AI/ML nella supply chain: riduzione del 45% delle consegne interrotte

Web

Innowise ha ampliato le capacità di supply chain esistenti del cliente con DSaaS per prevedere i termini di spedizione dei materiali e ridurre il tasso di abbandono dei clienti.

Cliente

Industria

Elettronica, Produzione

Regione

Cliente da

2022

Il nostro cliente è un produttore di dispositivi elettronici e dei relativi componenti, tra cui telefoni cellulari, telecomandi TV, lettori DVD e CD, fotocamere digitali e altri.

Le informazioni dettagliate sul cliente non possono essere divulgate in base alle disposizioni dell NDA.

Sfida: Affrontare le scadenze di consegna non rispettate e gli errori nella pianificazione strategica delle risorse

Assicurare una rete di fornitori ben funzionante è fondamentale per garantire la puntualità delle consegne degli ordini. Il nostro cliente ha già ottimizzato le prestazioni della supply chain per massimizzare la redditività, riducendo i rischi legati alla fluttuazione della domanda, all'inefficienza delle operazioni e alla volatilità dei prezzi dei materiali. Inoltre, ha implementato una pianificazione e una programmazione rigorose, sistemi completi di controllo delle scorte e un monitoraggio continuo per garantire la qualità.

Ciononostante, il nostro cliente si trovava ancora a dover rispettare le scadenze di consegna e a commettere errori nella pianificazione strategica delle risorse. Per migliorare l'accuratezza e la prevedibilità delle prestazioni operative, voleva una soluzione avanzata basata su DS e ML per raccogliere e analizzare grandi volumi di dati e fare previsioni realistiche sui termini di consegna.

Soluzione: Estensione web di DS e MLOps per prevedere le forniture e prevenire i ritardi di consegna

Poiché il nostro cliente produce dispositivi digitali complessi composti da molte parti (resistenze, induttori, condensatori, transistor, diodi, ecc.), ha bisogno di catene di fornitura stabili e gestibili con determinati rischi calcolati. Volevano un'ampia panoramica di tutte le interazioni precedenti con i partner, con la possibilità di analizzare e prevedere le spedizioni future e prevenire ritardi o interruzioni nelle consegne.

Su questa base, Innowise ha suggerito di costruire una piattaforma di analisi dei contratti intelligenti che includa DS e MLOP per trasformare i dati grezzi in approfondimenti praticabili. Il nostro team di progetto ha sfruttato appieno queste tecnologie e ha implementato l'AI/ML nella catena di fornitura per proteggere i processi di approvvigionamento e alleviare gli effetti negativi.

Pipelining dei dati

Una volta che i manager inseriscono tutte le informazioni relative a determinati partner (necessità di materiali, tempi di consegna, scorte di magazzino, ecc.), la nostra piattaforma produce previsioni basate su pipeline di dati. Abbiamo quindi implementato un'analisi profonda dei dati per individuare le derive dei dati e le divergenze tra i reparti. In sostanza, ogni fase del ciclo crea un output che costituisce la base per le trasformazioni successive, dando vita a un flusso continuo fino al completamento di ogni fase. Ove opportuno, più processi vengono condotti in parallelo per massimizzare l'efficienza.

Livelli di modellazione

Abbiamo sviluppato una piattaforma di apprendimento automatico che stima i fattori cruciali che influenzano l'efficienza del processo di approvvigionamento. Il nostro team ha creato un livello logico che raggruppa i dati in coorti simili e addestra i modelli per ciascun gruppo. Inoltre, abbiamo incorporato un livello di spiegabilità per aiutare l'utente finale a convalidare il comportamento del modello e a comprendere meglio la stima.

In poche parole, il flusso della soluzione può essere descritto nel modo seguente. Gli utenti inseriscono tutti i dati relativi a specifici fornitori, come gli ID dei contratti, i materiali richiesti, le date degli ordini/consegne, lo stato di avanzamento attuale e qualsiasi informazione ausiliaria. Quindi, sulla base degli algoritmi di ML in supply chain, la piattaforma analizza i dati indicati e prevede le date di approvvigionamento, considerando la storia delle interazioni precedenti, l'affidabilità del fornitore e i rischi esterni. L'analisi predittiva, ad esempio, potrebbe indicare quando i livelli delle scorte dei fornitori sono bassi o quando i ritardi nelle consegne potrebbero causare problemi significativi in futuro.

Tecnologie

Back-end

TypeScript, Node.js, Nest, TypeORM

Front-end

TypeScript, React, Next.JS, MobX, MUI

Apprendimento automatico

Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow

Data science

Pandas, Matplotlib, Plotly, Numpy

Databases

PostgreSQL

AQA, Manuale

Processo

Nella prima fase, i nostri specialisti hanno chiarito e ridefinito gli obiettivi del cliente, poiché la proposta originale presentava molti problemi in termini di fattibilità e utilizzo finale. Nel corso del processo di sviluppo, i nostri specialisti hanno applicato ulteriori approcci AutoML per aumentare i tassi di consegna del modello. Poiché il nostro modello ha ricevuto più campioni simili a quelli recenti, abbiamo implementato una tecnica di ricampionamento personalizzata che ha ridotto l'effetto di deriva dei dati.

