Эксперт-BI Производство: система бизнес-анализа для производственных компаний
Основная задача системы управления производством на предприятии — обеспечение непрерывного совершенствования промышленного производства, достижение наилучших конечных результатов с наименьшими затратами материальных, трудовых и конечно же финансовых ресурсов, безусловное выполнение плановых заданий.
Системы бизнес-аналитики для управления производством Эксперт-BI Производство:
- внедрение маркетинговой стратегии в производство - формирование системы производственной деятельности, ориентированной на спрос;
- балансировка производственного процесса - синхронизация производства и различных бизнес-процессов; закупки, планирование, продажи, исследование и разработка;
- независимость от обстоятельств - минимизация рисков смены поставщиков, несоответствия нормативным требованиям и роста расходов;
- контроль производственных потерь - прозрачная система производственных цепочек создания ценностей и точек возникновения потерь;
- прозрачное управление реинжинирингом и технологическими инновациями - эффективный контроль использования современных методологий улучшения процессов (Six Sigma, Lean, TPS и т.д.).
Решение Эксперт-BI Производство необходимо если:
-
требуется эффективно управлять финансово-хозяйственной деятельностью:
- построить систему бюджетирования и бизнес-планирования;
- снизить дебиторскую и кредиторскую задолженности;
- увеличить ликвидность складских запасов;
- оптимизировать и улучшить контроль прямых и косвенных затрат
-
необходимо эффективно управлять производственным процессом:
- повысить гибкость планирования производства;
- построить работающую систему контроля качества выпускаемой продукции;
- сформировать систему анализа и прогнозирования будущего спроса на продукцию;
- сократить время разработки новой продукции;
- оптимизировать материально-техническое снабжение.
Что позволяет делать решение Эксперт-BI Производство?
- проводить анализ динамики выпуска, процента брака, тайминг операций и потери;
- анализировать динамику выполнения план-графика производства в разрезе цехов, бригад и отдельных сотрудников;
- моделировать себестоимость в зависимости от изменения различных факторов;
- оценивать эффективность работы отдельных площадок, цехов, бригад, рабочих центров, исполнителей и т.д.;
- выявлять точки возникновения сбоев в балансе процесса производства;
- заранее прогнозировать отклонения от планов и согласовывать взаимозависимые процессы производства;
- проводить сравнительный анализ любых массивов данных по любым заданным критериям в табличном и графическом виде;
- формировать необходимую «плоскую» отчетность;
- создавать уведомления при возникновении пороговых значений KPI.
- консолидировать данные из всех внедренных на предприятии систем (ERP, SCM, MES и др.).
Демо
-
Manufacturing Demo -
SAP-Sales Distribution -
SAP-Materials Management - Purchasing -
SAP - Accounts Payable
Продукт Эксперт-BI
Продукт Эксперт-BI, запросить доступ к демо-стенду on-line
Machine Learning в производстве
(от Максим Антоненко, я сооснователь агентства разработки в сфере роботизации и машинного обучения Data Acquisition)
Для начала выделим основные классы задач по типам применяемых технологий:
- Задачи связанные с работой с изображениями и видео (детектирование и подсчет объектов, семантическая сегментация, классификация изображений, обнаружение аномалий, дополненная реальность)
- Задачи, связанные с анализом голоса и текста (классификация документов, анализ скриптов сотрудников, работа с отзывами, генерация текстов)
- Задачи, связанные с прогнозированием и предсказанием чего-либо (прогнозирование товарных остатков, управление ценами, скоринговые системы, товарные рекомендации)
По большому счету, практически каждую задачу из сферы ML, с которой сталкивается современный бизнес можно отнести к одному из указанных выше классов. Это логично, так как обучить систему что-то предсказывать или классифицировать можно только на данных, а данные бывают следующих форматов: картинки, видео, аудио, текст, таблицы.
В любом случае, все указанные выше данные перед обработкой нейронной сетью (или другой моделью) преобразуются в численный массив, который поступает на вход модели. Соответственно, для модели нет особой разницы, какой вид информации ей обрабатывать, тем не менее для каждого класса задач есть наиболее подходящий набор моделей в силу того, какой математический аппарат лучше приближает ту или иную зависимость.
Мы не будем в этой статье останавливаться на описании тех или иных математических алгоритмов, а посмотрим в каких сферах и для решения каких задач эти алгоритмы используются. Подчеркну, что нас интересуют именно практически утилизируемые технологии в производственных компаниях. То есть по сути это те инновации, которые уже свершились и доказали свою эффективность на практике.
Для наиболее типовых и востребованных направлений задач уже доступны не только соответствующие библиотеки на том же самом Python, но и созданы коробочные продукты. Итак, давайте пройдемся по основным вертикалям и посмотрим, где нам может помочь искусственный интеллект. Все указанные ниже задачи — из жизни и практики. Мы либо занимались их внедрением в бизнес Заказчика, либо нам их озвучивали в качестве актуальных.
Заводы, фабрики, добывающие и обрабатывающие компании активно эксплуатируют технологии компьютерного и машинного зрения. Ниже несколько примеров:
- Контроль соблюдения техники безопасности и ношения средств индивидуальной защиты (каски, респираторы) через систему наблюдения на производстве
- Анализ кернового материала для геолого-разведочной компании на предмет литологического состава, наличия рудных жил и прожилок, наличия трещин с помощью нейронных сетей
- Анализ гранулометрического состава руды и его габарита для обрабатывающего производства через систему машинного зрения
- Подсчет количества труб и определение их габарита для нефтесервисной компании через модуль машинного зрения
- Контроль качества и отбраковка продукции на производстве таблеток (например, упаковка неровно обрезана, или в полости находится только часть таблетки) с помощью установленных камер на конвейере
- При изготовлении постоматов для приема стеклянной и жестяной тары используется несколько модулей компьютерного зрения для определения материала тары, ее цвета и других характеристик
Если обобщить, то можно заметить, что машинное зрение на производстве в большинстве своем решает вопросы контроля качества, контроля соблюдения регламентов, классификации объектов и определения их габаритов.
Помимо машинного зрения на производстве мы сталкивались с задачами по предсказанию различных параметров, например:
- Модуль предсказания времени очистки покрасочного оборудования в типографии в зависимости от типа и состава применяемого при последней покраски колера
- Модуль прогнозного обслуживания оборудования на конвейерной сборке автомобилей, который подсказывает плановое время техобслуживания на основе показаний различных датчиков (вибрация, давление, температура)
- Прогнозный модуль приоритезации производства для прогнозирования необходимого объема производства продукции (например, запчастей) при ограниченном ресурсе оборудования (например, станков)
Как мы видим, способность ИИ предсказывать различные параметры на производстве помогает оптимизировать производственные процессы и сделать их более согласованными друг c другом и с другими бизнес-процессами, например, с продажами.
Не стоит забывать, что в производственных компаниях, помимо самого производства, есть направления продаж, маркетинга и HR, где также активно применяется машинное обучение, про данные направления я планирую написать в отдельной статье.