AI/ML i leverandørkjeden: 45 % reduksjon i avbrutte leveranser

Innowise har utvidet kundens eksisterende forsyningskjedefunksjoner med DSaaS for å forutsi leveringsbetingelser for materialer og redusere kundefrafall.

Kunde

Industri

Elektronikk, produksjon

Region

Kunde siden

2022

Vår kunde er en produsent av elektroniske enheter og komponenter til dem, inkludert mobiltelefoner, TV-fjernkontroller, DVD- og CD-spillere, digitale kameraer og annet.

Detaljert informasjon om kunden kan ikke utleveres i henhold til bestemmelsene i NDA.

Utfordring: Overskridelse av leveringsfrister og feil i den strategiske ressursplanleggingen

Å sikre et velfungerende nettverk av leverandører er avgjørende for å garantere rettidige leveranser. Kunden vår har allerede optimalisert ytelsen i forsyningskjeden for å maksimere lønnsomheten ved å redusere risikoen for svingende etterspørsel, ineffektiv drift og ustabile materialpriser. Videre implementerte de streng planlegging og planlegging, omfattende lagerstyringssystemer og kontinuerlig overvåking for kvalitetssikring.

Likevel opplevde kunden vår fortsatt manglende leveringsfrister og feil i den strategiske ressursplanleggingen. For å forbedre nøyaktigheten og forutsigbarheten i driftsytelsen ønsket de en avansert DS- og ML-basert løsning for å samle inn og analysere store datamengder og lage realistiske prognoser for leveringsbetingelser.

Løsning: DS- og MLOps-nettutvidelse for å forutsi forsyninger og forhindre leveringsforsinkelser

Ettersom kunden vår produserer komplekse digitale enheter som består av mange deler (motstander, induktorer, kondensatorer, transistorer, dioder osv.), trenger de stabile, håndterbare forsyningskjeder med visse kalkulerte risikoer. De ønsket en bred oversikt over alle tidligere interaksjoner med partnere, slik at de ved hjelp av ML-funksjoner kunne analysere og forutsi fremtidige forsendelser og forhindre forsinkelser eller avbrudd i leveransene.

På bakgrunn av dette foreslo Innowise å bygge en plattform for smart kontraktsanalyse som inkluderer DS og MLOps for å gjøre rådata om til innsikt som kan brukes til noe. Prosjektteamet vårt utnyttet disse teknologiene til fulle og implementerte AI/ML i leverandørkjeden for å beskytte anskaffelsesprosessene og redusere negative effekter.

Datarørledninger

Når lederne fyller inn all informasjon om bestemte partnere (behov for materialer, leveringstider, lagerbeholdninger osv.), produserer plattformen vår prognoser basert på datapipelines. Dermed implementerte vi dyp dataanalyse for å fange opp datadrift og avdelingsdivergens. I hovedsak skaper hvert trinn i syklusen en utgang som danner grunnlaget for påfølgende transformasjoner, noe som resulterer i en kontinuerlig flyt til hvert trinn er fullført. Der det er hensiktsmessig, gjennomføres flere prosesser parallelt for å maksimere effektiviteten.

Modellering av lag

Vi utviklet en maskinlæringsplattform som estimerer viktige faktorer som påvirker effektiviteten i anskaffelsesprosessen. Teamet vårt opprettet et logisk lag som grupperer data i lignende kohorter og trener modeller for hver gruppe. I tillegg innlemmet vi et forklarbarhetslag for å hjelpe sluttbrukeren med å validere modellatferd og bedre forstå estimeringen.

Enkelt sagt kan løsningens flyt beskrives på følgende måte. Brukerne legger inn alle data om spesifikke leverandører, som kontrakt-ID-er, nødvendige materialer, bestillings-/leveringsdatoer, nåværende fremdrift og eventuell tilleggsinformasjon. Deretter, basert på ML i forsyningskjedealgoritmer, analyserer plattformen angitte data og forutsier anskaffelsesdatoer, med tanke på historikken til tidligere interaksjoner, leverandørens pålitelighet og eksterne risikoer. Prediktiv analyse kan for eksempel indikere når leverandørens lagernivåer er lave eller når forsinkede leveranser sannsynligvis vil føre til betydelige problemer i fremtiden.

Teknologier

Back-end

TypeScript, Node.js, Nest, TypeORM

Front-end

TypeScript, React, Next.JS, MobX, MUI, etc.

Maskinlæring

Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow, etc.

