AI rješenja za auto industriju
AI za rezervne dijelove i procjenu vrijednosti polovnih vozila - od cross-vehicle compatibility grafa do CV pipeline-a koji iz 6 fotografija daje cijenu sa odstupanjem ispod 8%.
Operativni izazovi u industriji
- ● Cross-vehicle compatibility - jedan dio može biti kompatibilan sa 40+ kombinacija marka/model/godina/motor
- ● TecDoc i OEM katalozi koriste nekompatibilne identifikatore, mapping sa aftermarket SKU-ovima nepotpun na 18-25%
- ● Sezonska potražnja (zimska oprema, klima kompresori) varira do 8x između mjeseci sa weather korelacijama
- ● Procjena polovnih vozila: trim/options detekcija iz fotografija dashboard-a, manipulisane slike kao fraud signal
- ● Multi-warehouse balancing - transfer cost vs. stockout cost optimizacija sa 5-12 lokacija
Demo case studies
Inteligentni inventory management za rezervne dijelove sa cross-vehicle compatibility grafom
Regionalni distributer auto rezervnih dijelova (Bosna i Hercegovina, Srbija, Hrvatska, Slovenija) sa 5 centralnih skladišta i 38 partner servisa. Katalog sadrži preko 180.000 SKU-ova, od OEM dijelova za premium marke do aftermarket rezervi za vozni park starosti 12+ godina. Mjesečni promet je oko 2.4 milijuna EUR sa stockout rate-om koji je u prosjeku iznosio 14% na top-mover SKU-ovima.
Postojeći ERP (Pantheon) tretirao je svaki SKU kao izolovanu jedinicu - nije razumio da je jedan filter kompatibilan sa 47 različitih kombinacija vozila. Forecasting je bio simplističan moving average koji nije hvatao sezonalnost (klima kompresori u maju, akumulatori u januaru) niti weather korelacije. TecDoc katalog (koji firma licencira) koristio je svoj identifikator sistem koji se nije čisto mapirao na interne SKU-ove - oko 22% kataloga imalo je nepotpune kompatibilnosti. Multi-warehouse transferi rađeni su ručno od strane 3 disponenta na osnovu osjećaja, što je rezultiralo pogrešnim balansom (skladišta u Sarajevu prebukirana akumulatorima, BL u stockout-u).
Arhitektura ima dva sloja - data layer i forecasting/optimization layer. Na data layer-u, izgradili smo compatibility graf u Neo4j-u koji povezuje part nodes sa vehicle nodes preko fitment relationship-a. Vehicle node ima atribute (make, model, generacija, godina od/do, motor kod, body type), part node ima OEM broj, aftermarket ekvivalente, i lifecycle status. ETL pipeline u Airflow-u dnevno povlači TecDoc CAT i AAIA ACES feedove, normalizuje ih i merge-uje sa internim SKU master-om. Custom rezolucioni sloj radi fuzzy matching OEM brojeva (Levenshtein + manufacturer prefix rules) za riješiti 22% nepotpunih mapping-a - dignuto je na 96% pokrivenosti. Forecasting layer kombinuje hierarchical Prophet model (kategorija → SKU sa reconciliation) sa gradient boosted regressorom koji uzima weather features (temperatura, padavine 14-dnevni rolling) iz OpenWeatherMap historijskih podataka. Multi-warehouse optimizer formuliran je kao MILP problem (PuLP) koji minimizuje (transfer cost + holding cost + expected stockout cost) sa kapacitetnim ograničenjima skladišta. Solver radi noćno za regularnih SKU-ova, intra-day za top 500 movers. Integracija sa Pantheon ERP-om kroz REST middleware koji čita stock pozicije svakih 15 minuta i piše predložene transfere kao draft naloge.
Neo4j 5.x, Python (Prophet, PyTorch, scikit-learn), Apache Airflow, PostgreSQL, PuLP MILP solver, Redis, FastAPI, Pantheon ERP REST integracija, TecDoc CAT i AAIA ACES feed parseri
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
AI procjena vrijednosti polovnih vozila iz fotografija sa fraud detekcijom
Online platforma za otkup polovnih vozila koja radi B2C model (otkup od privatnih lica) i B2B (preprodaja dealerima i auction-ima). Volumen oko 350 vozila sedmično, regija Adria. Glavni operativni bottleneck bio je manuelna procjena - svaki slučaj zahtijevao je 25-40 minuta rada appraiser-a koji je gledao fotografije, čitao opis i upoređivao sa tržištem.
Manuelna procjena nije skalabilna i subjektivna je - varijansa između appraiser-a na istom vozilu bila je do 18%. Konkurencija (njemački i francuski igrači) koristila je crude modele bazirane samo na VIN-u i kilometraži, bez analize stvarnog stanja vozila. Drugi problem: rastući fraud - korisnici slali fotografije sa kojih su uklanjana oštećenja kroz Photoshop, vraćeni odometri, lažne specifikacije. Treći izazov: trim i opcije detekcija - razlika između basic i fully-loaded varijante istog modela može biti 4.000 EUR, a često nije u VIN-u (kasnije instalirana oprema, market-specific paketi).
Arhitektura ima tri stepenice - perception, valuation, fraud. Perception sloj radi na 6-8 fotografija po vozilu. Damage detection model je Mask R-CNN (Detectron2 backbone) treniran na 24.000 ručno labeliranih slika sa 11 klasa oštećenja (dent, scratch, rust, paint defect, glass crack, missing trim, bumper damage, panel gap, headlight damage, interior wear, tire wear). Trim/options detector je multi-label klasifikator (EfficientNet-B3) koji iz dashboard fotografija prepoznaje 47 features (sunroof switches, leather seats, navi screen, ambient lighting, etc.). Odometer reader je dvostepeni pipeline - YOLO za lokalizaciju instrument cluster-a, pa CRNN za OCR digita. Valuation sloj je gradient boosted model (LightGBM) koji uzima vehicle features (iz VIN decoder-a + detektovane opcije), damage score (weighted sum po panel-u), kilometražu i regional market data. Treniran je na 180.000 historijskih transakcija (lokalne aukcije + JATO Dynamic + Eurotax retail) sa SHAP analizom za explainability prema appraiser-ima. Fraud sloj traži manipulated images preko Error Level Analysis i CNN-a treniranog na FaceForensics derivative dataset-u, plus consistency check (suncrove sjenke, refleksije) između fotografija. Sve runa na NVIDIA T4 GPU-u sa ONNX Runtime, prosječan latency 4.2 sekunde po slučaju.
PyTorch, Detectron2 (Mask R-CNN), EfficientNet-B3, LightGBM sa SHAP, OpenCV, ONNX Runtime na NVIDIA T4, FastAPI, JATO Dynamic + Eurotax integracija, Scrapy za auction scraping, MinIO object storage
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
Tehnologije koje koristimo
Kako radimo
Discovery
Audit ERP/DMS sistema, TecDoc/JATO licencnih ugovora, baseline KPI (stockout rate, appraisal time, margin).
Pilot
Pilot na jednom skladištu ili 50 vozila, paralelno sa postojećim procesom za A/B usporedbu.
Implementacija
Roll-out na sve lokacije, integracija sa ERP/DMS, training disponenata i appraiser-a, fallback procedure.
Operacija
Mjesečni retraining modela na novim transakcijama, kvartalni review compatibility grafa, SLA monitoring.
Razgovarajmo o pilotu za vašu firmu
Discovery sesija je 60 minuta - razumijemo vaš problem i predlažemo konkretan pilot pristup.
Kontaktirajte nas