in Kombination mit Analyseprodukten, können sich in leistungsstarke Instruments für die Optimierung der Lieferkette verwandeln.
In der Fertigung besteht die eigentliche Herausforderung darin, keine Waren zu produzieren, sondern zu entscheiden, wann und wie viel zu produzieren ist.
Dieses Zitat stammt von einem Anlagendirektor, der uns zur Umsetzung eines Algorithmus kontaktiert hat, um ihre zu verbessern Grasp -Produktionsplan (MPS).
Ziel conflict es, Produktionspläne zu generieren, die Skaleneffekte mit minimalem Lagerbestand ausgleichen.
Unsere ursprüngliche Lösung conflict a Webanwendung mit den Fabriksystemen verbunden.
Während es optimale Produktionspläne generierte, mussten die Planer immer noch die Navigation durch Dashboards und den Exportieren von Ergebnissen mussten.
Wie verbessern Sie die Benutzererfahrung mit einer KI -Ebene oben?
Als Experiment haben wir die Optimierungsmotor in einen in einem eingebetteten Fastapi -Mikroservice verpackt KI -Workflow mit N8N gebaut.
Das Instrument entwickelte sich zu einem KI -Assistenten (in den Planern Workflow integriert), der Eingaben verstehen, den Algorithmus ausführen und optimierte Pläne mit Erklärungen in einfachem Englisch liefern kann.
In diesem Artikel stelle ich vor, wie wir dieses Experiment mit der Verwendung durchgeführt haben AI -Agenten für die Optimierung der Lieferkette mit N8N.
Dies wird die erste einer langen Reihe von Experimenten sein, die versuchen, eine „Superagent“ einer Lieferkette zu erstellen, die mit Algorithmen in Fastapi-Mikroservices ausgestattet ist.
Produktionsplanung mit Python
Szenario
Nehmen wir an, wir unterstützen eine mittelgroße Fabrik in Europa.
Der Grasp -Produktionsplan ist das primäre Kommunikationsinstrument zwischen dem kommerziellen Group und der Produktion.
In der Fabrik unseres Kunden senden Kunden Bestellungen (PO) mit Mengen und erwarteten Lieferdaten an ihr Planungsteam.
Zum Beispiel,
- Erwartete Liefermenge in
Month 2Ist150 bins
Anfangslösung
Das Ziel des Planungsteams ist es, den optimalen Produktionsplan zu finden, um die Produktionskosten zu minimieren, unter Berücksichtigung:
- Einrichtenkosten: Fixkosten, die Sie jedes Mal haben, wenn Sie eine Produktionslinie einrichten
Beispiel: 500 $ professional Produktionsstapel - Haltekosten: Lagerkosten professional Einheit professional Zeit
Beispiel: 1 $/Einheit/Monat
Wenn Sie produzieren nur die Menge professional Monat, die benötigt wirdSie können die Haltekosten minimieren.
Die Einrichtungskosten werden jedoch explodieren, da Sie die Produktionslinie einrichten müssen 12 Mal.
Im Gegenteil, wenn Sie im ersten Monat die Gesamtmenge produzieren, haben Sie nur ein Setup, Ihre Haltekosten werden jedoch explodieren.
Sie bauen im ersten Monat ein Inventar von 2.000 Kisten langsam konsumiert In den 12 Monaten.
Es gibt ein optimales Szenario zwischen diesen beiden Randfällen.
Wie finde ich das richtige Gleichgewicht?
In einem anderen ArtikelIch erkläre, wie man das benutzt Wagner-within-Algorithmus Um einen optimierten Plan zu erzeugen.
Dies ist eine dynamische Programmiermethode für die Produktionsplanung, die den kostenoptimalen Zeitplan über mehrere Zeiträume feststellt.
Es findet das beste Gleichgewicht zwischen Einrichtungs- und Haltekosten, indem alle realisierbaren Produktionspläne bewertet werden.
Die Ausgabe ist ein optimaler Plan:
- 4 Monate (nur) Produktionen: Monat 1, 6, 9 und 11;
- Das Inventar wird zwischen jeder Produktionsstapel konsumiert.
