Search the digital library catalog

Abstract: V magistrskem delu obravnavam problem neenakomerne razporeditve dela v centralnem skladišču partnerskega podjetja, ki deluje kot samostojna enota multinacionalke v Sloveniji. Zaradi nihanj dnevnih naročil poslovalnic prihaja do preobremenitev zaposlenih, ali do obdobij brez dela. Namen raziskave je optimizirati načrtovanje skladiščnih procesov z napovedovalnimi metodami umetne inteligence in bolje uravnavati delovno obremenitev zaposlenih. V teoretičnem delu predstavim osnove umetne inteligence in vlogo distribucijskih skladišč, nato pa s študijo primera analiziram in implementiram tehnološko-logistično rešitev v izbranem podjetju. Metodološki pristop vključuje analizo zgodovinskih podatkov, napovedovanje povpraševanja in kvalitativni del z intervjuji zaposlenih, kar omogoča natančno prepoznavanje potreb uporabnikov sistema. Delo naslavlja tudi omejitve, povezane z anonimnostjo podjetja in časovnimi okvirji implementacije. Rezultati izpostavljajo pomen povezovanja napovedovalnih orodij z logističnimi procesi in prikazujejo, kako sodobne prakse umetne inteligence pripomorejo k učinkovitejšemu in predvidljivemu upravljanju zalog in skladiščnih aktivnosti.
Keywords: napovedovanje, simulacija, skladišče, umetna inteligenca
Published in DKUM: 18.12.2025; Views: 0; Downloads: 20
Full text (2,17 MB)

Abstract: Magistrsko delo obravnava ključne odločitvene modele na področju napovedovanja povpraševanja in optimizacije zalog v proizvodnem podjetju Tech-gum d.o.o. Osrednji raziskovalni cilj je bil oblikovati metodološki okvir, ki bi podprl proces odločanja v proizvodnem okolju z dvojnim modelom poslovanja: izdelki za industrijsko uporabo, ki se proizvajajo po naročilu (Make-to-Order), ter potrošniški izdelki iz silikona, ki se proizvajajo na zalogo (Make-to-Stock). V teoretičnem delu so obravnavani pristopi napovedovanja, modeli planiranja proizvodnje ter metode upravljanja zalog, s posebnim poudarkom na povezavi med stabilnostjo oskrbovalne verige in finančnimi posledicami odločitev o nabavi. Posebna pozornost je namenjena dejstvu, da vsaka poslovno-ekonomsko utemeljena odločitev ni nujno tudi finančno izvedljiva, saj lahko kratkoročna likvidnost denarnih sredstev preseže pomen donosnosti, kar se še posebej odraža v gospodarskih razmerah v času pisanja dela. Analitično podlago obravnave predstavljajo modeli ekonomske količine naročila (EOQ) z razširitvami za postopno dobavo in količinske popuste, model signalne varnostne zaloge kot instrumenta obvladovanja tveganj v oskrbovalni verigi ter regresijski model napovedovanja porabe z izračunom odklonov in napak kot merila natančnosti napovedi. Takšen večdimenzionalni teoretični okvir omogoča celovito presojo o tem, kako izbrane odločitvene metode vplivajo tako na optimizacijo zalog in proizvodno učinkovitost, kot tudi na širšo finančno stabilnost podjetja. Empirični del zajema uporabo modela signalne zaloge, primerjavo različnih scenarijev oskrbe z materialom ter napovedovanje porabe surovin z uporabo metod linearnega trenda in drsečih povprečij. Rezultati napovedovanja so pokazali, da se metoda linearnega trenda izkazuje za natančnejšo od metode drsečih povprečij glede na merilo povprečne absolutne napake (MAE), kar potrjuje njeno večjo primernost za kratkoročno planiranje porabe silikona. Nadalje je bila izvedena analiza vpliva različnih modelov oskrbe na finančne kazalnike podjetja, med katerimi so ključni EBITDA, denarni tok ter razmerje med dolgom in kapitalom. Ugotovitve so pokazale, da scenarij postopne dobave kratkoročno ugodneje vpliva na likvidnost in znižuje zadolženost, medtem ko se v srednjeročnem obdobju kot ekonomsko bolj smiseln izkaže scenarij enkratne nabave, saj omogoča nižje skupne nabavne stroške in posledično višjo kapitalsko ustreznost. Hipoteze so bile zasnovane tako, da se medsebojno dopolnjujejo in tvorijo celovit analitični okvir, rezultati pa potrjujejo strateški pomen izbire ustreznih modelov, saj razlike v stroških in obsegu vezanih sredstev v zalogah pomembno vplivajo na poslovno-finančno uspešnost podjetja. Zaključki magistrskega dela potrjujejo, da je ustrezna izbira modela oskrbe in metode napovedovanja odvisna od časovnega horizonta, stabilnosti prodajnih tokov ter finančne strukture podjetja. Delo tako prispeva k boljšemu razumevanju povezave med proizvodnim planiranjem, finančnimi posledicami odločitev ter strateškim obvladovanjem zalog.
Keywords: napovedovanje povpraševanja, upravljanje zalog, signalna zaloga, linearni trend, drseče povprečje, odločanje, scenariji nabave, finančni kazalniki, MAE, EOQ, denarni tok
Published in DKUM: 03.11.2025; Views: 0; Downloads: 2
Full text (2,03 MB)

