Forescrap: Servicio de predicción de chatarra generada en procesos de corte de chapa

Lantek

Sector: Industria

Business Case

En los procesos de fabricación de piezas de metal mediante corte, se produce una cantidad de chatarra o material no utilizado que está directamente relacionada con la eficiencia de la distribución de las piezas a cortar en la chapa de metal. Con el fin de abordar este desafío, se ha implementado el sistema Forescrap, el cual tiene como objetivo predecir la cantidad de chatarra generada teniendo en cuenta las características de la pieza y el histórico de fabricación.

Objetivos

Predecir la cantidad de chatarra que se va a generar en el proceso de fabricación  de una pieza de metal antes de su producción.

Use case

Se ha desarrollado un modelo de predicción multicliente utilizando regresión con un ensamblado de modelos. Posteriormente, se ha empaquetado en una imagen de Docker y desplegado en un servicio de Kubernetes para su implementación en un entorno de producción escalable.

Infraestructura

Cloud

Tecnologías utilizadas

Machine Learning y Deep Learning

Datos utilizados

Tablas de bases de datos, datos estructurados,…

Datasets privados.

Recursos utilizados

Personal: 1 científico de datos, 1 ingeniera MLOps, 1 gestor de proyectos 

Infraestructura: AKS scoring, AKS training, blobstorage, AzureML workspace, VNets

Dificultades y aprendizaje

Se ha hecho necesario definir un proceso de MLOps (machine learning operations) para la estandarización  de todos los procesos de ML de Lantek, desde el proceso de definición de las métricas al proceso de despliegue en el entorno de producción.

KPIs (impacto en el negocio y métricas del modelo)

Métricas de error en la cantidad de chatarra generada respecto a producción, capacidad de realizar 2300 ofertas por minuto en predicción mediante escalado vertical y horizontal en los AKS de scoring en producción.

Financiación

Hazitek

Colaboradores

Desarrollo interno con recursos propios.

Scroll al inicio