Im folgenden animierten GIF können Sie eine Demo der bereitgestellten Lösung in einer Webanwendung visualisieren.
Benutzer können
- Laden Sie ihre Nachfrageprognosen professional Monat, Woche oder Tag hoch
- Wählen Sie die Parameter aus (Einrichtungskosten, Haltekosten,…)
Können wir die Benutzererfahrung mit der Unterstützung von KI verbessern?
Um die Produktivität der Planer zu verbessern, wollen wir die Benutzeroberfläche beseitigen und die Lösung mit AI direkt in ihren Workflow integrieren.
Im nächsten Abschnitt werde ich die Experimente, die wir mit einem Prototyp dieses mit N8N erstellten AI-angetriebenen Workflows durchgeführt haben, teilen.
👉 Überprüfen Sie das unten verlinkte Video für eine Stay -Demo des Workflows
KI -Workflow mit Fastapi und N8N
Aus dem Suggestions, der während der Benutzerakzeptanztests (UAT) erhalten wurde, haben wir verstanden, dass das Instrument, um besser in ihre aktuellen Prozesse und Workflows integriert zu sein, besser integriert werden muss.
KI -Agenten mit Werkzeugen ausgestattet
Der Planungsoptimierungsalgorithmus wurde in einem Fastapi -Backend mit mehreren Endpunkten verpackt
- /Upload_Prod: Dieser Endpunkt erhält eine Postanforderung mit dem Bedarfsdatensatz, um sie auf das Backend hochzuladen
- /starten_plan: Dieser Endpunkt empfängt eine GET -Anforderung mit Parametern wie Einrichtungskosten, Holding -Kosten und Zeiteinheit
Wie verbinde ich dieses Backend mit einem KI -Agenten?
Wir werden einen AI -Agentenknoten in N8N verwenden, der mit einem Werkzeugknoten ausgestattet ist, mit dem HTTP -Anforderungen gesendet und empfangen werden können.
Für alle Verwendungen ist die Architektur dieses KI -Agentenknotens identisch:
- Großes Sprachmodell: Im obigen Beispiel verwenden wir ein OpenAI -Modell
- HTTP -Anforderungsknoten mit einer Systemmeldung, in der erklärt wird, wie Sie eine Verbindung zur API herstellen und welche Artwork von Daten als Ausgaben erwartet werden sollen
Dieser Knoten wird verwendet, um eine Zusammenfassung des optimalen Produktionsplans zu erstellen, der per E -Mail gesendet wird.
KI -Workflow: Automatisierte E -Mail -Antwort
Produktionsplaner erhalten ihre Anfragen in der Regel per E -Mail vom Handelsteam, das Particulars in der Karosserie enthält, und forderte Bände nach Zeitraum im Anhang.
Sie wollten diese Anfragen automatisch beantworten, ohne den Anhang manuell herunterzuladen, sie in die Benutzeroberfläche hochzuladen und eine E -Mail basierend auf den in der Benutzeroberfläche gezeigten Ergebnissen zu generieren.
Es wurde mit ihnen vereinbart, dass sie ein bestimmtes Format von E -Mails befolgen, um sicherzustellen, dass alle erforderlichen Informationen enthalten sind:
- Anhang: Bedarfsdatensatz im (.csv) -Format
- E -Mail -Körper: Alle benötigten Parameter, z.
Der zuvor vorgestellte AI -Agent empfängt Daten von einem anderen Agenten, der die E -Mail analysiert, um die entsprechenden Parameter zu extrahieren.
Schritt 1: Sammeln Sie E -Mail und laden Sie den Anhang herunter
Der Google Mail -Triggerknoten sammelt das E -Mail -Körper und lädt den Anhang herunter.
Die (.csv) -Datei wird in JSON konvertiert und per Publish -Anfrage an das Backend gesendet.
Nachdem der Datensatz hochgeladen ist, können wir den E -Mail -Körper dem ersten AI -Agentenknoten zur Verfügung stellen.
