Prognozowanie popytu z wykorzystaniem sztucznej inteligencji w produkcji: od lepszej prognozy do lepszego planu produkcji

Prognoza produkcji może wydawać się rozsądna pod koniec roku, podczas gdy fabryka przez cały rok walczy z nią. Zakupy przyspieszają dostawy materiałów. Reorganizacja produkcji wymusza zmiany w organizacji pracy. Obsługa klienta wyjaśnia kolejne opóźnienie. Każdy zespół dostrzega część problemu, ale spotkanie planistyczne może i tak rozpocząć się od uspokajającej łącznej liczby.

Prognozowanie popytu z wykorzystaniem sztucznej inteligencji (AI) w produkcji jest przydatne, gdy pomaga ludziom podejmować lepsze decyzje, zanim koszty się skumulują. Bardziej zaawansowana prognoza to tylko jeden z elementów tego procesu. Firma potrzebuje również aktualnych informacji, wykonalnego planu produkcji i ludzi, którzy mogą reagować na wyjątki.

W webinarium Embiggen X w języku francuskim Camille Sickert omawia to wyzwanie ze Stéphane'em Falletem i Nicolasem Souvlakisem. Ich rozmowa przechodzi od ukrytych kosztów statycznych prognoz do praktycznego pytania o to, jak testować sztuczną inteligencję w rzeczywistych warunkach. Ten artykuł w języku angielskim rozwija te idee w ramy planowania. Poniższe przykłady i listy kontrolne są ilustracjami redakcyjnymi, a nie wynikami uzyskanymi od klientów.

01 Obejrzyj webinarium

Obejrzyj poniżej „IA dans l'industrie suisse: Optimiser la planification coûte cher”. Nagranie jest po francusku; w tym artykule znajdziesz wyjaśnienie w języku angielskim. Lokalne znaczniki czasu transkrypcji mogą nieznacznie różnić się od wersji z YouTube.

Dyskusja dotyczy przyczyn dezaktualizacji prognoz, informacji, którymi dysponuje już producent, sposobu, w jaki asystent AI może wspierać planistę, oraz porównania małego pilotażu z istniejącym procesem. Kluczowe pytanie ma charakter praktyczny: jaką decyzję planistyczną zespół mógłby ulepszyć bez konieczności przebudowy całej firmy?

02 Dlaczego dokładna suma może nadal skutkować kosztownym planem

Wyobraź sobie producenta spodziewającego się popytu na 400 sztuk w ciągu czterech tygodni. Jego plan zakłada 100 sztuk tygodniowo. Rzeczywisty popyt wynosi 160, 120, 80 i 40 sztuk. Obie wartości to 400, ale pierwsze dwa tygodnie wymagają więcej produktu niż przewiduje plan. W zależności od początkowych zapasów i mocy produkcyjnych, zespół może napotkać niedobory, nadgodziny lub kosztowne zmiany w harmonogramie.

To przykład ilustrujący, a nie obliczenie błędu prognozy ani stwierdzenie dotyczące klienta. Pokazuje on, dlaczego poprawna suma nie dowodzi, że prognoza była przydatna w momencie podejmowania decyzji. Okres, rodzina produktów i czas realizacji użyte do oceny wydajności muszą być zgodne z decyzją, na którą wskazuje prognoza.

Webinarium rozpoczyna się od kolejnego źródła kosztów: zmiany informacji po sporządzeniu prognozy. Pojawia się nowe zamówienie, maszyna staje się niedostępna lub dostawca modyfikuje dostawę. Prognoza, którą wczoraj można było obronić, może już nie wspierać dzisiejszych priorytetów produkcyjnych. Lepsza widoczność ma znaczenie tylko wtedy, gdy pojawi się, zanim zespół straci możliwość reagowania.

Zacznij od prześledzenia jednego z ostatnich zakłóceń w firmie. Co się zmieniło? Kiedy ktoś po raz pierwszy się o tym dowiedział? Kiedy dział planowania to dostrzegł? Które zobowiązania zostały już wtedy zrealizowane? Te pytania ujawniają, czy bezpośrednim problemem jest prognozowanie, opóźnienie informacji, pojemność, czy też odpowiedzialność za podejmowanie decyzji. Zakup modelu prognostycznego przed udzieleniem odpowiedzi może pozostawić rzeczywiste ograniczenie nietknięte.