Abstract: Magistrsko delo obravnava razvoj različnih modelov globokih nevronskih mrež za napovedovanje odjema toplote v sistemu daljinskega ogrevanja. Razviti so bili trije napovedni modeli, pri čemer ima vsak svoje prednosti in slabosti. Predstavljen je celoten postopek razvoja – od zbiranja in urejanja podatkov, izbire ustreznih slojev in arhitekture nevronskih mrež, do določitve hiperparametrov učenja. Za vsako kombinacijo modelov so prikazane tudi metrične napake. Poleg tega so ocenjeni prihranki oziroma dodatni stroški ob uporabi posameznih napovedi. Rezultati so pokazali, da razviti modeli v nekaterih primerih podajo boljšo napoved od trenutno uporabljenega sistema napovedovanja in z njimi lahko prispevamo k optimizaciji stroškov. V primerih, kjer zaostajajo, pa nam razviti modeli ponujajo dobro izhodišče za nadaljnji razvoj in izboljšave.
Keywords: daljinski sistem ogrevanja, globoko učenje, LSTM, programsko napovedovanje
Published in DKUM: 27.05.2025; Views: 0; Downloads: 65
Full text (8,05 MB)

Abstract: Živila so osnovne dobrine z velikim vplivom na gospodarsko in družbeno stabilnost, zato je natančno napovedovanje njihovih cen ključno. Modeli globokega učenja lahko prepoznajo kompleksne vzorce v časovnih vrstah, kot so zgodovinske cene živil. V tej raziskavi smo eksperimentalno primerjali konvencionalni pristop učenja in učenje s prenosom znanja v rekurentnih nevronskih mrežah za napovedovanje cen. Po iskanju optimalnih hiperparametrov smo modele naučili nad podatki, uporabili prenos znanja in ovrednotili oba pristopa. Na podlagi pridobljenih rezultatov smo ugotovili, da učenje s prenosom znanja bistveno pospeši proces učenja, vendar na račun slabše napovedne uspešnosti. Kljub temu pa rezultati magistrskega dela prispevajo k razumevanju, kdaj, zakaj in v kakšnih primerih je uporaba učenja s prenosom znanja smiselna izbira.
Keywords: napovedovanje cen živil, učenje s prenosom znanja, RNN, analiza časovnih vrst.
Published in DKUM: 15.01.2025; Views: 0; Downloads: 65
Full text (4,19 MB)

Abstract: Magistrsko delo se osredotoča na razvoj napovednih modelov za napovedovanje izmeta aluminijastih izdelkov v proizvodnji podjetja Talum. Raziskava vključuje analizo proizvodnega procesa, obdelavo podatkov in uporabo različnih tehnik strojnega učenja. Z uporabo metod, kot so eksplorativna analiza podatkov, inženiring značilk in k-kratno prečno preverjanje, so bili razviti in ovrednoteni modeli za napovedovanje izmeta. Rezultati kažejo na izboljšano razumevanje dejavnikov, ki vplivajo na izmet, in ponujajo priložnosti za optimizacijo proizvodnega procesa. Delo zaključujejo priporočila za implementacijo modelov in nadaljnje raziskave na tem področju.
Keywords: strojno učenje, aluminijasti ulitki, napovedovanje izmeta, optimizacija proizvodnje, analiza podatkov
Published in DKUM: 22.10.2024; Views: 0; Downloads: 57
Full text (2,61 MB)