چگونه می توان از هوش مصنوعی برای کمک به شرکتهای تولید فناوری استفاده کرد؟

چگونه می توان از هوش مصنوعی برای کمک به شرکتهای تولید فناوری استفاده کرد؟

چگونه هوش مصنوعی می تواند مدیریت زنجیره تأمین را متحول کند؟ Kapoklog Logistics با جزئیات کاربرد خاص فناوری هوش مصنوعی در زنجیره تأمین را ارائه داد.

 

از طریق یادگیری ماشین و بهینه سازی تحقیقات عملیاتی ، پیش بینی تقاضا ، برنامه ریزی عرضه ، مدیریت موجودی و تحویل سفارش را برای ارتقاء زنجیره تأمین سازمانی برای دستیابی به تدارکات Kapoklog بهبود بخشید ، که بینش عمیقی در مورد چگونگی نوآوری تکنولوژیکی می تواند تحول شرکت را هدایت کند.

Logistics Logistics Kapoklog تجربه عملی Lenovo را در استفاده از فناوری هوش مصنوعی برای توانمندسازی زنجیره تأمین به اشتراک می گذارد ، به این امید که این محتویات می تواند مرجع مفیدی را برای همه فراهم کند و به شرکت های خود کمک کند تا در آینده به عملکرد عالی برسند.

به اشتراک گذاری لجستیک Kapoklog به پنج قسمت تقسیم می شود. ابتدا وضعیت فعلی زنجیره تأمین Lenovo را معرفی کنید. با چه مشکلی روبرو هستیم؟ چرا ما نیاز به تحول دیجیتال داریم؟ با استفاده از گروه Lenovo ، یک شرکت فناوری الکترونیکی چینی ، به عنوان نمونه ، تحول دیجیتالی Lenovo همواره بر ساختن یک زنجیره تأمین هوشمند متمرکز بوده است. بنابراین ، یک زنجیره تأمین هوشمند از چه نوع معماری تکنولوژیکی باید داشته باشد؟ سناریوهای فرود چیست؟

 

مدیر بخش زنجیره تأمین Kapoklog Logistics بر پیش بینی تقاضا ، تخصیص مواد و مصرف و برنامه ریزی هوشمند ، که پروژه های ستاره داخلی ما یا بهترین شیوه های ما هستند ، تمرکز خواهد کرد. سرانجام ، باید مدتی باشد. مدیر بخش زنجیره تأمین Kapoklog Logistics همچنین مدل بزرگ ، نماینده را به اشتراک می گذارد ، که پیشرفته ترین جهت هوش مصنوعی است. نحوه ادغام عمیق فن آوری های AIGC با سناریوهای واقعی زنجیره تأمین ، حل نقاط درد تجاری و ایجاد ارزش عملی. سرانجام ، بر اساس تفکر بسیار کم عمق من ، می خواهم چشم انداز جهت فناوری آینده زنجیره تأمین هوشمند را ایجاد کنم.

 

1. بررسی اجمالی زنجیره تأمین جهانی Lenovo

بیایید با زنجیره تأمین جهانی Lenovo با هم آشنا شویم. برای یک شرکت تولیدی ، زنجیره تأمین یک بخش کاربردی کاملاً مهم است که خدمات و تضمینی را برای فروش پیش رو ارائه می دهد. پس لنوو چه می فروشد؟ ما بزرگترین تولید کننده رایانه های شخصی در جهان و همچنین تلفن های هوشمند ، تبلت ها ، سرورها و پایانه های مختلف هوشمند هستیم. با حجم حمل و نقل سالانه 120 میلیون یوان ، ما به بیش از 180 کشور و منطقه در سراسر جهان می فروشیم و بیش از 1 میلیارد کاربر را در بر می گیرد. چنین بازار عظیم به یک زنجیره تأمین بزرگ نیاز دارد. بنابراین ، ما بیش از 30 کارخانه در سراسر جهان گسترش یافته ایم که بیش از 5000 تأمین کننده و بیش از 2000 تأمین کننده اصلی دارند. علاوه بر بزرگ بودن ، ما نیز باید قوی باشیم. بنابراین ، این گروه هر سال بیش از 1 میلیارد یوان در تحول دیجیتالی زنجیره تأمین سرمایه گذاری می کند و به نتایج قابل توجهی رسیده است.