03 Oddziel prognozowanie popytu od planowania produkcji

Prognozowanie popytu szacuje, czego klienci prawdopodobnie będą potrzebować w określonym horyzoncie czasowym. Planowanie produkcji decyduje, jak reagować na ograniczenia dotyczące materiałów, sprzętu, siły roboczej i dostaw. Prognoza może stanowić podstawę tego planu, nie czyniąc go wykonalnym.

Na przykład silniejszy sygnał popytu nie tworzy dostępnego slotu maszyny. Prawdopodobna prognoza zamówień na przyszły miesiąc nie rozstrzyga minimalnej wielkości zamówienia u dostawcy. Niższy średni błąd nie podpowiada planiście, którego klienta należy chronić, gdy dwa zlecenia konkurują o ten sam zasób.

Przed wyborem technologii należy jasno określić decyzję. „Poprawa prognozowania” to zbyt szerokie pojęcie jak na pierwszy projekt. „Pomóc planiście porównać wykonalne harmonogramy dla jednej rodziny produktów po opóźnieniu u dostawcy” opisuje zdarzenie, użytkownika, ograniczony proces i decyzję. Określa również informacje, które rozwiązanie musi posiadać poza historią sprzedaży.

Badania prognostyczne stanowią tu użyteczną dyscyplinę. Hyndman i Athanasopoulos zalecają ocenę prognoz na podstawie danych nieużywanych do dopasowania modelu i porównanie ich z prostymi metodami porównawczymi. Ich omówienie przedziałów predykcyjnych również uwidacznia niepewność, zamiast przedstawiać jedną liczbę jako pewną. Zasady te pomagają w testowaniu komponentu prognostycznego; same w sobie nie dowodzą, że wynikające z nich decyzje produkcyjne są lepsze. Prognozowanie: zasady i praktyka

04 Połącz informacje potrzebne do podjęcia jednej decyzji

W webinarium Nicolas podważa założenie, że producent musi dysponować idealnie ustrukturyzowanymi informacjami, zanim rozpocznie pracę. Odpowiedni kontekst może już istnieć w rekordach ERP, arkuszach kalkulacyjnych i dokumentach. Pierwszym zadaniem jest zlokalizowanie informacji wymaganych dla konkretnego procesu i ocena, czy można je niezawodnie wykorzystać.

Nie oznacza to jednak, że jakość danych przestaje mieć znaczenie. Czytanie arkusza kalkulacyjnego lub pobieranie daty dostawy z pliku PDF to co innego niż wiedza, że data jest aktualna, zatwierdzona i dołączona do prawidłowego zamówienia. Asystent łączący dwa niezgodne identyfikatory produktów może przedstawić dopracowane wyjaśnienie niewłaściwej sytuacji.

W przypadku pierwszego planowania należy sporządzić inwentaryzację następujących źródeł:

• Historia zamówień i otwarte zamówienia, ze zidentyfikowanymi anulowanymi zamówieniami i nietypowymi zamówieniami.
• Dostępne zapasy i zapasy planowane, według ustalonych definicji.
• Terminy realizacji dostaw i aktualizacje dostaw od dostawców, w tym informacje o tym, kto je obsługuje.
• Zdolność produkcyjna, planowane przestoje i istotne ograniczenia harmonogramu.
• Wiedza planisty na temat wyjątków, priorytetów klientów i decyzji wymagających zatwierdzenia.

Rejestruj właściciela, częstotliwość aktualizacji i znane ograniczenia każdego źródła. Zapytaj, które informacje są wiarygodne, gdy dane się nie zgadzają. Określ, co asystent powinien zrobić w przypadku braku kluczowego elementu: zgłosić lukę, poprosić o potwierdzenie lub odmówić rekomendacji zmiany. Ciche uzupełnienie brakującej wartości to marny substytut ustalonej reguły działania.

