Egy termelősor leállásához nem feltétlenül egy kritikus géphiba vezet. Sok esetben elegendő egy hiányzó kötőelem, csavar vagy más C-alkatrész ahhoz, hogy a gyártás üteme megtörjön. Bár ezek az elemek egyenként alacsony értéket képviselnek, hiányuk jelentős fennakadásokat és költségeket okozhat.

A C-alkatrészek kezelése számos vállalatnál még ma is több, egymástól elkülönülő rendszerben zajlik. A készletinformációk gyakran különböző adatforrásokból érkeznek, a fogyás nyomon követése részben manuális folyamatokra épül, az utánrendelés pedig sok esetben csak akkor indul el, amikor a készletszint már kritikus közelségbe kerül. A komplex gyártási környezetekben és több telephelyet érintő ellátási láncokban ez egyre nagyobb működési kockázatot jelent.

Valós idejű rálátás a C-alkatrész-folyamatokra

A Keller&Kalmbach által fejlesztett Logtopus platform célja, hogy egységes képet adjon a vállalatok C-alkatrész-ellátási folyamatairól. A felhőalapú, ERP-független rendszer egyetlen digitális felületen gyűjti össze a készlet-, fogyási és utánpótlási adatokat, függetlenül attól, hogy a háttérben SAP, proALPHA vagy más vállalatirányítási rendszer működik.

A platform összekapcsolja a különböző adatforrásokat, így a beszerzési és logisztikai csapatok valós időben követhetik a készletek alakulását, az anyagfelhasználást és az utánpótlási folyamatokat. Ez lehetővé teszi, hogy a döntések ne utólagos helyzetértékelésre, hanem naprakész információkra épüljenek.

Az adatoktól a döntéstámogatásig

A modern készletgazdálkodás már nem kizárólag a készletszintek monitorozásáról szól. A vállalatok számára egyre fontosabb, hogy megértsék az adatok mögött meghúzódó összefüggéseket is.

A Logtopus a fogyási trendek, utánpótlási ciklusok és telephelyi sajátosságok elemzésével támogatja a készletszintek optimalizálását és a Kanban-rendszerek finomhangolását. A rendszer képes azonosítani azokat a mintázatokat, amelyek alapján pontosabban meghatározhatók az egyes alkatrészek optimális készletszintjei.

Ennek eredményeként csökkenthető a felesleges készletezésből eredő tőkelekötés, miközben mérsékelhető a hiányhelyzetek kialakulásának kockázata is. Az adatvezérelt működés hozzájárul a készletgazdálkodás kiszámíthatóságához és a termelés stabilitásához.

“A Logtopus egy olyan IIoT-platform, amely valós hozzáadott értéket teremt az ellátási lánc szereplői számára, és gyorsabb, átláthatóbb döntéshozatalt tesz lehetővé” – Andreas Jäger, Project Manager Customer Logistic and Services, Keller & Kalmbach

A rejtett kockázatok korai felismerése

A gyártási környezetben az egyik legnagyobb probléma, hogy a készlethiányok gyakran csak akkor válnak láthatóvá, amikor a fennakadás már megtörtént. Ilyenkor a vállalatok jellemzően kényszerhelyzetben reagálnak, miközben a rendelkezésre álló beavatkozási lehetőségek már korlátozottak.

A Logtopus ezt a logikát fordítja meg: a rendszer a fogyási minták és az ellátási adatok elemzésével előre jelzi azokat a helyzeteket, ahol készlethiány vagy utánpótlási kockázat alakulhat ki. Ez lehetőséget ad arra, hogy a vállalatok ne utólag reagáljanak, hanem időben beavatkozzanak – még azelőtt, hogy az alkatrészhiány termeléskiesést okozna. A proaktív kockázatkezelés közvetlenül hozzájárul a rendelkezésre állás növeléséhez, valamint a nem tervezett állásidők és ellátási fennakadások csökkentéséhez.

Digitális támogatás a változáskezelésben

A C-alkatrész-folyamatok működését rendszeresen érintik változások: új termékek bevezetése, tárolási struktúrák módosítása, gyártási volumenek átrendeződése vagy akár beszállítóváltások. Ezek a változások megfelelő nyomon követés nélkül könnyen kommunikációs hibákhoz, pontatlan készletadatokhoz vagy ellátási problémákhoz vezethetnek.

A Logtopus egy közös digitális felületen kezeli a folyamatmódosításokat, ahol a változtatások státusza, felelősei és végrehajtási lépései egyaránt nyomon követhetők. Ez egyszerűbbé teszi az együttműködést a beszerzési, logisztikai és termelési területek között.

Teljes belső logisztikai rálátás

A platform nem áll meg a beszállítói vagy raktári szintnél. A belső anyagáramlás – a készletmozgások, Kanban-rendszerek, RFID-alapú megoldások vagy hibrid modellek – ugyanúgy részét képezi a rendszernek.

A cél egy olyan átfogó működési kép kialakítása, amelyben a vállalatok nem különálló részfolyamatokat kezelnek, hanem a teljes belső ellátási láncot egységes rendszerként tudják áttekinteni. Az IIoT-alapú adatgyűjtés és a felhőalapú feldolgozás révén a működés állapota valós időben követhető, ami támogatja az Ipar 4.0 környezetben elvárt gyors és adatvezérelt döntéshozatalt.

Vissza a vezetőülésbe

A C-alkatrészek kezelése hosszú ideig háttérfolyamatnak számított a gyártóiparban. A növekvő ellátásilánc-kockázatok, a komplexebb termelési struktúrák és az egyre szigorúbb hatékonysági elvárások azonban új megközelítést tesznek szükségessé.

A digitális megoldások ma már lehetővé teszik, hogy a vállalatok részletes képet kapjanak készleteikről, utánpótlási folyamataikról és belső logisztikai működésükről. A Logtopus erre építve támogatja a beszerzési és logisztikai döntéseket, hozzájárulva az ellátásbiztonság növeléséhez, a működési kockázatok csökkentéséhez és a gyártási folyamatok stabilitásához.

Ha feliratkozik a Műszaki Magazin Hírlevelére, sosem marad le a híreinkről! További friss híreket talál a Műszaki Magazin főoldalán! Csatlakozzon hozzánk a Facebookon is!

The post C-alkatrész menedzsment új szinten: reaktív működésből adatvezérelt irányítás appeared first on Műszaki Magazin.

