Klient

Międzynarodowa firma z branży przemysłowej (produkcja komponentów dla sektora automotive i heavy industry), posiadająca kilka zakładów produkcyjnych w Europie. Organizacja rozwijała inicjatywy Industry 4.0, gromadząc dane z linii produkcyjnych (IoT, czujniki, MES, ERP), jednak nie wykorzystywała ich w pełni do predykcji i optymalizacji procesów.

Problem

Dane operacyjne były zbierane, ale analiza miała charakter głównie retrospektywny. Utrzymanie ruchu reagowało na awarie zamiast im zapobiegać, a planowanie produkcji opierało się na statycznych założeniach.

Kluczowe wyzwania

• brak kompetencji ML do budowy modeli predykcyjnych,
• brak osoby odpowiedzialnej za przejście od danych surowych do modeli produkcyjnych,
• ograniczona integracja danych z wielu źródeł (MES, SCADA, ERP),
• presja na ograniczenie przestojów i kosztów utrzymania maszyn.

Firma nie była gotowa na budowę pełnego zespołu data science, potrzebowała jednak eksperta zdolnego szybko dostarczyć mierzalne efekty.

Rozwiązanie 

W modelu staff augmentation dostarczyliśmy jednego Senior Machine Learning Engineera z doświadczeniem w projektach przemysłowych i predictive maintenance.

Ekspert został włączony do zespołu IT/OT klienta i odpowiadał za:

• analizę i przygotowanie danych z czujników oraz systemów produkcyjnych,
• budowę modeli predykcyjnych wykrywających anomalie i przewidujących awarie maszyn,
• implementację pipeline’u danych w środowisku klienta (Python, SQL),
• wdrożenie modelu w środowisku produkcyjnym wraz z monitoringiem skuteczności,
• współpracę z działem utrzymania ruchu w celu interpretacji wyników modeli.

Projekt był realizowany iteracyjnie – od POC na wybranej linii produkcyjnej do skalowania rozwiązania na kolejne zakłady.

Wnioski

• Redukcja nieplanowanych przestojów o 25% na pilotażowej linii
• Skrócenie czasu reakcji na potencjalne awarie dzięki systemowi wczesnego ostrzegania
• Lepsze planowanie przeglądów technicznych w oparciu o dane, a nie harmonogram stały
• Zbudowanie fundamentu pod dalsze inicjatywy AI w obszarze optymalizacji produkcji

Klient uzyskał szybki i mierzalny efekt biznesowy bez tworzenia odrębnego działu data science oraz ograniczył ryzyko operacyjne w kluczowych procesach produkcyjnych.