物料齐套率预测模块的准確率必须提升到90%以上，否则生產排程的可靠性会大打折扣。

和pl的集成必须无缝，否则设计变更无法及时同步到生產端，会造成大量废品。

现场数据採集的实时性必须保证在秒级，否则產线状態无法精准监控，调度指令会滯后。

一个个技术难点，像拦路虎一样挡在面前。

但赵宏明不怕。

他怕的是人心，是政治，是那些看不见的阻力。

现在，陈默把那些阻力暂时搬开了。

剩下的，就是真刀真枪地干了。

晚上八点，技术部会议室。

长方形的会议桌旁坐了十几个人，都是物料齐套率预测模块的核心开发人员和测试人员。

赵宏明坐在主位，面前摊开著测试报告和代码评审记录。

“谁先说说，那2.7个百分点的差距，到底差在哪”他开口，语气平静，但透著压力。

负责算法开发的工程师小刘站了起来，有些紧张：

“赵总，我们分析过了，主要问题是数据源的质量。

工厂那边的物料库存数据，有20%左右是手工录入的，存在延迟和错误。

这些脏数据进了模型，就会拉低预测准確率。”

“解决方案呢”赵宏明问。

“我们想了两个方案。”小刘说：

“第一，推动工厂完善数据採集流程，儘量用扫码、rfid等自动化的方式，减少手工录入。

第二，在算法层增加数据清洗和纠错模块，自动识別並修正异常数据。”

“第一个方案，需要客户配合，周期长。”赵宏明摇头，“第二个方案，你们做过验证吗纠错模块的准確率能到多少”

小刘看向旁边的算法专家老张。

老张推了推眼镜：

“我们做了小样本测试，纠错准確率大概在85%左右。

但问题在於，如果纠错模块本身判断错了，反而会引入新的错误，导致预测结果更差。”

“所以这两个方案，都不靠谱。”赵宏明一针见血。

会议室里安静下来。

“我换个思路。”赵宏明在白板上画了个图。

“物料齐套率预测，本质上是基於歷史数据和实时数据，对未来物料可用性的判断。

数据质量有问题，我们能不能绕过数据，从业务逻辑入手”

他顿了顿：“比如说，工厂里有哪些关键的物料瓶颈这些瓶颈物料的供应规律是什么生產计划排程的时候，有没有可能提前预留缓衝”

几个工程师的眼睛亮了起来。

“赵总的意思是，把预测模型从『纯数据驱动』改成『数据+规则』双驱动”老张问。

“对。”赵宏明点头。

“数据不靠谱的时候，就用业务规则补。

规则从哪里来从一线来。

你们明天跟我去西风小马的工厂，找產线主管、物料管理员、计划员聊，把他们的经验变成规则，写进系统里。”

“可是......”小刘犹豫，“每个工厂的规则都不一样，这样做出来的系统，会不会太定製化了”

“先解决有没有，再解决好不好的问题。”赵宏明说。

“西风小马这个项目，我们必须拿下。

拿下之后，再考虑如何把个性化的规则抽象成可配置的模板，实现通用性。”