公开案例 · 制造/电子制造服务
捷普(Jabil,全球 EMS 代工)
全球制造数据底座上云 + 车间智能助手(Amazon Q Business)
项目做法
捷普与 AWS Professional Services(专业服务团队)多年合作,用 D2E(Data-Driven Everything,数据驱动一切,从业务价值倒推用例的工作法)加 EBA(Experience-Based Acceleration,实操体验加速法)制定渐进式现代化路线,聚焦数据分析和生成式 AI 高影响用例。 路径: 1. 先培训人——不新招人,用讲师授课加 AWS Skill Builder 实训平台让现有员工掌握技术 2. 再现代化底座——用 AWS CDK(云开发套件)和 Terraform(基础设施即代码工具)自动化车间流程,车间控制系统跑在 Amazon EKS(弹性 Kubernetes 服务)上并由 AWS 专家解决稳定性问题,用 Amazon Redshift 建数据湖集中机器数据 3. 再做生成式 AI——与生成式 AI 创新中心合作,基于 Amazon Q Business 构建智能车间助手,首版 1 周建成,随后几周接入事件工单、知识文章等多源数据,操作工自然语言实时检索 1,700 多份文档;捷普作为早期用户向 AWS 反馈制造业需求(多语言能力) 4. 横向扩展智能客户研究助手、智能采购助手;Data Dispatcher 迁 AWS Glue Flex(无服务器数据集成)再省 23% 成本
项目进展
数字为 AWS 官方客户案例页披露,未经独立审计: - 首次 EBA 自动化车间流程,部署时间降 67-83%,数据处理时间降 74%,新厂点横向扩展不降级 - Data Dispatcher 迁 AWS Glue Flex 省 23% 成本,且串号处理量显著增加 - 车间助手首版 1 周上线,为全球员工提供 1,700 多份文档的实时多语言访问,平均排障时间显著缩短、诊断准确率提升 周期:多年多阶段项目制,AI 助手首版 1 周。 踩坑自述:全球应用初期有性能扩展性问题,AWS 专家优化设计与存储解决;车间控制系统在 EKS 上遇稳定性问题,靠架构调整解决;云采纳初期有变革阻力,约两年前策略改为"该上云才上云"的混合部署。
