Samoučící se dodavatelský řetězec 


Self Learning Supply Chain

Nový trend budování samoučících se dodavatelských řetězců


Nejinovativnější světové firmy mají dvě společné charakteristiky: vynikající produkty a dodavatelské řetězce které využívají pokročilou analytiku dat.

Tito mistři designu, dat a znalostí mají dodavatelské řetězce které jsou mnohem pružnější a reakčnější než u konkurence.

Agentura Gartner uvádí že 70% firem používá pouze deskriptivní analytiku dat (popisující minulý stav), 15-25% používá prediktivní analytiku dat (popisující budoucí stav) a jen asi 1-5% používá preskriptivní analytiku dat (radící uživatelům jaké kroky mají udělat v návaznosti na analýzu skrytých trendů v datech).

Firmy bez preskriptivní analytiky dat se dostávají do problémů se špatným designem produktů, nepřesnými odhady, neefektivním plánováním a plýtváním. Jsou omezené  deskriptivní analytikou která hledí do minulosti, potřebují přejít od „Co se stalo ?“ na „Co se stane ?“ a „Jaké kroky máme podniknout ?“


V tradičním dodavatelském řetězci se vychází z mnoha předpokladů založených na lidských zkušenostech a pravidlech, jako např. odhad výrobního času v technologickém postupu nebo seřizovacího času stroje. Tím dochází k nepřesnostem které vedou k nespolehlivým plánům. Začíná to malou odchylkou – technologická operace trvá déle, než bylo plánováno - a brzy díky domino efektu hromadění nepřesností, je celý plán neplatný.

Naproti tomu se samoučící dodavatelský řetězec učí o firemních procesech nepřetržitou analýzou historických dat a generuje predikce klíčových ukazatelů výkonnosti a doporučení pro zlepšení plánování procesů. Například zachytí rozdíl mezi plánovaným a probíhajícím úkolem, analyzuje příčinu tohoto rozdílu a použije tuto znalost v budoucím plánování pro zmenšení této odchylky.


Odhad výrobního času jednotlivých operací v technologickém postupu.


Nepřesnosti odhadů technologických časů se pak dominovým efektem kumulují v nespolehlivých výrobních plánech.

Tři kroky procesu samoučícího se dodavatelského řetězce – krok 1: získávání dat


  • Získávání aktualizovaných dat v reálném čase z dodavatelského řetězce pomocí systému adaptivního řízení výroby MES (Manufacturing Execution System) 


  • Charakteristika zakázky
  • Data z výrobních terminálů
    • Seřizovací časy
    • Časy měření
    • Čekací časy
  • Data ze senzorů na strojích
    • Čas výrobního cyklu


  • Odstranění datového šumu způsobeného vlivem senzorů a jiných zdrojů šumu s využitím digitálních filtrů v toolboxu Matlabu Signal Processing

Data z výrobních terminálů.


Data z výrobních terminálů a senzorů na strojích v časové ose.


Odstranění datového šumu způsobeného vlivem senzorů a jiných zdrojů šumu s využitím digitálních filtrů v toolboxu Matlabu Signal Processing.

Tři kroky procesu samoučícího se dodavatelského řetězce – krok 2: získávání znalostí


Hluboké strojové učení (Deep Machine Learning)

Hluboké strojové učení (Deep Machine Learning) učí počítače dělat to, co lidé a zvířata dělají přirozeně – učit se ze zkušenosti. Algoritmy strojového učení používají výpočetní metody pro „učení se „ informacím přímo z dat bez spoléhání se na předem definovaný model. Algoritmy adaptivně zlepšují svoji výkonnost se vzrůstajícím počtem dat. Algoritmy analyzují historická data z proběhlých výrobních cyklů a identifikují skryté vzory v milionech datových bodů které lidé nejsou schopni zachytit jako např. vztahy mezi charakteristikami zakázky a seřizovacími časy a časy výrobního cyklu nebo jakýmikoliv jinými měřitelnými daty.


