Case studies
Branże
Projekt
Automatyczna Inspekcja Wizualna
Firma
Foxconn (z technologią Huawei)
Kraj
Chiny
Wielkość
700 000+ pracowników
Branża
Elektronika | Produkcja | technologia | informatyka
WYZWANIE
- Mikroskalowa kontrola montażu elektronicznego (umiejscowienie, adhezja, etykiety)
- Inspekcja manualna: powolna i podatna na błędy
- Wysoka niezawodność niezbędna dla produktów konsumenckich
- Niemożność skalowania inspeksji przy wzroście produkcji
ROZWIĄZANIE
- Wdrożenie systemu automatycznej inspeksji wizualnej zasilanego AI
- Wykorzystanie edge AI i computer vision
- System trenowany na milionach obrazów defektywnych i prawidłowych produktów
- Przetwarzanie w rzeczywistym czasie na liniach produkcyjnych
BENEFIT
- Inspeksja automatyczna: ponad 6 000 urządzeń miesięcznie
- Dokładność: powyżej 99%
- Redukcja defektów: o do 80%
- Wyeliminowanie wąskiego gardła czasowego w procesie
Projekt
Cyfrowe Kopie Fabryk i Kontrola Jakości
Firma
BMW Group
Kraj
Niemcy
Wielkość
150 000+ pracowników
Branża
Motoryzacja | Produkcja
WYZWANIE
- Zarządzanie złożonością tysięcy wariantów produktu
- Czasochłonna inspeksja manualna przy rygorystycznych standardach jakości
- Tradycyjne symulacje zbyt wolne i kosztowne
- Konieczność przyspieszenia cyklu planowania bez utraty jakości
ROZWIĄZANIE
- Wdrożenie NVIDIA Omniverse do budowy cyfrowych bliźniaków fabryk
- Syntetyczne zestawy danych (SORDI) do szkolenia modeli AI
- Modele CNN do inspeksji powierzchni lakieru i części krytycznych
- Detekcja zarysowań, wgniecień i pseudodefektów (np. kurz)
BENEFIT
- Redukcja czasu kontroli jakości: o prawie 2/3 (66%)
- Przyspieszenie cykli planowania: znaczące skrócenie
- Szybsze wdrażanie modeli AI na nowych projektach
- Możliwość szybkiego przetrenowania systemu przy zmianach produktu
Projekt
Optymalizacja Łańcucha Dostaw
Firma
Unilever
Kraj
Wielka Brytania
Wielkość
130 000+ pracowników
Branża
Produkcja | logistyka | żywność
WYZWANIE
- Złożoność zarządzania zapasami w globalnym łańcuchu dostaw
- Trudność w prognozowaniu popytu uwzględniającymi sezonowość
- Opóźnienia i brak synchronizacji między etapami
- Zmienność warunków rynkowych, pogody, zmian preferencji konsumentów
ROZWIĄZANIE
- Integracja AI w 20 wieżach kontroli łańcucha dostaw na świecie
- Kombinacja real-time data i machine learning
- Prognozowanie popytu na podstawie danych historycznych, sezonowości, czynników zewnętrznych
- Algorytm optymalizuje poziomy zapasów dla każdej lokalizacji
- Lepsza koordynacja logistyki i zaopatrzenia
BENEFIT
- Redukcja przypadków braku towaru w sklepach (stockoutów)
- Zmniejszenie przeinwestowania w zapasy
- Poprawa responsywności na zmieniający się popyt
- Lepsza współpraca między działami logistyki i zaopatrzenia
- Optymalizacja całego łańcucha dostaw