 

Lenovo به مدت سه سال متوالی در رده های برتر رتبه بندی زنجیره تأمین جهانی گارتنر قرار گرفته است. ما در رهبری زنجیره تأمین ، ESG و تولید هوشمند به نتایج چشمگیری رسیده ایم و از IDC Mingsheng ، از جمله انجمن جهانی اقتصاد مک کینزی و دیگران ، به رسمیت شناخته شده ایم.

این زنجیره تأمین به طور مداوم تقویت شده در حال حاضر با پنج چالش اساسی روبرو است. به عبارت دیگر ، این همچنین مسیری است که باید در تحول دیجیتال خود به آن توجه کنیم. به عنوان مثال ، در جداسازی فناوری بین چین و ایالات متحده ، بسیاری از مؤلفه های اصلی ، از جمله برخی از نرم افزارهای اصلی صنعتی ، از خرید در چین محدود شده اند و ما باید به نوسانات تقاضای خود توسعه یافته اعتماد کنیم. Lenovo در صنعت الکترونیک مصرفی با دسته های کوچک ، چند تنوع و تاریخ سفارش شخصی فعالیت می کند. ما سالانه بیش از 80 ٪ سفارشات را دریافت می کنیم ، با بیش از 5 سفارش دسته ای کوچک.

 

تنظیم کشورهای ESG به طور فزاینده ای سختگیرانه می شود و ما به برخی از فن آوری های کم کربن توجه خواهیم کرد. با این حال ، با عقب نشینی رکود اقتصادی ، تولید ناخالص داخلی اقتصادهای مهم انتظارات ، افزایش قیمت کالاها ، اختلال در لجستیک و سایر درگیری های ژئوپلیتیکی و وقایع قو سیاه را برآورده نمی کند.

 

بنابراین ، با چالش های بسیاری ، زنجیره تأمین لنوو چه کاری می تواند انجام دهد؟ این در مورد پذیرش فن آوری های مختلف نوآورانه و اصلی است ، از آنها برای آموزش قدرت داخلی و مسلح کردن خودمان استفاده می کند ، تا زنجیره تأمین ما قبل از وقوع برای بحران آماده شود و باعث افزایش مقاومت ، سازگاری و سطح اطلاعاتی زنجیره تأمین ما شود.

 

تحول دیجیتالی Lenovo از زنجیره تأمین تقریباً برای سال 1 {2}} ادامه داشته است. قبل از همه گیر ، ما از آن به عنوان مرحله 1.0 یاد کردیم که بر تثبیت بنیاد و تجسم دانش متمرکز شده است. از تهیه تا برنامه ریزی ، تولید تا تدارکات و سپس به خدمت ، بخش های مختلف عملکردی ابتدا باید کلیه داده ها را جمع آوری کنند. براساس قوانین فرآیند توافق شده در هر بخش ، می توان تجسم داده های زمان واقعی و اتوماسیون تصمیم گیری جزئی را بدست آورد.

 

پس از اپیدمی ، ما وارد 2. {1}} شدیم ، که به تازگی راه اندازی شده است. تمرکز بر اتصال ، هوش مشترک ، اتصال سیلوهای مختلف داده ، برقراری ارتباط بین سیستم های کوچک خود بخشهای عملکردی و دستیابی به نتایج کلی برد-برد است. بنابراین ، ما باید فرآیندها را دوباره طراحی کنیم ، قوانین را دوباره تعریف کنیم و آنها را متحد کنیم. داده ها باید استاندارد شوند ، نه تنها برای داشتن داده ، بلکه برای تبدیل آن به داده های با کیفیت بالا ، دستیابی به راه حل های کاملاً هوشمندانه و جامع. بزرگترین ویژگی در اینجا ارتقاء تصمیم گیری های فعال ناشی از تجزیه و تحلیل داده ها ، کمک به تصمیم گیرندگان و برنامه ریزان ما برای فعال بودن و پیش بینی قبل از بروز بحران است.

