AI/ML toimitusketjussa: 45% toimitusten keskeytymisen väheneminen.

Innowise on laajentanut asiakkaan nykyisiä toimitusketjuominaisuuksia DSaaS:llä, jonka avulla voidaan ennustaa materiaalien toimitusehtoja ja vähentää asiakkaiden vaihtuvuutta.

Asiakas

Teollisuus

Elektroniikka, Valmistus

Alue

Asiakas vuodesta

2022

Asiakkaamme valmistaa elektronisia laitteita ja niiden komponentteja, kuten matkapuhelimia, television kaukosäätimiä, DVD- ja CD-soittimia, digitaalikameroita ja muita.

Yksityiskohtaisia tietoja asiakkaasta ei voida luovuttaa NDA:n määräysten nojalla.

Haaste: Toimitusaikojen noudattamatta jättäminen ja virheet strategisessa resurssisuunnittelussa.

Toimivan toimittajaverkoston varmistaminen on ratkaisevan tärkeää tilausten oikea-aikaisten toimitusten takaamiseksi. Asiakkaamme on jo optimoinut toimitusketjun suorituskyvyn maksimoidakseen kannattavuuden vähentämällä kysynnän vaihteluista, tehottomasta toiminnasta ja materiaalien hintojen vaihtelusta aiheutuvia riskejä. Lisäksi se on ottanut käyttöön tiukan suunnittelun ja aikataulutuksen, kattavat varastonvalvontajärjestelmät ja laadunvarmistuksen jatkuvan seurannan.

Tästä huolimatta asiakkaamme joutui edelleen kärsimään toimitusaikojen laiminlyönnistä ja virheistä strategisessa resurssisuunnittelussa. Operatiivisen suorituskyvyn tarkkuuden ja ennustettavuuden parantamiseksi he halusivat kehittyneen DS- ja ML-pohjaisen ratkaisun, jolla he voivat kerätä ja analysoida suuria tietomääriä ja tehdä realistisia ennusteita toimitusajoista.

Ratkaisu: DS- ja MLOps-verkkolaajennus toimitusten ennakoimiseksi ja toimitusten viivästymisen estämiseksi.

Koska asiakkaamme valmistaa monimutkaisia digitaalisia laitteita, jotka koostuvat monista osista (vastukset, induktorit, kondensaattorit, transistorit, diodit jne.), he tarvitsevat vakaita ja hallittavia toimitusketjuja, joissa tietyt riskit on laskettu. He halusivat laajan yleiskuvan kaikista aiemmista vuorovaikutustilanteista kumppaneiden kanssa, ja ML-ominaisuuksien avulla he pystyivät sulattamaan ja ennustamaan tulevia toimituksia ja estämään toimitusten viivästyksiä tai keskeytyksiä.

Tämän perusteella Innowise ehdotti, että rakennetaan älykkäiden sopimusten analyysialusta, joka sisältää DS:n ja MLOpsin, jotta raakadatasta saadaan käyttökelpoisia oivalluksia. Projektiryhmämme hyödynsi näitä teknologioita täysimääräisesti ja otti AI/ML:n käyttöön toimitusketjussa suojatakseen hankintaprosesseja ja lieventääkseen haittavaikutuksia.

Datan putkijohdotus

Kun johtajat ovat täyttäneet kaikki tiettyjä kumppaneita koskevat tiedot (materiaalien tarve, toimitusajat, varastovarastot jne.), alustamme tuottaa ennusteita dataputkien perusteella. Niinpä toteutimme syvällisen data-analyysin, jolla saamme kiinni tietojen ajautumiset ja osastojen eroavaisuudet. Pohjimmiltaan jokainen syklin vaihe luo tuotoksen, joka muodostaa perustan myöhemmille muunnoksille, mikä johtaa jatkuvaan virtaukseen, kunnes kukin vaihe on saatu päätökseen. Tarvittaessa useita prosesseja suoritetaan rinnakkain tehokkuuden maksimoimiseksi.

Mallinnuskerrokset

Kehitimme koneoppimisalustan, joka arvioi hankintaprosessin tehokkuuteen vaikuttavia keskeisiä tekijöitä. Tiimimme loi loogisen kerroksen, joka ryhmittelee tiedot samankaltaisiin kohortteihin ja kouluttaa mallit kullekin ryhmälle. Lisäksi sisällytimme selitettävyyskerroksen, joka auttaa loppukäyttäjää validoimaan mallin käyttäytymisen ja ymmärtämään arviointia paremmin.

Yksinkertaisesti sanottuna ratkaisun virtaus voidaan kuvata seuraavalla tavalla. Käyttäjät syöttävät kaikki tiettyjä myyjiä koskevat tiedot, kuten sopimusten tunnukset, tarvittavat materiaalit, tilaus-/toimituspäivät, tämänhetkinen edistyminen ja kaikki lisätiedot. Tämän jälkeen alusta analysoi toimitusketjualgoritmeihin perustuvan ML:n avulla annetut tiedot ja ennustaa hankintapäivämäärät ottaen huomioon aiempien vuorovaikutusten historian, myyjän luotettavuuden ja ulkoiset riskit. Ennustava analytiikka voi esimerkiksi osoittaa, milloin toimittajien varastotasot ovat alhaiset tai milloin viivästyneet toimitukset todennäköisesti aiheuttavat merkittäviä ongelmia tulevaisuudessa.