Nasza strona produktu DataCore wyjaśnia koncepcję połączonych danych w podejściu Embiggen. W kontekście planowania w tym artykule, najważniejsza zasada jest węższa: połącz dowody potrzebne do podjęcia wybranej decyzji i zachowaj sposób na ich prześledzenie do źródła. Zakres integracji i dostęp nadal wymagają oceny.

05 Potraktuj asystenta AI jak nowego współpracownika w planowaniu

Nicolas używa w webinarium pomocnej analogii: wyobraźmy sobie asystenta jako nowego pracownika. Może on pomóc w szybkim uporządkowaniu informacji, ale nadal musi nauczyć się słownictwa, ograniczeń i oczekiwań organizacji. Analogia ta jest sposobem na zaprojektowanie onboardingu, a nie dowodem na to, że system rozumie firmę jak człowiek.

Przydatnym pierwszym zadaniem może być przygotowanie specyfikacji wyjątku. Po zmianie w dostawie asystent zbiera zamówienia, których to dotyczy, identyfikuje niepewne dane wejściowe i przedstawia planiście opcje do przeanalizowania. Każda opcja powinna wyjaśniać swoje założenia i ograniczenia, które uwzględnia. Wynik powinien ułatwić kolejną dyskusję, zamiast wymagać od planisty inżynierii wstecznej rekomendacji.

Daj asystentowi pisemny opis stanowiska. Określ, z jakich źródeł może korzystać, jakie decyzje może rekomendować i jakich działań nie może podejmować. Określ, kto kontroluje jego pracę i jak zgłaszany jest błąd. Zmiana zlecenia produkcyjnego, powiadomienie klienta lub zobowiązanie wobec dostawcy powinno wymagać wszelkich uprawnień, jakie firma zdefiniowała dla tej czynności.

Informacja zwrotna również potrzebuje mechanizmu. Gdy planista odrzuci rekomendację z powodu brakującego ograniczenia, należy zarejestrować przyczynę i zaktualizować odpowiednią regułę lub konfigurację w ramach kontrolowanego procesu. Nie należy zakładać, że model automatycznie uczy się na podstawie każdej korekty. To, czy informacja zwrotna zmieni przyszłe zachowanie, zależy od sposobu budowy i utrzymania systemu.

06 Niech planista bierze odpowiedzialność za kompromisy

Webinarium przedstawia sztuczną inteligencję jako wsparcie dla planisty, a nie jako powód do pozbawienia go tej roli. Praca może przesunąć się z gromadzenia i uzgadniania informacji na koordynację decyzji w zespołach ds. zakupów, produkcji i obsługi klienta. Ta zmiana jest przydatna tylko wtedy, gdy planista może weryfikować i kwestionować rekomendacje.

Rozważ dwie możliwe odpowiedzi na opóźniony komponent. Jedna pozwala zachować dostawę do głównego klienta, ale wymaga zmiany harmonogramu. Druga pozwala uniknąć zakłóceń na linii, ale opóźnia dostawę do klienta. Asystent może zebrać dowody i przedstawić konsekwencje, które jego dane wejściowe pozwalają mu obliczyć. Priorytety zarządzania, relacje i wyjątki nadal wymagają odpowiedzialnego decydenta.

Praktyczna analiza powinna zawierać trzy pytania: które dane wejściowe przemawiają za tą opcją, jakie ograniczenia zostały zastosowane i co zostało pominięte? Jeśli system nie może odpowiedzieć, pozorna szybkość może generować dodatkową pracę kontrolną. Należy mierzyć ten wysiłek kontrolny jako część pilotażu, zamiast traktować czas potrzebny na wygenerowanie odpowiedzi jako całą korzyść.

Daj planistom jasną drogę do wyrażenia sprzeciwu. Uchwyć nadpisania i ich przyczyny, nie traktując każdego nadpisania jako porażki. Czasami model coś przeoczył; czasami zmieniła się reguła działania. Oba te elementy stanowią cenny dowód na to, czego potrzebuje system, zanim jego zakres się rozszerzy.

