Système d'intelligence économique pour les usines

À ce stade, notre équipe a examiné la plate-forme ERP existante du client, s'est plongée dans les processus d'entreprise, a exploré les alternatives et a déterminé la meilleure solution technologique possible. Nous avons conçu un modèle qui décrit les entités commerciales du système et leurs relations, créé un plan détaillé pour le développement de chaque module et convenu avec le client du flux de travail.

En fonction des exigences, nous avons recommandé les technologies qui répondaient parfaitement aux besoins du client. Ngx-datatable a été choisi pour gérer des ensembles de données complexes sous forme de tableurs. Il fournit toutes les fonctionnalités permettant de travailler avec un tableau (tri, filtre, ajout de sous-lignes, etc.) et est très flexible et léger. D3.js a été utilisé pour la visualisation des données et la création de composants graphiques réactifs basés sur des données dynamiques. Ainsi, les informations ont été présentées de manière simple et illustrative, ce qui a permis aux utilisateurs de les comprendre et de tirer des conclusions beaucoup plus rapidement. Pour l'apprentissage automatique, nous avons choisi TensorFlow.js en raison de sa grande évolutivité et de la possibilité d'utiliser ses capacités sur différents appareils si nécessaire.

Pour rendre l'analyse des données plus rapide et plus efficace, nous avons mis en place un module d'algorithmes d'apprentissage automatique. Il définit les modèles de changement des paramètres de travail des usines et évalue leur efficacité. Les algorithmes reçoivent automatiquement les données du système ERP et apprennent quelles sont les méthodes les plus efficaces pour atteindre les indicateurs clés de performance fixés pour chaque usine, atelier ou même machine. Cela permet au module de trouver des tendances et des modèles que l'on ne voit pas si facilement mais qui peuvent être utilisés efficacement dans l'optimisation des coûts. Nous avons choisi TensorFlow.js en raison de sa grande évolutivité et de la possibilité d'utiliser ses capacités sur différents appareils à l'avenir, si nécessaire.

Le module d'apprentissage automatique travaille dans le périmètre du fabricant et n'étiquette ni ne stocke de données concernant une branche, une usine, un atelier ou une machine. Seules les données statistiques sont analysées par les algorithmes ML. Cela signifie que ce module est sécurisé et ne peut fournir à un intrus ou à un initié potentiel aucune information vitale sur les pouvoirs de fabrication et les articles du client.

Après avoir convenu de la structure de répartition du travail avec le client, nous nous sommes attelés au développement du MVP.

Nous avons présenté un module par module toutes les deux semaines, discuté des tâches dans Slack et tenu des vidéoconférences hebdomadaires dans Google Meets.

Chaque phase de développement se terminait par des tests unitaires et manuels, ce qui nous permettait de détecter et de corriger les plus petits bogues le plus tôt possible, afin d'éviter qu'ils ne se transforment en problèmes.

Après avoir convenu de la structure de répartition du travail avec le client, nous nous sommes attelés au développement du MVP.

Nous avons livré module par module toutes les deux semaines, discuté des tâches dans Slack et assuré le suivi des tâches dans Jira.

Chaque phase de développement se terminait par des tests unitaires et manuels, ce qui nous permettait de détecter et de corriger les plus petits bogues le plus tôt possible, afin d'éviter qu'ils ne se transforment en problèmes majeurs.