A technológiai és gazdasági fejlődés egy új, adatvezérelt korszakot hívott életre, ahol az adattudomány (Data Science) nem csupán egy szakterület, hanem a versenyképesség és az innováció alapja. A mesterséges intelligencia (AI/MI), a kvantumszámítás és az Edge Computing térnyerése mélyrehatóan átalakítja a szervezeti működést, a fogyasztói interakciókat és a munkaerőpiacot is. Ennek az elemzésnek a célja, hogy feltérképezze ezeket a forradalmi trendeket, bemutassa az azokra épülő üzleti stratégiákat, és felhívja a figyelmet a jövőre való felkészülés kritikus fontosságára. Az anyag egy átfogó keretrendszert kínál a döntéshozóknak, hogy ne csak reagáljanak a változásokra, hanem proaktívan alakítani is tudják a jövőjüket.

A technológiai alapok forradalma: új horizontok az adatelemzésben

A számítási teljesítmény evolúciója: Quantum és Edge Computing

A hagyományos, központosított felhőalapú rendszerek korlátai egyre nyilvánvalóbbá válnak a valós idejű, alacsony késleltetésű adatelemzés területén. Az Edge Computing, amely a számítási kapacitást a hálózat „szélére”, az adatok keletkezési helyéhez viszi, drámaian csökkenti a késleltetést és a sávszélesség-használatot. Egy biztonsági kamerarendszer esetében például a mozgásérzékelés lokálisan, a kamerán belül történik, és csak a releváns felvételeket küldik a központi szerverre, jelentős erőforrás-megtakarítást eredményezve. Ez a megközelítés lehetővé teszi a valós idejű adatelemzést, ami korábban nem volt lehetséges. Az Edge Computing és az IoT (a dolgok internete, Internet of Things) szinergiája alapjaiban alakítja át a B2B- és B2C-logisztikát.

Az IoT-eszközök, mint a raktári robotok és szenzorok, hatalmas mennyiségű valós idejű adatot generálnak. Ha ezeket központilag kellene feldolgozni, a hálózati késleltetés és a sávszélesség-igény kezelhetetlenné válna. A helyi adatfeldolgozás viszont lehetővé teszi az azonnali döntéshozatalt, például az autonóm robotok útvonalának valós idejű optimalizálását. Ez a folyamat nemcsak a hatékonyságot növeli, hanem a költségeket is csökkenti, miközben új, kritikus időre optimalizált alkalmazásokat tesz lehetővé, mint a prediktív karbantartás.

Ezzel párhuzamosan a kvantumszámítástechnika (Quantum Computing), bár még gyerekcipőben jár, ígéretesen forradalmasíthatja az optimalizációs problémák megoldását a logisztika és a gyógyszerkutatás területén. Jelenleg az ellátási láncok és raktárkezelés optimalizálása a mesterséges intelligencia és a gépi tanulás segítségével zajlik. A kvantumszámítástechnika azonban olyan komplex problémákat is képes lehet megoldani, amelyek ma a klasszikus számítógépek számára elérhetetlenek. Ez azt jelenti, hogy a jövőben a logisztikai és optimalizációs feladatok megoldásának sebessége és pontossága egy új szintre léphet, radikálisan átalakítva az iparágat. A korai szakaszban lévő technológiába történő befektetés stratégiai versenyelőnyt jelenthet a vállalatok számára.

A megbízhatóság kulcsa: az érthető és elmagyarázható mesterséges intelligencia (XAI)

Ahogy az AI-rendszerek egyre komplexebbé válnak, a bizalom és az átláthatóság iránti igény is nő, különösen a szabályozott iparágakban. Az érthető és elmagyarázható AI (Explainable AI, XAI) célja, hogy érthetővé tegye az „feketedoboz” (black box) típusú modellek döntéseit mind a felhasználók, mind a szakemberek számára. Erre a célra számos technika és eszköz létezik, mint a Google Cloud AI Explainability funkciója, a „Mi lenne, ha” eszköz, vagy az InterpretML nyílt forráskódú könyvtár. Az XAI-val a vállalatok validálhatják a modell viselkedését, és kommunikálhatják azt a laikus résztvevők felé is. Az XAI nem pusztán technikai követelmény, hanem stratégiai eszköz a bizalomépítés és a jogszerűség érdekében.

Az AI-rendszerek bevezetése adatvédelmi és etikai kockázatokat hordoz magában, különösen az EU szigorú adatvédelmi rendelete, a GDPR mellett. Az algoritmikus torzítás (bias) problémája és a felelősségvállalás egyre égetőbb kérdéssé válik. Az XAI-jal azonban a vállalatok a technológia előnyeinek kiaknázása mellett arra is képesek lehetnek, hogy bizonyítani tudják, hogy a döntéseik tisztességesek és diszkriminációmentesek. Ez kulcsfontosságú a fogyasztói bizalom megőrzésében és a jogi szankciók elkerülésében.

Az adat mint erőforrás: szintetikus adatok és hozzáférhetőbb adatvagyon

A mesterséges intelligencia gerince az adat, azonban a valós adatok gyakran hiányosak, elfogultak vagy védettek. A szintetikus adatok, amelyeket algoritmusok generálnak a valós adatok statisztikai jellemzői alapján, megoldást kínálhatnak ezekre a problémákra. A szintetikus adatokkal korlátlan mennyiségű, anonimizált adathalmaz hozható létre, ami felgyorsítja a modellképzést és csökkenti a jogi és adatvédelmi kockázatokat. Ez a megközelítés forradalmasítja az olyan bizalmat és a magánélet védelmét igénylő szektorokat, mint az egészségügy és a pénzügy. A szintetikus adatok lehetővé teszik a gépi tanulási modellek betanítását anélkül, hogy a felhasználók magánéletét veszélyeztetnénk, lehetővé téve a gyorsabb innovációt és a kockázatmentesebb adatfelhasználást, például a prediktív diagnosztika vagy a csalásfelderítés terén.

Ezen túlmenően a DataOps, mint agilis adatkezelési módszertan, és az adatok „demokratizálása” (Data Democratization), azaz szélesebb körben hozzáférhetővé tétele a nagyobb vállalatok számára a hatékony és költséghatékony adatkezelés alapjává válhatnak. Az adattudósok kulcsfontosságú szereplői a modern vállalatoknak. Ahogy azonban a cégek egyre adatvezéreltebbé válnak, a döntéshozatalhoz szükséges adatokra már nem csak a szakértőknek van szükségük, hanem a cégen belül egy szélesebb körnek. Az adatok megosztása a DataOps-szal támogatva lehetővé teszi, hogy a nem technikai felhasználók is hozzáférjenek az adatokhoz és az elemzésekhez, felgyorsítva a döntéshozatalt és elősegítve a „data-first” kultúrát. Ez nemcsak a szakértők terhelését csökkenti, de a vállalat egészét produktívabbá és alkalmatkodóképesebbé teszi.

