AI/ML i forsyningskæden: 45% reduktion i afbrudte leverancer

Innowise har udvidet kundens eksisterende forsyningskædefunktioner med DSaaS til at forudsige forsendelsesbetingelser for materialer og reducere kundeafgang.

Kunde

Industri

Elektronik, Produktion

Region

Kunde siden

2022

Vores kunde er en producent af elektroniske apparater og komponenter til dem, herunder mobiltelefoner, tv-fjernbetjeninger, dvd- og cd-afspillere, digitalkameraer og andet.

Detaljerede oplysninger om klienten kan ikke videregives i henhold til bestemmelserne i NDA.

Udfordring: Overskredne leveringsfrister og fejl i den strategiske ressourceplanlægning

At sikre et velfungerende netværk af leverandører er afgørende for at garantere rettidige ordreleverancer. Vores kunde har allerede optimeret forsyningskædens ydeevne for at maksimere rentabiliteten ved at mindske risikoen for svingende efterspørgsel, ineffektiv drift og ustabile materialepriser. Desuden har de implementeret streng planlægning og skemalægning, omfattende lagerstyringssystemer og løbende overvågning af kvalitetssikring.

Ikke desto mindre stod vores kunde stadig over for overskredne leveringsfrister og fejl i den strategiske ressourceplanlægning. For at forbedre nøjagtigheden og forudsigeligheden i driftsresultaterne ønskede de en avanceret DS- og ML-baseret løsning til at indsamle og analysere store datamængder og komme med realistiske forudsigelser om leveringsbetingelser.

Løsning: DS- og MLOps-webudvidelse til at forudsige forsyninger og forhindre leveringsforsinkelser

Da vores kunde fremstiller komplekse digitale enheder, der består af mange dele (modstande, induktorer, kondensatorer, transistorer, dioder osv.), har de brug for stabile, håndterbare forsyningskæder med visse risici beregnet. De ville have et bredt overblik over alle tidligere interaktioner med partnere, styrket af ML-funktioner til at fordøje og forudsige fremtidige forsendelser og forhindre forsinkelser eller afbrydelser i leverancerne.

På den baggrund foreslog Innowise at opbygge en smart kontraktanalyseplatform, der omfatter DS og MLOps for at omdanne rådata til brugbar indsigt. Vores projektteam udnyttede disse teknologier fuldt ud og implementerede AI/ML i forsyningskæden for at beskytte indkøbsprocesserne og afhjælpe de negative virkninger.

Data pipelining

Når lederne har udfyldt alle oplysninger om bestemte partnere (behov for materialer, leveringstider, lagerbeholdninger osv.), producerer vores platform forudsigelser baseret på datapipelines. Vi har således implementeret dyb dataanalyse for at fange datadrift og afdelingsafvigelser. I bund og grund skaber hvert trin i cyklussen et output, der danner grundlag for efterfølgende transformationer, hvilket resulterer i et kontinuerligt flow, indtil hvert trin er afsluttet. Hvor det er relevant, udføres flere processer parallelt for at maksimere effektiviteten.

Modellering af lag

Vi udviklede en maskinlæringsplatform, der estimerer afgørende faktorer, som påvirker effektiviteten i indkøbsprocessen. Vores team skabte et logisk lag, der grupperer data i lignende kohorter og træner modeller for hver gruppe. Derudover indarbejdede vi et forklaringslag for at hjælpe en slutbruger med at validere modeladfærd og bedre forstå estimering.

Kort sagt kan løsningens flow beskrives på følgende måde. Brugerne indtaster alle data om specifikke leverandører, f.eks. kontrakt-id'er, nødvendige materialer, ordre-/leveringsdatoer, aktuelle fremskridt og andre hjælpeoplysninger. Baseret på ML i forsyningskædealgoritmer analyserer platformen derefter de angivne data og forudsiger indkøbsdatoer under hensyntagen til tidligere interaktioner, leverandørens pålidelighed og eksterne risici. Forudsigende analyser kan f.eks. indikere, hvornår leverandørens lagerbeholdning er lav, eller hvornår forsinkede leverancer sandsynligvis vil forårsage betydelige problemer i fremtiden.

