Sistema di business intelligence per impianti

In questa fase, il nostro team ha esaminato la piattaforma ERP esistente del cliente, ha approfondito i processi aziendali, ha esplorato le alternative e ha individuato la migliore soluzione tecnologica possibile. Abbiamo progettato un modello che delinea le entità aziendali del sistema e le loro relazioni, creato un piano dettagliato per lo sviluppo di ciascun modulo e concordato con il cliente il flusso di lavoro.

In base ai requisiti, abbiamo consigliato le tecnologie che si adattavano perfettamente alle esigenze del cliente. È stato scelto Ngx-datable per gestire insiemi di dati complessi sotto forma di fogli di calcolo. Fornisce tutte le funzioni per lavorare con una tabella (ordinamento, filtro, aggiunta di sotto-riga, ecc.) ed è molto flessibile e leggero. D3.js è stato utilizzato per la visualizzazione dei dati e la creazione di componenti grafici reattivi basati su dati dinamici. In questo modo, le informazioni sono state presentate in modo semplice e illustrativo, consentendo agli utenti di comprenderle e di trarre conclusioni molto più rapidamente. Per il Machine Learning abbiamo scelto TensorFlow.js grazie alla sua elevata scalabilità e alla possibilità di utilizzare le sue funzionalità su diversi dispositivi, se necessario.

Per rendere l'analisi dei dati più rapida ed efficiente, abbiamo implementato un modulo di algoritmi di apprendimento automatico. Questo modulo definisce i modelli di modifica dei parametri di lavoro degli impianti e ne valuta l'efficacia. Gli algoritmi ricevono automaticamente i dati dal sistema ERP e imparano quali sono i metodi più efficienti per raggiungere i KPI stabiliti per ogni impianto, officina o macchina. Questo permette al modulo di trovare tendenze e schemi che non si vedono facilmente, ma che possono essere utilizzati in modo efficiente per l'ottimizzazione dei costi. Abbiamo scelto TensorFlow.js per la sua elevata scalabilità e per la possibilità di utilizzare le sue capacità su vari dispositivi in futuro, se necessario.

Il modulo di Machine Learning lavora all'interno del perimetro del produttore e non etichetta o memorizza i dati relativi a qualsiasi filiale, impianto, officina o macchina. Gli algoritmi di ML analizzano solo i dati statistici. Ciò significa che questo modulo è sicuro e non può fornire a potenziali intrusi o insider informazioni vitali sulle capacità produttive e sugli articoli del cliente.

Dopo aver concordato con il cliente la struttura di ripartizione del lavoro, ci siamo dedicati allo sviluppo dell'MVP.

Abbiamo consegnato un modulo alla volta ogni due settimane, abbiamo discusso i compiti su Slack e abbiamo avuto videoconferenze settimanali su Google Meets.

Ogni fase di sviluppo si è conclusa con i test unitari e manuali, in modo da poter individuare e risolvere anche i bug più piccoli nella fase più precoce possibile, evitando che si trasformassero in problemi.

Dopo aver concordato con il cliente la struttura di ripartizione del lavoro, ci siamo dedicati allo sviluppo dell'MVP.

Abbiamo consegnato un modulo alla volta ogni due settimane, abbiamo discusso i compiti in Slack e abbiamo tenuto traccia dei compiti in Jira.

Ogni fase di sviluppo si è conclusa con il test unitario e manuale, in modo da poter individuare e risolvere anche i bug più piccoli nella fase più precoce possibile, evitando che si trasformassero in grandi problemi.