A munkafolyamatok specializálódása: MLOps és LLMOps

A gépi tanulási (Machine Learning, ML) modellek menedzselése, telepítése és monitorozása a MLOps (Machine Learning Operations) módszertana szerint történik, amely a DevOps elveit alkalmazza az ML-életciklusra. A nagy nyelvi modellek (Large Language Models, LLM) és a generatív AI térnyerésével azonban egy új, specializált terület, az LLMOps (Large Language Model Operations) is kialakult. Bár ez a kettő rokon terület, az LLMOps sajátos kihívásokkal jár, mint például a prompt engineering, a minőségi értékelés szubjektív jellege, vagy éppen a finomhangolás. Az MLOps a strukturált adatokra fókuszál, míg az LLMOps a nagyméretű, előre betanított modellek menedzselésére, amelyek elsősorban nyelvi adatokkal dolgoznak.

A specializált munkafolyamatok (MLOps, LLMOps) a sikeres AI-integráció kulcsai. Az MLOps és az LLMOps ugyanakkor nem felcserélhetők. Az e-kereskedelemben, a marketingben és a logisztikában az AI-rendszerek bevezetése és működtetése nem csupán egy egyszeri projekt, hanem egy folyamatosan fejlődő folyamat. Az MLOps-ra és LLMOps-ra támaszkodva a vállalatok biztosítani tudják, hogy az olyan alkalmazások, mint a személyre szabott ajánlórendszerek, a chatbotok vagy a prediktív logisztikai modellek, megbízhatóan és hatékonyan működjenek. A megfelelő módszertan hiánya viszont instabil rendszereket és rossz felhasználói élményt eredményezhet, hiábavalóvá téve a technológiai beruházásokat.

Az adattudomány üzleti alkalmazásai: a stratégia újradefiniálása

A vásárlói élmény hiperperszonalizációja

A mai fogyasztók jelentős többsége elvárja a személyre szabott ajánlatokat, és sokan emiatt válnak visszatérő vásárlóvá. Az AI-alapú ajánlórendszerek valós idejű adatok – például a böngészési előzmények és a vásárlási szokások – elemzésével egyedi termékeket és szolgáltatásokat javasolnak, növelve a konverziós rátákat és az ügyfélhűséget. A chatbotok és virtuális asszisztensek új generációja már nem csupán válaszol, hanem pszichológiai modellezéssel érzelmileg is ráhangolódik a vásárlóra, folyamatos támogatást nyújtva.

A hiperperszonalizáció egy teljes paradigmaváltását jelent a vásárlási élmény tekintetében. Az AI-jal támogatott személyre szabás az online vásárlás minden fázisát áthatja: az ajánlásoktól a keresőoptimalizálásig. Az omnichannel stratégia lehetővé teszi, hogy az AI-rendszerek következetes élményt nyújtsanak a fizikai boltoktól a közösségi médiáig. A következő lépés az „ügynökalapú kereskedelem” (agentic commerce), ahol az AI már nemcsak tanácsot ad, hanem konkrét vásárlásokat is végrehajt a felhasználó nevében, automatizáltan és biztonságosan. Ez a technológiai fejlesztés elmossa a határokat a tanácsadás és a tényleges tranzakciók között, és a jövőben az a cég lesz versenyképes, amely a leginkább észrevétlen és intuitív módon képes a vásárlási folyamatba beépülni.

A logisztika és ellátási lánc intelligens optimalizálása

A mesterséges intelligencia és a robotika alapvetően alakítja át a logisztikai és raktárkezelési folyamatokat. Az autonóm mobilrobotok (AGV-k és AMR-ek) és a Pick and Place robotok automatizálják az árumozgatást és a komissiózást, növelve a hatékonyságot és csökkentve az emberi hibákat. Az AI-alapú raktárkezelő rendszerek (WMS) valós idejű adatelemzéssel optimalizálják a készletkezelést, a kereslet-előrejelzést és az útvonaltervezést, ami jelentős költségmegtakarítást és gyorsabb szállítási időt eredményez.

Az AI-vezérelt logisztika a fenntarthatóság felé mutat. A prediktív elemzések lehetővé teszik a vállalatok számára, hogy minimalizálják a túlkészletezést, ami csökkenti a kapcsolódó tárolási költségeket és a pazarlást. Az AI-alapú útvonaltervezés optimalizálja a szállítási útvonalakat, csökkentve az üzemanyag-fogyasztást és a CO2-kibocsátást. Ez a logisztikai hatékonyság nemcsak pénzügyi előnyökkel jár, hanem a környezeti fenntarthatóságot is elősegíti, ami egyre fontosabb a modern fogyasztók és befektetők számára.

Bár a robotok automatizálják az ismétlődő, monoton feladatokat, az úgynevezett kobotok (kooperatív robotok) megjelenése azt is mutatja, hogy az AI nem feltétlenül váltja fel teljesen az embereket, inkább kiegészíti őket. A robotok átveszik a fizikai terhelést és a monoton munkát, lehetővé téve a dolgozók számára, hogy magasabb hozzáadott értékű, stratégiai feladatokra fókuszáljanak. Ez a humán és gépi munkaerő közötti szinergia új munkaköröket és készségeket igényel, melyekre a vállalatoknak fel kell készülniük.

Intelligens marketing és üzleti döntéshozatal

Az AI forradalmasítja a marketinget azáltal, hogy képes hatalmas adathalmazokat elemezni a piaci trendek, fogyasztói preferenciák és potenciális piaci rések azonosítása érdekében. Az olyan generatív AI eszközök, mint a ChatGPT, képesek tartalmak létrehozására és optimalizálására, legyen szó termékleírásokról, hírlevelekről vagy közösségi médiás posztokról. Ez lehetővé teszi a kkv-k számára is, hogy felvegyék a versenyt a multinacionális cégekkel anélkül, hogy drága marketingügynökségekre lenne szükségük. Az AI-alapú dinamikus árazás és készletoptimalizálás segít a profit maximalizálásában és a versenyképesség fenntartásában.

