Następnej generacji sztuczna inteligencja do inteligentnego podejmowania decyzji i optymalizacji zapasów w pełnym cyklu życia produkcji złożonych produktów integrująca LSTM i Q‑learning

Inteligentniejsze fabryki dla codziennej technologii

Od smartfonów i laptopów po samochody i samoloty — wiele produktów, na których ludzie polegają na co dzień, opiera się na złożonych częściach wytwarzanych w długich, delikatnych łańcuchach produkcyjnych. Fabryki te muszą decydować, ile produkować na każdym etapie, ile przechowywać oraz jak reagować, gdy popyt nagle rośnie lub spada. W badaniu przedstawiono nowy sposób pozwalający sztucznej inteligencji inteligentniej zarządzać tymi decyzjami, ograniczając marnotrawstwo i braki, jednocześnie utrzymując przepływ wysokowartościowych produktów.

Dlaczego produkcja zaawansowanych produktów jest tak trudna

Złożone produkty, takie jak układy półprzewodnikowe czy komponenty lotnicze, przechodzą przez wiele ściśle powiązanych etapów, od cięcia i łączenia po testowanie i pakowanie. Popyt na te wyroby jest często niestabilny: zamówienia rosną gwałtownie, gdy nowe urządzenie zdobywa popularność, i gwałtownie maleją, gdy rynki się przestawiają. Tradycyjne metody planowania mają trudności z radzeniem sobie z tymi wahaniami. Albo produkują za dużo, wiążąc kapitał w magazynach, albo za mało, powodując bolesne braki, gdy klienci muszą czekać lub szukać alternatyw. Jednocześnie fabryki generują ogromne ilości danych z czujników, kontroli jakości i rejestrów dostaw, które trudno ludzkim planistom przetworzyć w czasie rzeczywistym.

Połączenie dwóch rodzajów SI w pętli zamkniętej

Autorzy proponują zintegrowane ramy SI łączące dwie komplementarne techniki: moduł prognozowania i moduł podejmowania decyzji. Część prognostyczna wykorzystuje rodzaj sieci neuronowej zwany Long Short‑Term Memory (LSTM) do uczenia się wzorców z przeszłych zamówień i sygnałów z czujników, takich jak sezonowe skoki popytu lub spowolnienia spowodowane awariami sprzętu. Zamiast traktować prognozę jako stałą, system ciągle ją udoskonala przy użyciu nowych danych. Część decyzyjna opiera się na Q‑learningu, formie uczenia ze wzmocnieniem, w której wirtualny decydent eksperymentuje z różnymi decyzjami produkcyjnymi w środowisku symulowanym i uczy się, które prowadzą do niższych kosztów i mniejszej liczby braków w czasie. Kluczowe jest to, że oba moduły są połączone w pętlę zwrotną: prognozy kierują decyzjami, a rezultaty tych decyzji są zwracane, aby poprawiać przyszłe prognozy.

Równoważenie kosztów, zapasów i niepewności

Rzeczywiste fabryki muszą jednocześnie godzić kilka kategorii kosztów: koszty wytworzenia każdej jednostki, koszty utrzymania dodatkowych zapasów oraz często znacznie większe koszty związane z brakiem towaru i niemożnością zrealizowania zamówień. Ramy modelują linię produkcyjną z wieloma etapami i explicite śledzą zapasy oraz zaległości na każdym z nich. Dodają też warstwę ochronną przeciw niepewności, stosując technikę optymalizacji odpornej, która przygotowuje na nagłe zmiany popytu zamiast zakładać, że przeszłe wzorce zawsze będą obowiązywać. W praktyce oznacza to, że system rzadziej będzie zaskoczony przez ekstremalne scenariusze, takie jak nagłe boomy rynkowe czy zakłócenia w łańcuchu dostaw, a jednocześnie uniknie nawyku nadprodukcji „na wszelki wypadek”.

Co pokazują eksperymenty w realnych fabrykach

Aby przetestować podejście, badacze zastosowali je do rzeczywistych danych z zakładu pakowania i testowania półprzewodników działającego na pięciu etapach produkcji. Porównali swoje ramy z tradycyjnymi systemami planowania potrzeb materiałowych oraz kilkoma zaawansowanymi konkurentami opartymi na SI. Prognozy LSTM zmniejszyły błąd predykcji o około 40 procent w porównaniu z klasyczną metodą statystyczną, a cały system obniżył koszty całkowite o 15,7 procent względem systemu dziedziczonego i o 8,3 procent w porównaniu ze silnym nowoczesnym punktem odniesienia. Co więcej, osiągnięto zerowy wskaźnik braków przy jednoczesnym obrocie zapasów na poziomie 4,2 obrotu rocznie, co oznacza, że części nie zalegały długo. Dalsze analizy wykazały, że system pozostał stabilny nawet wtedy, gdy popyt stał się bardziej nieregularny, prognozy mniej dokładne, a dane z czujników bardziej zaszumione — warunki odzwierciedlające codzienną rzeczywistość przemysłową.

Skalowanie i zastosowanie w innych branżach

Badanie zbadało też, jak dobrze ramy skalują się wraz z rozwojem fabryk lub ich zastosowaniem w innych sektorach o wysokiej wartości. Symulacje z większą liczbą etapów produkcji wykazały jedynie umiarkowany wzrost czasu obliczeń, co sugeruje, że większe zakłady mogłyby przyjąć to podejście bez przeciążania swojej infrastruktury cyfrowej. Po zaadaptowaniu do produkcji komponentów lotniczych metoda ponownie obniżyła koszty i utrzymywała rzadkie braki poprzez dostosowanie parametrów kosztów i przepustowości do specyfiki tej branży. Autorzy argumentują, że przy wsparciu sprzętu edge computing i starannej integracji systemu, ramy można włączyć do istniejącego oprogramowania fabrycznego używanego dziś przez wielu producentów.

Co to oznacza dla przyszłej produkcji

Mówiąc prosto, badanie pokazuje, że wyposażenie fabryk w „cyfrowego współpilot’a”, który zarówno prognozuje popyt, jak i uczy się, jak na niego reagować, może uczynić produkcję płynniejszą, tańszą i bardziej niezawodną. Poprzez ścisłe powiązanie prognozowania z decyzjami operacyjnymi i zaprojektowanie systemu tak, by radził sobie z hałasem i niespodziankami świata rzeczywistego, ramy przekształcają surowe dane w praktyczne wskazówki dotyczące tego, ile produkować i przechowywać na każdym etapie. Dla konsumentów taka inteligencja w tle może oznaczać mniej opóźnień w dostawach nowych urządzeń i bardziej odporne zaopatrzenie w zaawansowane komponenty napędzające współczesne życie.

Cytowanie: Jiang, Z., Dan, W. & Yu-fei, C. New-generation AI-driven intelligent decision-making and inventory optimization in the full lifecycle of complex product manufacturing integrating LSTM and Q-learning. Sci Rep 16, 11077 (2026). https://doi.org/10.1038/s41598-026-41629-6

Słowa kluczowe: inteligentna produkcja, optymalizacja zapasów, produkcja półprzewodników, uczenie ze wzmocnieniem, prognozowanie popytu