AI/ML w łańcuchu dostaw: 45% redukcji zakłóconych dostaw

Integracja

Produkcja

Node.js

Analityka predykcyjna

Web

Innowise rozszerzył istniejące możliwości łańcucha dostaw klienta o DSaaS w celu prognozowania warunków wysyłki materiałów i zmniejszenia wskaźnika rezygnacji klientów.

Klient

Przemysł

Elektronika, Produkcja

Region

Klient od

2022

Naszym klientem jest producent urządzeń elektronicznych i komponentów do nich, w tym telefonów komórkowych, pilotów TV, odtwarzaczy DVD i CD, aparatów cyfrowych i innych.

Szczegółowe informacje o kliencie nie mogą zostać ujawnione zgodnie z postanowieniami umowy NDA.

Wyzwanie: W obliczu niedotrzymanych terminów dostaw i błędów w strategicznym planowaniu zasobów

Zapewnienie dobrze funkcjonującej sieci dostawców ma kluczowe znaczenie dla zagwarantowania terminowych dostaw zamówień. Nasz klient zoptymalizował już wydajność łańcucha dostaw, aby zmaksymalizować rentowność poprzez ograniczenie ryzyka związanego z wahaniami popytu, nieefektywnymi operacjami i zmiennymi cenami materiałów. Ponadto wdrożył rygorystyczne planowanie i harmonogramowanie, kompleksowe systemy kontroli zapasów i ciągłe monitorowanie w celu zapewnienia jakości.

Niemniej jednak, nasz klient nadal borykał się z niedotrzymywaniem terminów dostaw i błędami w strategicznym planowaniu zasobów. Aby zwiększyć dokładność i przewidywalność wyników operacyjnych, potrzebował zaawansowanego rozwiązania opartego na DS i ML do gromadzenia i analizowania dużych ilości danych oraz tworzenia realistycznych prognoz dotyczących terminów dostaw.

Rozwiązanie: Rozszerzenie internetowe DS i MLOps do przewidywania dostaw i zapobiegania opóźnieniom w dostawach

Ponieważ nasz klient produkuje złożone urządzenia cyfrowe składające się z wielu części (rezystory, cewki indukcyjne, kondensatory, tranzystory, diody itp.), wymaga stabilnych, łatwych w zarządzaniu łańcuchów dostaw z obliczonym pewnym ryzykiem. Zależało mu na szerokim przeglądzie wszystkich wcześniejszych interakcji z partnerami, wzmocnionym możliwościami ML, aby analizować i przewidywać przyszłe dostawy oraz zapobiegać opóźnieniom lub przerwom w dostawach.

Na tej podstawie Innowise zasugerował zbudowanie inteligentnej platformy analizy kontraktów, która obejmuje DS i MLOps, aby przekształcić surowe dane w przydatne informacje. Nasz zespół projektowy w pełni wykorzystał te technologie i wdrożył AI/ML w łańcuchu dostaw, aby zabezpieczyć procesy zakupowe i złagodzić negatywne skutki.

Potokowanie danych

Gdy menedżerowie wypełnią wszystkie informacje dotyczące określonych partnerów (zapotrzebowanie na materiały, czasy dostaw, zapasy magazynowe itp.), nasza platforma tworzy prognozy w oparciu o potoki danych. W ten sposób wdrożyliśmy dogłębną analizę danych, aby wychwycić dryf danych i rozbieżności między działami. Zasadniczo każdy krok w cyklu tworzy dane wyjściowe, które stanowią podstawę dla kolejnych przekształceń, co skutkuje ciągłym przepływem, aż do zakończenia każdego kroku. W stosownych przypadkach wiele procesów jest przeprowadzanych równolegle, aby zmaksymalizować wydajność.

Warstwy modelowania

Opracowaliśmy platformę uczenia maszynowego, która szacuje kluczowe czynniki wpływające na wydajność procesu zaopatrzenia. Nasz zespół stworzył warstwę logiczną, która grupuje dane w podobne kohorty i trenuje modele dla każdej grupy. Ponadto włączyliśmy warstwę wyjaśniającą, aby pomóc użytkownikowi końcowemu zweryfikować zachowanie modelu i lepiej zrozumieć szacunki.

Mówiąc najprościej, przepływ rozwiązania można opisać w następujący sposób. Użytkownicy wprowadzają wszystkie dane dotyczące konkretnych dostawców, takie jak identyfikatory kontraktów, wymagane materiały, daty zamówień/dostaw, bieżący postęp i wszelkie informacje pomocnicze. Następnie, w oparciu o algorytmy ML w łańcuchu dostaw, platforma analizuje wskazane dane i przewiduje daty zamówień, biorąc pod uwagę historię poprzednich interakcji, niezawodność dostawcy i ryzyko zewnętrzne. Analityka predykcyjna może na przykład wskazywać, kiedy poziom zapasów u dostawcy jest niski lub kiedy opóźnione dostawy mogą spowodować poważne problemy w przyszłości.

Technologie

Back-end

TypeScript, Node.js, Nest, TypeORM

Front-end

TypeScript, React, Next.JS, MobX, MUI

Uczenie maszynowe

Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow

Nauka o danych

Pandas, Matplotlib, Plotly, Numpy

Bazy danych

PostgreSQL

AQA, Podręcznik

Proces

Na pierwszym etapie nasi specjaliści wyjaśnili i przedefiniowali cele klienta, ponieważ pierwotna propozycja zawierała wiele kwestii dotyczących wykonalności i końcowego zastosowania. W trakcie całego procesu rozwoju nasi specjaliści zastosowali dodatkowe podejścia AutoML w celu zwiększenia szybkości dostarczania modelu. Ponieważ nasz model otrzymał więcej próbek podobnych do ostatnich, wdrożyliśmy niestandardową technikę ponownego próbkowania, która zmniejszyła efekt dryfu danych.

