Üretim çizelgesini yapay zeka ile optimize etmek: planlama rehberi

Üretim planlama neden yapay zekayla yeniden ele alınıyor?

Üretim planlama; talebi, malzeme durumunu, makine kapasitesini, iş gücünü ve teslim tarihlerini aynı anda dengeleyen bir karar problemidir. Sipariş sayısı, ürün çeşidi ve hat sayısı arttıkça olası çizelge sayısı çok hızlı büyür ve elle ya da tablo üzerinde en uygununu bulmak zorlaşır. Acil bir sipariş geldiğinde ya da makine bozulduğunda planın yeniden kurulması saatler alır.

Yapay zeka bu problemde farklı yerlerde katkı sağlar. Birincisi planın girdisini iyileştirmek: talep tahmini, süre tahmini ve duruş riski tahmini daha isabetli hale gelir. Bir diğeri planın kendisini kurmak: optimizasyon ve çizelgeleme algoritmaları, kısıtları gözeterek çok sayıda alternatifi hızla değerlendirir. Planlamacının yerini almaz; planlamacıya daha iyi seçenek ve hızlı senaryo karşılaştırması verir.

Planlama için veri temeli

Çizelge kalitesi, girdi verisinin doğruluğuna bağlıdır. Üretim planlamada kritik veri başlıkları şunlardır:

• Ürün ağacı ve rotalar: Hangi ürün hangi operasyonlardan, hangi sırayla geçiyor?
• Standart ve gerçek süreler: Operasyon süreleri, hazırlık (kurulum) süreleri ve geçiş süreleri. Standart süre ile gerçekleşen süre arasındaki fark planın sapmasının en büyük nedenidir.
• Kapasite ve takvim: Makine, kalıp, vardiya ve bakım takvimi.
• Malzeme durumu: Stok, tedarik süreleri, geliş tarihleri.
• Talep bilgisi: Siparişler, tahminler, öncelik ve teslim tarihleri.
• Geçmiş performans: Gerçekleşen çizelgeler, gecikme nedenleri, duruş kayıtları.

Veri birçok tesiste ERP, MES ve tablolarda dağınık durur. Yapay zeka çalışmasından önce ana verinin temizlenmesi ve tek kaynağa bağlanması gerekir. Veri sorunlarını çözmeden algoritmaya geçmek, hızlı ama yanlış planlar üretir.

Yapay zeka destekli planlama adım adım

Çalışma düzenli bir sıralamayla ilerlediğinde risk azalır:

• Problemi tanımlayın: Neyi optimize ediyoruz? Gecikmeyi azaltmak, hazırlık süresini düşürmek, stok seviyesini dengelemek, makine kullanımını yükseltmek aynı anda mümkün olmayabilir. Öncelik sırasını belirleyin.
• Kısıtları yazın: Makine uyumluluğu, işlem sırası, kalıp değişim kuralları, vardiya sınırları, malzeme hazır olma tarihi. Gerçek hayatta işleyen kurallar yazıya dökülmeden algoritma bunları bilemez.
• Talep ve süre tahminlerini iyileştirin: Geçmiş satış ve sipariş verisiyle talep tahmini, geçmiş gerçekleşmelerle operasyon süresi tahmini üretin.
• Çizelgeleme motorunu çalıştırın: Kısıt programlama, sezgisel yöntemler ya da makine öğrenmesi destekli çizelgeleyiciler aday planlar üretir.
• Senaryoları karşılaştırın: Acil sipariş eklenirse, makine arızalanırsa ne olur? Planlamacı alternatifleri hızla görür.
• Uygulamayı izleyin ve geri besleyin: Gerçekleşen sürelerle plan arasındaki farkı ölçüp modelin girdilerini güncelleyin.

Örnek: hazırlık sürelerini azaltan sıralama

Örneğin bir plastik enjeksiyon atölyesinde kalıp ve renk değişimleri uzun hazırlık süreleri doğuruyor. Siparişler teslim tarihine göre sıralandığında makine sık sık kalıp değiştirmek zorunda kalıyor.