07 Zacznij od jednej rodziny produktów i testu równoległego

Stéphane zaleca zrozumienie działania systemu przed wdrożeniem pierwszego przypadku użycia. Obserwuj, jak decyzja planistyczna przechodzi między ludźmi a systemami. Znajdź arkusze kalkulacyjne, które są powiązane z systemem ERP, zatwierdzenia, które odbywają się nieformalnie, oraz wyjątki, które sprawiają, że pozornie standardowy proces różni się w praktyce.

Następnie wybierz rodzinę produktów lub decyzję z możliwymi do opanowania granicami. Poszukaj powtarzającego się problemu w planowaniu, dostępnych dowodów i właściciela, który może ocenić wynik. Pilotaż obejmujący każdą lokalizację i każdy produkt jest trudny do zdiagnozowania. Demonstracja na idealnie czystej, ale niereprezentatywnej próbie może być równie myląca.

Nicolas opisuje w dyskusji przykład testu równoległego trwającego od sześciu do ośmiu tygodni. Nie jest to uniwersalny harmonogram wdrożenia. Dostęp do danych, integracja, złożoność operacyjna i częstotliwość podejmowania decyzji wpływają na to, czego można się nauczyć w danym okresie. Proces z niewielką liczbą istotnych zdarzeń może wymagać innego projektu ewaluacji.

W teście równoległym istniejący proces pozostaje odpowiedzialny za operacje, podczas gdy proponowany asystent przygotowuje rekomendacje do porównania. Zapisz, jakie informacje były dostępne w momencie podejmowania decyzji. Jeśli później ocenisz asystenta na podstawie faktów, które stały się znane dopiero później, dajesz mu przewagę, której planista nie miał.

Prowadź dziennik decyzji: sytuację, reakcję bazową, rekomendację asystenta, komentarze recenzenta i zaobserwowany rezultat. W przypadku braku wdrożenia rekomendacji, odróżnij proponowaną korzyść od osiągniętego rezultatu. Przekonujący alternatywny harmonogram nie stanowi dowodu na to, że firma osiągnęłaby przewidywane oszczędności.

08 Mierz wyniki biznesowe i prognozuj jakość

Uzgodnij kryteria sukcesu przed rozpoczęciem pilotażu. W przeciwnym razie przekonująca demonstracja może stać się kryterium sukcesu po fakcie. Wybierz mały zestaw miar, które odzwierciedlają pierwotny problem i mogą być systematycznie gromadzone.

• Prognoza wydajności na poziomie produktu i horyzontu czasowego przyjętego w decyzji planistycznej.
• Czas od otrzymania wyjątku do przygotowania zweryfikowanej odpowiedzi.
• Przejrzyj wysiłki, w tym czas poświęcony na korygowanie lub badanie zaleceń.
• Zaplanuj zmiany, przyspieszenia lub wyniki usług istotne dla wybranego przypadku użycia.
• Incydenty związane z brakującymi danymi, naruszenia ograniczeń i powody pominięć planisty.

To są potencjalne środki, a nie obietnica, że wszystko się poprawi razem. Szybsze decyzje mogą początkowo wymagać dokładniejszej analizy. Poprawa jakości usług może wiązać się z kompromisem w zakresie zapasów. Określ, który wynik jest najważniejszy i które zabezpieczenia nie mogą ulec pogorszeniu, a następnie uzyskaj zgodę odpowiedniego właściciela firmy na te wybory.

Zachowaj jasne porównanie. Używaj tych samych definicji i porównywalnych przypadków oraz dokumentuj zmiany w popycie, obsadzie personelu lub wydajności dostawców, które mogłyby wyjaśnić wynik. Krótki pilotaż może dostarczyć użytecznych dowodów operacyjnych bez konieczności udowadniania ogólnego związku przyczynowego lub zwrotu, który będzie obowiązywał w każdej rodzinie produktów.

Decyzja o rozszerzeniu powinna zatem być konkretna: czy dowody uzasadniają użycie tego asystenta w tym procesie w ramach tych kontroli? Jeśli tak, należy rozszerzyć go celowo. Jeśli nie, należy zdecydować, czy problem dotyczy jakości danych wejściowych, logiki rekomendacji, integracji, wdrożenia, czy samego przypadku użycia.