Systém bude obsahovat Deep Neural Convolutional Networks (hluboké neuronové konvoluční sítě) které simulují pochody v mozku pomocí umělé neuronové sítě, která má mnoho vnořených vrstev kde výstup z jednoho uzlu vrstvy je nelineární kombinací (konvolucí) všech vstupů z předchozí vrstvy. 


Nemůžete se ovšem jen tak podívat do hluboké neuronové sítě, abyste viděli, jak funguje. Síťový charakter je zakotven v chování tisíců simulovaných neuronů uspořádaných do desítek nebo dokonce stovek složitě propojených vrstev. Neurony v první vrstvě obdrží vstup, jako je amplituda signálu ze senzoru na zařízení, a potom provedou konvoluční výpočet před vygenerováním nového signálu. Tyto výstupy jsou propojeny v komplexní síti na neurony v dalších vrstvách dokud se nevytvoří celkový výstup. Navíc existuje proces nazývaný zpětné šíření, který upravuje výpočty jednotlivých neuronů tak, aby se síť naučila produkovat požadovaný výstup např. odhalit opotřebení součásti zařízení, nebo zpožďování zakázky.


Propojíme sílu hlubokého strojového učení (Deep Machine Learning) s tzv. posilovaným učením (Reinforcement Learning) a vytvoříme systém, který se bude sám učit tak, aby rozpoznal jemné vzory vyskytující se ve velkém množství dat přicházejících z dodavatelského řetězce, a spojil akce (například úprava času výrobní operace) s výsledky (jako například včas dodaný výrobek zákazníkovi). Software bude mít přístup k aktualizovaným datům v reálném čase z dodavatelského řetězce a v podstatě mu bude řečeno: "Využij je, abys zjistil, jak maximalizovat využití zdrojů a produktivity."  


Posilované strojové učení (Reinforcement Learning)

Během posilovaného strojového učení softwarový agent provádí pozorování a podniká akce v prostředí a na oplátku získává odměny. Jeho cílem je naučit se jednat způsobem, který maximalizuje očekávané dlouhodobé odměny. Stručně řečeno, agent působí v prostředí a učí se pokusem a omylem, aby maximalizoval své odměny a minimalizoval svou ztrátu.

Agentem může být program, který sleduje aktualizovaná data v reálném čase z dodavatelského řetězce a rozhodne jak upravit např. čas výrobní operace tak, aby získal pozitivní odměnu např. když se přiblíží cílovým hodnotám klíčových ukazatelů výkonnosti KPI a negativní odměnu když KPI budou pod určitou minimální hodnotou.

Algoritmus používaný softwarovým agentem k určení jeho akcí se nazývá jeho strategie. Strategií například může být neuronová síť, která přijímá na vstupu aktualizovaná data v reálném čase z dodavatelského řetězce a vyvozuje akci, která má být přijata.


Neuronová síť v mozku.


Umělá konvoluční hluboká neuronová síť.


Posilované strojové učení (Reinforcement Learning)

Hra kterou nikdo nedokáže vysvětlit – překonání Polanyiho paradoxu

Naučit se hrát strategickou hru Go (vznikla před 2 500 lety v Číně) bylo vždy obtížné - Konfucius radil, že "pánové by neměli ztrácet čas triviálními hrami - měli by studovat Go„, ale naprogramovat počítač pro tuto hru se zdálo nemožné.

Odhaduje se, že na standardní kartě Go je asi 2 × 10 na170 možných pozic – více než počet atomů obsažených ve vesmíru a hráči Go nejsou schopni popsat jak zvládají tuto obrovskou komplexitu hry – situace popsaná ve 20. století matematikem Michaelem Polanyim: "Víme víc, než můžeme říct.„ - tento Polanyiho paradox byl nepřekonatelnou překážkou pro programování Go - jak napsat program, který obsahuje nejlepší strategie pro hraní hry, když žádný člověk nedokáže formulovat tyto strategie?

