الخطة
5 000 حصة
يحلّل INVO الطلبات المخطّطة والوصفات والخطوط المتاحة والموارد وسجل التنفيذ الفعلي للتنبؤ بوقت الإنجاز وحمل الإنتاج ومخاطر التأخير.
الحصص
24,850
الطلبات
186
الخطوط
7
الإنجاز المخطّط 14:20 الإنجاز المتوقّع 15:05
خط التعبئة 3 · اختناق متوقّع
التوصية
انقل الدفعة #4821 إلى الخط 2
الخطة مقابل الواقع
قد تفترض الخطة أن الأمر ينتهي عند الساعة 14:00. عمليًا تعتمد النتيجة على ما يجري في الصالة: أحجام الدفعات، وحمل الخطوط، وترتيب الأوامر، وتوفّر العاملين، والتأخيرات المتراكمة من المراحل السابقة.
يستخدم INVO سجل الإنتاج الفعلي ليقدّر - قبل بدء الوردية - المدة المرجّحة للإنتاج والموضع الذي قد تظهر فيه مشكلة.
الخطة
5 000 حصة
الظروف الفعلية
توقّع INVO
الإنجاز المتوقّع
13:34
مخاطر التأخير: 72%
الخطة تقول ما ينبغي أن يحدث. ويستخدم INVO البيانات التاريخية للتنبؤ بما سيحدث فعليًا على الأرجح.
قبل بدء الإنتاج
الوقت المتوقّع لتنفيذ الأمر وللخطة بأكملها.
الاستخدام المتوقّع للطاقة المتاحة.
العمليات المرجّح أن تحدّ من تنفيذ الخطة.
توقّع للتنفيذ يأخذ الانحرافات التاريخية في الحسبان.
احتمال عدم الالتزام بالجدول الزمني.
الاحتياج المتوقّع من العاملين لكل مرحلة.
كيف يعمل
يستخدم INVO بيانات تنشأ أصلًا أثناء تخطيط الإنتاج وتنفيذه. يقارن الخطط السابقة بالتنفيذ الفعلي، وعلى هذا الأساس يتنبأ بمسار الأوامر التالية.
سجل الإنتاج
الخطة + التنفيذ الفعلي
الذكاء الاصطناعي
يكتشف العلاقات
التوقّع
ما الذي سيحدث غدًا على الأرجح؟
يسجّل INVO من بين أمور أخرى:
بهذا ينشأ سجل لكيفية سير الإنتاج فعليًا، لا لكيفية التخطيط له فقط.
تحلّل النماذج عمليات التنفيذ السابقة وتتحقق مما أثّر في زمن الإنتاج وإنتاجيته. فقد يلاحظ النظام مثلًا:
عند حجم الإنتاج هذا وحمل التعبئة هذا، استغرقت أوامر مشابهة 12% أطول من الخطة في المتوسط.
لا حاجة إلى تعريف كل علاقة من هذه العلاقات يدويًا - النموذج يجدها في البيانات التاريخية.
عند إنشاء خطة جديدة، يستخدم INVO البيانات السابقة لتقدير:
بدلًا من
الإنجاز المخطّط: 14:00
تحصل أيضًا على
كلما زاد عدد عمليات التنفيذ الفعلية في السجل، زادت البيانات المتاحة لتدريب النماذج التنبؤية وتحسينها.
النماذج والتقنية
تعتمد جميع النماذج على البيانات المجمّعة في مستودع بيانات INVO. نجمع فيه سجل الطلبات والوصفات وخطط الإنتاج وعمل الخطوط وأزمنة التنفيذ الفعلية واستهلاك المواد والتوقفات وأحداث أخرى من ERP وMES.
وعلى هذا الأساس نختار النموذج المناسب لكل سؤال - مثل مدة الإنتاج، أو موضع ظهور الحمل الزائد، أو حجم مخاطر التأخير.
من أين تحصل النماذج على البيانات؟
مستودع بيانات INVO
الخطة
كيف خُطِّط للإنتاج
الفعلي
كيف سار فعليًا
نماذج الذكاء الاصطناعي
يبني مستودع البيانات سجلًا لكيفية التخطيط للإنتاج وكيفية سيره فعليًا. وعلى هذه البيانات ندرّب النماذج التنبؤية ونغذّيها.
النموذج التنبؤي
نماذج تحلّل عوامل متعددة
يحلّل النموذج آلاف عمليات التنفيذ السابقة ويتحقق من الظروف التي أثّرت في نتيجتها الفعلية.
وقد يلاحظ مثلًا أن تركيبة معيّنة من دفعة كبيرة وخط بعينه وحمل مرتفع أدّت تاريخيًا إلى إنتاج أطول.
وعند ظهور أمر مشابه، يستخدم هذه العلاقات للتنبؤ بنتيجته.
الاستخدامات
الفائدة: توقّع أقرب إلى الواقع مبني على عمليات تنفيذ فعلية.