Korábban a kifinomult adatelemzés és a személyre szabott marketing a nagyvállalatok kiváltsága volt, amelyeknek meg volt hozzá a kellő erőforrásuk. Ám az olyan, AI-alapú, automatizált eszközök, mint a GenAI-alapú tartalomgyártás vagy a prediktív logisztika, ma már a kisebb szereplők számára is elérhetővé teszik a korábban költséges és komplex feladatokat. Ez a technológiai „demokratizáció” lehetővé teszi a magyar kkv-k számára is, hogy hatékonyan versenyezzenek a piacon, és növeljék a konverziós rátáikat.

Társadalmi és etikai dimenziók: készüljünk fel a változásokra!

A munkaerőpiac átalakulása és az új készségek

Az AI átalakítja a munkaerőpiacot: a Goldman Sachs szerint akár 300 millió állást is érinthet a változás. Ugyanakkor az AI új karrierlehetőségeket is teremt, mint a gépi tanulási szakértői, AI-kutatók, vagy a solutions architect-ek. Az ismétlődő feladatokat automatizálják, de az AI-alapú rendszerekkel való együttműködés és a magasabb hozzáadott értékű, stratégiai és kreatív feladatok elvégzése közben felértékelődik. A Világgazdasági Fórum (WEF) adatai alapján a munkavállalók 44%-ának új készségeket kell elsajátítania a következő 5 évben. Ez a tendencia rávilágít az átképzési programok sürgősségére, köztük a data science képzések kulcsszerepére is.

A jövő szakembereinek fontos képessége az együttműködés az AI-jal. A munkahelyvesztéstől való félelem reális, de a valóságban az AI-ra leginkább kiegészítő eszközként kell tekinteni. Az AI képes jogi dokumentumokat írni vagy pénzügyi modelleket készíteni, de a döntéshozatal, a kritikai gondolkodás és a kreatív problémamegoldás továbbra is emberi feladat marad. Ezért az oktatásnak és a képzéseknek, például a data science képzéseknek nem csupán a technikai tudást kell átadniuk, hanem hangsúlyt kell fektetniük az olyan soft skillekre is, mint a problémamegoldás, a kommunikáció és az alkalmazkódókészség. Ez a szemléletváltás elengedhetetlen a sikeres karrierépítéshez a változó digitális korban.

Adatvédelem és etikai dilemmák

Az AI széleskörű alkalmazása felveti az adatvédelem és a biztonság kérdését. A személyes adatok gyűjtése és elemzése a hiperperszonalizációhoz kulcsfontosságú, ami komoly jogi és etikai kihívásokat teremt, különösen a GDPR betartása terén. Az EU-ban tiltottak az olyan AI-alkalmazások, amelyek biometrikus adatokat használnak fel érzelmek kikövetkeztetésére vagy társadalmi pontozásra, mivel ez ellentétes az alapvető jogokkal és a diszkriminációhoz vezethet. Emellett a technológia bevezetésének magas költsége és bonyolultsága is jelentős kihívás a vállalatoknak.

A technológiai innováció és a jogi szabályozás közötti feszültség egyre nő. Míg a cégek a versenyelőnyük növelése érdekében gyűjtenek és elemeznek adatokat, a fogyasztók egyre tudatosabbá válnak a magánéletük védelmével kapcsolatban. Az uniós szabályozások – mint a GDPR és az AI Act – célja, hogy korlátok közé tereljék a technológiai fejlődést a magánszféra védelme érdekében. Ez azt jelenti, hogy a vállalatoknak nem csupán a legmodernebb technológiába kell befektetniük, hanem az etikus és átlátható adatkezelési gyakorlatokba is. A bizalom elvesztése és a jogi problémák felmerülése nagyobb kárt okozhat, mint amennyi hasznot a technológia hozna. A szintetikus adatok használata egy lehetséges kompromisszumot jelent, az ugyanis lehetővé teszi a modellfejlesztést a magánélet védelmének figyelembevételével.

Következtetés: a jövő adattudósának szerepe és felelőssége

Az adattudomány jövője egy rendkívül izgalmas, de egyben összetett tájkép. A technológiai alapok (kvantum, edge computing, XAI, szintetikus adatok) és a módszertani keretek (MLOps, LLMOps) forradalmi lehetőségeket kínálnak a legkülönfélébb iparágak számára, a logisztikától a marketingig és a vásárlói élmény terén is. A technológiai tudás mellett a jövő adattudósának kulcskompetenciái a problémamegoldás, az üzleti kontextus megértése és az etikus gondolkodás.

Hídemberként kell működniük a technológia és az üzleti igények között, biztosítva, hogy az adatok elemzéséből származó kimutatások valódi és pozitív hatással bírjanak. A folyamatos tanulás és az új készségek megszerzése elengedhetetlen, ehhez pedig kulcsfontosságú egy minőségi data science képzés. A siker kulcsa a technológiai trendek proaktív felismerésében, a beruházásokban, az emberi és gépi intelligencia harmonikus együttműködésének megteremtésében, valamint a felelősségteljes és etikus adatkezelési gyakorlatok kialakításában rejlik. Azok a vállalatok, amelyek ezt a holisztikus megközelítést választják, nemcsak túlélnek, hanem a digitális forradalom élére is állhatnak.

Ha feliratkozik a Műszaki Magazin Hírlevelére, sosem marad le a híreinkről! További friss híreket talál a Műszaki Magazin főoldalán! Csatlakozzon hozzánk a Facebookon is!

The post A transzformáció kora appeared first on Műszaki Magazin.

Ezek, a máshogyan nehezen (vagy egyáltalán nem) kinyerhető információk vonzóvá teszik egy beltéri pozícióelemző rendszer bevezetését, azonban a rendszer bevezetése alapos tervezést igényel, sok olyan szempontot figyelembe kell vennünk, amelyekre a beruházás eldöntésekor még nem gondoltunk.

A Mortoff kft. által készített MITRAS (Mortoff Indoor TRAcking System – https://mitras.mortoff.hu) rendszer fejlesztésekor ezeket a felmerülő problémákat körüljárva, olyan rendszert igyekeztünk kiépíteni, amely a jelenleg ismert integrációs,  üzemeltetési, bevezetési problémákra rugalmas választ tud adni és a pozícióadatokból az üzem hatékonyságát növelő információkat tud képezni.

