LUCKYTEK
Reference
Reference
Příklady využití našich profesionálních služeb organizacím působícím ve vysoce dynamickém prostředí
Adaptivní řízení výroby přesných nástrojů pro výrobu hodinek ve firmě Aguna
Adaptivní řízení výroby dílů kovacích lisů ve firmě Šmeral
Adaptivní řízení výroby dílů motocyklů ve firmě Blata
Adaptivní řízení výroby dílů gocartů ve firmě Berg Factory Czech
Návrh řešení pro vývoj systému prediktivní optimalizace energií v budovách v reálném čase s využitím umělé inteligence ve firmě Synerga
Jsme partneři společnosti Quintiq pro implementaci Samoučícího se dodavatelského řetězce
Jsme certifikovaní v oblasti Strojové učení a umělá inteligence AI od Andrew Ng, Stanford University, jedním ze současných guru AI
Adaptivní řízení výroby přesných nástrojů pro výrobu hodinek ve firmě Aguna
Adaptivní řízení výroby přesných nástrojů pro výrobu hodinek ve firmě Aguna
- Vybudování výrobního závodu v průmyslové zóně Brno, Černovické terasy, Česká republika
Dodávky přesných nástrojů pro mateřskou švýcarskou společnost a řízení přesné CNC výroby v geometrických tolerancích tisíciny milimetru
Implementace systému adaptivního řízení výroby včetně sběru provozních dat v reálném čase a pokročilého detailního plánování výroby APS s využitím genetických algoritmů umožňujícího vyrábět a dodávat přesné nástroje pro výrobu hodinek přesně podle slíbených dodacích termínů.
Hlavní přínosy
Řízení událostí v reálném čase, zpětná optimalizace a podpora rozhodování
Úplný přehled, měření a regulace operací a hlavních parametrů výkonnosti KPI
Kontinuální, v reálném čase optimalizované plány v dynamickém prostředí
Zlepšení služeb, dodacích lhůt a spokojenosti zákazníka
Snížení provozních, skladových, údržbových a dopravních nákladů
Maximalizace využití zdrojů a produktivity
Zlepšení úrovně plnění smluvních dohod
Adaptivní řízení výroby dílů kovacích lisů ve firmě Šmeral
Adaptivní řízení výroby dílů kovacích lisů ve firmě Šmeral
Implementace systému adaptivního řízení výroby včetně sběru provozních dat a pokročilého detailního plánování výroby APS s využitím genetických algoritmů umožňujícího vyrábět a dodávat přesné díly pro výrobu kovacích lisů přesně podle slíbených dodacích termínů.
Hlavní přínosy
Řízení událostí v reálném čase, zpětná optimalizace a podpora rozhodování
Úplný přehled, měření a regulace operací a hlavních parametrů výkonnosti KPI
Kontinuální, v reálném čase optimalizované plány v dynamickém prostředí
Zlepšení služeb, dodacích lhůt a spokojenosti zákazníka
Snížení provozních, skladových, údržbových a dopravních nákladů
Maximalizace využití zdrojů a produktivity
Zlepšení úrovně plnění smluvních dohod
Adaptivní řízení výroby dílů motocyklů ve firmě Blata
Adaptivní řízení výroby dílů motocyklů ve firmě Blata
Implementace systému adaptivního řízení výroby včetně sběru provozních dat a pokročilého detailního plánování výroby APS s využitím genetických algoritmů umožňujícího vyrábět a dodávat přesné díly pro výrobu motocyklů přesně podle slíbených dodacích termínů.
Hlavní přínosy
Řízení událostí v reálném čase, zpětná optimalizace a podpora rozhodování
Úplný přehled, měření a regulace operací a hlavních parametrů výkonnosti KPI
Kontinuální, v reálném čase optimalizované plány v dynamickém prostředí
Zlepšení služeb, dodacích lhůt a spokojenosti zákazníka
Snížení provozních, skladových, údržbových a dopravních nákladů
Maximalizace využití zdrojů a produktivity
Zlepšení úrovně plnění smluvních dohod
Adaptivní řízení výroby dílů gocartů ve firmě Berg Factory Czech
Adaptivní řízení výroby dílů gocartů ve firmě Berg Factory Czech
- Vybudování výrobního provozu v průmyslovém areálu Brno, Vídeňská, Česká republika
Dodávky dílů gocartů pro mateřskou holandskou společnost a řízení výroby
Implementace systému adaptivního řízení výroby umožňujícího vyrábět a dodávat díly gocartů řesně podle slíbených dodacích termínů.