V říjnu 2016 Google DeepMind – Londýnská pobočka společnosti Google specializující se na hluboké strojové učení porazila 4 – 1 se svoji aplikací AlphaGo využívající hluboké neuronové sítě mistra světa ve hře Go Lee Sedola z Jižní Koreje a překonala Polanyiho paradox – Sedol po porážce řekl: „Cítil jsem se bezmocný. .  . mám rozsáhlé zkušenosti, pokud jde o hraní hry Go, ale nikdy jsem nebyl pod takovým tlakem.„

Styl Lee Sedola byl popisovaný jako "Intuitivní, nepředvídatelný, kreativní, intenzivní, divoký, komplikovaný, hluboký, rychlý, chaotický" - charakteristiky, které podle něj mu dávají definitivní výhodu nad jakýmkoli počítačem.

Přesto byl Lee Sedol poražen protože tým DeepMind nenaprogramoval AlphaGo s vynikajícími strategiemi Go a heuristikou. Místo toho použil sílu hlubokého strojového učení (Deep Machine Learning) na oblast posilovaného učení (Reinforcement Learning) a vytvořil systém, který se sám učil. AlphaGo byl vytvořen k rozpoznání jemných vzorů, které se vyskytují ve velkém množství dat, a spojení akcí (například hrát kámen na určité místo na desce) s výsledky (jako například vyhrát hru Go). Software měl přístup k 30 mil. herních pozic z online úložiště a v podstatě mu bylo řečeno: "Využij je, abys zjistil, jak vyhrát."  


Vítězství umělé inteligence nad mistrem světa ve hře GO znamená překonání Polanyiho paradoxu a přináší nové možnosti ve využití hlubokých konvolučních neuronových sítí v oblasti samoučících se dodavatelských řetězců.

Tři kroky procesu samoučícího se dodavatelského řetězce – krok 3: plánování a optimalizace


Plánování a optimalizace

Znalosti získané samoučícím se dodavatelským řetězcem vstupují do pokročilého detailního plánování APS (Advanced Planning and Scheduling). Optimalizační technologie s využitím genetických algoritmů a  Darwinovských evolučních operátorů mutace, selekce a překřížení (crossover) vytváří plány, které maximalizují klíčové ukazatele výkonnosti KPI (Key Performance Indicators) jako je celková efektivita výrobních zařízení OEE (Overall Equipment Effectiveness). Plán je předkládán do výroby a cyklus získávání dat, získávání znalostí, plánování a optimalizace se opakuje což vede k tomu že plány jsou efektivní a odrážejí realitu ve výrobě což zvyšuje:


  • Produktivitu
  • Ziskovost
  • Zákaznickou loajalitu
  • Návratnost investic
  • Zprůhlednění dodavatelské sítě
  • Optimalizaci využití kapacit

Cyklus získávání dat, získávání znalostí, plánování a optimalizace. 

Příklad využití samoučícího se dodavatelského řetězce v praxi


Kusová výroba přesných strojírenských součástí s tolerancemi rozměrů, tvaru a polohy v setinách až tisícinách milimetru

 

  • Tyto součásti jsou vyrobeny pomocí technologického postupu obsahující operace CNC obrábění, broušení a tepelného zpracování se zařazením metrologického měření úchylek rozměrů, tvarů a poloh rozpracovaných a finálních součástí na 3D měřícím zařízení.
  • Jedná se o složitý proces, který může trvat od 24 hodin do několika dnů v závislosti na produktovém mixu a výsledcích metrologického měření.
  • Vysoká míra nejistoty stanovení technologických a metrologických časů v kusové výrobě  u nově vyráběných součástí  zvyšuje obtížnost přesného plánování výroby a  to ovlivňuje přesnost slíbených dodacích časů.
  • V tomto scénáři analyzují algoritmy strojového učení samoučícího se dodavatelského řetězce data z minulých výrobních cyklů a zakázek, aby bylo možné předpovědět časy jednotlivých operací.
  • Plánovač pak sestaví přesnější plán výroby kterým se řídí plánování dodacích časů součástí.

Kusová výroba přesných strojírenských součástí s tolerancemi rozměrů, tvaru a polohy v setinách až tisícinách milimetru.