Teknologiat

Back-end

TypeScript, NodeJS, Nest, TypeORM

Front-end

TypeScript, React, Next.JS, MobX, MUI

Koneoppiminen

Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow

Data Science

Pandas, Matplotlib, Plotly, Numpy

Tietokanta

PostgreSQL

AQA, käsikirja

Prosessi

Ensimmäisessä vaiheessa asiantuntijamme selvittivät ja määrittelivät uudelleen asiakkaan tavoitteet, sillä alkuperäisessä ehdotuksessa oli monia toteutettavuuteen ja loppukäyttöön liittyviä ongelmia. Koko kehitysprosessin ajan asiantuntijamme sovelsivat lisää AutoML-lähestymistapoja mallin toimitusnopeuden nostamiseksi. Kun malliimme saatiin lisää viimeaikaisia näytteitä vastaavia näytteitä, otimme käyttöön mukautetun uudelleennäytteenottotekniikan, joka vähensi tietojen ajautumisvaikutusta.

Projektiryhmämme työskenteli Scrum-menetelmällä kahden viikon välein järjestettävien sprinttien ja päivittäisten tapaamisten avulla. Projektipäällikkö piti yhteyttä asiakkaaseen ja mukautui laajuuden muutoksiin. Kaikkia tehtäviä seurattiin Jirassa, ja PM jakoi tehtävät ja valvoi kokonaissuoritusta.

Tällä hetkellä hanke on aktiivinen, ja tiimimme työskentelee tuotannon ennustamisen parantamiseksi ja ML-toimitusketjun moduulien integroimiseksi.

Joukkue

Projektipäällikkö

liiketoiminta-analyytikko

Front-End-kehittäjät

Back-End-kehittäjät

ML Engineers

UI/UX-suunnittelija

QA Engineer

Tulokset: Ennakoitavissa olevat ML-toimitusketjun moduulit, joissa on 630%, pienentävät tuotantolinjan pysähtymisriskiä.

Innowise rikastutti asiakkaan toimitusketjun ML-ominaisuuksia DSaaS-laajennuksella toimitusehtojen ennustamiseksi. ML- ja DS-algoritmien ansiosta, jotka ottavat huomioon monimutkaisen toimitusketjujärjestelmän lukuisat muuttujat, asiakas voi nyt jatkuvasti seurata mahdollisia hankintaongelmia ja suunnitella toimituksia perusteellisemmin ja estää tietosiilot. Uudenlaisen ratkaisun ansiosta asiakas hallitsee toimitusketjun prosesseja luottavaisesti ilman huolta ennakoimattomista komplikaatioista tai toiminnallisista viivästyksistä. Lisäksi toimitusketjun koneoppimisen ansiosta asiakkaamme voi nyt tehdä tietoon perustuvia päätöksiä, jotka edistävät toiminnallista erinomaisuutta ja lisäävät tuloja digitaalisissa myyntipisteissä.

Hankkeen kesto

Lokakuu 2022 - Jatkuva

45%

keskeytyneiden toimitusten väheneminen

630%

tuotantolinjan pysähtymisen riski on pienempi

Liittyvät tapaukset

Ota yhteyttä

Varaa puhelu tai täytä alla oleva lomake, niin otamme sinuun yhteyttä, kun olemme käsitelleet pyyntösi.

Nimi

Yritys

Sähköposti

Puhelin

Viesti

Lähetä meille ääniviesti

Liitä asiakirjoja

Lataa tiedosto

Voit liittää 1 enintään 2 Mt:n tiedoston. Hyväksytyt tiedostomuodot: pdf, jpg, jpeg, png.

Klikkaamalla Lähetä, annat suostumuksesi siihen, että Innowise käsittelee henkilötietojasi meidän Tietosuojakäytäntö antaa sinulle asiaankuuluvia tietoja. Antamalla puhelinnumerosi suostut siihen, että voimme ottaa sinuun yhteyttä puheluiden, tekstiviestien ja viestisovellusten kautta. Puhelu-, viesti- ja datahintoja voidaan soveltaa.

Voit myös lähettää meille pyyntösi
osoitteeseen contact@innowise.com

Mitä tapahtuu seuraavaksi?

Kun olemme vastaanottaneet ja käsitelleet pyyntösi, otamme sinuun yhteyttä ja kerromme yksityiskohtaisesti projektin tarpeet ja allekirjoitamme NDA-sopimuksen luottamuksellisuuden varmistamiseksi.

Tutkittuaan toiveesi, tarpeesi ja odotuksesi tiimimme suunnittelee projektin ehdotuksen, jossa esitetään työn laajuus, tiimin koko, aika- ja kustannusarviot.

Järjestämme kanssasi tapaamisen, jossa keskustellaan tarjouksesta ja sovitaan yksityiskohdista.

Lopuksi allekirjoitamme sopimuksen ja aloitamme projektisi toteuttamisen heti.

AI/ML toimitusketjussa: 45% toimitusten keskeytymisen väheneminen.

Asiakas

Haaste: Toimitusaikojen noudattamatta jättäminen ja virheet strategisessa resurssisuunnittelussa.

Ratkaisu: DS- ja MLOps-verkkolaajennus toimitusten ennakoimiseksi ja toimitusten viivästymisen estämiseksi.

Teknologiat

Prosessi

Joukkue

Tulokset: Ennakoitavissa olevat ML-toimitusketjun moduulit, joissa on 630%, pienentävät tuotantolinjan pysähtymisriskiä.

Liittyvät tapaukset

Ota yhteyttä

Mitä tapahtuu seuraavaksi?

Tarvitsetko muita palveluja?

Tilaa osoitteeseen uutiskirjeemme

Tilaa
osoitteeseen uutiskirjeemme