Il nostro team di progetto ha lavorato secondo la metodologia Scrum, con sprint bisettimanali e riunioni quotidiane. Il project manager è rimasto in contatto con il cliente, adattando le modifiche all'ambito. Tutte le attività sono state tracciate in Jira, con il PM che assegnava i lavori e supervisionava le prestazioni complessive.

Attualmente il progetto è attivo e il nostro team sta lavorando per migliorare la previsione della produzione e per integrare i moduli della catena di approvvigionamento ML.

Team

Responsabile di progetto

Analista aziendale

Sviluppatori Front-End

Sviluppatori back-end

Ingegneri ML

Designer UI/UX

Ingegnere QA

Risultati: Moduli prevedibili della catena di fornitura ML con 630% riducono il rischio di arresto della linea di produzione

Innowise ha arricchito le funzionalità di ML della supply chain del cliente con un'estensione DSaaS per prevedere i termini di consegna. Grazie agli algoritmi di ML e DS che tengono conto della moltitudine di variabili all'interno di un complesso sistema di supply chain, il cliente può ora monitorare costantemente i potenziali problemi di approvvigionamento e pianificare le spedizioni in modo più approfondito, evitando i silos di informazioni. Grazie a questa nuova soluzione, il cliente gestisce con fiducia i processi della supply chain senza preoccuparsi di complicazioni impreviste o ritardi operativi. Inoltre, grazie al machine learning nella supply chain, il nostro cliente può ora prendere decisioni informate che contribuiscono all'eccellenza operativa e all'aumento dei ricavi nei punti vendita digitali.

Durata del progetto

Ottobre 2022 - In corso

45%

riduzione delle consegne interrotte

630%

minor rischio di arresto della linea di produzione

Casi correlati

Contattateci!

Prenota una chiamata oppure compilate il modulo sottostante e sarete ricontattati una volta elaborata la vostra richiesta.

Nome

Azienda

Telefono

Messaggio Si prega di includere i dettagli del progetto, la durata, lo stack tecnologico, i professionisti IT necessari e altre informazioni pertinenti

Registra un messaggio vocale sul tuo
progetto per aiutarci a capirlo meglio

Allega ulteriori documenti se necessario

Caricare il file

È possibile allegare fino a 1 file di 2 MB complessivi. File validi: pdf, jpg, jpeg, png

Vi informiamo che cliccando sul pulsante Invia, Innowise tratterà i vostri dati personali in conformità con la nostra Informativa sulla privacy allo scopo di fornirvi informazioni adeguate.

Cosa succede dopo?

Dopo aver ricevuto ed elaborato la vostra richiesta, vi ricontatteremo a breve per illustrare le esigenze del progetto e firmare un NDA per garantire la riservatezza delle informazioni.

Dopo aver esaminato i requisiti, i nostri analisti e sviluppatori elaborano una proposta di progetto con l'ambito di lavoro, le dimensioni del team, i tempi e i costi stimati.

Organizziamo un incontro con voi per discutere l'offerta e giungere a un accordo.

Firmiamo un contratto e iniziamo a lavorare sul vostro progetto il prima possibile.

AI/ML nella supply chain: riduzione del 45% delle consegne interrotte

Cliente

Sfida: Affrontare le scadenze di consegna non rispettate e gli errori nella pianificazione strategica delle risorse

Soluzione: Estensione web di DS e MLOps per prevedere le forniture e prevenire i ritardi di consegna

Tecnologie

Processo

Team

Risultati: Moduli prevedibili della catena di fornitura ML con 630% riducono il rischio di arresto della linea di produzione

Casi correlati

Contattateci!

Cosa succede dopo?

Sviluppiamo software insieme ^●

Fare un'altra richiesta

Chiudere

AI/ML nella supply chain: riduzione del 45% delle consegne interrotte

Cliente

Sfida: Affrontare le scadenze di consegna non rispettate e gli errori nella pianificazione strategica delle risorse

Soluzione: Estensione web di DS e MLOps per prevedere le forniture e prevenire i ritardi di consegna

Tecnologie

Processo

Team

Risultati: Moduli prevedibili della catena di fornitura ML con 630% riducono il rischio di arresto della linea di produzione

Casi correlati

Contattateci!

Cosa succede dopo?

Sviluppiamo software insieme ●

Abbonarsi a la nostra newsletter

Fare un'altra richiesta

Chiudere

Sviluppiamo software insieme ^●

Abbonarsi
a la nostra newsletter