Gradient Boosting
LightGBM · XGBoost · CatBoost
نماذج السلاسل الزمنية
نماذج تحلّل مسار الإنتاج
لا تنظر هذه النماذج إلى النتيجة النهائية فحسب، بل تحلّل كيف يتغيّر الحمل وإيقاع الإنتاج وبقية المؤشرات في الساعات التالية.
وبذلك يمكنها التنبؤ باللحظة التي يظهر عندها حمل زائد أو تراجع في الإنتاجية.
الخط 3 · الآن
حمل زائد متوقّع على الطاقة
الاستخدامات
الفائدة: ترى الوضع الحالي والاتجاه الذي يسير إليه الإنتاج معًا.
Time-Series Forecasting
N-HiTS · Temporal Fusion Transformer
توقّع المخاطر
نماذج تأخذ عدم اليقين في الحسبان
الإنتاج ليس قابلًا للتنبؤ بنسبة 100%. لذلك يمكن للنموذج أن يُظهر لا النتيجة الأرجح فحسب، بل أيضًا نطاق النتائج الممكنة ومستوى المخاطر.
وبدلًا من وقت إنجاز واحد يبدو مؤكدًا، يرى المخطِّط مدى موثوقية التوقّع فعلًا.
الاستخدامات
الفائدة: يتخذ المخطِّط قراره بناءً على مستوى مخاطر، لا على رقم واحد يبدو مؤكدًا.
Probabilistic Forecasting
Quantile Regression · Conformal Prediction
مع كميات بيانات كبيرة، أو خطوط متوازية عديدة، أو تسلسلات عمليات طويلة، أو بيانات من أجهزة إنترنت الأشياء، يمكننا الاستعانة أيضًا بالشبكات العصبية ونماذج التعلّم العميق. فهي تتيح تحليل علاقات أكثر تعقيدًا، لكننا نستخدمها حين تُظهر الاختبارات أنها تحسّن جودة التنبؤ.
Neural Networks · Deep Learning · Sequence Models
النموذج الأكثر تعقيدًا لا يعني دائمًا تنبؤًا أفضل.
نختار النموذج الذي يتنبأ بالتنفيذ الفعلي على بيانات العميل على أفضل نحو.
محرّك التحسين
إذا توقّعت النماذج أن أحد الخطوط سيكون محمّلًا زيادة، فالسؤال التالي هو: ما الذي يمكننا تغييره؟
يمكن لطبقة التحسين أن تقارن بدائل تنفيذ الخطة، آخذةً في الحسبان الخطوط المتاحة وترتيب الأوامر وعدد العاملين والمواعيد وعمليات التحويل والتكاليف.
الخطة الحالية
15:12
مخاطر التأخير: 84%
توقّع الذكاء الاصطناعي · الخط 3 محمّل زيادة
سيناريوهات بديلة
السيناريو أ
+1 850 PLN
تكلفة إضافية
السيناريو ب
موصى به+320 PLN
تكلفة إضافية
لا ينتهي التنبؤ عند الإخبار بمشكلة محتملة. بل يمكن استخدامه لمقارنة البدائل وإيجاد طريقة أفضل لتنفيذ الخطة.
ERP + MES + الإنتاج
مستودع بيانات INVO
كيف بدت عمليات التنفيذ السابقة؟
نماذج الذكاء الاصطناعي
ما العلاقات الموجودة في البيانات؟
التنبؤ
ما الذي سيحدث غدًا على الأرجح؟
التحسين
ما البدائل المتاحة لدينا؟
التوصية
أي بديل يعطي أفضل نتيجة متوقّعة؟
من التنبؤ إلى القرار
تنبيه
من المرجّح أن يتجاوز الخط 3 الطاقة بنسبة 12%.
التوصية
انقل أمرين إلى الخط 2.
المحاكاة
تحقّق من أثر التغيير قبل تحديث الخطة.
الخطة الحالية
وفق الجدول
15:12
السيناريو أ
+4 مشغّلين
14:31
السيناريو ب · موصى به
نقل أمرين
14:16
الأثر على الأعمال
العمل الإضافي ↓
ساعات عمل إضافي غير مخطّطة أقل
الانتظار ↓
توقفات وانتظار أقل
الإنتاجية ↑
إنتاج أكبر من الخطوط الحالية
الالتزام بالمواعيد ↑
التزام أعلى بمواعيد التسليم
التكلفة الحالية القابلة للتفادي: 3,000,000 PLN
إمكانات التوفير
450,000 PLN
/ سنة
≈ 37,500 PLN / شهر
تُظهر المحاكاة الحجم المحتمل للأثر ولا تشكّل ضمانًا للنتيجة. تعتمد النتيجة الفعلية على العمليات وجودة البيانات ونطاق التنفيذ.
اطّلع على كيفية استخدام INVO لسجل التنفيذ الفعلي في التنبؤ بزمن الإنتاج والأحمال الزائدة ومخاطر التأخير.