Lokációs rendszer bevezetési problémái

A szenzorhálózat

Az egyik legfontosabb, legnehezebb kérdés a szenzorhálózat kiválasztása és kiépítése. Ez önmagában sem egy egyszerű feladat, sok szempontot figyelembe kell venni a használandó technológia kiválasztásánál – sőt, nagy valószínűséggel hozhatunk olyan döntést is, amely több technológia használatát eredményezi majd.

Nagyon fontos szempont a fizikai/kémiai környezet: az egyes üzemcsarnokok, épületek karakterisztikája ezen a téren jelentős eltéréseket tud mutatni.

Egy állattenyésztő telepen található környezet, vagy éppen egy fémmegmunkáló csarnok környezete között jelentős különbség lehet például páratartalomban, hőmérsékletben. De az állandó környezeti hatásokon kívül figyelembe kell vennünk azt is, hogy az üzem életciklusa alatt milyen egyedi vagy ritkán előforduló hatásokat kell a szenzorhálózatnak kibírnia – például savas mosás.

A szenzorhálózat kialakításánál figyelembe kell venni azokat a korlátozó és befolyásoló tényezőket, amelyek az egyes műszaki megoldások pontosságát, használhatóságát befolyásolják.

Tapasztalatunk alapján az Ultra-Wide Band rádiófrekvenciás azonosítás esetén az elektromágneses interferencia és a többutas jeltovábbítás okozhat olyan problémákat, amelyeket nehéz szoftveres jelfeldolgozással is kiszűrni, és ez csökkenti a terület geometriájától függően a pontosságot.

A pontosság javítható tanuló algoritmusokkal, előre ismert pozíciójú referenciapontokat használva.

Szoftveres illesztések, adatsilók

Az előzőekben említett problémák miatt érdemes olyan szoftveres megoldást választani, amely agnosztikus a helymeghatározó rendszer fizikai megvalósítását illetően, és interfész-illesztéssel többféle helymeghatározó rendszerből tud adatot fogadni, ezzel integrálni lehet az egyes technológiák által nyújtott adatfolyamokat.

Célszerű olyan eszközt választani, amelyik nem csak a helyadatok fogadására és feldolgozására képes, hanem a helyben álló gépeken mért adatokat is képes befogadni és feldolgozni. Ezzel elkerülhető az a probléma, amellyel sok, ipari digitalizációs transzformációt véghez vivő vállalat találkozik: az egyes, különböző területekre szakosodott adatgyűjtések és digitalizációs megoldások adatai silókban érhetők el, azokat csak a megoldásszállító célszoftverével lehet elérni, külső eszközökkel nem.

A szabványos interfészeket használó adatintegráció főként a 2000-es évek elejével, a szolgáltatásorientált architektúrák megjelenésével kapott fókuszt a szoftveriparban, az ott kialakult architekturális minták (pl. service bus, üzenetsor) és protokollok felhasználhatók arra, hogy ezeket a rendszereket egységesen kezeljük és a szenzorokból bejövő információt felhasználjuk.

Felhő vagy nem felhő?

A ma elterjedt szolgáltatási modellekben (SaaS) előszeretettel építenek ki olyan lokációs megoldásokat, ahol a szenzorhálózat nyers adatai valamilyen protokollon keresztül először a felhőbe kerülnek, hogy ott történjen meg az adatfeldolgozás, szűrés. A felhőalapú megoldásoknak az előnye a rugalmas erőforrás-felhasználás (és az ezzel járó rugalmasabb finanszírozás), azonban nagyon komoly adatvédelmi aggályokat is felvethet az ilyen jellegű, általában előfizetéses modell. Nem minden esetben engedheti meg egy üzem, hogy az OT hálózat adatait kiengedi kapun kívülre és kritikus biztonságú adatok hagyják el valós időben az üzemet.

Tapasztalatunk alapján azonban egyre többen kezdik el feladni félelmüket a felhőtől, és a külső félre átruházott üzemeltetési, adattárolási, adatbiztosítási feladatokat kezelhető kockázatnak minősítik.

Amennyiben felhő, felmerül sok esetben, hogy melyik felhő? Azt tapasztaltuk, hogy a vállalatok informatikai stratégiájában általában valamelyik nagy felhőszolgáltató (Amazon AWS, Microsoft Azure vagy Google Cloud Platform) által nyújtott eszközökre építenek, és nem deklarált cél a multi-cloud működés, vagy a felhőszolgáltató-független működés. Vannak olyan vállalatok is, amelyek saját privát vagy hibrid felhőmegoldást építenek ki, általában Kubernetes alapokon. A MITRAS elkészítése során ügyeltünk arra, hogy ki tudjuk szolgálni ezt a sokrétű igényt, és képesek vagyunk teljesen on-premise működésre, de felhős működésre is – függetlenül attól, hogy melyik felhőről van szó.

A beltéri lokációból egyszerűen kinyerhető információk

A beltéri helyzetadatok önmagukban még nem értékesek, azokból különböző elemzési algoritmusokkal információt kell képeznünk.

Az a tapasztalatunk, hogy egyszerűen számítható, már-már triviálisnak mondható statisztikákkal is nagyon hasznos információkat nyerhetünk ki a gyűjtött helyadatokból.

Baleset-megelőzés

Az egyik leghasznosabb statisztika az átlagsebesség, ugyanis tapasztalat az, hogy vannak olyan műszakok (tipikusan éjjel, hétvégente, illetve amikor alacsonyabb a termelési szint és kisebb a jelenlét), amikor a vezetett targoncákat, járműveket előszeretettel üzemeltetik az előírt sebességkorlátozásokat megszegve – túl nagy sebességgel haladnak egy üzemben. Ez egyrészt rendkívül balesetveszélyes, másrészt a járművek élettartamára is káros hatással van. Az ilyen felelőtlen használat akár halálos kimenetelű balesetet is okozhat.

A helyzetadatokból számított sebességből és a rá épített riasztási funkcionalitásból azonban ezek valós időben kiszűrhetők és kezelhetők.

Eszköz-kihasználtság

Egy másik nagyon könnyen számítható, de hasznos statisztika az adott időintervallumon belül megtett teljes úthossz, valamint a mozgással töltött idő. Ebből az egyes eszközök kihasználtságára tudunk következtetni.

Találkoztunk olyan esettel, ahol az üzemcsarnokban a dolgozók megszokásból csak a rendelkezésre álló eszközpark egy kis részét használták, azonban azokat szinte folyamatosan. Ez két szempontból nézve is fontos üzleti problémát tud okozni: az egyes túlhasznált eszközöknek megnő a karbantartási igénye, és korábban selejtezendők, illetve a másik oldalról nézve rengeteg eszköz került beszerzésre és kihasználatlan. Egyszerű összehasonlító elemzéssel követhető és kimutatható a lokációadatokból automatikusan, hogy van-e ilyen eszköz az üzemcsarnokon belül.

