Jak na AI v praxi, díl IV – Data Flow

Jak tedy na proces RFQ, obchodní nabídky? Je to několik kroků, které nám prozatím dělá obchodník, pracovník na příjmu nebo technolog či metalurg, oddělení jakosti.

AI a RFQ (Request for Quotation)

• AI – Basic data validation process (Customer, Product, Routing, Control plan exists?)
• AI – supported Geometry Risk Screening
• AI – supported Heat Treatment Risk Screening
• AI – supported Load and Fixturing Design
• AI – supported Costing Model (Offer Costing)
• AI – supported Quotation Data Management and Traceability (Quotation storage)

Dokument AI nám pomůže s tím, že všechna data načte z poptávky, výkresu, CAD modelu, zkontroluje a navrhne řešení. Bere v úvahu, že RFQ může být přijato v různých formách, například jako e-mail, PDF, papírový dokument, tabulka, XML nebo EDI zpráva. Integrační vrstva nejprve identifikuje typ dokumentu. U strukturovaných formátů provede mapování a pravidlovou validaci, zatímco u nestrukturovaných dokumentů využije OCR a Document AI k extrakci technických a obchodních údajů.

Výsledkem je jednotný datový objekt RFQ, nezávislý na původním formátu. Každý extrahovaný údaj je spojen se zdrojem, mírou jistoty a auditní stopou. ERP následně vytvoří oficiální záznam nabídky a spustí Contract Review. Nejasné, konfliktní nebo málo důvěryhodné údaje musí před dalším zpracováním potvrdit oprávněná osoba. Contract Review může nabývat statusy – Feasible, Feasible with Conditions, Trial Required, Process Development Required, Not Feasible.

 Pokud máme tedy zadání, jednotný datový objekt pro RFQ, můžeme se pustit do validace dat.

Validační systém přes API ověřuje:

• zákazník existuje,
• výrobek existuje,
• materiál je jednoznačně definován,
• výrobní postup existuje,
• kontrolní postup existuje,
• existují způsobilé výrobní zdroje,
• jsou dostupné platné specifikace,
• zákaznické a OEM požadavky jsou známé,
• nejsou mezi požadavky rozpory.

 AI současně vytvoří seznam chybějících informací, například:

• Není uveden výchozí stav materiálu.
• Není jednoznačné, zda je požadována efektivní nebo celková hloubka vrstvy.
• Není soulad mezi vlastnostmi vrstvy a navrženou metodou měření
• Chybí revize zákaznické specifikace.
• Odpovídající výrobek nebo postup nebyl dohledán

Během validace je současně určen Product/Process Classification: Existing Product, New Product, Existing Process, Process Adaptation Required nebo New Process Development Required. Nejde o status RFQ, ale o klasifikaci případu pro následné workflow.

RFQ Intake Status

Jakmile jsou data načtena a validována, nabídka dostane Data Completeness Status:

• Data Complete
• Data Incomplete
• Conflict Detected
• Customer Clarification Required
• Manual Data Review Required

To, co je k vysvětlení, se musí vysvětlit a teprve pak je možno pokračovat dále.

AI-supported Geometry Risk Assessment

V dalším kroku AI nám může pomoci s odhadem rizik. Z fotografie, z výkresu, CAD souboru lze provést orientační screening kritických míst. Přesné posouzení rozměrů, rádiusů, tlouštěk a prostorové geometrie vyžaduje kalibrovaný obraz, technický výkres nebo CAD model. Pro analýzu CAD dat se vedle AI používá i specializovaný geometrický engine. Můžeme ale dostat informaci:

• ostré přechody průřezů,
• vruby a lokální koncentrátory napětí,
• chybějící nebo příliš malé rádiusy,
• slepé otvory a hluboké kapsy,
• tenké stěny,
• výrazné rozdíly tloušťky,
• otvory blízko hrany,
• asymetrii dílu,
• oblasti náchylné k nerovnoměrnému ohřevu nebo ochlazování,
• potenciálně problematickou orientaci při přípravkování,
• riziko zadržení oleje nebo omezeného proudění kalicího plynu.

Protože ale součástí poptávky jsou jen strohé údaje jako je hmotnost kusu a počet, tady nám AI může dopočítat i plochy, které potřebujeme pro správné vedení procesu závislém na ploše povrchu, jako je LPC, nitridace, povlakování.