Nasz zespół projektowy pracował w oparciu o metodologię Scrum z dwutygodniowymi sprintami i codziennymi spotkaniami. Kierownik projektu pozostawał w stałym kontakcie z klientem, dostosowując się do zmian w zakresie. Wszystkie zadania były śledzone w Jira, a kierownik projektu przydzielał zadania i nadzorował ogólną wydajność.

Obecnie projekt jest aktywny, a nasz zespół pracuje nad poprawą przewidywania wyników i integracją modułów łańcucha dostaw ML.

Zespół

Kierownik projektu

Analityk biznesowy

Programiści Front-End

Programiści back-end

ML Engineers

Projektant UI/UX

QA Inżynier

Wyniki: Przewidywalne moduły łańcucha dostaw ML z 630% zmniejszają ryzyko zatrzymania linii produkcyjnej

Innowise wzbogacił możliwości ML łańcucha dostaw klienta o rozszerzenie DSaaS w celu przewidywania warunków dostawy. Dzięki algorytmom ML i DS, które uwzględniają wiele zmiennych w złożonym systemie łańcucha dostaw, klient może teraz stale monitorować potencjalne kwestie związane z zaopatrzeniem i dokładniej planować wysyłki, zapobiegając powstawaniu silosów informacyjnych. Dzięki nowatorskiemu rozwiązaniu klient może pewnie zarządzać procesami łańcucha dostaw, nie martwiąc się o nieprzewidziane komplikacje lub opóźnienia operacyjne. Dodatkowo, dzięki uczeniu maszynowemu w łańcuchu dostaw, nasz klient może teraz podejmować świadome decyzje, które przyczyniają się do doskonałości operacyjnej i zwiększonych przychodów w cyfrowych punktach sprzedaży.

Czas trwania projektu

Październik 2022 r. - w toku

45%

zmniejszenie liczby zakłóconych dostaw

630%

niższe ryzyko zatrzymania linii produkcyjnej

Powiązane przypadki

Skontaktuj się z nami!

Zarezerwuj połączenie lub wypełnij poniższy formularz, a my skontaktujemy się z Tobą po przetworzeniu Twojego zgłoszenia.

Nazwa

Firma

E-mail

Telefon

Wiadomość Prosimy o podanie szczegółów projektu, czasu trwania, stosu technologicznego, potrzebnych specjalistów IT i innych istotnych informacji.

Nagraj wiadomość głosową na temat
projekt, który pomoże nam lepiej go zrozumieć

W razie potrzeby dołącz dodatkowe dokumenty

Prześlij plik

Można załączyć maksymalnie 1 plik o łącznej wielkości 2 MB. Ważne pliki: pdf, jpg, jpeg, png

Informujemy, że po kliknięciu przycisku Wyślij Innowise będzie przetwarzać Twoje dane osobowe zgodnie z naszą Polityką prywatności w celu dostarczenia Ci odpowiednich informacji.

Co będzie dalej?

Po otrzymaniu i przetworzeniu Twojego zgłoszenia skontaktujemy się z Tobą wkrótce, aby wyszczególnić potrzeby projektu i podpisać umowę o zachowaniu poufności, aby zapewnić poufność informacji.

Po przeanalizowaniu wymagań, nasi analitycy i programiści opracowują projekt z zakresem prac, wielkością zespołu, czasem i kosztami szacunki.

Umówimy się z Tobą na spotkanie, aby omówić ofertę i dojść do porozumienia porozumienia.

Podpisujemy umowę i rozpoczynamy pracę nad projektem tak szybko, jak to możliwe możliwe.

AI/ML w łańcuchu dostaw: 45% redukcji zakłóconych dostaw

Klient

Wyzwanie: W obliczu niedotrzymanych terminów dostaw i błędów w strategicznym planowaniu zasobów

Rozwiązanie: Rozszerzenie internetowe DS i MLOps do przewidywania dostaw i zapobiegania opóźnieniom w dostawach

Technologie

Proces

Zespół

Wyniki: Przewidywalne moduły łańcucha dostaw ML z 630% zmniejszają ryzyko zatrzymania linii produkcyjnej

Powiązane przypadki

Skontaktuj się z nami!

Co będzie dalej?

Let^●s develop
software together!

Złóż kolejną prośbę

Zamknij

AI/ML w łańcuchu dostaw: 45% redukcji zakłóconych dostaw

Klient

Wyzwanie: W obliczu niedotrzymanych terminów dostaw i błędów w strategicznym planowaniu zasobów

Rozwiązanie: Rozszerzenie internetowe DS i MLOps do przewidywania dostaw i zapobiegania opóźnieniom w dostawach

Technologie

Proces

Zespół

Wyniki: Przewidywalne moduły łańcucha dostaw ML z 630% zmniejszają ryzyko zatrzymania linii produkcyjnej

Powiązane przypadki

Skontaktuj się z nami!

Co będzie dalej?

Let●s develop software together!

Subskrybuj do nasz newsletter

Złóż kolejną prośbę

Zamknij

Let^●s develop
software together!

Subskrybuj
do nasz newsletter