Forró pontok

Ezeken az egyszerű numerikus információkon kívül nagyon hasznosak a különféle hőtérképes statisztikák is, ebből kiemelendő az útvonali hőtérképek statisztikája. Útvonali hőtérkép esetén az elterjedt kétdimenziós hőtérképekhez képest nem a teljes területet fedjük le térképszerűen, hanem a járművek vagy operátorok által mozgásra előírt útvonalakon képzünk hőtérképet az útvonal egyes szakaszain töltött idő alapján. Számításuk történhet többféleképpen, például az adott időintervallumban és útvonalszakaszon történt tartózkodási idők átlaga, maximuma, összege alapján.

Ezzel kimutatható, hogy van-e olyan forró pont az üzem területén belül, amelyen a vártnál több időt tartózkodnak a mozgó egységek – például van-e olyan terület, ahol egy automatikus targonca rendszeresen leáll, vagy lecsökkenti a sebességét, annak ellenére, hogy ott tervezett megállója nincsen. Ez történhet akár amiatt is, mert a nyomkövetési információ (pl. mágneses jel) az adott helyen nehezen olvasható a targonca számára. Az ilyen jellegű hibákat, karbantartási igényeket is fel lehet ismerni útvonali hőtérképek időbeni változásaival.

Megérkezési idő előrejelzése

Az egyes útvonalak bejárását rögzítve, a múltbeli tényadatok felhasználásával, azokból (tipikusan csúszóablakos) statisztikát képezve, és összevetve a valós időben mért adatokkal, előre jelezhetjük, hogy egy adott targonca az elinduláshoz képest mikor fog egy állomásra odaérni, mikor tudja teljesíteni a szállítási feladatot.

Mivel az adatok rögzítése és a statisztikák képzése automatikus, ezért az időszakosan változó helyzeteket (például a már említett útvonal-karbantartások) emberi beavatkozás nélkül követi a megérkezési idő becslése.

Záró gondolat

Az európai, azon belül magyarországi Ipar 4.0 forradalom egyik sarokköve az üzemeken belüli helyzetmeghatározó rendszerek kiépítése, azonban a felmerülő környezeti, informatikai, integrációs, adatbiztonsági problémák miatt csak alapos tervezéssel kezdhetünk bele a bevezetésébe.

Egy ilyen rendszer hatékonyságát csak növelni tudja az, ha a többi mérőrendszer által gyűjtött adatokat integráljuk a helyzetinformációkkal és így képezünk komplex kimutatásokat, azonban tapasztalatunk azt mutatja, hogy a bevezetés már nagyon hamar megtérülhet, ugyanis az üzemekben található hatékony termelést gátló mozgások jelentős része már nagyon elemi statisztikák segítségével kimutatható és megszüntethető.

További információ: mitras.mortoff.hu

The post Ipari beltéri lokációelemzés – MITRAS appeared first on Műszaki Magazin.

A Dell kibővíti igény szerinti (on-demand) HPC-szolgáltatásait és a Dell EMC PowerEdge szervergyorsítási támogatását is, hogy a szervezetek könnyebben birkózhassanak meg az olyan nagy adatmennyiségű munkaterhelésekkel, mint például a genomszekvenálás a termékfejlesztési szimulációk során.

„A HPC-, az AI- és az adatelemzési folyamatok egyre szorosabban összefonódnak, de a tárolási és hálózati konfigurációk továbbra is adatsilókban maradnak. Ez kihívás elé állítja az informatikai csapatokat, amikor a folyamatosan változó igényeknek megfelelő erőforrásokat kell biztosítaniuk. A Dell Omnia nyílt forráskódú szoftverével a csapatok jelentős mértékben leegyszerűsíthetik a fejlett számítási terhelések kezelését, így felgyorsíthatják innovációs folyamataikat”

– mondta Peter Manca, a Dell Technologies integrált megoldásokért felelős részlegének vezető alelnöke.

Az Omnia leegyszerűsíti és felgyorsítja a terhelések egyesítését

Az Omnia szoftvert a Dell Technologies HPC & AI Innovation Lab fejlesztette az Intel közreműködésével és a HPC-közösség támogatásával. A nyílt forráskódú szoftver célja, hogy automatizálja a HPC-, az AI- és az adatelemzési terhelések kiépítését és kezelését. Az így létrejövő egységes, rugalmas erőforráskészlet képes kielégíteni a folyamatosan bővülő és változó igényeket.

Az Omnia nyílt forráskódú szoftvercsomag egy olyan Ansible playbook, amely felgyorsítja az egyesített munkaterhelések üzembe helyezését a Kubernetes és a Slurm, valamint kódtárkeretrendszerek, szolgáltatások és alkalmazások segítségével. Az Omnia automatikusan telepíti a használati célnak – például HPC-szimulációknak, AI neurális hálózatoknak vagy az adatelemzésekhez használt memórián belüli grafikus feldolgozásnak – megfelelő szoftvermegoldásokat az egyes szerverekre, ezáltal hetekről percekre csökkenti az üzembe helyezéshez szükséges időt.

A közösség részvétele és együttműködése nagyon fontos az Omnia fejlődésében. Az Omniát az Arizonai Egyetem számítástechnikai kutatórészlege és a Dell Technologies HPC & AI Innovation Labbel közösen fejlesztette, hogy a szoftver még hatékonyabban segíthesse többek között a szimulációt, a nagy sebességű számítást és a gépi tanulást is magukban foglaló vegyes terhelések támogatását.

Igény szerinti (on-demand) HPC Vmware alapon: bármikor elérhető infrastruktúra

A Dell Technologies tovább bővítette igény szerinti (on-demand) HPC-megoldásainak kínálatát, így mostantól a VMware-környezetekhez is támogatást nyújt. Az igény szerinti (on-demand) HPC és az R-Systems segítségével az ügyfelek fejlett infrastruktúrákat használhatnak, amelyek megfelelnek a nagy számítási kapacitásra irányuló egyedi igényeknek. A VMware Cloud Foundation, a Vmware Cloud Director és a VMware vRealize Operations rendszerek hozzáadásával az ügyfelek hibrid felhős üzemeltetési modellt használhatnak a nagy erőforrás-igényű terhelésekhez, valamint igény szerint bármikor gyorsan hozzáférhetnek a használatalapú díjazású HPC-erőforrásokhoz.