Na rizika, které AI identifikuje, musí ten, kdo nabídku vypracovává, reagovat. Sám či ve spolupráci s metalurgem, technologem, oddělením jakosti.

AI-supported Heat Treatment Risk Assessment

AI nám připraví i analýzu rizik, plynoucích z tepelného zpracování

• Riziko trhlin plynoucí z geometrie
• Riziko deformací
• Riziko nerovnoměrné cementace nebo nitridace
• Riziko při kalení v proudu plynu
• Riziko při kalení do oleje
• Riziko nekvalitního praní

Dopad je stejný, rizika musí posoudit odpovědná osoba. Výhodou ale jakéhokoliv interního nebo externího vyjednávání je, že máme stále jeho plnou sledovatelnost.

AI-supported Load and Fixturing Design

AI na základě fotografie, výkresu nebo CAD modelu a databáze pecí a přípravků může stanovit i plán přípravkování, vybrat vhodné rošty, a dokonce i vypočítat potřebné množství na dávku. To samozřejmě vyžaduje databázi přípravků a jejich značení.

• navrhne orientaci výrobku,
• vybere dostupný přípravek,
• navrhne rozmístění dílů,
• vypočítá teoretický počet kusů,
• zohlední hmotnostní, tepelné a kalicí limity,
• určí doporučený počet kusů ve vsázce,
• odhadne čas přípravkování,
• vypočítá využití pece,
• předá údaje do nákladového modelu.

Výstup schvaluje technolog, zejména u:

• nového výrobku,
• nového přípravku,
• nového způsobu orientace,
• kritického kalení,
• dílů s vysokým rizikem deformace.

Pro stávající výrobky může systém postupně využívat skutečné výsledky předchozích vsázek a zpřesňovat doporučený počet kusů, optimalizovat procesy nebo navrhovat změny postupu, zdroje.

Offer Costing and Pricing

Použití AI pro výpočet nákladů na nabídkový postup je pro AI rovněž zajímavou úlohou. Obvykle pro tyto účely se používá matice sazeb podle Machine ID, nebo Machine Group ID, a Labour grade. Tato nákladová matice v sobě zahrnuje i všechny režijní náklady. Každá firma to má jinak, ale osvědčil se model počítat režijní náklady na pracovníky (Labour), režijní náklady na vybavení (Assets) a režijní náklady na výrobní plochu (Floor). Lze pak jednodušeji rozlišit náklady na operace s větší spotřebou osobních nákladů, náklady na zařízení s vyšší pořizovací hodnotou, nebo zahrnující větší plochu.

V nákladovém modelu se rozliší přímé náklady (energie, plyny, přípravky, prací prostředky) a náklady nepřímé ve formě režií. K tomuto nákladovému výpočtu je pak potřeba již jen znát čas cyklu, využití vsázky JobFillRate v %, potřebu osobních nákladů na výrobu a na jakost. Bude tedy dobré mít přístup do historie, a to AI má.

Cenový model následně stanoví:

• doporučenou cenu,
• minimální cenu,
• cílový margin,
• očekávaný zisk,
• interval spolehlivosti kalkulace.

AI odhadne nejisté vstupy kalkulace. Deterministický costing engine v ERP následně použije platné nákladové sazby a vypočítá nabídkové náklady, na základě AI odhadnutých časů a výrobního postupu, který ona sama navrhne.  Výslednou cenu, včetně marže, ale stanoví obchodník nebo cenový model a schvaluje ji oprávněná osoba podle schvalovací matice.

Quotation Storage and Traceability

Ve finále ERP vytvoří a uloží nabídku pod jednoznačným ID, včetně obsahu, statusu a schválení. V DMS (Document Management System) se pak archivuje RFQ, výkresy, specifikace, VOP a přílohy. V auditním úložišti vstupy a výstupy AI, verze modelu, schválení, a nakonec v datovém skladu analytická data pro reporting a modely

Tady naše základní úsilí končí. Nabídka je téměř hotova a získává status dle následné činnosti:

• Draft – Under review – Approved – Sent – Accepted – Rejected – Expired

Jakmile nabídka je ve stavu Approved, může se zaslat zákazníkovi. Výhodou kombinace ERP/AI je, že i když nemáme kvalifikovaný personál, do značné míry AI nám pomůže se vypořádat s tímto hendikepem, aniž bychom snížili kvalitu nabídkového procesu.