Datavitenskap

Pandas, Matplotlib, Plotly, Numpy

Databaser

PostgreSQL

AQA, Håndbok

Prosess

I den første fasen klargjorde og omdefinerte våre spesialister kundens mål, siden det opprinnelige forslaget hadde mange problemer med hensyn til gjennomførbarhet og sluttbruk. Gjennom hele utviklingsprosessen brukte våre spesialister flere AutoML-tilnærminger for å øke modellens leveringshastighet. Etter hvert som modellen vår mottok flere prøver som ligner på de siste, implementerte vi en tilpasset resampling-teknikk som reduserte datadriftseffekten.

Prosjektteamet vårt arbeidet med Scrum-metodikken med sprint hver annen uke og daglige møter. Prosjektlederen holdt kontakten med kunden og tok hensyn til endringer i omfanget. Alle oppgavene ble sporet i Jira, og prosjektlederen tildelte oppgaver og overvåket den generelle ytelsen.

For øyeblikket er prosjektet aktivt, og teamet vårt jobber med å forbedre produksjonsprediksjon og integrere ML-forsyningskjedemoduler.

Team

Prosjektleder

Forretningsanalytiker

Front-end-utviklere

Back-end-utviklere

ML Ingeniører

UI/UX-designer

Kvalitets- sikringsingeniør

Resultater: Forutsigbare ML-forsyningskjedemoduler med 630% reduserer risikoen for stans i produksjonslinjen

Innowise beriket kundens ML-kapasiteter i forsyningskjeden med en DSaaS-utvidelse for å forutsi leveringsbetingelser. Takket være ML- og DS-algoritmer som tar hensyn til de mange variablene i et komplekst forsyningskjedesystem, kan kunden nå kontinuerlig overvåke potensielle anskaffelsesproblemer og planlegge forsendelser grundigere, noe som forhindrer informasjonssiloer. Takket være den nye løsningen kan kunden trygt administrere forsyningskjedeprosesser uten å bekymre seg for uforutsette komplikasjoner eller driftsforsinkelser. I tillegg, takket være maskinlæring i forsyningskjeden, kan kunden vår nå ta informerte beslutninger som bidrar til operativ ekspertise og økte inntekter på tvers av digitale salgspunkter.

Prosjektets varighet

Oktober 2022 - Løpende

45%

reduksjon i avbrutte leveranser

630%

lavere risiko for stans i produksjonslinjen

Relaterte saker

Ta kontakt med oss!

Bestill en samtale eller fyll ut skjemaet nedenfor, så kontakter vi deg så snart vi har behandlet forespørselen din.

Hva skjer videre?

Etter at vi har mottatt og behandlet forespørselen din, vil vi komme tilbake til deg innen kort tid for å beskrive prosjektbehovene dine og undertegne en taushetserklæring for å sikre informasjonens konfidensialitet.

Etter å ha undersøkt kravene, utarbeider våre analytikere og utviklere en prosjektforslag med arbeidsomfang, teamstørrelse, tid og kostnader estimater.

Vi arrangerer et møte med deg for å diskutere tilbudet og komme til en avtale.

Vi signerer en kontrakt og begynner å jobbe med prosjektet ditt så raskt som mulig.

AI/ML i leverandørkjeden: 45 % reduksjon i avbrutte leveranser

Kunde

Utfordring: Overskridelse av leveringsfrister og feil i den strategiske ressursplanleggingen

Løsning: DS- og MLOps-nettutvidelse for å forutsi forsyninger og forhindre leveringsforsinkelser

Teknologier

Prosess

Team

Resultater: Forutsigbare ML-forsyningskjedemoduler med 630% reduserer risikoen for stans i produksjonslinjen

Relaterte saker

Ta kontakt med oss!

Hva skjer videre?

La^●utvikler
programvare sammen!

Kom med en ny forespørsel

Lukk

AI/ML i leverandørkjeden: 45 % reduksjon i avbrutte leveranser

Kunde

Utfordring: Overskridelse av leveringsfrister og feil i den strategiske ressursplanleggingen

Løsning: DS- og MLOps-nettutvidelse for å forutsi forsyninger og forhindre leveringsforsinkelser

Teknologier

Prosess

Team

Resultater: Forutsigbare ML-forsyningskjedemoduler med 630% reduserer risikoen for stans i produksjonslinjen

Relaterte saker

Ta kontakt med oss!

Hva skjer videre?

La●utvikler programvare sammen!

Abonnere til vårt nyhetsbrev

Kom med en ny forespørsel

Lukk

La^●utvikler
programvare sammen!

Abonnere
til vårt nyhetsbrev