Во многом это связано с тем, что сам набор данных PFM является более значимым, по крайней мере, в том смысле, что он имеет отношение к реальным проблемам производственных планировщиков. Большинство производителей создают строгий график по загрузки мощностей в зависимости от срока. Однако одной только даты исполнения недостаточно для установления приоритетов в цехах.
PFM фокусируется на том, чтобы ответить на один ключевой вопрос перед всеми остальными: какие задачи наиболее важны сейчас для обеспечения бесперебойной работы? С этой целью система определяет приоритеты операций в соответствии с системой «уровней срыва», назначаемых каждому заданию. Уровни срыва указывают на уровень риска того, что рабочие места будут запаздывать, и они со временем будут меняться, т.к. наиболее неотложная работа всегда привлекает наибольшее внимание.
Эта система более подробно объясняется в этой статье. PFM фокусируется сначала на приоритетном исполнении, затем на планировании, а не на попытке создать план, а затем выполнить его.
Инструмент, используемый для последующего планирования, называется Предсказатель», программный инструмент, использующий данные уровня угрозы PFM для прогнозирования будущих рабочих процессов. В прогнозах Predictor есть ответы, которые производители должны планировать. Например, какая рабочая станция будет самым значительным узким местом через три недели? Как поздно будет выполнена другая работа, если я приму работу от нового клиента? «Ответы на подобные вопросы помогают определить, как повысить производительность, будь то ускорение подачи материалов, добавление сверхурочных, изменение порядка операций.
Прогнозы системы правдоподобны, поскольку они основаны на реальности того, как будут выполняться задания в соответствии с их уровнями угрозы в будущем, вплоть до уровня отдельной операции. В результате, включение этих данных вместе с традиционными данными планирования (уровень запасов, время обработки, порядок операций и другие метрики ERP) обеспечивает более глубокое и точное понимание своего процесса. Это тот случай, когда анализ выполняется с помощью традиционного программного инструмента, такого как Predictor, или управляется алгоритмами машинного обучения.
Одно из различий между ними состоит в том, что машинное обучение обещает автоматизировать анализ, который жесткое кодирование может только увеличить. Хотя предложение конкретных направлений действий, основанных на результатах аналогичных ситуаций в прошлом, является шагом за пределы нынешних возможностей, машинное обучение может изменить это.
Другое состоит в том, что область любого анализа машинного обучения намного шире, чем что-либо возможное с помощью жестко закодированных программных алгоритмов. Способные к размещению незнакомых данных без обновлений программного обеспечения, системы, управляемые машинным обучением, могут искать корреляции и шаблоны с данными из источников вне PFM и ERP. Такие источники могут варьироваться от датчиков датчиков станка до измерений деталей, финансовых или инвентарных записей.В крайнем случае система может комбинировать новостные ленты в Интернете; связать материальный дефицит с политическими беспорядками в другой стране; и рекомендуем покупать (или даже самостоятельно покупать) материалы из альтернативного источника.
Скорее всего, ближайшие цели большинства разработчиков программного обеспечения гораздо менее амбициозны. PFM обеспечивает преимущество в обеспечении того, что набор данных, представленный для анализа, является актуальным и полезным для решения реальных проблем под рукой. Это, в свою очередь, поможет обеспечить не только точные, но и значимые корреляции и закономерности, определяемые машинным обучением.
Машинное обучение может предсказать, что рабочие места, скорее всего, будут выполнены вовремя, если оператор носит черные туфли)).
Может быть, эта модель машинного обучения даже имеет высокий уровень достоверности в своих прогнозах. Но готовы ли вы положиться на прогностическую модель, основанную на корреляции с информацией, которую вы не считаете актуальной или недостаточно прозрачной для понимания?
