在Advanced Micro Devices上存在 AI

标签描述: 字体的类型是什么? (Meta description) AMD 使用 GitHub Copilot 来分类每晚一百万次的模拟和 SAP AI 助理来缩短客户订单查询并释放工程能力.

标签: 一个字母,一个字符号. (TG) " AMD , GitHub Copilot, SAP S/4HANA AI 在工程,供应链 AI

首选图片: 在线视频, 下载地址: http://www. 抽象的 semiconductor 电路与夜间模拟日志和订单路线,没有人,没有标识,没有文本.

AMD GitHub Copilot和基于SAP S/4HANA构建的生成 AI助理是两个内部工作流程,因为其 2025 文件报告了更大的 AI预算.案例研究表明为什么这项工作很重要:前.验证每晚产生大约一百万次模拟,而改变客户发货日期可以强制进行多达14次手动验证.

背景: AMD 的 AI预算和 2025规模

$34.6为 data centers ,个人电脑,游戏系统和嵌入式设备设计处理器和其他 semiconductor 产品,并支持 AI计算.其 2025年报表报告了 $34.610亿美元的收入,包括 $16.610亿来自 Data Center部门,高于 32%从 2024.研究与开发支出增加 25%至 $8.1十亿元,主要是由于员工数量扩大导致的 [8战略]成本较高. AMD 还报告采购了拥有 software 编译器, machine learning ,光子学和 AI推理专业知识的团队,覆盖了用于 AI应用所需的 hardware 和 software .

发展: GitHub Copilot 从存储库转移到一夜间 O选

在制造之前,工程师运行虚拟测试以确认预期的芯片行为.失败可能表明设计缺陷,测试问题或已知的问题.2025西门子验证首席科学家解释说,验证忽视可能需要数百万美元的生产重复来纠正设计并破坏产品循环.$34.6将多个芯片组合到集成系统中增加了工作量.$16.6 AMD 公司同事表示,这种复杂性大约为每位 hardware 设计人员创造了四名验证工程师,并且对已知故障进行排序消耗了新设计问题的能力.

在推出 Copilot 之前, AMD 在17日整合了 hardware 和 software 存储库. GitHub 的客户账号描述了一个代理商检查模拟日志与历史问题并提出修复方案. AMD ,与 GitHub 合作将该工具适应Verilog等 hardware 描述语言,解决最初缺少的环境通用模型AI. GitHub ,视频 Powering next-generation engineering: AMD + GitHub ,伴随帐户. 代理人一夜之间进行选,让工程师分类结果和建议修复,同时他们仍然调查新的故障并验证改变是否解决潜在设计问题.

该账户报告了100多万次夜间模拟和零手动早晨分类时间的自动分选.它没有提供基线小时,部署后的总工程审查时间,分选精度测量或芯片质量结果,并且更广泛的生产力要求不能仅归因于这个工作流程.超过18名工程师使用GitHub Enterprise;使用验证代理的人数未披露. AMD 验证工程师的一篇单独论文描述了在正式测试之前对人工智能生成断言的人类评估,但该不同的应用程序并不确定工程师如何批准夜间修复或升级尚未解决的故障.对于芯片开发领导者来说,报道的排序减少是一个起点;衡量未解决的上午失败,接受的修复,已确定的测试缺陷以及是否会释放重复测试容量而不会损害验证质量.

进展:SAP S/4HANA和一个 OpenAI GPT助理

第二个工作流程是运营整合.从1月开始 2023, AMD 将其业务转移到SAP S/4HANA并收购了Xilinx业务. AMD 的信息技术团队与SAP的灯塔生成程序 AI合作,构建了一个助手,帮助员工调查更改的交货承诺和快速回答客户订单查询.它分析订单分配和供应可用性以确定原因并推采取行动.当面向客户的发货日期发生变化时,供应链专家必须解释为什么要规划和客户.由SAP AppHaus发布的一份880029账号小组表示,调查可能需要多达14次人工验证;发现配置问题或供应短缺有助于团队决定回复和用户消息.

一个专家通过接口输入销售订单号码,并将助手连接到企业资源规划环境.它分析分配时间,受限量,可用供应,预定交货和材料可用性. 输出支持调查和纠正行动;公布的工作流程不显示自动更改订单承诺. AMD 的架构图,来源于 AMD 信息技术文件 Transforming Order Scheduling 与 Generative AI ,展示了与SAP S/4HANA和 AI服务相连接的专业应用程序.一个架构演示识别了一个 OpenAI GPT部署和匿名化组件.

公司估计助理每年节省 3,000 人员小时,并报告更短的查询响应时间. 其目标是将查询答复时间从 20 到 30 分钟减少到不到两分钟. 一篇后来的合作伙伴文章描述了 90% 的减少和 3,120 年度节省的时间,但没有提供测量期或计算方法. AMD 不公布衡量的当前反应时间,活跃用户数量,回答准确性结果或客户服务成果;不同的储蓄数据不能被调整或作为证明的财务回报来处理. 架构材料留下模型版本,匿名化规则和员工验证或升级过程未指明.评估对应应应答案时间应该以准确度和进一步专家频率为例,与企业资源计划记录相比,跟踪第一个联系解决方案显示客户是否获得足够的信息.

当前阶段:有用的索赔等待验证指标

总而言之,这些案例指向三个测试.用于验证,跟踪未解决故障的分类时间,接受修复和在后续测试中发现的缺陷.对于订单答案,与企业资源规划数据对比样本分配和交付响应以及需要进一步调查的记录查询.为了容量,使用观察到的查询数量和审查后节省的时间,然后确定员工如何使用释放的小时. 2025备案显示 AMD 的 AI投资正在上升,但 GitHub 和SAP账户无法完全进行前后测量.下一次评估将取决于当前的响应时间,代理准确性,升级结果以及释放小时是否转移到新芯片或供应链工作.