Dati che l'azienda ha già, usati per decidere meglio
Le aziende manifatturiere producono ogni giorno dati preziosi (ordini, distinte base, fasi di lavorazione, tempi, costi) che raramente vengono usati per prevedere. Ho lavorato con aziende manifatturiere italiane portando in produzione modelli che trasformano questi dati in previsioni e decisioni.
Cosa realizzo
- Previsione di tempi e date di consegna a partire dalla distinta base e dallo storico delle lavorazioni.
- Stima dei costi di una commessa prima che venga prodotta.
- Pianificazione della produzione con reinforcement learning, che impara dai dati invece di seguire regole scritte a mano.
- Configuratori intelligenti che trasformano le specifiche tecniche del cliente in configurazione, distinta base e data di consegna.
- Previsione della fase in cui si trova una commessa e dei materiali necessari.
- Assistenti AI dentro l'ERP per ridurre i tempi di coordinamento tra reparti.
Come funziona
- Raccolta e pulizia dei datiSi parte dai dati di ERP, MES e fogli di lavoro, spesso incompleti: metà del lavoro è renderli affidabili.
- Il modello adatto al problemaReti neurali ricorrenti per le serie temporali, reti neurali su grafo per le distinte base, reinforcement learning per la pianificazione: il modello si sceglie in base al problema, non alla moda.
- Integrazione nell'ERPI modelli in Python vengono esposti tramite API e usati direttamente nell'ERP (ad esempio .NET e Angular), con tempi di risposta adatti all'uso quotidiano.
- Verifica sul campoLe previsioni vengono confrontate con i risultati reali, e il modello migliora con i nuovi dati.
Casi reali
Per Extrema, un configuratore con reti neurali su grafo stima tempi di lavorazione e data di consegna in meno di dieci minuti. Per Dekali, un assistente LLM e uno scheduler basato su reinforcement learning, integrati nell'ERP, hanno ridotto il coordinamento tra reparti da ore a secondi.
DNN + GNN trasformano le specifiche del cliente in una distinta base completa e in una data di consegna affidabile in pochi minuti. Il chatbot LLM riduce i tempi di risposta interni del 60%.
Assistente LLM + scheduler RL integrati in un ERP manifatturiero. Riduce il coordinamento tra reparti da ore a secondi.
Lettore CAN-bus e certificazione automatica dei test batteria per la pipeline di accettazione di Voltfang.
Tecnologie
Approfondimenti
Una retrospettiva sulla sostituzione di uno scheduler basato su regole in Dekali con una policy RL — e sulle regole tacite che nessuno aveva mai scritto.
Prevedere in quale fase si trova un job e quanto costerà al momento della spedizione, partendo da telemetria che nessuno aveva mai conservato.
Come abbiamo codificato i componenti dei montascale come grafo e usato il message-passing per prevedere tempo di processo e data di consegna in meno di dieci minuti.
Una rete neurale profonda che trasforma le specifiche tecniche del cliente nella configurazione ottimale del montascale, nella distinta base completa e in una data di consegna su cui il commerciale può davvero impegnarsi.
Domande frequenti
Servono tanti dati per partire?
Servono dati storici coerenti più che enormi. La prima fase del progetto verifica proprio la qualità e la quantità dei dati disponibili, prima di scegliere il modello.
Funziona con il nostro ERP?
I modelli vengono esposti tramite API e possono essere integrati nella maggior parte dei gestionali. Nei progetti che ho seguito l'integrazione è avvenuta in ERP basati su .NET e Angular.
Il reinforcement learning è adatto a una PMI?
Può esserlo quando le regole di pianificazione sono molte, cambiano spesso e sono in parte non scritte. In quei casi un modello che impara dai dati storici può superare le euristiche costruite a mano.
Quanto sono affidabili le previsioni?
Si misura sui dati reali dell'azienda, confrontando nel tempo previsioni e risultati. Le previsioni vengono presentate con il loro grado di incertezza, così l'ufficio tecnico sa quando fidarsi e quando verificare.