Data z nově vytvářených nabídek se mohou po kontrole kvality využít pro řízené přetrénování a validaci další verze AI modelu. Produkční model se ale nesmí automaticky měnit bez schválení a auditní stopy. To ale znamená, že musíme mít administrátora AI modelu, který administruje obsah AI vrstvy a uvádí do života nové verze.

Tento blok, vztahující se k nabídkovému procesu, je po uvedených úpravách velmi dobrým prvním samostatným use casem pro implementaci AI. Přímé řízení nebo snímání dat z pece zde nejsou vůbec potřeba. Riziko implementace je relativně malé a ekonomický přínos je zřejmý. Snížení rizik, snížení nároků na kvalifikaci personálu, stanovení optimální prodejní ceny, optimální využití pecí. AI nám ale pomůže i se strategií, protože ze zásoby nabídek můžeme lépe plánovat zdroje, investice, můžeme interpolovat trendy atd.

Na další infografice je přehled toho, co musí i nadále dělat ERP systém a co připadá na AI.

Zajímavá varianta se nabízí s využitím Power BI, což je analytická a vizualizační vrstva. Není to vlastní technologický AI model, costing engine ani systém pro vytvoření nabídky.

Pokud lze data z ERP bezpečně zpřístupnit prostřednictvím API, databázových pohledů, datového skladu, BI modelu nebo jiného podporovaného konektoru, lze je propojit i s Power BI.

Celá architektura by vypadala takto:

Společný datový sklad by tak propojoval

• obchodní data z ERP, technologická data, procesní data pecí, jakost, skutečnou spotřebu, údržbu, výstupy AI.

Z ERP systému je takto možno získat

• zákazníky, výrobky, nabídky, položky nabídek, výrobní zakázky, plánované náklady, skutečné náklady, fakturované ceny.

A následně vytvořit Power BI dashboardy, např.

• Quoted Cost vs. Planned Cost vs. Actual Cost
• Quoted Margin vs. Actual Margin
• Profitability by Customer
• Profitability by Product
• Profitability by Process
• Profitability by Furnace
• Quotation Lead Time
• Reasons for Cost Deviation

=======================================================================================================
Použité zkratky:

AI:                    Artificial Intelligence
API:                 Application Programming Interface: definované rozhraní a soubor pravidel, podle kterých si dva systémy předávají data a příkazy. Webové API může být dostupné prostřednictvím jedné nebo více URL adres, označovaných jako endpoints.
JSON:             JavaScript Object Notation: textový formát pro strukturovaný přenos dat. Vznikl v prostředí JavaScriptu, ale dnes je nezávislý na programovacím jazyce.
Middleware:   integrační vrstva, která propojuje systémy, transformuje data, řídí komunikaci, zabezpečení a auditní záznamy.
AI model:       matematický nebo statistický model, který provádí klasifikaci, predikci, detekci odchylek nebo doporučení.
OPC UA:         Open Platform Communications nebo OPC Unified Architecture
AI vrstva:       řešení sestavené ze standardních platforem, konektorů, pravidel a individuálně nakonfigurovaných nebo vyvinutých modelů.
Document AI: Technologie využívaná k extrakci využívá k extrakci informací z tištěných i digitálních dokumentů, jako jsou obrázky, texty, znaky
DMS:               Document Management System
FQ:                   Request For Quotation
APQP:              Advanced Product Quality Planning
PPAP:              Production Part Approval Process
ERP:                 Enterprise Resource Planning

=======================================================================================================
Are you solving a similar problem? I will help you with the analysis…
 40+ years of experience in the field
 30+ years of experience… HT-PROGRES, Bodycote, Galvamet
 cooperation… VŠB, Czechimplant, ECM Technologies, TAV Vacuum Furnaces, GHC Invest
 12+ years of expert activity
Want to ask for a solution or want a non-binding consultation? Click on this link, I will usually respond within 24 hours. Contact email
========================================================================================================
Jiří Stanislav, Ing. CSc.
Consultant and forensic expert
========================================================================================================

31/7/2026