Blog - Optimalno planiranje poslovanja uz pomoć algoritama strojnog učenja
Adacta novosti

Kupujete novi stroj? Jeste li razmišljali o optimalnom planiranju?

Rast poslovanja u kategoriji proizvodnje ovisi o sposobnosti tvrtke da proizvede što više proizvoda. Ako se broj narudžbi poveća i proizvodni kapaciteti dostignu maksimum radne sposobnosti, rukovodeći tim mora razmisliti o ulaganju u nove proizvode za povećanje proizvodnog kapaciteta.

Zbog visokih troškova ulaganja i ograničenih kapaciteta proizvodnih pogona kupovina novih strojeva nije uvijek laka odluka. Tvrtke značajno ulažu u nove strojeve kojima žele povećati proizvodne kapacitete objekta. Kada bismo mogli pronaći inteligentniji način poslovne organizacije, ne bismo samo brže proizvodili, nego bismo i povećali proizvodni kapacitet eliminirajući potrebu za nabavkom novih i skupih strojeva.

PLANIRANJE POSLOVANJA VAŽAN JE DIO POSLOVNOG PROCESA UNUTAR PROIZVODNOG POGONA.

Učinkovito planiranje poslovanja ključno je za pravovremenu isporuku narudžbi, nabavku sirovina i radne snage i, u konačnici, za optimizaciju dobiti. Pokazalo se, međutim, da je planiranje poslovanja zahtjevan proces, da postoji mnogo različitih mogućnosti te da se zahtjevi unutar proizvodnog pogona mijenjaju velikom brzinom. U ovome članku predstavit ćemo poslovno rješenje koje smo razvili kod jednog od naših klijenata iz proizvodne industrije. Naime, koristeći poslovno rješenje izgrađeno upotrebom algoritama strojnog učenja i umjetne inteligencije, tvrtka je uspjela optimizirati njezinu organizaciju poslovanja, što je imalo značajan učinak na ukupnu dobit. Tvrtka se bavi ispisom različitih grafičkih proizvoda i tinta je jedan od osnovnih materijala za rad. Prije samog projekta analizirali smo njihove procese poslovanja i uvidjeli da upravo planiranje procesa poslovanja predstavlja problem. Uveli smo sustav koji u stvarnom vremenu prati proizvodnju na svim strojevima, vizualizira i javlja trenutni status svakog stroja te izračunava najučinkovitiji raspored radnih zadataka.

U bazi podataka radnih naloga nalazi se skup radnih zadataka sastavljen od različitih elemenata. Ovisno o karakteristikama uzastopnih radnih naloga, jedan se nalog dovršava brže od drugog. Uzmimo, na primjer, čišćenje mlaznica pisača. Ako u spremnik s tintom ubacimo plavu boju i kasnije želimo upotrijebiti narančastu boju koristeći isti spremnik, izgubit ćemo više vremena na čišćenje spremnika, nego da smo za prvi ispis koristili zelenu boju, s obzirom na to da je zelena boja mješavina plave i žute boje, dok je narančasta mješavina žute i crvene boje.

Prikaz 1: Krug boja

NA OVAJ JEDNOSTAVAN NAČIN DOBILI SMO MOGUĆNOSTI ZAMJENE BOJA U JEDNOJ MLAZNICI PISAČA.

Postaje zanimljivo kada pokušamo isplanirati radne zadatke s tri do osam boja na tri stroja sa šest mlaznica, od kojih svaki ima različitu brzinu rada, a samo se jedan koristi tehnologijom za ispis određene vrste. Možemo birati između više od 200 različitih nijansi boja. Najvažnije od svega: moramo imati na umu da svaki radni zadatak ima obećani rok isporuke i moramo osigurati da se taj rok ispoštuje.

Već smo spomenuli brojne parametre na koje treba obratiti pažnju i uskladiti ih. Kako postoji velik broj kombinacija, potrošili bismo previše vremena na ručno računanje (bilo bi to praktički neizvedivo). Vremenska složenost problema s tri stroja iznosi n!3^n. Zanimljivo: za 42 narudžbe postojalo bi toliko različitih kombinacija koliko ima atoma na Zemlji; za 59 narudžbi broj mogućih kombinacija bio bi jednak broju svih atoma u svemiru. Ovakvi se problemi u računarskoj znanosti nazivaju NP potpuni problemi. To znači da je izrazito teško, čak i pomoću računala, ispitati sva moguća rješenja i doći do onog najboljeg jer postoji previše mogućih kombinacija. Ako biste htjeli istražiti sve moguće redoslijede za 190 radnih zadataka, morali biste ih provjeriti više od 190!

BUDUĆI DA SE PROIZVODNI PROCES NEPRESTANO RAZVIJA, ON SE I NEPRESTANO MIJENJA.

Narudžba je izdana, ispisana, proizvod je dovršen te više nema potrebe za planiranjem. S druge strane, nove narudžbe neprestano se izdaju i sve se moraju uklopiti u postojeći plan. Stoga trebamo sustav koji će ažurirati plan u stvarnom vremenu novim radnim zadacima. Potrebna je metoda pomoću koje se u bilo kojem trenutku može pronaći bolji redoslijed radnih zadataka ovisno o broju dodanih ili poništenih narudžbi. Taj plan možemo promatrati kao živi organizam koji se neprestano mijenja. Darwin je rekao da opstanak vrste ne ovisi o njezinoj snazi ili inteligenciji, nego o njezinoj mogućnosti prilagodbe na promjene. Možemo promatrati jedno potencijalno rješenje kao predmet u nizu. Možemo međusobno uspoređivati više pojedinaca da bismo u danoj populaciji odabrali one koji su najbolji za rješenje određenog problema. Međutim, zbog procesa promjene, najbolji pojedinac u populaciji neće uvijek biti isti i često će se mijenjati. Ovu pojavu objašnjava Darwinova nadahnuta metoda nazvana genetski algoritam.