 

2. زنجیره تأمین عملکردی Lenovo

بنابراین ما فقط اشاره کردیم که باید خودمان را با فن آوری های مختلف برش مسلح کنیم. در اینجا من هشت فناوری نوآورانه را که بیشتر مربوط به زنجیره تأمین Lenovo است ، ذکر می کنم. اتوماسیون در اینجا ربات است ، اما ما هنوز هم می توانیم آنها را مانند اینترنت ، blockchain و غیره طبقه بندی کنیم تا داده ها یا قابلیت اطمینان را تضمین کنیم. دوقلوهای دیجیتال محیطی را فراهم می کنند که الگوریتم های مختلف شبیه سازی ما می توانند به طور مداوم تکامل یابند. هوش مصنوعی تحلیلی پیشرفته بیشتر روی خود مدل ها و الگوریتم ها و نحوه استخراج بینش از داده ها برای هدایت آینده متمرکز است.

با استفاده از تجزیه و تحلیل داده های پیشرفته به عنوان نمونه ، ما به طور کلی آن را به سه سطح تقسیم می کنیم. اولا ، تجزیه و تحلیل توصیفی به ما می گوید که اکنون چه اتفاقی می افتد. ثانیا ، تجزیه و تحلیل پیش بینی به ما می گوید که چه چیزی کشف خواهد شد و با تجزیه و تحلیل الگوهای و الگوهای موجود در داده های تاریخی در آینده چه خواهد شد.

 

مرحله سوم تجزیه و تحلیل تصمیم گیری است که نه تنها به ما می گوید روند آینده چیست ، بلکه به تصمیم گیرندگان نیز می گوید که آنها باید چه کاری انجام دهند. هوش مصنوعی بیش از 60 سال سابقه دارد و بیشتر افراد ممکن است از دید رایانه ، تشخیص گفتار ، پردازش زبان طبیعی ، یادگیری ماشین و غیره فکر کنند. این فناوری ها چشمگیر هستند ، اما یک مورد که اغلب مورد انتقاد قرار می گیرد این است که این یک مدل جعبه سیاه غیر قابل توضیح است.

خوشبختانه ، صحت و عملکرد این فناوری ها اکنون به سطح خاصی رسیده است و در برخی از زمینه های متمرکز ، آنها می توانند به سطح انسان برسند یا حتی از آن فراتر روند. بنابراین چرا آن را به عنوان افزونه در گردش کار زنجیره تأمین جاسازی نمی کنیم.

 

به عنوان مثال ، بازرسی نوری اتوماتیک در خط تولید می تواند برخی از نقایص در محصولات و نقایص نصب را مشخص کند و صحت آن به مراتب از چشم انسان فراتر می رود. آیا بسیاری از فن آوری ها باعث سرگیجه و از دست دادن مردم خواهد شد؟ این مشکل در Lenovo وجود ندارد. از آنجا که همه ما توسط سناریوها و الزامات برای هر پروژه هدایت می شویم و سپس به دنبال فن آوری های مناسب برای نهایی کردن آن هستیم.

 

در اینجا یک مثال ساده وجود دارد که Lenovo تمام پروژه های تحول دیجیتال را انجام می دهد. در راه حل های مبتنی بر سناریو ، فن آوری های مختلف اصلی که قبلاً ذکر شد ، در برج کنترل زنجیره تأمین پایان تا پایان قرار می گیرند. 12345 اطراف آن یک سناریوی معمولی است. به عنوان مثال ، در سناریو اول ، تقاضا پیش بینی تجزیه و تحلیل سری زمانی مورد استفاده ، یادگیری عمیق دستگاه و AIGC.

 

دومین تهیه کننده هوشمند و تأمین کننده مدیریت سلسله مراتبی بسیار مشارکتی ، از نظر تحقیقات تأمین کنندگان ، ما مقدار زیادی از داده های تهیه را جمع کرده ایم تا مشخص کنیم آیا تأمین کنندگان قابل اعتماد هستند و آیا تحویل می تواند به موقع باشد. در عین حال ، ما همچنین از تجزیه و تحلیل زبان طبیعی و تکنیک های داده کاوی برای تجزیه و تحلیل مشخصات 360 درجه زنجیره تأمین از داده های در دسترس عموم در حاشیه استفاده می کنیم.

مدیریت هوشمندانه سفارش مشتری سوم ، ما سفارشات زیادی با مقادیر مختلف محصول ، زمان تحویل ، عرضه و سطح مشتری داریم. ما می توانیم از فناوری بهینه سازی و فناوری بهینه سازی عملیاتی استفاده کنیم تا هوشمندانه تصمیم بگیریم که ابتدا سفارشات لازم را انجام دهند ، کدام سفارشات باید منتظر بمانند و حتی اجرای صاف سفارشات خاص را نیز تضمین کنیم.

