IA/ML na cadeia de abastecimento: redução de 45% nas entregas interrompidas

Cadeia de fornecimento

TypeScript

Web

Desenvolvimento Web

O Innowise expandiu os recursos existentes da cadeia de suprimentos do cliente com o DSaaS para prever os termos de envio de materiais e reduzir a taxa de rotatividade de clientes.

Cliente

Indústria

Eletrónica, Fabrico

Região

Cliente desde

2022

O nosso cliente é um fabricante de aparelhos electrónicos e de componentes para os mesmos, incluindo telemóveis, comandos de TV, leitores de DVD e CD, câmaras digitais e outros.

As informações pormenorizadas sobre o cliente não podem ser divulgadas ao abrigo das disposições do NDA.

Desafio: Enfrentar prazos de entrega não cumpridos e erros no planeamento estratégico de recursos

Assegurar uma rede de fornecedores que funcione bem é crucial para garantir a entrega atempada das encomendas. O nosso cliente já optimizou o desempenho da cadeia de fornecimento para maximizar a rentabilidade, mitigando os riscos de flutuação da procura, operações ineficientes e preços voláteis dos materiais. Além disso, implementou um planeamento e programação rigorosos, sistemas abrangentes de controlo de inventário e monitorização contínua para garantir a qualidade.

No entanto, o nosso cliente continuava a deparar-se com prazos de entrega não cumpridos e erros no planeamento estratégico de recursos. Para melhorar a precisão e a previsibilidade do desempenho operacional, pretendiam uma solução avançada baseada em DS e ML para recolher e analisar grandes volumes de dados e fazer previsões realistas sobre os prazos de entrega.

Solução: Extensão Web DS e MLOps para prever fornecimentos e evitar atrasos na entrega

Como o nosso cliente fabrica dispositivos digitais complexos compostos por muitas peças (resistências, indutores, condensadores, transístores, díodos, etc.), necessita de cadeias de abastecimento estáveis e geríveis com determinados riscos calculados. Pretendiam uma visão geral de todas as interacções anteriores com os parceiros, com capacidades de ML para digerir e prever futuras remessas e evitar atrasos ou interrupções nas entregas.

Com base nisso, o Grupo Innowise sugeriu a criação de uma plataforma de análise de contratos inteligentes que incluísse DS e MLOps para transformar dados brutos em informações accionáveis. A nossa equipa de projeto tirou o máximo partido destas tecnologias e implementou a IA/ML na cadeia de fornecimento para proteger os processos de aquisição e aliviar os efeitos adversos.

Pipelining de dados

Depois de os gestores preencherem todas as informações relativas a determinados parceiros (necessidade de materiais, prazos de entrega, stocks em armazém, etc.), a nossa plataforma produz previsões com base em condutas de dados. Assim, implementámos uma análise de dados profunda para detetar desvios de dados e divergências entre departamentos. Essencialmente, cada etapa do ciclo cria um resultado que constitui a base para as transformações subsequentes, resultando num fluxo contínuo até que cada etapa seja concluída. Quando apropriado, vários processos são conduzidos em paralelo para maximizar a eficiência.

Camadas de modelação

Desenvolvemos uma plataforma de aprendizagem automática que calcula os factores cruciais que afectam a eficiência do processo de aquisição. A nossa equipa criou uma camada lógica que agrupa os dados em grupos semelhantes e treina modelos para cada grupo. Além disso, incorporámos uma camada de explicação para ajudar um utilizador final a validar o comportamento do modelo e a compreender melhor a estimativa.

Em termos simples, o fluxo da solução pode ser descrito da seguinte forma. Os utilizadores introduzem todos os dados relativos a fornecedores específicos, como IDs de contratos, materiais necessários, datas de encomenda/entrega, progresso atual e qualquer informação auxiliar. Em seguida, com base no ML em algoritmos da cadeia de abastecimento, a plataforma analisa os dados indicados e prevê as datas de aquisição, considerando o histórico de interacções anteriores, a fiabilidade do fornecedor e os riscos externos. A análise preditiva, por exemplo, pode indicar quando os níveis de stock do fornecedor são baixos ou quando é provável que as entregas atrasadas causem problemas significativos no futuro.

Tecnologias

Back-end

TypeScript, Node.js, Nest, TypeORM

Front-end

TypeScript, React, Next.JS, MobX, MUI

Aprendizagem automática

Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow

Ciência dos dados

Pandas, Matplotlib, Plotly, Numpy

Bases de dados

PostgreSQL

AQA, Manual

Processo

Na primeira fase, os nossos especialistas clarificaram e redefiniram os objectivos do cliente, uma vez que a proposta original tinha muitos problemas em termos de viabilidade e utilização final. Ao longo do processo de desenvolvimento, os nossos especialistas aplicaram abordagens adicionais de AutoML para aumentar as taxas de entrega do modelo. Como o nosso modelo recebeu mais amostras semelhantes às recentes, implementámos uma técnica de reamostragem personalizada que reduziu o efeito de desvio de dados.

