。再分別對(duì)模型進(jìn)行SFT（Supervised Fine-Tuning）訓(xùn)練以及Reward Modeling訓(xùn)練。模型訓(xùn)練完成后，使用lm-evaluation-harness結(jié)合編制的評(píng)估數(shù)據(jù)集對(duì)模型進(jìn)行評(píng)估，最終評(píng)估數(shù)據(jù)集回答的準(zhǔn)確率能保持在70%~80%。
RAG。為了使大模型在回答用戶問(wèn)題時(shí)能獲取到實(shí)時(shí)的知識(shí)庫(kù)信息，使用RAG技術(shù)將最新的知識(shí)庫(kù)信息通過(guò)Embedding模型向量化到向量數(shù)據(jù)庫(kù)（Milvus），再結(jié)合 FAISS（Facebook AI Similarity Search）和 DPR（Dense Passage Retrieval）等工具，實(shí)現(xiàn)了高效的知識(shí)檢索和生成。使AI系統(tǒng)在處理復(fù)雜問(wèn)題時(shí)，能夠從海量的生產(chǎn)數(shù)據(jù)中快速檢索到相關(guān)信息，并結(jié)合自身的知識(shí)與能力進(jìn)行生成，提高系統(tǒng)的準(zhǔn)確性和實(shí)用性。
ChatBI。借助大模型強(qiáng)大的理解、推理能力，用戶通過(guò)對(duì)話即可完成報(bào)表數(shù)據(jù)的查詢、分析。使用Text2SQL生成SQL語(yǔ)句從數(shù)據(jù)庫(kù)查詢出數(shù)據(jù)，再根據(jù)用戶問(wèn)題的意圖使用Plotly自動(dòng)繪制相應(yīng)圖表展示給用戶。
Agent。使用LangChain應(yīng)用開(kāi)發(fā)框架，通過(guò)模塊化設(shè)計(jì)與鏈?zhǔn)饺蝿?wù)編排，賦予AI大模型復(fù)雜任務(wù)的處理能力。使用AgentExecutor引擎自動(dòng)分解用戶請(qǐng)求，動(dòng)態(tài)調(diào)用工具鏈。使用封裝API、Toolkits工具包供Agent調(diào)用。通過(guò)LLMChain、SequentialChain等實(shí)現(xiàn)多步驟任務(wù)編排。在Memory模塊使用VectorStoreMemory確保Agent能夠在對(duì)話過(guò)程中實(shí)現(xiàn)長(zhǎng)期記憶存儲(chǔ)，提高用戶體驗(yàn)。
漢思MES/MOM 系統(tǒng)全面接入 AI 技術(shù)后，預(yù)計(jì)將為企業(yè)帶來(lái)了全方位的變革。結(jié)合漢思在汽車(chē)整車(chē)、汽配、電氣、制藥、食品等行業(yè)大量實(shí)施MES/MOM項(xiàng)目的優(yōu)勢(shì)，在目前制造業(yè)通用大模型深思（ThinkDeep） V2.0的基礎(chǔ)上，將針對(duì)具體的行業(yè)數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)，使其更適用于如汽車(chē)整車(chē)、汽配、電氣等具體行業(yè)，結(jié)合具體企業(yè)、場(chǎng)景對(duì)AI大模型的需求，使AI大模型不只是一個(gè)熱點(diǎn)，而是能真正為企業(yè)的降本增效帶來(lái)實(shí)質(zhì)性的應(yīng)用。
在使用場(chǎng)景上，漢思AI + MES/MOM模型也將持續(xù)擴(kuò)展，如實(shí)時(shí)優(yōu)化與動(dòng)態(tài)調(diào)整生產(chǎn)調(diào)度，通過(guò) AI 實(shí)時(shí)監(jiān)控生產(chǎn)線上各設(shè)備的運(yùn)行狀態(tài)、人員的工作情況以及物料的供應(yīng)情況。當(dāng)出現(xiàn)突發(fā)情況，如某臺(tái)關(guān)鍵設(shè)備故障或物料供應(yīng)中斷時(shí)，AI 能迅速分析對(duì)生產(chǎn)計(jì)劃的影響，并實(shí)時(shí)調(diào)整生產(chǎn)調(diào)度方案。以及質(zhì)量監(jiān)控的智能檢測(cè)與預(yù)警，AI 通過(guò)圖像識(shí)別、數(shù)據(jù)分析等技術(shù)，對(duì)生產(chǎn)過(guò)程中的產(chǎn)品質(zhì)量進(jìn)行實(shí)時(shí)檢測(cè)。當(dāng)發(fā)現(xiàn)產(chǎn)品質(zhì)量出現(xiàn)異常波動(dòng)時(shí)，AI 會(huì)立即發(fā)出預(yù)警，并自動(dòng)分析可能的原因。這使得質(zhì)量管理人員能夠及時(shí)采取措施，調(diào)整生產(chǎn)工藝或設(shè)備參數(shù)，避免大批量不合格產(chǎn)品的產(chǎn)生，確保產(chǎn)品質(zhì)量的穩(wěn)定性。等等。未來(lái)基于MES/MOM的漢思AI大模型，將給制造企業(yè)提供更多的智能化場(chǎng)景落地的想象空間。
總之，漢思信息 MES/MOM 系統(tǒng)與 AI 技術(shù)的深度融合，將為企業(yè)打造了一個(gè)智能化、數(shù)字化的生產(chǎn)管理平臺(tái)，推動(dòng)企業(yè)從傳統(tǒng)制造向 “AI+智造” 的新階段邁進(jìn)。在未來(lái)的發(fā)展中，漢思信息將繼續(xù)深化 AI 技術(shù)在 MES/MOM 系統(tǒng)中的應(yīng)用，不斷拓展應(yīng)用場(chǎng)景，提升系統(tǒng)的智能化水平，助力更多企業(yè)實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型和智能化升級(jí)，共同迎接智能制造的美好未來(lái)。
HanThink
福州漢思信息技術(shù)有限公司成立于2008年，致力于提供企業(yè)用戶全面、量身定制的MOM管理軟件MES、WMS、LES、QMS、EAM、EMS、IOT和整體解決方案。
目前服務(wù)的領(lǐng)域涵蓋離散和流程兩大行業(yè)：汽車(chē)行業(yè)、新能源行業(yè)、醫(yī)藥行業(yè)、食品行業(yè)、機(jī)加工制造行業(yè)、電氣行業(yè)、物流行業(yè)、大型裝配等。
尤其在汽車(chē)、醫(yī)藥、食品、新能源行業(yè)（新能源汽車(chē)、光伏、電池、儲(chǔ)能等）積累了豐富的實(shí)施經(jīng)驗(yàn)和行業(yè)方案，是國(guó)內(nèi)MOM的領(lǐng)先供應(yīng)商。
掃碼關(guān)注“漢思”
識(shí)別二維碼
即可關(guān)注
如有侵權(quán)，請(qǐng)聯(lián)系漢思刪帖