 

آخرین تدارکات هوشمند ، از جمله تحویل ، انتخاب مکان انبار ، انتخاب روش تدارکات ، و کدام ایستگاه برای تحویل آخرین مایل اول و کدام ایستگاه برای تحویل آخرین ، همه برخی از فناوری های بهینه سازی عملیاتی هستند.

 

همه می توانند روی پرچم قرمز و متن زرد که سه فرآیند اصلی را پوشش می دهد ، از تقاضا تا عرضه در مرحله برنامه ریزی قبل از رسیدن مرتبه اول تمرکز کنند. مرتبه دوم به مرحله تحویل ، از دستور تا پول نقد رسیده است. جنبه سوم که حول کل محصول می چرخد ​​، بهینه سازی چرخه عمر آن ، سه فرآیند اصلی و هشت فناوری اصلی است که قبلاً ذکر شد.

 

ما آن را به دو دسته فناوری اصلی خلاصه می کنیم ، یکی از آنها به عنوان فناوری پیش بینی کننده که توسط یادگیری ماشین نشان داده شده است ، می شود ، که هدف آن حل چگونگی کاهش عدم اطمینان است ، یا به عبارت دیگر ، نحوه استفاده از داده ها و الگوریتم ها برای ساختن برخی از سناریوهای قبلاً بسیار نامشخص کمی قابل کنترل است. بگذارید یک مثال افراطی به شما بدهم. هنگامی که ما یک سکه پرتاب می کنیم ، بدون هیچ گونه اطلاعاتی ، 1/2 است. با این حال ، اگر زاویه های پرتاب و حتی بافت های مختلف شخصیت ها را در قسمت جلویی و عقب می شناسید ، هنوز هم می توانید از طریق تجزیه و تحلیل داده ها پیش بینی های دقیق تری انجام دهید.

 

دسته اصلی دیگر تکنیک های تصمیم گیری است که توسط بهینه سازی تحقیقات عملیات ارائه می شود ، که برای حل زنجیره های عرضه متعادل چند منظوره ، حمل و نقل ، حتی تخصیص دارایی و تخصیص منابع انرژی استفاده می شود ، که همه اینها شامل مشکلات مختلف چند هدف متناقض است. چگونه می توان به تعادل بهینه دست یافت؟ تحقیقات عملیات سنتی می تواند چنین مشکلاتی را حل کند.

 

ما در صنعت تولید ، به ویژه در تولید گسسته هستیم. ما مفهومی به نام "صورتحساب مواد" داریم که در واقع می تواند به صورت لایه بندی شده مدیریت شود. هرچه بیشتر در بالای لایه اول قرار بگیریم ، بسیار مهم تر است. با دنبال کردن نمودار ، ما قطعاً قادر خواهیم بود بهترین فناوری اصلی را برای یک مورد خاص پیدا کنیم ، که به شدت به نقاط درد سناریوی خاصی که از آن نگران هستیم مرتبط است.

در زمینه تولید گسسته ، ما مفهوم "لایحه مواد" را داریم. اجزای موجود در لایه ها را می توان مدیریت کرد که اولین لایه به بالاترین سطح بسیار مهم تر است. از طریق این مدیریت سلسله مراتبی ، می توانیم مهمترین مواد را در یک پروژه خاص بر اساس سرنخ های تعیین شده شناسایی کنیم. این فناوری اصلی از نزدیک با نقاط درد سناریوهای خاصی که ما روی آن تمرکز می کنیم ارتباط دارد و می تواند به طور مؤثر به حل مشکلات عملی کمک کند.

 

3. مطالعه موردی مغز هوشمند زنجیره تأمین

در اینجا مفهومی به نام برج کنترل زنجیره تأمین وجود دارد که مغز زنجیره تأمین است که بعداً به آن اشاره کردیم. در اینجا ، من یک یا دو مثال برای نشان دادن مفهوم مبلمان ارائه خواهم داد. اولین فناوری فناوری پیش بینی است که می تواند در بسیاری از سناریوها مانند پیش بینی تقاضا ، پیش بینی فروش ، پیش بینی تولید آب ، پیش بینی ظرفیت تولید استفاده شود.