Teknologier

Back-end

TypeScript, NodeJS, Nest, TypeORM

Front-end

TypeScript, React, Next.JS, MobX, MUI

Maskinlæring

Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow

Datavidenskab

Pandas, Matplotlib, Plotly, Numpy

Database

PostgreSQL

AQA, manual

Proces

I den første fase afklarede og omdefinerede vores specialister kundens mål, da det oprindelige forslag havde mange problemer med hensyn til gennemførlighed og slutbrug. Under hele udviklingsprocessen anvendte vores specialister yderligere AutoML-tilgange for at øge modellens leveringshastighed. Da vores model modtog flere prøver, der lignede de seneste, implementerede vi en brugerdefineret resampling-teknik, der reducerede datadriftseffekten.

Vores projektteam arbejdede efter Scrum-metoden med sprints hver anden uge og daglige møder. Projektlederen holdt sig i kontakt med kunden og tog højde for ændringer i omfanget. Alle opgaver blev sporet i Jira, og projektlederen tildelte jobs og overvågede den samlede præstation.

I øjeblikket er projektet aktivt, og vores team arbejder på at forbedre forudsigelsen af output og integrere ML-supply chain-moduler.

Hold

Projektleder

Forretningsanalytiker

Front-end-udviklere

Back-end-udviklere

ML Engineers

UI/UX-designer

QA Engineer

Resultater: Forudsigelige ML-forsyningskædemoduler med 630% mindsker risikoen for stop i produktionslinjen

Innowise berigede kundens ML-kapacitet i forsyningskæden med en DSaaS-udvidelse til forudsigelse af leveringsbetingelser. Takket være ML- og DS-algoritmer, der tager højde for de mange variabler i et komplekst forsyningskædesystem, kan kunden nu løbende overvåge potentielle indkøbsproblemer og planlægge forsendelser mere grundigt og forhindre informationssiloer. Takket være den nye løsning kan kunden trygt styre forsyningskædeprocesser uden at bekymre sig om uforudsete komplikationer eller forsinkelser i driften. Takket være maskinlæring i forsyningskæden kan vores kunde nu træffe informerede beslutninger, der bidrager til driftsmæssig ekspertise og øget indtjening på tværs af digitale salgssteder.

Projektets varighed

Oktober 2022 - Løbende

45%

reduktion i afbrudte leverancer

630%

lavere risiko for stop i produktionslinjen

Relaterede sager

Kontakt os

Book et opkald eller udfyld formularen nedenfor, så vender vi tilbage til dig, når vi har behandlet din anmodning.

Navn

Virksomhed

E-mail

Telefon

Besked

Send os en talebesked

Vedhæft dokumenter

Upload fil

Du kan vedhæfte 1 fil på op til 2 MB. Gyldige filformater: pdf, jpg, jpeg, png.

Ved at klikke på Send accepterer du, at Innowise behandler dine personlige data i henhold til vores Politik for beskyttelse af personlige oplysninger for at give dig relevante oplysninger. Ved at indsende dit telefonnummer accepterer du, at vi kan kontakte dig via taleopkald, sms og beskedapps. Opkalds-, besked- og datatakster kan være gældende.

Du kan også sende os din anmodning
til contact@innowise.com

Hvad sker der nu?

Når vi har modtaget og behandlet din anmodning, vender vi tilbage til dig for at beskrive dine projektbehov og underskriver en NDA for at sikre fortrolighed.

Når vi har undersøgt dine ønsker, behov og forventninger, udarbejder vores team et projektforslag med forslag med arbejdets omfang, teamstørrelse, tids- og omkostningsoverslag.

Vi arrangerer et møde med dig for at diskutere tilbuddet og få detaljerne på plads.

Til sidst underskriver vi en kontrakt og begynder at arbejde på dit projekt med det samme.

AI/ML i forsyningskæden: 45% reduktion i afbrudte leverancer

Kunde

Udfordring: Overskredne leveringsfrister og fejl i den strategiske ressourceplanlægning

Løsning: DS- og MLOps-webudvidelse til at forudsige forsyninger og forhindre leveringsforsinkelser

Teknologier

Proces

Hold

Resultater: Forudsigelige ML-forsyningskædemoduler med 630% mindsker risikoen for stop i produktionslinjen

Relaterede sager

Kontakt os

Hvad sker der nu?

Brug for andre tjenester?

Abonner til vores nyhedsbrev

Abonner
til vores nyhedsbrev