ai要求有意义的指标

Software Developer LillyWorks的总裁兼首席执行官Mark Lilly表示，他的公司是某种东西。“我们在这里有什么可以像MRP（材料资源规划）的发明一样大，或者有限调度的创造，”他说。

管理工作流只是LillyWorks的基于云的企业资源规划（ERP）软件的一个功能。然而，领导力在大约两岁的生产流程制造（PFM）调度系统中看到足够的承诺，以提供它作为与任何其他ERP软件集成的独立模块。由于用户群扩展，该公司一直在调查机器学习如何通过使系统的预测分析能力更精确，更自动化和更广泛的范围来扩展该承诺。

预测分析是什么新的，而LillyWorks不是唯一的制造软件开发人员调查机器学习。然而，Lilly先生坚持认为PFM为机器学习提供了特别强大的基础，因为PFM与传统调度系统不同。具体而言，他认为机器学习的影响取决于它分析的数据集的质量，并且PFM数据对于确保该技术显示的任何趋势或模式都是真正有意义的。

这在很大程度上是因为PFM数据集本身更具意义，至少在与制造调度员的真实问题相关的意义上。大多数制造商通过根据截止日期加载容量来创建严格的计划。但是，单独的截止日期不足以设定商店的优先事项。“Invariably, a shop will have jobs due, say, two months from now that are more likely to be late than jobs due just two weeks from now if they aren’t started immediately,” says Scott Filiault, vice president of operations/strategy at LillyWorks.

为避免此类问题，PFM专注于在所有其他人面前回答一个关键问题：现在哪个任务最重要的是保持工作流动顺利？为此，系统根据分配给每个作业的“威胁级别”系统优先顺序操作。威胁级别表明工作迟到的风险水平，他们随着时间的推移而改变，以确保最紧急的工作总是最受关注。

该系统更详细地解释在这篇文章中那哪些详细信息PFM在俄亥俄州的CNC加工业务中的应用。就此而言，规划稍后，一旦机组人员学会遵循PFM的经常不良的优先权系统，就会出现。“这种方法在头上翻转了传统的商店生产模型，”莉莉先生说。“PFM首先关注优先执行，然后在规划上，而不是尝试创建计划，然后执行它。”

用于稍后计划的工具恰当地命名为“预测器”，该软件工具使用PFM的威胁级别数据来预测未来的工作流程。在预测指标的预测中，制造商需要计划的答案。例如，哪个工作站将是三周最重要的瓶颈？如果我接受新客户的工作，其他工作将有多晚？“回答这些问题，这些问题有助于确定如何提高吞吐量，无论是如何加速材料，加班，加班，不断变化的运营订单或其他任何事情，”孝顺先生说。

预测指标的预测是可信的，因为它们是根据工作方式将根据其威胁级别在未来执行的情况下执行的现实，下降到个人操作的水平。因此，包括此数据以及传统的调度数据（库存级别，处理时间，操作次数和其他ERP指标）提供更深入的，更精确的洞察力。这是借助于预测器等传统软件工具来执行分析的情况，还是由机器学习算法驱动。

两者之间的一个差异是机器学习有望自动化分析，即硬编码只能增强。虽然提出了根据过去类似情况的结果的具体行动课程，但是超出了预测因素目前能力的步骤，机器学习可能会改变这一点。

另一个是，任何机器学习分析的范围都比使用硬编码的软件算法宽得更广泛。能够容纳没有软件更新的不熟悉的数据，机器学习驱动系统可以寻求与PFM和ERP之外的来自源的数据的相关性和模式。这些来源可以从机床传感器供给到探测测量和财务或库存记录。在极端情况下，系统可能会梳理在线新闻源;将材料短缺与另一个国家的政治骚乱联系起来;并建议从替代来源购买（甚至自主购买）材料。

大多数软件开发人员的直接目标是雄心勃勃的机会。莉莉先生和孝联先生仍然坚持认为，PFM在确保用于分析的数据集是相关的，并有助于解决手头的真实问题。反过来，这将有助于确保机器学习所识别的相关性和模式不仅仅是精确，而且有意义。

“机器学习可能预测，如果操作员穿着黑色鞋子，就业更有可能准时完成，”Lilly先生解释说。“也许那种机器学习模型甚至在其预测中具有高度置信水平。但是，您是否准备依赖于一种基于信息相关的预测模型，以您不相信相关的信息，或者不够透明地理解？“

查看软件现有预测分析能力的一个加工业务的好处，阅读这篇文章。