 

هدف پیش بینی حل عدم اطمینان است. ویژگی های پیش بینی Lenovo ما چیست؟ این فقط مربوط به پیش بینی و تخمین با شماره نیست. کلمه کلیدی مشخصه ما مخلوط کردن نامیده می شود ، که به طور خاص در استفاده مختلط از AI در چند سطح منعکس می شود. به عنوان مثال ، شما می توانید از ترکیبی از الگوریتم ها ، روش های آماری ، یادگیری ماشین ، یادگیری عمیق و ترکیبی از مدل های بزرگ و کوچک برای اجرای در ابر استفاده کنید. سایر GPT ها نیز می توانند در لبه آزمایش شوند. به عنوان مثال ، در خط تولید ، ما باید عدم قطعیت آن سیگنال ها را تشخیص دهیم ، آن را در لبه حل کنیم و سپس از ترکیب با داده ها پشتیبانی کنیم.

 

علاوه بر این ، ادغام چند سطحی وجود دارد. ما باید پیش بینی های فروش را انجام دهیم. ما می توانیم مناطق مختلفی داشته باشیم که هرکدام کشورهای مختلف دارند. آیا باید بعد از اتمام پیش بینی سطح بالا ، آنها را تقسیم کنیم یا هر پیش بینی محلی را جمع کنیم؟ در واقع ، هیچ اندازه ای متناسب با همه رویکرد نیست. ما باید بر اساس توزیع ، کیفیت و قالب داده ها قضاوت های پویا انجام دهیم. با بازگشت به ترکیبی از دانش و داده هایی که ما فقط در مورد آنها صحبت کردیم ، اجازه دهید مثالی بیان کنم. به عنوان مثال ، هنگامی که ما رایانه های شخصی را در Lenovo می فروشیم ، برخی از آنها مستقیماً به مشتریان فروخته می شوند ، اما بیشتر آنها از طریق کانال ها فروخته می شوند. در مورد اینکه کانالها به مشتریان نهایی می فروشند ، ما نمی دانیم ، اما واقعاً می خواهیم بدانیم.

 

از آنجا که روند فروش و موجودی کانال ها تعیین می کند که چقدر ما حمل می کنیم ، چگونه می توانیم فروش را پیش بینی کنیم؟ البته ، ما می توانیم از کانالها بخواهیم که چقدر آنها هر سال ، هر ماه و هر سه ماهه چقدر می فروشند و آن را با شماره ها اندازه گیری می کنند. با این حال ، اثر واقعی بسیار ضعیف است. بعداً دریافتیم که فاقد اطلاعات کلیدی هستیم. این همان چیزی است که فروش به ما گفت. شما دانشمندان باید بروید و افتتاح تخفیف ها در کانال های مختلف را درک کنید. اگر او بتواند 80 واحد بفروشد و 5 ٪ تخفیف دریافت کند ، او 81 واحد ، 85 واحد 82 واحد را به فروش می رساند ، اما قطعاً 79 واحد نمی فروشد. او باید به 80 واحد برسد. هنگامی که این الگوی را درک کردیم ، دقت پیش بینی های ما می تواند تا حد زیادی بهبود یابد.

 

به عنوان مثال ، هنگامی که ما پیش بینی هایی را برای زنجیره تأمین خدمات انجام می دادیم ، به آن "تعداد قطعات یدکی باید ایستگاه های نگهداری باید برای شرایط اضطراری آماده شود". ما در آن زمان در جنوب شرقی آسیا با مشکلی روبرو شدیم ، مانند پیش بینی نادرست هند از ماژول نمایشگر آن از ماه مه تا آگوست. بعداً ، مشاغل محلی به ما گفت که آب و هوا را با دقت مطالعه کنیم. ماه مه تا آگوست فصل موسمی هند با رطوبت زیاد است و میزان خرابی دستگاه هایی با مدارهای داخلی بسیار زیاد است. چقدر بلند است؟ او نمی داند ، اما از طریق سریع خود ، ما می دانیم که چگونه می توانیم اطلاعات دما ، اطلاعات بارندگی ، اطلاعات رطوبت را استخراج کنیم و این داده ها را با هم جمع کنیم. در طول فصل بارانی در جنوب شرقی آسیا ، دقت پیش بینی ما بسیار بهبود یافته است.

