תעשייה וייצור

אם אתם מנהלי תפעול במפעל, AI מצדיק את עצמו בשלושה מקומות בדיוק: תחזית מכירות וביקושים שההנהלה באמת מתכננת לפיה, כיסוי בקרת איכות שדגימות ידניות לא מסוגלות להגיע אליו, ותזמון טוב יותר של המכונות והאנשים שכבר יש לכם. אנחנו עסקנו שנים בראשון מביניהם עבור יצרנים אמיתיים, כולל שירות תחזיות של שלוש שנים ליצרן תעשייתי בשוק האמריקאי, שבו כל תחזית חודשית נבחנה מול תוצאות אמת. אנחנו בונים את המודל, משלבים אותו במחזור התכנון שלכם, ועוקבים אחרי הטעות שלו בגלוי. תחזית שאף אחד לא בוחן היא דעה, לא כלי.

מה AI באמת עושה ברצפת הייצור?#

הראיות מהתעשייה ספציפיות, ואנחנו מסמנים את המקורות ביושר:

• בקרת איכות עוברת מדגימה לכיסוי מלא. על פי ההודעה הרשמית של Audi על מפעל נקרסולם, מערכת AI שקוראת נתונים קיימים מבקרי הריתוך מנתחת כ-1.5 מיליון נקודות ריתוך במשמרת, במקום בדיקת אולטרסאונד מדגמית של כ-5,000 נקודות לרכב. הנתונים כבר היו שם; המודל הפך אותם לשמישים.
• שיפור תפוקה בלי מכונה חדשה אחת. Kanfit, יצרן תעופה ישראלי, החליף תזמון ייצור מבוסס אקסל בתזמון מבוסס AI: התפוקה עלתה ב-15% בהתחלה והגיעה לשיפור של 30% תוך חצי שנה, ללא רכישת מכונות. זהו ‘סיפור לקוח’ של ספק עם לקוח בשמו המלא, ולכן יש להתייחס לאחוזים המדויקים בזהירות, אבל צורת התוצאה היא העיקר: תוכנה מול נכסים קיימים.
• תכנון ביקושים שמזיז את השורה התחתונה. Danone צמצמה את טעות התחזית ב-20% ואת המכירות האבודות ב-30% עם תכנון ביקושים מבוסס ML שמכיר במבצעים, על פי סיפור הלקוח של הספק. תחזית משתלמת כשהיא מחוברת להחלטת ההזמנה והתכנון, לא כשהיא חיה במצגת.

אף אחד מהנתונים האלה אינו פרויקט שלנו, ולעולם לא נציג אותם ככאלה. זהו בסיס הראיות למה שהטכנולוגיה עושה כשהיא עובדת באמת.

מה בנינו בפועל עבור יצרנים?#

• שלוש שנים של תחזיות שההנהלה באמת השתמשה בהן. עבור יצרן תעשייתי מקבוצת Mueller הפועל בשוק האמריקאי (כ-70 מיליון דולר מחזור שנתי), פיתחנו, הטמענו וליווינו לאורך שלוש שנים שירות תחזיות חודשי: תחזית מכירות רב-אופקית (חודשית ושנתית) על בסיס אנסמבל מודלים, שהוגשה ישירות לישיבות התכנון של המנכ״ל והנהלת המכירות. כל תחזית נבחנה מול תוצאות אמת בדוח ביצועים שנתי, עם מעקב טעות ל-3 ול-12 חודשים. סביב הליבה סיפקנו פילוח לקוחות, תחזית ייעודית ללקוחות ענק, זיהוי אגירת מלאי אצל לקוחות, ניתוח נטישת לקוחות, שכבת הסברים לתחזית וניתוח מכירות גיאוגרפי. מכתב המלצה מהמנכ״ל שמור אצלנו.
• תחזית ביקושים רב-אזורית ליצרן גלובלי בתחום טכנולוגיות המים. פיתחנו ותיקפנו על נתוני אמת תחזיות ביקושים רבעוניות ברמת משפחת מוצר בחמישה אזורי מכירה (אירופה, בריטניה, ארה״ב, אוסטרליה, סין), תוך איחוד מכירות ישירות עם העברות מלאי בין-חברתיות, כולל הרחבה לניתוח נטישה ולניתוח מכירות גיאוגרפי.
• תחזית הובלה ימית ומטבע להחלטות יבוא. עבור יצרן פלסטיק אפיינו ותכננו כלי תחזית למחירי הובלה ימית ולשערי מטבע, ככלי קבלת החלטות לרכש.

הפעלים מכוונים בדיוק למה שקרה: פיתחנו והטמענו זה פיתחנו והטמענו; אפיינו ותכננו זה שלב שלא המשיך מעבר לתכנון. אנחנו לא מנפחים.

התכנון אצלנו רץ על ניסיון ותחושת בטן. מאיפה מתחילים?#

מאותו מקום שבו התחיל לקוח הדגל שלנו: מהנתונים שכבר יש לכם. היסטוריית הזמנות מה-ERP, נתוני משלוחים ונתוני לקוחות מספיקים בדרך כלל כדי לבנות תחזית ראשונה ולבחון אותה מול העבר שלכם עצמכם, לפני שמישהו מתחייב למערכת. שלב האפיון מסתיים בתשובה בדוקה, ולפעמים התשובה היא “הנתונים שלכם עוד לא מסוגלים לשאת את זה”. עדיף לשמוע את זה עכשיו מאשר אחרי שנה של פיתוח.

הצוות באמת ישתמש בזה?#

זו השאלה הנכונה, כי הפער בין מודל להחלטה הוא המקום שבו AI תעשייתי מת. פרויקט הדגל שלנו עבד כי המסירה הייתה מחזור חודשי קבוע שנכנס לישיבת הנהלה קבועה, כשדוח הטעות של התחזית עצמה מונח על השולחן לידה. כשמתכנן רואה איפה המודל טעה ברבעון שעבר, הוא סומך עליו מספיק כדי להשתמש בו ברבעון הנוכחי. אנחנו מתכננים את הלולאה הזאת, לא רק את המודל. מטרתנו היא מתן יכולת תכנון קדימה לדרג הניהולי, אשר תאפשר ‘ניהול’ ולא תגובתיות.