A nossa equipa de projeto trabalhou segundo a metodologia Scrum, com sprints bissemanais e reuniões diárias. O gestor de projeto manteve-se em contacto com o cliente, acomodando alterações no âmbito. Todas as tarefas foram monitorizadas no Jira, com o PM a atribuir trabalhos e a supervisionar o desempenho geral.

Atualmente, o projeto está ativo, com a nossa equipa a trabalhar na melhoria da previsão da produção e na integração dos módulos da cadeia de abastecimento de ML.

Equipa

Gestor de projectos

Analista de negócios

Programadores front-end

Programadores back-end

Engenheiros ML

Designer UI/UX

Engenheiro de QA

Resultados: Os módulos previsíveis da cadeia de abastecimento de ML com 630% reduzem o risco de paragem da linha de produção

O Innowise enriqueceu os recursos de ML da cadeia de suprimentos do cliente com uma extensão DSaaS para prever os termos de entrega. Graças aos algoritmos de ML e DS que consideram a multiplicidade de variáveis num sistema complexo de cadeia de abastecimento, o cliente pode agora monitorizar continuamente potenciais problemas de aprovisionamento e planear as expedições de forma mais completa, evitando silos de informação. Graças à nova solução, o cliente gere com confiança os processos da cadeia de abastecimento sem se preocupar com complicações imprevistas ou atrasos operacionais. Além disso, graças à aprendizagem automática na cadeia de abastecimento, o nosso cliente pode agora tomar decisões informadas que contribuem para a excelência operacional e para o aumento das receitas nos pontos de venda digitais.

Duração do projecto

Outubro de 2022 - Em curso

45%

redução das interrupções nas entregas

630%

menor risco de paragem da linha de produção

Casos relacionados

Contactar-nos!

Marcar uma chamada ou preencha o formulário abaixo e entraremos em contacto consigo assim que tivermos processado o seu pedido.

Nome

Empresa

Correio electrónico

Telefone

Mensagem Inclua os detalhes do projeto, a duração, o conjunto de tecnologias, os profissionais de TI necessários e outras informações relevantes

Gravar uma mensagem de voz sobre o seu
projeto para nos ajudar a compreendê-lo melhor

Anexar documentos adicionais, se necessário

Enviar ficheiro

Pode anexar até 1 ficheiro de 2MB no total. Ficheiros válidos: pdf, jpg, jpeg, png

Informamos que, ao clicar no botão Enviar, o Innowise's processará os seus dados pessoais de acordo com a nossa Política de Privacidade com o objectivo de lhe fornecer informações adequadas.

O que é que acontece a seguir?

Após termos recebido e processado o seu pedido, entraremos em contacto consigo para detalhar as necessidades do seu projecto e assinar um NDA para garantir a confidencialidade das informações.

Após a análise dos requisitos, os nossos analistas e programadores elaboram uma proposta de projecto com o âmbito dos trabalhos, tamanho da equipa, tempo e custos e custos.

Marcamos uma reunião consigo para discutir a oferta e chegar a um acordo.

Assinamos um contrato e começamos a trabalhar no seu projecto o mais rapidamente possível.

IA/ML na cadeia de abastecimento: redução de 45% nas entregas interrompidas

Cliente

Desafio: Enfrentar prazos de entrega não cumpridos e erros no planeamento estratégico de recursos

Solução: Extensão Web DS e MLOps para prever fornecimentos e evitar atrasos na entrega

Tecnologias

Processo

Equipa

Resultados: Os módulos previsíveis da cadeia de abastecimento de ML com 630% reduzem o risco de paragem da linha de produção

Casos relacionados

Contactar-nos!

O que é que acontece a seguir?

Deixar^●s desenvolver
software em conjunto!

Fazer outro pedido

Fechar

IA/ML na cadeia de abastecimento: redução de 45% nas entregas interrompidas

Cliente

Desafio: Enfrentar prazos de entrega não cumpridos e erros no planeamento estratégico de recursos

Solução: Extensão Web DS e MLOps para prever fornecimentos e evitar atrasos na entrega

Tecnologias

Processo

Equipa

Resultados: Os módulos previsíveis da cadeia de abastecimento de ML com 630% reduzem o risco de paragem da linha de produção

Casos relacionados

Contactar-nos!

O que é que acontece a seguir?

Deixar●s desenvolver software em conjunto!

Subscrever para o nosso boletim informativo

Fazer outro pedido

Fechar

Deixar^●s desenvolver
software em conjunto!

Subscrever
para o nosso boletim informativo