 

بیایید نگاهی به منطقه دوم برنامه مربوط به بهینه سازی بیندازیم. من چند فیلم آماده کرده ام و کمی کمتر صحبت خواهم کرد. همه باید بعد از تماشای فیلم ها درک کنند. قبل از اینکه عمیق تر شود ، بیایید مفهوم "بهینه سازی" را به طور خلاصه درک کنیم. از منظر تحقیقات عملیات ، بهینه سازی عمدتا شامل سه عنصر اصلی است. اولا ، در سناریوی زنجیره تأمین ، اهداف بسیاری وجود دارد که باید بهینه سازی شوند. به عنوان مثال ، نرخ تحویل ، هزینه ، مسیر حمل و نقل ، زمان انتظار سفارشات ، از جمله زمان تغییر خطوط بین محصولات مختلف در خط تولید و غیره ، همه اهداف تجاری هستند که ما باید روی آنها تمرکز کنیم و بهینه سازی کنیم. این اولین عنصر بهینه سازی است.

 

عنصر دوم متغیر تصمیم گیری است. به عنوان مثال ، هنگامی که یک سفارش قرار داده می شود یا الزامات مشخص می شود ، ما باید قطعاتی را برای مونتاژ خریداری کنیم. در این مرحله ، با فرض اینکه اجزای این دو تأمین کننده را می توان با یکدیگر جایگزین کرد ، با انتخابی بین خرید از تأمین کننده A یا تأمین کننده B روبرو هستیم. نه تنها این ، زمان و مقدار تهیه تهیه کننده A نیز باید با دقت در نظر گرفته شود و تصمیماتی گرفته شود. به عنوان مثال ، در فرآیند برنامه ریزی ، خواه سفارش کار در خط تولید A یا خط تولید B تنظیم شده باشد ، گزینه های مختلف تأثیرات متفاوتی بر بهره وری تولید ، هزینه ها و غیره خواهد داشت.

 

عنصر سوم شرط محدودیت است. همه ما می دانیم که منابع انجام هر کاری بی پایان نیست و باید تحت محدودیت های خاصی انجام شود. با در نظر گرفتن مثال از دستور کار قبلی ، این امکان وجود دارد که به دلیل فرآیند ، تجهیزات و دلایل دیگر ، یک محصول خاص فقط در خط تولید ABC تولید شود و در خط تولید D قابل پردازش نیست.

 

این یک شرایط محدودیت معمولی است.

به عنوان مثال ، در مورد فروشگاه های خرده فروشی ، آنها فقط می توانند کالاها را از مراکز توزیع محلی انتخاب کنند و نمی توانند کالاها را از استان های همسایه اختصاص دهند ، که این یک محدودیت است. راه حل به دست آمده تحت این محدودیت ها ، راه حل امکان پذیر است. با این حال ، همه راه حل های امکان پذیر نمی توانند مردم را راضی کنند. بعد از اینکه هدف روشنی داشتیم ، باید راه حل بهینه را پیدا کنیم. حتی اگر چندین راه حل بهینه وجود داشته باشد ، ما هنوز هم باید در جبهه به اصطلاح پارتو نقاط مناسب پیدا کنیم.

بگذارید نمونه ای از تخصیص مواد هوشمند را برای شما بیان کنم. در طول اپیدمی ، منابع از نظر کمبود و CPU از شرکت هایی مانند Intel یا AMD تقاضای زیادی داشتند. مناطق مختلف و گروه های مشتری این CPU های محبوب را از بخش زنجیره تأمین دفتر مرکزی درخواست کردند.

 

بنابراین ، این CPU های گرانبها به چه کسی باید اختصاص یابد؟

هنگامی که هیچ الگوریتم هوشمند وجود ندارد ، رویکرد معمول استفاده از توزیع برابر است و تقاضای کل همه را بر کل عرضه تقسیم می کند. با فرض اینکه هر شخص می تواند 80 ٪ تقاضا را دریافت کند ، به نظر می رسد که همه از سطح کاملاً راضی هستند. با این حال ، رئیس چنین فکر نمی کند. از آنجا که سود و درآمد محصولات در مناطق مختلف متفاوت است ، و همچنین در تحمل مشتری تفاوت هایی وجود دارد.

 

بنابراین ، ما باید اهداف مالی ، اهداف انصاف و اهداف دیگر را برای انجام بهینه سازی چند هدف ادغام کنیم تا بتوانیم این CPU ها یا مواد کمیاب مانند ماژول های نمایش را به طور منطقی اختصاص دهیم.