数理最適化技術とAIの機械学習を融合し、
効率的な計画立案を創出するMLCPは、さらなる改善の追求を続けています。
ここでは、MLCPの最新の取り組みをご紹介します。
突発的な欠員や受注、設備故障などで計画変更が必要な場面でも、
ロバスト（元の計画からの変更を最小限にする）なリスケジューリングを追求します。
部門もタイミングも異なる複数の計画を連携することで全体最適をめざします。
As-Is
計画立案部門ごとに、自部門のKPIを優先にしがちで後工程のKPIまで十分に考慮するのが難しい。
To-Be
お互いの計画を他の計画にフィードバックすることで各計画単独のKPIだけを考慮して立案するのではなく、関連する他の計画のKPIも考慮して、全体最適をめざします。
多部門連携技術を電力管理と生産計画の連携に応用することで、
環境負荷を考慮したサステナブルな生産計画立案を支援します。
生産計画と電力計画の連携で
環境負荷を考慮したサステナブルな生産計画立案の実現へ
Deep Learning技術を活用し、計画履歴疑似データの作成や、
学習観点(特徴量)の自動抽出による計画パターンの学習自動化が可能です。
計画履歴疑似データを自動生成
計画履歴実データを基にして、
機械学習に必要な多くの計画履歴疑似データを自動生成
計画パターンの自動学習
Deep Learning技術で、計画履歴データの
学習観点(特徴量)を自動抽出。
計画パターンの学習自動化を実現
