已完成
系統需求
功能需求
- AI模組分析:
- 使用LLM分析歷史採購數據(價格、數量、交貨時間)與海運延誤資訊。
- 透過自然語言處理(NLP)解讀數據並生成建議。
- 採購預測:
- 預測3000公斤不鏽鋼的最佳採購時機(日期)。
- 提供成本預估(目標5億越南盾)。
- 輸出建議:
- 生成採購建議報告(文字格式),包含建議日期、數量與成本。
- 支援使用者輸入查詢(如「何時採購最划算?」)。
- 介面整合:
- 與Odoo IMS無縫連接,顯示預測結果。
- 提供API與外部供應商(如台灣鋼鐵公司)對接。
非功能需求
- 準確性: 預測誤差低於10%。
- 效能: LLM回應時間低於10秒。
- 安全性: 數據加密傳輸,使用API金鑰驗證。
技術架構
架構組成
- 數據層:
- 來源: Odoo IMS(採購歷史)、外部API(海運數據,如MarineTraffic)。
- 儲存: PostgreSQL(Odoo預設),新增結構化數據表。
- AI模組(LLM):
- 模型: 開源LLM(如LLaMA或Grok),透過API呼叫。
- 運算: 雲端服務(例如Hugging Face或xAI API)。
- 處理: 將結構化數據轉為自然語言提示,供LLM分析。
- 後端:
- 伺服器: Python Flask,部署於AWS EC2。
- API: RESTful API,連接Odoo、LLM與供應商。
- 前端:
- 介面: Odoo自訂儀表板,顯示LLM建議。
- 通知: 推送至Odoo與採購員手機。
架構圖
完整內容與步驟
應用場景
- 情境: 永勝越南需採購3000公斤不鏽鋼SUS304,採購員阿強以往憑經驗,常因價格波動或海運延誤多花成本。
- 應用: LLM分析歷史數據與海運狀況,建議1月15日採購,成本5億越南盾。
- 效果: 避開價格高峰,節省2000萬越南盾。
所需設備、人力與技術(預估)
- 設備:
- 伺服器:AWS EC2 t3.medium(年費約1.2億 VND)。
- 電腦:採購員用PC(1500萬 VND)。
- 人力:
- 後端工程師1名,整合API與LLM,3個月薪資1億 VND。
- 阿強(採購員),培訓1週,成本500萬 VND。
- 技術:
- 語言: Python(後端)、JavaScript(Odoo前端)。
- 框架: Flask(後端)、Odoo 17 API。
開源軟體工具
- 數據處理:
- Pandas: 清理採購數據。
- NumPy: 數值處理。
- LLM整合:
- Hugging Face Transformers: 調用LLaMA模型。
- LangChain: 結構化提示與LLM交互。
- API呼叫:
- Requests: 連接LLM API與海運API。
- Flask: 搭建後端服務。
- 視覺化:
- Matplotlib: 繪製趨勢圖。
- Odoo BI: 內建儀表板。
實施步驟
- 數據收集(1週):
- 從Odoo IMS提取3年採購數據(價格、數量、日期)。
- 透過MarineTraffic API獲取海運延誤數據。
- 數據準備(1週):
- 使用Pandas將數據轉為表格(如「2023-01,165,000 VND/kg,延誤5天」)。
- 轉換為自然語言提示(如「根據過去3年價格與海運數據,何時採購3000公斤不鏽鋼最划算?」)。
- LLM整合(2週):
- 部署Hugging Face上的LLaMA模型,設定API金鑰。
- 測試提示與回應準確性,調整參數。
- 後端開發(2週):
- 用Flask搭建服務,連接Odoo與LLM API。
- 確保回應時間低於10秒。
- 前端部署與培訓(1週):
- 在Odoo新增「AI採購建議」模組,顯示LLM輸出。
- 培訓阿強使用介面與查詢功能。
操作步驟(以1月採購為例)
- 啟動分析: 阿強在Odoo點擊「AI採購優化」,輸入「預測3000公斤不鏽鋼的最佳採購時機」。
- 數據傳送: 後端提取Odoo數據(2022-2024年價格均值165,000 VND/kg,延誤均值5天),轉為提示。
- LLM演算: 呼叫LLaMA API,分析數據與海運趨勢,回應「建議1月15日採購,成本約5億 VND」。
- 查看建議: 阿強在儀表板看到建議文字與成本預估,確認可行性。
- 採購執行: 阿強發送採購單(PO-2025-001),Odoo記錄。
改善前後效益
改善前
- 採購成本: 5.2億 VND(高峰170,000 VND/kg)。
- 延誤損失: 每月1次,損失1000萬 VND(緊急採購)。
- 決策時間: 3天(人工分析)。
- 成本偏差: 10%(無數據支持)。
改善後
- 採購成本: 5億 VND(166,667 VND/kg),節省2000萬 VND。
- 延誤損失: 0次,節省1000萬 VND。
- 決策時間: 10秒(LLM即時回應)。
- 成本偏差: 5%(LLM預測精準)。
效益總結
- 成本節省: 3000萬 VND/月。
- 效率提升: 決策速度提升99.9%。
- 穩定性: 避免延誤損失100%。
5W1H總結
改善前
- Who(誰): 阿強與採購團隊,人工判斷。
- What(什麼): 成本5.2億 VND,延誤損失1000萬,決策3天。
- When(何時): 2024年底前,無AI。
- Where(何地): 永勝越南(化名)採購部門。
- Why(為什麼): 缺乏智能分析,依賴經驗。
- How(如何): 手動查詢價格與海運,效率低。
改善後
- Who(誰): 阿強與LLM模組,協同Odoo。
- What(什麼): 成本5億 VND,無延誤損失,決策10秒。
- When(何時): 2025年1月,LLM導入。
- Where(何地): 永勝越南(化名)全廠。
- Why(為什麼): LLM提升預測準確性。
- How(如何): API呼叫LLM分析數據,生成建議。
結論
AI採購優化模組利用LLM與Odoo IMS整合,透過API呼叫分析歷史數據與海運延誤,預測3000公斤不鏽鋼的最佳採購時機,實現成本節省3000萬 VND與效率提升。