Çizelgeleme algoritması, siparişlerin teslim tarihlerini bozmadan benzer kalıp ve renkleri art arda gruplayan bir sıralama arıyor. Hazırlık süresi azalıyor, ama bazı siparişler bir miktar öne ya da geriye kayıyor. Planlamacı bu ödünleşimi görüyor, müşteri önceliğine göre sınırı belirliyor ve algoritma bu sınırı kısıt olarak alıyor.

Burada yapay zekanın katkısı olası sıralamaların arasında dengeyi hızla bulmak; hangi siparişin esnek olduğuna karar vermek ise planlamacının işidir. Örnek kurgusaldır ve yöntemi göstermek içindir.

Kullanılan teknik ve araç türleri

• Talep tahmini: Zaman serisi ve makine öğrenmesi yöntemleri; mevsimsellik, kampanya ve trend etkilerini hesaba katar.
• Süre tahmini: Geçmiş gerçekleşmelerden operasyon süresini ve gecikme riskini öğrenen modeller.
• Optimizasyon ve kısıt programlama: Belirli kuralları sağlayan çizelgeler arasında hedef fonksiyonu en çok karşılayanı arayan yöntemler.
• Sezgisel ve metasezgisel yaklaşımlar: Büyük problemlerde makul sürede iyi çözüm bulan algoritmalar.
• Pekiştirmeli öğrenme: Dinamik ortamlarda çizelgeleme kuralları öğrenen yaklaşımlar; genellikle araştırma ve ileri uygulama düzeyindedir.
• Dijital ikiz ve simülasyon: Planı uygulamadan önce hat davranışını modelleyip sınamak.
• Karar destek panoları: Plan, gerçekleşme ve sapmayı görselleştirmek.

Teknik seçim problemin büyüklüğüne bağlıdır. Birçok işletmede ilk kazanım basit bir yerden gelir: talep tahmininin iyileştirilmesi ve hazırlık süresi kurallarının sisteme işlenmesi.

Sık yapılan hatalar

• Gerçekçi olmayan kısıtlarla çalışmak: Sahadaki ince kuralları yazmayan model, uygulanamaz plan üretir.
• Planı tek seferlik görmek: Plan, gerçekleşmeyle sürekli güncellenmeli; statik bir çizelge hızla eskir.
• Planlamacıyı dışarıda bırakmak: Deneyimli planlamacının bilgisi, modelin bilemediği istisnaları taşır. Sonuçları onunla birlikte doğrulayın.
• Standart süreye körü körüne güvenmek: Gerçekleşen süre ile karşılaştırma yapılmazsa model hatalı süreleri tekrar eder.
• Çok amaçlı hedefi netleştirmemek: Gecikmeyi, stok maliyetini ve kullanım oranını aynı ağırlıkta istemek çelişkili plan üretir.
• Veri sorunlarını geçiştirmek: Yanlış ürün ağacı ya da eksik kapasite takvimi tüm plana yansır.
• Büyük projeyle başlamak: Önce bir hat veya bir ürün ailesinde pilot yapmak daha güvenlidir.

Öğrenme yolu ve Mindset programlarındaki yeri

Önce klasik üretim planlama mantığını (ana üretim planı, malzeme ihtiyaç planlaması, kapasite planlaması) öğrenin. Sonra talep tahmini ve zaman serisi temellerine geçin. İleri aşamada optimizasyon ve çizelgeleme yöntemleriyle pilot uygulama yapılır.

Mindset kataloğunda Yapay Zeka ile Üretim Süreçleri Optimizasyonu eğitiminin müfredatında Üretimde Yapay Zeka Temelleri, Üretim Planlama ve Çizgeleme Optimizasyonu ile Yapay Zeka Proje Yönetimi ve Ölçekleme modülleri yer alır. Atölye: Yapay Zeka Kullanım Senaryosu Geliştirme modülü, kendi tesisiniz için uygulanabilir bir planlama senaryosu kurmak isteyenler için uygundur. Üretim planlama uzmanları, tedarik zinciri ve operasyon ekipleri bu başlıkları kendi veri yapısıyla örnek senaryo üzerinden çalışabilir.