POJAŠNJENJE GENETSKOG ALGORITMA.

Da biste razumjeli genetski algoritam zamislite da moramo sastaviti najbolju nogometnu momčad na svijetu od jedanaest ljudi. Pretpostavimo da možemo izmjeriti kvalitetu momčadi kada je u igri svih 11 igrača. To zovemo funkcijom cilja koja nam daje određeni rezultat. Funkcija uzima u obzir različite značajke za procjenu igre u napadu i obrani, cijene pojedinih igrača, mjeri se njihova povezanost te se na temelju tih svojstava izračunava rezultat.

Budući da postoji prevelik broj mogućnosti i previše ljudi na svijetu, a raspolažemo ograničenim sredstvima za procjenu različitih momčadi, moramo se koristiti različitim metodama za izmjenu igrača. U prvom krugu sastavljamo nekoliko momčadi i rangiramo ih na osnovi funkcije cilja. U idućem krugu želimo sastaviti nove momčadi i ostaviti nekoliko postojećih da bismo pronašli momčad s najboljim rezultatom. Naravno, neke od najbolje rangiranih momčadi uključene su u drugi krug (ova metoda naziva se „elitizam"). Zatim odaberemo bilo koje dvije momčadi i zamijenimo neke od igrača da bismo dobili dvije nove momčadi. To nazivamo metodom križanja kojom se omogućava nekim igračima da se bolje uklope u drugu momčad. Metodu ponavljamo nekoliko puta. Moguće je da se opisanim metodama jednostavno ne može pronaći bolja momčad, što znači da je dosegnut lokalni optimum. Tada pribjegavamo metodi mutacije kojom nasumično pronalazimo nekog igrača u svijetu i zamijenimo ga igračem iz momčadi. Korištenjem te metode genetski algoritam uspijeva „zaobići" lokalni optimum i pronalazi bolje rezultate. Nakon nekoliko ponavljanja uspijevamo sastaviti jako dobru momčad, ali nikad ne možemo znati je li i najbolja. Igrači s vremenom ostare i pojavljuju se novi, mlađi igrači s drugačijim talentima, stoga uvijek moramo iznova vršiti provjere, mijenjati momčadi i tražiti bolja momčadska rješenja.

Prikaz 2: Lokalni i globalni optimum. Genetski algoritam pretražuje prostor i pokušava se približiti što je više moguće globalnom optimumu

Sličnim smo se metodama koristili da bismo pronašli najbolji redoslijed radnih zadataka za spomenutu tvrtku; jednog od naših klijenata, s time da smo nogometne igrače zamijenili radnim zadacima. Zbog promjenjive prirode samog problema algoritam neprestano traži najbolje rješenje korištenjem ranije opisanih metoda. Ispostavilo se da algoritam pronalazi adekvatno rješenje u samo nekoliko ponavljanja, čime se smanjuje i vrijeme potrebno za izvršenje jednakog broja radnih zadataka, i to samo zbog bolje organizacije radnih zadataka.

NA SVAKOJ STATUSNOJ TRACI POTREBNO VRIJEME ZA PROIZVODNJU SMANJILO SE ZA OKO DVA, SATA ŠTO JE REZULTIRALO ZNAČAJNIM SMANJENJEM BROJA RADNIH SUBOTA.

Tvrtka je i smanjila broj kašnjenja isporuka.


Prikaz 3: Primjer prikaza narudžbe na ekranu

Crvena linija predstavlja trenutno vrijeme, crveni kvadrat označava radni zadatak čiji je dovršetak trajao predugo, tamno plava boja ispred crvene linije označava zadatak koji je izvršen na vrijeme. Sustav prati status zadataka tako da treperi plavo (ako je preostalo još vremena za dovršetak) ili crveno (ako je vrijeme isteklo). Za planirane zadatke (prikazani desno od crvene linije) prikazuje se jesu li dovršene potrebne prethodne radnje.

OVAKAV SUSTAV OMOGUĆIO NAM JE POVEĆANJE PROIZVODNOG KAPACITETA STROJEVA, A TVRTKI JE OMOGUĆIO DA PROIZVEDE VIŠE NARUDŽBI BEZ ULAGANJA U NOVA PROIZVODNA POSTROJENJA.

Rezultat je nekoliko stotina tisuća eura dodatne zarade, što je značajan porast prihoda u odnosu na veličinu ovog proizvodnog pogona. Uvođenjem najsuvremenijih algoritama pokazali smo da je moguće koristiti se znanjem iz akademskog područja u malim i srednjim proizvodnim tvornicama i da je moguće primijeniti ga u rješavanju problema realnog svijeta. Ti su problemi rješivi, a primjena optimalnih rješenja može imati izravan utjecaj na ukupnu dobit, što je vidljivo u vrlo kratkom vremenu.

Iskustvo je pokazalo da u mnogim tvrtkama još uvijek ima prostora za poboljšanja i da se postojeći sustavi i algoritmi nedovoljno uvode i primjenjuju u svakodnevnim zadacima koji se nastavljaju rješavati ručno.

Ovim smo projektom u djelo proveli i poboljšali nekoliko procesa u proizvodnom ciklusu i pokazali u kojoj mjeri znanosti može pomoći industriji.

Autor: Martin Frešer, Data Scientist, ADACTA

-> Saznajte više o rješenjima izgrađenim korištenjem umjetne inteligencije

Kontaktirajte nas

Trebate više informacija? 

Kontaktirajte nas