2024: Saku Metall Allhanketehase tarnekindluse parendamise testimine läbi varajase eelhoiatussüsteemi

Demoprojektis käsitleti väljakutset, mis on seotud sisenevate tellimuste töötlemisega. Projekti peamine eesmärk oli tuvastada tellimused, mis sisaldavad kriitilisi detaile või materjale, mille tarneajad võivad olla pikad ning mis vajavad seetõttu kohest tähelepanu. 

Selleks katsetasime kohandatud tehisintellektipõhist tööriista, mis tugineb assotsiatsioonireeglite kaevandamise (Association Rule Mining, ARM) meetoditele, olles samal ajal kohandatud ettevõtte andmekogumi struktuuri ja eripäradega. 

Testitud lahendus kasutab andmeanalüüsi mõõdikuid, nagu tugi (support) ja usaldusväärsus (confidence), mida kasutatakse tavapäraselt Apriori algoritmis, ning uudset märgistusstrateegiat, mis on spetsiaalselt välja töötatud mitmetasandiliste materjaliloendite (multi-level Bill of Materials, BOM) analüüsimiseks. Selline lähenemine võimaldab tuvastada harva esinevaid ja unikaalseid komponente või materjale BOM-i andmetes. 

Esialgsed testid kinnitasid, et kohandatud lahendus pakkus parimat üldist tulemuslikkust, olles täpne, kiire ja ressursisäästlik, ületades tavalise Apriori algoritmi tulemused.