Schritt 2: Erzeugen Sie den optimalen Produktionsplan
Wir haben zwei AI -Agentenknoten in diesem Workflow
- Der AI -Agent -Parser analysiert den E -Mail -Inhalt, um die Parameter zu extrahieren, die werden im JSON -Format zurückgegeben.
- Die AI -Agenten -API -Anfrage Nimmt diese Parameter ein und fragt das Fastapi -Backend zum Abrufen der Ausgänge ab Wird verwendet, um die schriftliche Analyse zu generieren.
In der Systemaufforderung des ersten AI -Agentenknotens beschreiben wir, wie die E -Mail analysiert werden, um die richtigen Parameter zu sammeln.
Die Ausgänge dieses AI -Agenten -Parsers werden an den zweiten AI -Agenten gesendet, der das Backend abfragt.
In einer minimalen Systemaufforderung unterweisen wir die AI -Agenten -API -Anfrage So verwenden Sie das Instrument.
Wir geben einen Überblick über die verfügbaren Parameter:
Wir pay attention die Ausgänge des Endpunkts der API auf:
Wir beschreiben die erwartete Aufgabe:
Die Ausgabe des zweiten Agenten wird per E -Mail mit dem letzten Google Mail -Knoten per E -Mail an das kommerzielle Group gesendet.
Die Zusammenfassung enthält die minimalen Informationsabteilung (Kosten, Produktionsstapel), die vom Werbespot benötigt werden, um dem Kunden ein Angebot zur Verfügung zu stellen.
Abschluss
Dieser Workflow wurde als POC mit zwei Benutzern eingesetzt, die ermutigend Suggestions gaben.
Wir suchen nach Geschäftsfällen, um diesen Ansatz zu produzieren und die Funktion für alle unsere Analyseprodukte vorzuschlagen.
Bisher wurde entschieden, dass diese Funktion verwendet werden würde für Bestellungen mit nicht kritischen Gegenständen.
KI -Workflows als Enabler
Basierend auf meiner Erfahrung mit der Gestaltung und Implementierung von Analyseprodukten ist das Haupthindernis für die schnelle Einführung eines Instruments die Integration in vorhandene Prozesse und Workflows.
Für Produktplaner, die mehr als 100 Referenzen mit Dutzenden von Kunden und internen Stakeholdern verwalten, ist es vorzuziehen, das Erlernen eines neuen Instruments mit einer bestimmten Schnittstelle und zusätzlichen manuellen Schritten zu vermeiden.
Daher können AI -Agenten verwendet werden, um ein Instrument in einen beliebigen vorhandenen Workflow mit minimalen Auswirkungen und zusätzlicher Arbeitsbelastung für Benutzer zu integrieren.
Mit der Unterstützung von N8N haben wir mit der Integration unserer Analyseprodukte in JIRA für die Planung der Belegschaft experimentiert und das Telegramm für Transportrouting- und ERP -Module verwendet, die von unseren Kunden verwendet werden.
Was kommt als nächstes?
Dieser Workflow kann verbessert werden, um das volle Potenzial von Großsprachmodellen (LLMs) zu nutzen.
Zum Beispiel können wir die Agenten bitten, mehrere Volumenszenarien zu simulieren, um dem Kunden darüber zu beraten, ob sie ihre geordnete Menge erhöhen oder reduzieren möchten, um einen besseren Preis zu erzielen.
Solange wir dem Agenten erklärt haben, wie das Instrument (dh unser analytisches Produkt in einem Fastapi -Microservice) verwendet wird, können wir damit arbeiten, als hätten wir einen Analyst, der Szenarien ausführen kann.
Über mich
Lassen Sie uns eine Verbindung herstellen LinkedIn Und Twitter. Ich bin ein Lieferketteningenieur, der Datenanalysen verwendet, um den Logistikbetrieb zu verbessern und die Kosten zu senken.
Für Beratung oder Ratschläge zu Analytik und nachhaltiger Transformation der Lieferkette können Sie mich gerne kontaktieren. Logigreen -Beratung.
Wenn Sie an Datenanalysen und Lieferkette interessiert sind, schauen Sie sich meine Web site an.