A hajózáshoz használt meghajtási rendszerek gyártásában piacvezető Mercury Marine új termékei tervezéséhez  számítógépes hidrodinamikai szimulációkat használ, ami gyakran igényel a saját lehetőségeiket meghaladó HPC-kapacitást. A Dell nagy teljesítményű infrastruktúrájával a Mercury Marine mérnökei saját 48 órás szimulációs idejüket 2 órára csökkenthetik az igény szerinti (on-demand) HPC-vel.

Új, fejlett számítási kapacitást nyújtó NVIDIA GPU-opciók

A Dell Technologies mostantól az NVIDIA A30 és A10 Tensor Core GPU-kat is elérhetővé teszi a Dell EMC PowerEdge R750, R750xa és R7525 szerverekben.

Az NVIDIA A30 GPU-k az AI-következtetési és elterjedt vállalati számítási terhelések széles választékát támogatják, többek között a társalgási AI-t és a számítógépes látástechnológiákat is. Az NVIDIA A10 GPU-kkal az ügyfelek AI- és grafikus terheléseket is futtathatnak egyszerű infrastruktúrákon is, így ideálisak a deep-learning-alapú következtetést és számítógépes tervezést alkalmazó folyamatokhoz. A leginkább tervezők, mérnökök, művészek és tudósok által használt NVIDIA virtuális GPU-szoftverek és virtuális számítógépek automatikusan maximális teljesítményt nyújtanak.

Elérhetőség:

• Az Omnia szoftver már világszerte elérhető.
• A VMware-t támogató igény szerinti (on-demand) HPC ebben a negyedévben válik elérhetővé.

További források

• Omnia-közösség
• Az Omnia alkalmazási módja a Pisai Egyetemen
• VMware-alapú igény szerinti (on-demand) HPC
• Dell Technologies HPC & AI Innovation Lab
• Dell Technologies HPC & AI Centers of Excellence
• European Technology Platform for High Performance Computing
• Dell EMC PowerEdge szerverek NVIDIA A30-cal és A10 GPU-kkal

The post A Dell Technologies nyílt forráskódú Omnia szoftvere felgyorsítja a HPC-, az AI- és az adatelemzési terhelések egyesítését appeared first on Műszaki Magazin.

Az elemzésekben és az AI területeken vezető SAS, három kontinensről több mint 3500 szakértőt, a jövő gondolkodóit és vezetőt hívta össze a tapasztalataik megosztására a Beyond Tomorrow virtuális esemény keretein belül. A három napos esemény, megbeszélés és workshop célja az volt a Közép- és Kelet-Európába, Közel-Kelet, Afrika és Oroszország több ezer szervezetének segítése, hogy átgondolják az elemzés, a mesterséges intelligencia, az adattudomány és az adatközpontú megközelítés lehetőségeit, az új kihívásoknak való megfelelés érdekében.

A jelenlegi járványhelyzet merőben változtatta meg az üzleti- és életgondolkodásunkat. A korlátozó intézkedések mindannyiunkat új kommunikációs útra kényszerítettek, aminek eredményeképp pedig jelentősen felgyorsult a digitalizáció. A több mint 3 éves stratégiai és tervezési fázisok napokra vagy hetekre csökkentek. Ma már az egészségügyi szolgáltatók gyorsan áttértek a távegészségügyre, a biztosítók az önkiszolgáló kárigények értékelésére, a kiskereskedők az érintés nélküli vásárlásra és kézbesítésre, a bankok pedig a mobil alkalmazásokra és az internetes banki tevékenységre. Mára a digitalizáció elsődlegessé vált. Az adatok, az elemzések és az AI-alapú megoldások óriási szerepet játszanak az új valósághoz való alkalmazkodásban.

Készen állsz egy teljesen digitális világra?

A konferencia napirendje három napot ölelt fel. Az első adattudományi napot, a fejlett elemzés és az AI különböző eszközeinek, az adattudomány technikai szempontjainak, valamint az elemzésben való karrierépítésnek és készségek fejlesztésének szentelték. Az első nap a jövőkutató és trendfigyelő, Richard van Hooijdonk előadásával kezdődött. A pandémia által a technológia haladását kényszerítő és felgyorsító két aspektusát jelölte meg: Az autonómia szükségessége és a kommunikációs láncban szükséglet az emberek közötti személyes kapcsolat  megszüntetésére.

Tény, hogy a COVID-19 miatt a szállítás intenzitása valamint a gyártás csökkenésével nem csak a vállalkozások, hanem egyes országok is szembesültek az értékes áruk és erőforrások hiányával. Mindez nagyobb autonómián való gondolkodásra késztette a vezetőket és a kormányokat, mint például a külső viszonyoktól és a változékony környezettől való függőség csökkentésének lehetőségeiről. Példaként Richard megemlítette Kína városait, amelyek a teljes autonómia irányába fejlődnek és független, önellátó ökoszisztémává alakulnak át.

Ami a második szempontot illeti, a gépek és az AI megváltoztatják az emberek szerepét számos ismert “ember-ember” rendszerben. Minden iparágban tapasztalható a példa: a kiskereskedelemtől, amely az érintés nélküli és távoli szolgáltatás felé halad, a szinte teljesen online kifizetésekig. Richard úgy véli, hogy 5-10 éven belül megszokottá válik ez a tendencia: a szállítást drónok segítségével hajtják majd végre, és a bevásárló lista elkészítése egyenértékű lesz a szupermarket meglátogatásával.

Az új feltörekvő gazdaságban a nyílt forráskódú megoldások szerepét emelte ki Nikolaos Kourentzes, a svéd Skövde Artificial Intelligence Lab prediktív elemzések és az AI professzora, és Konstations Mpahas, a SAS délkelet-európai ügyféltanácsadó-vezetője. A szakértők kihangsúlyozták, hogy a nyílt forráskód további rugalmasságot és kísérleti lehetőségeket biztosít az elemzők számára, de fontos a kutatásokból a gyakorlati alkalmazásokra való könnyed áttérés, az adatkutatók által nyújtott ötletek és munka hatékonyságának a beépítése a szervezet termelőkészségébe. A SAS Viya elemzési platformja a nyílt forráskódú modellek kezelésével és az üzleti folyamatokba való beágyazásával nyújtja ezeket a lehetőségeket.

Hogyan lehetsz több az iparágban?

