L'IA/ML dans la chaîne d'approvisionnement: réduction de 45 % des perturbations des livraisons

Innowise a étendu les capacités existantes de la chaîne d'approvisionnement du client avec DSaaS pour prévoir les conditions d'expédition des matériaux et réduire le taux de désabonnement des clients.

Client

Industrie

Électronique, Fabrication

Région

Client depuis

2022

Notre client est un fabricant d'appareils électroniques et de leurs composants, notamment des téléphones portables, des télécommandes de télévision, des lecteurs de DVD et de CD, des appareils photo numériques, etc.

Les informations détaillées sur le client ne peuvent être divulguées en vertu des dispositions de la NDA.

Défi : Faire face à des délais de livraison non respectés et à des erreurs dans la planification stratégique des ressources

Il est essentiel de disposer d'un réseau de fournisseurs performant pour garantir la livraison des commandes dans les délais impartis. Notre client a déjà optimisé les performances de sa chaîne d'approvisionnement afin de maximiser sa rentabilité en atténuant les risques liés à la fluctuation de la demande, à l'inefficacité des opérations et à la volatilité des prix des matériaux. En outre, il a mis en œuvre une planification et un ordonnancement rigoureux, des systèmes complets de contrôle des stocks et un suivi continu pour l'assurance qualité.

Néanmoins, notre client était toujours confronté à des délais de livraison non respectés et à des erreurs dans la planification stratégique des ressources. Pour améliorer la précision et la prévisibilité des performances opérationnelles, il souhaitait une solution avancée basée sur la DS et la ML pour collecter et analyser de grands volumes de données et faire des prédictions réalistes sur les délais de livraison.

Solution : Extension web DS et MLOps pour prévoir les approvisionnements et éviter les retards de livraison

Notre client fabrique des appareils numériques complexes composés de nombreuses pièces (résistances, inductances, condensateurs, transistors, diodes, etc.) et a besoin de chaînes d'approvisionnement stables et gérables avec certains risques calculés. Il souhaitait disposer d'une vue d'ensemble de toutes les interactions antérieures avec ses partenaires, en s'appuyant sur des capacités de ML pour assimiler et prédire les expéditions futures et prévenir les retards ou les interruptions de livraisons.

Sur cette base, Innowise a suggéré de construire une plateforme d'analyse de contrats intelligents qui inclut DS et MLOps pour transformer les données brutes en informations exploitables. Notre équipe de projet a tiré pleinement parti de ces technologies et a mis en œuvre l'IA/ML dans la chaîne d'approvisionnement afin de protéger les processus d'approvisionnement et d'atténuer les effets négatifs.

Pipeline de données

Une fois que les managers ont rempli toutes les informations concernant certains partenaires (besoins en matériaux, délais de livraison, stocks dans les entrepôts, etc.), notre plateforme produit des prédictions basées sur des pipelines de données. Ainsi, nous avons mis en place une analyse approfondie des données pour détecter les dérives et les divergences entre les départements. Essentiellement, chaque étape du cycle crée un résultat qui forme la base des transformations ultérieures, ce qui entraîne un flux continu jusqu'à ce que chaque étape soit terminée. Le cas échéant, plusieurs processus sont menés en parallèle pour maximiser l'efficacité.

Couches de modélisation

Nous avons développé une plateforme d'apprentissage automatique qui évalue les facteurs cruciaux affectant l'efficacité du processus d'approvisionnement. Notre équipe a créé une couche logique qui regroupe les données en cohortes similaires et forme des modèles pour chaque groupe. En outre, nous avons intégré une couche d'explicabilité pour aider l'utilisateur final à valider le comportement du modèle et à mieux comprendre l'estimation.

En termes simples, le flux de la solution peut être décrit de la manière suivante. Les utilisateurs saisissent toutes les données relatives à des fournisseurs spécifiques, comme les identifiants des contrats, les matériaux requis, les dates de commande/livraison, l'état d'avancement et toute autre information auxiliaire. Ensuite, sur la base des algorithmes de la chaîne d'approvisionnement, la plateforme analyse les données indiquées et prédit les dates d'approvisionnement, en tenant compte de l'historique des interactions précédentes, de la fiabilité du fournisseur et des risques externes. L'analyse prédictive, par exemple, peut indiquer quand les niveaux de stock des fournisseurs sont bas ou quand des livraisons retardées sont susceptibles de causer des problèmes importants à l'avenir.

Technologies

Back-end

TypeScript, Node.js, Nest, TypeORM

Front-end

TypeScript, React, Next.JS, MobX, MUI

Apprentissage automatique

Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow

Data science

Pandas, Matplotlib, Plotly, Numpy

Bases de données

PostgreSQL

AQA, Manuel

Processus

Dans un premier temps, nos spécialistes ont clarifié et redéfini les objectifs du client, car la proposition initiale présentait de nombreux problèmes en termes de faisabilité et d'utilisation finale. Tout au long du processus de développement, nos spécialistes ont appliqué des approches AutoML supplémentaires pour augmenter les taux de livraison des modèles. Comme notre modèle recevait davantage d'échantillons similaires à des échantillons récents, nous avons mis en œuvre une technique de rééchantillonnage personnalisée qui a permis de réduire l'effet de dérive des données.

