Maakindustrie
Hersteltijden voorspellen op basis van miljoenen records
Een internationaal bedrijf wilde hersteltijden voorspellen op basis van historische reparatiedata. We bouwden ML-modellen die beter presteerden dan menselijke schattingen, zelfs met onvolmaakte data.
Doelstelling
Betere hersteltijdschattingen op basis van historische data
Een internationaal bedrijf kreeg een verzoek van hun IT-afdeling: kunnen we hersteltijden voorspellen op basis van miljoenen historische reparatierecords? Tot nu toe werden schattingen manueel gemaakt door medewerkers. De vraag was of AI het sneller en nauwkeuriger kon.
Ondanks het grote datavolume was de datakwaliteit niet optimaal. Patronen waren schaars en hersteltijden varieerden sterk op basis van onderdeeltype, reparatiecomplexiteit en leverancier. Manuele schattingen waren traag en inconsistent.
Onze aanpak
Volledige preprocessing- en modeltrainingspipeline
Data preprocessing
We draaiden een volledige preprocessingpipeline op de data van de klant. Miljoenen records opgeschoond, genormaliseerd en klaargemaakt voor modellering. Datakwaliteitsproblemen werden vroeg geïdentificeerd en gedocumenteerd, zodat verwachtingen realistisch waren.
Modeltraining en evaluatie
Meerdere AI-modellen werden getraind en vergeleken. We testten verschillende benaderingen om de beste balans te vinden tussen nauwkeurigheid en generaliseerbaarheid. Ondanks de datakwaliteitsuitdagingen vonden de modellen patronen die manuele schattingen misten.
Deploymentvoorbereiding op Google Cloud
De oplossing werd voorbereid voor geautomatiseerde deployment op Google Cloud. De bestaande cloudinfrastructuur van de klant werd gebruikt, wat de totale eigendomskosten beheersbaar hield.
Samenwerking met het Unpyle-team
Dit project werd aangepakt samen met het Unpyle-team. Een collega nam de complexere modellering voor zijn rekening, terwijl wij focusten op het voorbereiden van de geautomatiseerde deploymentpipeline. Complexe projecten profiteren van complementaire expertise.
Het resultaat
AI-voorspellingen presteerden beter dan menselijke schattingen
De modellen produceerden nauwkeurigere voorspellingen dan manuele schattingen en vonden patronen in de data die niet zichtbaar waren voor menselijke beoordelaars. Ondanks de datakwaliteitsuitdagingen waren de resultaten beter dan de menselijke baseline. Het project toonde aan dat zelfs onvolmaakte data waardevolle voorspellingen kan opleveren wanneer de preprocessing en modellering goed worden uitgevoerd.
Klaar om uw AI-setup te bouwen?
Laten we bespreken hoe een AI-setup eruitziet voor uw sector.