Web Design Website Technology  - jmexclusives / Pixabay

Verktyg som ökar produktiviteten

Flera olika verktyg gör mig mer produktiv. Här är några som du kan testa:

1. Evernote – anteckningar, webbklipp, idéer på samma ställe
2. Gravit Designer – molnbaserat designverktyg
3. 12min – summerar kunskapsböcker
4. Anchor – podcastskapare
5. Postoplan – publicering sociala media
6. Teams – möten, samarbete för den digitala arbetsplatsen

Jag frågade även mitt nätverk på LinkedIn om deras tips på bra verktyg. I konversationen under inlägget finns många förslag på appar och verktyg.

Low-code skapar fler system

Low -code. Det nya sättet att utveckla system som stöttar vanliga processer. Skillanden mellan pro-code och low-code är att verksamheten och avancerade användare kan göra system själva i Low-code. Om du tex är duktig på Excel så kan Low-code vara något för dig. Snabbt el slavrigt? Rätt el fel? Podd förklarar (ca20min) med Marcus Blennegård i avsnitt 148

www.effekten.se

Jag behöver dig.

Stolt över att erbjuda något intressant för dig som vill jobba i uppdrag som handlar om webb och digital upplevelse.

Koda C# och/eller något .js så kan jag utmana dig i ett uppdrag och kompetensutveckling.

Tacksam coach

Att coacha. Jag ställer frågorna. Jag har inga svar. Dock kan jag leda någon till att bättre se de egna sanningarna. Det här var en bra dag. Isabella, tack för att jag fick hjälpa.

Case: Minimera produktionsförluster vid maskinstopp med hjälp av AI

Problemformulering

Risk för stora produktionsförluster om inte stopp tas om hand. Orsaken till ett stopp kan vara många, t.ex. tekniska fel, brist på material, externa faktorer (elfel, frånvaro, etc). Oplanerade driftstopp påverkar försäljningen och kan leda till att företaget inte kan leverera i avtalad takt vilket får negativ inverkan på varumärket.​

Lösning​

Uppdraget var att lyckas reducera stopp och minimera produktionsförluster genom att analysera historiken vid arbetsstationerna, maskinerna, upptider och nertider, vilka skift, anledningar till stopp, osv.

En Supervised learning regression machine learning model togs fram för att förutse de 5 maskiner med högst risk för stopp och vilka de mest troliga felkällorna var under en given period.

Resultat​

Under testmånaden när denna POC kördes uppskattades det att cirka 300 färdigproducerade produkter hade kunnat räddas från produktionsförluster genom att jämföra modellens förutsägelse och utfallet. ​

Utvecklingstid: 300 timmar.