排程员必须花费多少时间来处理数据？从车间的操作员处收集最新数据是他们“日常工作”的一部分，但却被无休止的电话、邮件和短信来来回回而延误数据采集。所有这些因素都会给排程员带来巨大的消耗，并因变更没有得到足够快的响应而导致生产受挫。

一种全新的方法

这项技术采用机器学习和自动化算法来收集和分析来自车间输送的实时数据。这些算法连接并持续监控生产数据，在需要对运营进行重大更改时提供自动排程更新。

这为商业化的生产排程带来快速、准确和更灵活的方法，并大大减少了操作员、主管和排程员的工作量。

改善车间排程

这项技术对车间排程进行了四个关键方面的改进，赋能制药业的生产运营。

1) 减轻数据采集的负担。一个实时算法排程中心从排程工作流中削减了几乎所有的数据追踪、邮件和电话、剪切和粘贴活动以及数据清理。一旦该平台连接到相关数据集，它就会自动将数据拉到一个中央位置，供算法实时审查。每个利益相关者群体——操作员、QC专家、维护团队、供应链，都可以将他们的数据直接链接到数据中心，而无需排程员对其进行追查。流程一旦建立，算法就会利用可用数据对排程进行预测。

2) 借助机器学习来提高排程的准确性。因为算法排程中心可以直接与数据中心集成，所以它会随着时间的推移习得行为模式。即使生产模式之间的因果关系尚未完全了解，数据中心内的机器学习算法也可用于预测未来的运营情况。例如，如果在特定设备上进行在位清洁（Clean In Place, CIP）的时间总是比预定时间长，机器学习算法给操作员发出提醒，并在 CIP 完成和下一个操作开始之间留出额外的时间。这些类型的更改有助于更好地响应延误情况。此外，一个工艺步骤的可变性不会对其他工艺步骤产生不利影响。

3) 生成更敏捷的排程，且能更快地进行更新。排程数据管理的自动化意味着排程员可以实时重新安排，在一个班次内将更新通知发到车间。与航空公司在航班延误时向用户实时通知的方式相同，实时排程通知可以帮助生产部门的操作员和技术人员做出更快、更优的响应。这使得整个生产车间更加灵活地应对与单个工艺步骤相关的任何延迟或中断事件。算法排程将排程转换为一种响应工具，使生产车间能够在新数据产生时即时响应。

4) 排程员可以更具战略性地做出决策。通过消除与数据收集和清理相关的手动任务，排程员可以将时间花在思考和执行战略任务上，例如场景分析和评估排程结果的业务影响。这将排程功能的角色从一组战术任务提升为组织内领导团队的关键顾问。算法排程使排程成为生产网络中最关键的分析角色之一，在广泛的规划场景中为利益相关者提供最佳行动方案建议。

我们该从何入手？

今天的排程正处于危机之中，但排程员往往对尝试新事物持谨慎态度，因为即使是完成工作的基础知识也如此困难。好消息是实现基本的算法排程并不困难。排程员可以通过增强的自动化轻松适应这种新模式。

我们的智能排程平台为排程员提供了实施“轻型”算法排程方法所需的工具。因为它不需要排程员学习 Python 或如何训练机器学习方法，所以它可以更容易地实施并简化排程员和决策者走向完全自动化的道路。许多生产车间都是从这种“轻型”方法开始的，其中只集成了生产系统的一个子集，比如只有企业资源计划（Enterprise Resource Planning, ERP） 和分散式控制系统（Distributed Control System, DCS）。在这种情况下，算法排程可以通过基于Web的基本页面直接从车间的操作员和主管处获取数据。然后，该工具可以提出更改建议，但需要排程员确认才能继续进行。第一阶段缩短了获取结果的时间并显著提高效率，同时仍将最终决策权留给排程员。

生产车间所面临的灵活可靠的压力越来越大，操作员无法再拒绝采用新技术来生成更准确的排程。算法排程提供了一系列算法和数据处理技术，可以帮助一流的制药商实现目标。

作者简介：

Rick Johnston博士 负责应用材料公司自动化产品部制药排程解决方案的研发工作，具有15年以上生命科学软件构建经验，擅长借助大数据预测人工智能和机器学习的技术领导者。建立并带领团队开发全新的用于制药预测、定价和市场准入、新药上市、估值以及生产的软件。