Notre équipe de projet a travaillé selon la méthodologie Scrum, avec des sprints bihebdomadaires et des réunions quotidiennes. Le chef de projet est resté en contact avec le client, s'adaptant aux changements de périmètre. Toutes les tâches ont été suivies dans Jira, le chef de projet assignant les tâches et supervisant la performance globale.

Actuellement, le projet est actif et notre équipe travaille à l'amélioration de la prédiction de la production et à l'intégration des modules de la chaîne d'approvisionnement ML.

Équipe

Chef de projet

Analyste commercial

Développeurs Front-End

Développeurs Back-End

ML Ingénieurs

Concepteur UI/UX

Ingénieur QA

Résultats : Des modules de chaîne d'approvisionnement prévisibles avec 630% réduisent le risque d'arrêt de la chaîne de production.

Innowise a enrichi les capacités de ML de la chaîne d'approvisionnement du client avec une extension DSaaS pour prédire les délais de livraison. Grâce aux algorithmes ML et DS qui prennent en compte la multitude de variables au sein d'un système de chaîne d'approvisionnement complexe, le client peut désormais surveiller en permanence les problèmes d'approvisionnement potentiels et planifier les expéditions de manière plus approfondie, en évitant les silos d'informations. Grâce à cette nouvelle solution, le client gère en toute confiance les processus de la chaîne d'approvisionnement sans se soucier des complications imprévues ou des retards opérationnels. En outre, grâce à l'apprentissage automatique dans la chaîne d'approvisionnement, notre client peut désormais prendre des décisions éclairées qui contribuent à l'excellence opérationnelle et à l'augmentation des revenus dans les points de vente numériques.

Durée du projet

Octobre 2022 - En cours

45%

réduction des perturbations des livraisons

630%

réduction du risque d'arrêt de la chaîne de production

Exemples de projets similaires

Contactez nous!

Réserver un appel ou remplissez le formulaire ci-dessous et nous vous contacterons dès que nous aurons traité votre demande.

Nom

Entreprise

Courriel :

Téléphone

Message S’il vous plaît, ajouter les détails du projet, la durée, la pile technologique, IT spécialistes nécessaires et d'autres informations pertinentes

S’il vous plaît, ajouter les détails du projet, la durée, la pile technologique, IT spécialistes
nécessaires et d'autres informations pertinentes

Joindre des documents supplémentaires au besoin

Charger file

Vous pouvez joindre jusqu'à 1 fichier de 2MB au total. Fichiers valides : pdf, jpg, jpeg, png

Nous vous informons que lorsque vous cliquez sur le bouton Envoyer, Innowise traitera vos données personnelles conformément à notre Politique de confidentialité dans le but de vous fournir des informations appropriées.

Que se passe-t-il ensuite?

Après avoir reçu et traité votre demande, nous reviendrons vers vous pour détailler les besoins de votre projet et signer un accord de non-divulgation pour assurer la confidentialité des informations.

Après avoir examiné les exigences, nos analystes et nos développeurs élaborent une proposition de projet avec l'étendue des travaux, le nombre de membre de l'équipe, les délais et les coûts des coûts.

Nous organisons une réunion avec vous pour discuter de l'offre et parvenir à un accord.

Nous signons un contrat et commençons à travailler sur votre projet le plus rapidement possible.

L'IA/ML dans la chaîne d'approvisionnement: réduction de 45 % des perturbations des livraisons

Client

Défi : Faire face à des délais de livraison non respectés et à des erreurs dans la planification stratégique des ressources

Solution : Extension web DS et MLOps pour prévoir les approvisionnements et éviter les retards de livraison

Technologies

Processus

Équipe

Résultats : Des modules de chaîne d'approvisionnement prévisibles avec 630% réduisent le risque d'arrêt de la chaîne de production.

Exemples de projets similaires

Contactez nous!

Que se passe-t-il ensuite?

Soit^●s développer
logiciel ensemble!

Faire une autre demande

Fermer

L'IA/ML dans la chaîne d'approvisionnement: réduction de 45 % des perturbations des livraisons

Client

Défi : Faire face à des délais de livraison non respectés et à des erreurs dans la planification stratégique des ressources

Solution : Extension web DS et MLOps pour prévoir les approvisionnements et éviter les retards de livraison

Technologies

Processus

Équipe

Résultats : Des modules de chaîne d'approvisionnement prévisibles avec 630% réduisent le risque d'arrêt de la chaîne de production.

Exemples de projets similaires

Contactez nous!

Que se passe-t-il ensuite?

Soit●s développer logiciel ensemble!

S'abonner à à notre bulletin d'information

Faire une autre demande

Fermer

Soit^●s développer
logiciel ensemble!

S'abonner à
à notre bulletin d'information