Hlavní přínosy
Řízení událostí v reálném čase, zpětná optimalizace a podpora rozhodování
Úplný přehled, měření a regulace operací a hlavních parametrů výkonnosti KPI
Kontinuální, v reálném čase optimalizované plány v dynamickém prostředí
Zlepšení služeb, dodacích lhůt a spokojenosti zákazníka
Snížení provozních, skladových, údržbových a dopravních nákladů
Maximalizace využití zdrojů a produktivity
Zlepšení úrovně plnění smluvních dohod
Návrh řešení pro vývoj systému prediktivní optimalizace energií v budovách v reálném čase s využitím umělé inteligence ve firmě Synerga
Návrh řešení pro vývoj systému prediktivní optimalizace energií v budovách v reálném čase s využitím umělé inteligence ve firmě Synerga, systémového integrátora inteligentních budov
Systém využívá technologii umělé inteligence k proaktivní optimalizaci spotřeby energie jednoho z největších zdrojů změny klimatu což jsou budovy.
Systém podporuje samoobslužnou budovu, která nevyžaduje zásah člověka. Díky strojovému učení a cloudovému zpracování dat toto řešení autonomně optimalizuje stávající řídicí systémy vytápění, ventilace a klimatizace (HVAC) pro maximální úsporu spotřebu energie což přináší:
25-35% snížení celkových nákladů na energii
60% zlepšení komfortu nájemníků
20-40% snížení uhlíkové stopy
Jádro systému které tvoří umělá inteligence je navrženo tak aby přinášelo významné úspory a dramaticky snižovalo emise uhlíku, což umožňuje samostatně fungující budovu a přechod od reaktivního k preventivnímu řízení HVAC ve třech krocích:
Krok 1
Učení se chování budovy
Systém identifikuje specifické provozní chování vaší budovy a tok energie shromažďováním dat z budovy i externích zdrojů. Vytváří tak energetický profil budovy pro vytváření předpovědí o budoucím toku energie.
Systém shromažďuje stovky tisíc datových bodů v reálném čase, jako je venkovní teplota, otáčky ventilátorů, tlak v potrubí, vnitřní teplota, úroveň vlhkosti, koncentrace nájemníků a další.
Krok 2
Optimalizace toku energie
Pomocí algoritmů umělé inteligence pracujících v reálném čase dá systém vašemu stávajícímu HVAC návod, jak pracovat inteligentněji a efektivněji.
Tento proces je podobný auto-pilotovi v samořiditelném automobilu.
Krok 3
Neustálé zlepšování
Systém neustále analyzuje všechna data které generuje budova, optimalizuje provozní efektivitu a odhaluje chování budovy v oblastech jako například:
Jak ovlivňují změny úrovně obsazenosti spotřebu energie?
Které jedotky HVAC jsou energeticky nejúčinnější v chladném nebo vlhkém podnebí?
Jsme partneři společnosti Quintiq pro implementaci Samoučícího se dodavatelského řetězce
Jsme partneři společnosti Quintiq pro implementaci Samoučícího se dodavatelského řetězce
- Samoučící se dodavatelský řetězec představuje další hlavní hranici inovací dodavatelského řetězce.
- Systémy dodavatelského řetězce, s využitím umělé inteligence (AI), mohou analyzovat stávající strategie a data dodavatelského řetězce a zjistit, jaké faktory vedou k selhání dodavatelského řetězce.
- Tyto systémy řízené umělou inteligencí pak tyto znalosti využívají k předvídání budoucích problémů dodavatelského řetězce a proaktivně předepisují nebo autonomně provádějí řešení.
- Algoritmy umělé inteligence řídí dodavatelské řetězce budoucnosti. Jsou schopny analyzovat všechny kombinace faktorů, určit, které z nich předpovídají selhání služby, a vytvořit strategie zmírnění rizik, které organizacím pomáhají poskytovat služby zákazníům rychleji, s vyšším stupněm vyřízení objednávek, včas a s nejnižšími náklady.
Jsme certifikovaní v oblasti Strojové učení a umělá inteligence AI od Andrew Ng, Stanford University, jedním ze současných guru AI
Jsme certifikovaní v oblasti Strojové učení a umělá inteligence AI od Andrew Ng, Stanford University, jedním ze současných guru AI
- Andrew Ng vyučoval umělou inteligenci na Stanfordu, vedl projekt Google Brain a patří mezi průkopníky hlubokého učení – používání velkých neuronových sítí v AI. Je také jedním z z hlavních odborníků na to, jak AI využívají skutečné podniky.
- Andrew Ng se stal evangelistou toho, co nazývá „data-centric AI“. Základním předpokladem je, že nejmodernější algoritmy AI jsou všudypřítomné díky open source repozitářům a publikování špičkového výzkumu AI. Společnosti jako výrobce nástrojů Stanley Black & Decker, výrobce elektroniky Foxconn a výrobce automobilových dílů Denso, které s Andrew Ng spolupracují, tak mají přístup ke stejnému softwarovému kódu jako Google nebo NASA a využívají ho.
- Skutečný rozdíl mezi podniky, které jsou v AI úspěšné a těmi, které ne, spočívá v datech: Jaká data se používají k trénování algoritmu, jak se shromažďují a zpracovávají ? Umělá inteligence zaměřená na data, říká Andrew Ng, je nejdůležitějším posunem, který dnes podniky musí udělat, aby plně využily AI.