09 Daj pilotowi właściciela firmy

Końcowa dyskusja powraca do kwestii odpowiedzialności za zarządzanie. Planowanie wpływa na usługi, kapitał obrotowy i zobowiązania produkcyjne, dlatego projekt potrzebuje kogoś, kto będzie w stanie znaleźć kompromisy między działami. Specjaliści ds. IT i danych są niezbędnymi partnerami, ale nie mogą sami decydować o priorytetach biznesowych.

Wyznacz właściciela operacyjnego, który rozumie decyzję, właściciela technicznego odpowiedzialnego za dostęp i niezawodność oraz sponsora, który może rozwiązać sprzeczne priorytety. Uwzględnij planistów, którzy będą korzystać z systemu, podczas definiowania zakresu i oceny wyników. Ich udział powinien rozpocząć się przed ukończeniem interfejsu.

Należy również ustalić, kto będzie utrzymywał proces po zakończeniu pilotażu. Kody produktów ulegają zmianie, dostawcy się zmieniają, a stare wyjątki stają się nowymi regułami. System rekomendacji bez odpowiedzialności za utrzymanie może stopniowo odbiegać od biznesu, który ma wspierać. Obowiązki związane z przeglądem, ścieżki eskalacji i granice uprawnień powinny pozostać niezmienne w początkowym zespole projektowym.

W szerszym kontekście zarządzania, zobacz, dlaczego transformacja AI w przedsiębiorstwie wymaga zaangażowania kierownictwa . Wkład tego webinarium polega na sprowadzeniu tej zasady do konkretnej decyzji planistycznej, którą można obserwować, testować i ulepszać.

10 Pytania przed rozpoczęciem

Czy musimy wymienić nasz system ERP?

Nie powinno to być domyślnym założeniem. Najpierw zidentyfikuj brakujące informacje i wsparcie decyzyjne w obecnym przepływie pracy. Ocena może ujawnić lukę w połączeniach, raportowaniu lub planowaniu, którą można wypełnić, korzystając z istniejących systemów. Wykonalność zależy od dostępu, integracji i samego procesu.

Czy sztuczna inteligencja potrafi pracować z arkuszami kalkulacyjnymi i plikami PDF?

Mogą to być przydatne dane wejściowe, ale zgodność formatu to dopiero początek. Sprawdź jakość ekstrakcji, definicje, aktualność i uprawnienia. Dokument, który można odczytać, nie jest automatycznie wiarygodnym źródłem decyzji produkcyjnych.

Czy asystent AI zastąpi naszego planistę?

Podejście omówione w tym webinarium pozwala planiście zaangażować się w przegląd opcji i koordynację działań. Zaprojektuj pilotaż wokół konkretnego zadania i zmierz pracę związaną z przeglądem, a także zaoszczędzoną dzięki niemu analizę. Nie wnioskuj o wynikach obsady personelu na podstawie udanej demonstracji.

Co powinniśmy przetestować w pierwszej kolejności?

Wybierz powtarzalną, ograniczoną decyzję, w której bieżąca trudność i jej konsekwencje są widoczne. Jedna rodzina produktów dotknięta opóźnieniami ze strony dostawców jest przykładem, a nie uniwersalną rekomendacją. Zacznij od problemu operacyjnego, który możesz zaobserwować i zmierzyć.

11 Wybierz decyzję przed modelem

Najważniejszym punktem wyjścia dla prognozowania popytu z wykorzystaniem sztucznej inteligencji w produkcji jest pytanie, na które Twój zespół musi już odpowiedzieć: co powinniśmy zmienić, gdy popyt, podaż lub moce produkcyjne się zmienią? Od tej decyzji należy zacząć od uzyskania wymaganych informacji, ograniczeń i uprawnień.

Dobry pierwszy projekt uwidacznia te powiązania. Pomaga planistom szybciej analizować opcje, pozwala na weryfikację założeń i dostarcza dowodów, które kierownictwo może wykorzystać do podjęcia decyzji o dalszych działaniach. Lepsza prognoza ma znaczenie, gdy operacja może przekształcić ją w lepszą reakcję.

Omów jeden z przepływów pracy związanych z planowaniem przy użyciu Embiggen X i oszacuj, czego wymagałby ograniczony test.