Az iparág volt a téma az intenzív program második napján, amit Dr. Jim Goodnight, a SAS vezérigazgatójának a beszéde nyitott.

„A SAS mindig is az innovációra és a kreativitásra támaszkodott. Most ez a tapasztalat, a változások gyorsasága miatt minden eddiginél relevánsabb: ami januárban működött, áprilisban használhatatlanná vált és a vállalatoknak gyorsan kell alkalmazkodniuk. A SAS analitikája mindezt az alkalmazkodóképességet tette lehetővé. “

A SAS megoldásokat kínált a kiskereskedelem számára, optimális ellátási láncok kialakítására, az üzleti zavarok valószínűségének minimalizálására, az előrejelzések pontosságának növelésére stb. Emellett az elemzés kulcsfontosságú szerepet játszik a COVID-19 járvány elleni küzdelemben. A régi modellek nem tudták megjósolni az új járványokat és azok mértékét. A SAS azonnal elkezdte fejleszteni az újakat, hogy az orvosi, állami és kormányzati szervezeteknek lehetőségük legyen optimális segítséget nyújtani és megelőző intézkedéseket hozni. Dr. Goodnight kiemelte a csalás elleni elemzések növekvő szerepét is. Mivel a világjárvány-ellenes projektek finanszírozást és kormányzati beruházásokat igényelnek, ami vonzó tényező a csalók számára. Az elemzés pedig segít megelőzni a veszteségeket.

Rik Vera, a Nexxworks alapító partnere, az ügyfélközpontú üzleti stratégiák gondolatvezetője szintén főelőadóként csatlakozott a konferenciához. Megjegyezte, hogy nem a COVID-19 volt az oka az idei évben tapasztalt változásoknak, hanem gyorsítója volt egy hosszú átalakulási láncnak, amely korábban – a 2010-es vagy akár az 1990-es években – elindult. Rik a millió évekkel ezelőtt földre hulló meteorithoz hasonlította a mai valóságot,: ahogyan a változásokhoz rugalmasan és gyorsan alkalmazkodó állatok voltak csak képesek életben maradni, úgy ma is azok a vállalatok fogják túlélni a változásokat, amelyek rugalmasan tudnak újjá épülni és gyorsan igazodnak új valósághoz, a legújabb technológiákat átfogóan és átgondoltan alkalmazva. Konkrét ötleteket és felhasználási eseteket vitattak meg a résztvevők a banki, biztosítási, telekommunikációs és kiskereskedelmi ágazati megbeszéléseken. Például Valentina Larina, a SAS EMEA kiskereskedelmi és ügyfélélmény-gyakorlati vezetője megjegyezte, hogy a kiskereskedők olyan problémákkal szembesülnek, mint a fokozott versenyhelyzet, a súlyos járvány adta kényszerhelyzetek, a magas vevői elvárások, logisztikai nehézségek, új hirdetési kampányok szükségessége és még sok más. Bemutatta azt, hogy a SAS, hogyan képes segíteni, nemcsak megoldani ezeket a problémákat, hanem az üzleti fenntarthatóságban közös nyereségre szert tenni.

A banki megbeszéléseken Andrej Gubanov, a Sberbank hűségprogramjainak ügyvezető igazgatója elmondta a gamifikáció előnyeit az új üzleti körülmények között. Bemutatta a „Spasibo from Sberbank“ hűségprogram gyakorlatának példáit, amelyek megerősítették, hogy a gamifikációs mechanika segít a különböző “komplexitási fokú” ügyfelekkel való interakciós forgatókönyvek személyre szabásában.

Mi szerepel a következő év stratégiájában?

A harmadik nap – az Executive Day – főszereplői a régió minden tájáról származó cégek és szervezetek vezetői voltak, akiknek meg kellett küzdeniük a világjárvány kihívásaival. A napot a SAS által lefedett különböző kistérségek és országok közvetítései nyitotta meg. Csatlakoztak a megbeszéléshez a SAS ügyvezető igazgatói, akik rövid áttekintést adtak a területük helyzetéről. A SAS megoldásokkal dolgozó vállalatok képviselői pedig a projektjeikről és az eredményeikről beszéltek. Oroszországot Alekszandr Tihonov, a SAS Russia / CIS főigazgatója és Alekszej Vlasov, az Ingosstrakh kiskereskedelmi üzletágért felelős főigazgató-helyettese képviselte. Alekszej Vlasov kitért a csalás akut témájára, amely a válság alatt még súlyosabb fenyegetéssé vált. Azt javasolta, hogy azok a vállalatok, akik a további növekedésre összpontosítanak, fordítsanak nagy figyelmet a csalás elleni küzdelemre, és az elemzéseket építsék be stratégiájukba. Valamint beszélt az Ingosstrakhban létrejött SAS eszközökre épülő csalásellenes rendszerről, amely segít, a társaságoknak a beazonosítani az egyes betolakodókat és bűnözőket, csoportosítani és kezelni az ügyfél portfólió minőségét.

Az Executive Day részeként külön ülést tartottak a SAS felső vezetőivel és Raymond Kurzweil úttörő feltalálóval és jövőkutatóval, valamint az üzleti vezetők számára tervezett vezetői workshopok sorozatával. A résztvevők megbeszélték, hogyan lehet új lehetőségeket találni egy válságban, hogy a fejlett elemzés és mesterséges intelligencia hogyan tudna segíteni a különböző iparágak vállalkozásainak reagálni a kihívásokra és továbblépni, valamint hogyan lehet felkészülni a további változásokra.

„Ez az év, a kemény munka és a kreativitás éve volt mindannyiunk számára. Mindannyian soha nem látott kihívásokkal szembesültünk, és alkalmazkodnunk kellett olyan körülményekhez, amelyekkel még soha nem találkoztunk. Természetesen nagyon fontos számunkra az, hogy világszerte több mint 14 000 SAS alkalmazottjának a munkája számos szervezetnek tudott segíteni. A nagy teljesítményű SAS elemzéssel és a mesterséges intelligenciával ügyfeleink képesek voltak újragondolni a folyamataikat, megoldásokat találni az új kihívásokra és megerősödni. A Beyond Tomorrow rendezvényen a lehetőségek és megoldások tárházát láthattuk a világ különböző pontjairól”

– kommentálja Alekszandr Tihonov, a SAS Russia / CIS ügyvezető igazgatója.

The post Adatelemzéssel a vállalatok jobban alkalmazkodnak az új kihívásokhoz appeared first on Műszaki Magazin.