MaintOpt
MaintOpt — نگهداری و قطعات یدکی — predict-then-optimize برای خرابی تجهیز، پنجره نگهداری، تکنسین و موجودی قطعه.
Interactive Sample Demoبرای مدیر: نتیجه کسبوکار
PM تقویمی بدون ریسک خرابی؛ خرابی ناگهانی خط را متوقف میکرد.
احتمال خرابی ۳۰روزه + زمانبندی MIP؛ کاهش downtime ۲۲–۳۸٪ در دمو در برابر PM ثابت.
- ۲۲–۳۸٪ کاهش downtime
- ۳–۷ خرابی جلوگیریشده/چرخه
- < ۵ s زمانبندی
- دسترسی ناوگان ۹۵٪+
«هر تجهیز احتمال خرابی، پنجره، تکنسین و قطعه دارد — یک کلیک.»
مستندات عمومی
چه میکند؟
MaintOpt یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به MaintOpt ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
تولید و کارخانه
زمانبندی ماشین، WIP، انرژی و نگهداری برای کاهش تأخیر و هزینه تغییر خط. کارخانه، معدن، انرژی و ناوگان که توقف برنامهریزینشده گران است.
لجستیک، انبار و توزیع
مسیریابی، موجودی، yard/dock و last-mile با قیود ظرفیت و SLA.
خردهفروشی و FMCG
قیمتگذاری پویا، موجودی چندکاناله و تخصیص سفارش با حاشیه سود.
انرژی، آب و محیط زیست
تخصیص منابع، کربن، نکسوس آب-انرژی-غذا و جمعآوری پسماند.
بهداشت، دارو و بیمارستان
زمانبندی OR، موجودی بالینی، spare parts و تخصیص سایت کارآزمایی.
حملونقل، بندر و هواپیمایی
جدول زمانی ترمینال، بازیابی اختلال پرواز و جریان کانتینر.
برای مهندس: Pipeline و معماری
Fleet → ML failure model → CBM/PM/opportunistic → Pyomo+HiGHS / GA / rolling horizon → schedule
معماری مرجع: Fleet → ML failure model → CBM/PM/opportunistic → Pyomo+HiGHS / GA / rolling horizon → schedule. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- OR-Tools / Pyomo / HiGHS
- NumPy
- SimPy
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| Downtime vs calendar PM | demo | 22–38% |
| Assignment | technicians + parts | < 5 s |
| Availability | target reliability | 95%+ |
| Validation | Monte Carlo | yes |
سوالات پرتکرار
MaintOpt چیست و چه مسئلهای را حل میکند؟
predict-then-optimize برای خرابی تجهیز، پنجره نگهداری، تکنسین و موجودی قطعه.
آیا میتوان داده واقعی سازمان را در دمو عمومی وارد کرد؟
خیر. دمو عمومی برای نمونههای ازپیشمحاسبهشده یا داده ترکیبی است. داده production باید در استقرار on-prem یا VPC با کنترل دسترسی وارد شود.
آیا این محصول جایگزین سامانه فعلی میشود؟
نمونه اولیه (POC) برای نمایش قابلیت بهینهسازی است و جایگزین سیستم برنامهریزی تولید سازمانی نیست. متریکها روی داده ترکیبی/بنچمارک قابل بازتولید گزارش شدهاند. برای استقرار واقعی پایلوت on-prem توصیه میشود.
متریکهای صفحه از کجا آمدهاند؟
از README و eval_results هر پروژه روی Hugging Face / repo داخلی؛ اعداد بنچمارک ترکیبی را با داده سازمان خود در پایلوت بازسنجی کنید.
لینکهای Hugging Face
مدل مرتبط
درخواست پایلوت
برای استقرار on-prem، یکپارچهسازی با سامانههای موجود یا fine-tune روی داده سازمان خود تماس بگیرید.