नफा:
- लीन मॅन्युफॅक्चरिंग आणि प्रक्रिया सुधारणा चक्रांमध्ये AI कुठे वापरायचे हे निर्धारित करण्याची क्षमता
- संरचित प्रॉम्प्टसह मूल्य प्रवाह नकाशा, कचरा विश्लेषण आणि DMAIC चरणांना गती देण्याची क्षमता
- फील्ड डेटा आणि गेम्बा निरीक्षणासह AI शिफारसी प्रमाणित करण्याची शिस्त लागू करण्याची क्षमता
औद्योगिक अभियांत्रिकी मूलत: एक "चांगले काम करणे" शिस्त आहे: समान संसाधनांसह अधिक मूल्य निर्माण करणे, कचरा दृश्यमान करणे, परिवर्तनशीलता कमी करणे. कृत्रिम बुद्धिमत्ता या विषयात नवीन कॅल्क्युलेटर किंवा जादूचे उपाय म्हणून नाही तर एक शक्तिशाली विचार आणि मसुदा तयार करणारा भागीदार म्हणून प्रवेश करते. योग्यरित्या वापरल्यास, ते मूल्य प्रवाह मॅपिंग, कचरा वर्गीकरण, मूळ-कारण अभ्यास आणि सुधारणा अहवाल तासांपासून मिनिटांपर्यंत कमी करते. चुकीच्या पद्धतीने वापरल्यास, ते फील्ड कधीही न पाहिलेल्या सूचना तयार करते, ज्या "कागदावर परिपूर्ण" असतात परंतु प्रत्यक्षात अंमलात आणल्या जाऊ शकत नाहीत. या युनिटमध्ये, तुम्ही लीन मॅन्युफॅक्चरिंग सायकलमध्ये AI कुठे ठेवावे आणि त्याचे आउटपुट कसे प्रमाणित करावे ते शिकाल.
प्रक्रिया सुधारणेमध्ये एआय कुठे आहे?
चला एका सुधारणा प्रकल्पाला तीन स्तरांमध्ये विभागू: डेटा संकलन, विश्लेषण/निर्णय, अहवाल/संवाद. AI या लेयर्समध्ये वेगवेगळ्या वजनात मदत करते.
थर
AI ची भूमिका
माणसाची भूमिका
डेटा संकलन
सर्वेक्षण/फॉर्म डिझाइन करते आणि डेटा आयोजित करते
शेतात मोजमाप आणि निरीक्षणे (गेम्बा)
विश्लेषण/निर्णय
गृहीतके व्युत्पन्न करते, पद्धती सुचवते, आकडेमोड तयार करते
डेटासह पडताळतो, निर्णय घेतो
अहवाल देत आहे
A3, सादरीकरण, सारांश मजकूर मसुदा लेखक
अचूकता आणि टोन नियंत्रित करते
लक्षात घेण्यासारखी गोष्ट अशी आहे की AI स्वतः डेटा तयार करू शकत नाही. केवळ फील्ड मोजमाप मशीनची वास्तविक सायकल वेळ, ऑपरेटर किती मिनिटे वाट पाहतो, बदलासाठी किती वेळ लागतो हे देते. तुम्ही आणलेल्या या कच्च्या डेटाला सुधारित गृहीतक म्हणून AI व्यवस्थापित करते, अर्थ लावते आणि बदलते.
टीप: मी नेहमी AI ला विचारतो "मला कोणता डेटा हवा आहे?" हे देखील विचारा: सुधारणा सुरू करण्यापूर्वी योग्य मापन योजना स्थापित करणे नंतर चुकीच्या डेटासह विश्लेषण करण्यापेक्षा खूपच स्वस्त आहे.
सात कचरा (मुडा) आणि एआय द्वारे वर्गीकरण
कचरा (मुडा) दृश्यमान करणे हे दुबळे उत्पादनाच्या केंद्रस्थानी आहे. उत्कृष्ट सात कचरा: अतिउत्पादन, प्रतीक्षा, अनावश्यक वाहतूक, अतिप्रक्रिया, यादी, अनावश्यक हालचाल आणि त्रुटी. अनेकदा "अप्रयुक्त मानवी क्षमता" आठवा म्हणून जोडली जाते. AI या श्रेणींमध्ये प्रक्रिया वर्णन मोडण्यात खूप वेगवान आहे.
भूमिका: तुम्ही लीन मॅन्युफॅक्चरिंगमध्ये अनुभवी औद्योगिक अभियंता आहात. कार्य: खालील प्रक्रिया वर्णन 7 कचरा (मुडा) श्रेणींमध्ये विभाजित करा. प्रत्येक निर्धारासाठी: (1) कचऱ्याचा प्रकार, (2) पुरावा वाक्य, (3) मेट्रिक मला मोजणे आवश्यक आहे, (4) संभाव्य जलद सुधारणा. प्रक्रियेचे वर्णन: """असेंबली लाईनवर, ऑपरेटर भाग उचलण्यासाठी प्रत्येक सायकलमध्ये 6 मीटर चालतो. पेंट बूथसमोर सरासरी 40 मिनिटांसाठी रांग तयार होते. अंदाजे एका शिफ्टमध्ये 12 भागांवर पुनर्प्रक्रिया केली जाईल. इंटरमीडियाहाऊस वेअरमध्ये 3 दिवसांची अर्ध-तयार उत्पादने जमा होतात.
या प्रॉम्प्टची ताकद अशी आहे की ते आउटपुट मोजण्यायोग्य बनवते. "अनावश्यक हालचाल आहे" असे म्हणणे पुरेसे नाही; असे म्हणणे शक्य आहे की "ऑपरेटर प्रति सायकल 6 मीटर चालतो, दररोज X सायकलमध्ये एकूण Y मीटर." एआय पुरावा विधान आणि मोजण्यासाठी मेट्रिक दर्शविते, तुम्ही ते फील्डमध्ये मोजता आणि नंबर प्लग इन करा.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
या उत्पादन लाइनमधील कचऱ्याचे नाव द्या.
हे श्रेण्यांशिवाय, पुराव्याशिवाय आणि मोजमाप न करता सूची तयार करते; बहुधा, "जादा साठा असू शकतो, प्रतीक्षा कालावधी असू शकतो" या सामान्य वाक्यांची पुनरावृत्ती केली जाते.
शक्तिशाली सूचना:
या प्रक्रियेचा डेटा कचऱ्याच्या 7 श्रेणींमध्ये विभाजित करा, प्रत्येकासाठी पुरावा विधान, मी मोजलेले मेट्रिक आणि अंदाजे प्रभाव प्रदान करा. प्रभावाचे "निम्न/मध्यम/उच्च" असे वर्गीकरण करा आणि तर्क लिहा. डेटा: {{ ... }}
फरक असा आहे की आउटपुट थेट कृती योजनेत अनुवादित करू शकते. दुसरा प्रॉम्प्ट प्राधान्यक्रमित, मोजता येण्याजोगा सारणी देतो.
AI सह DMAIC सायकलचा वेग वाढवणे
सिक्स सिग्माचे डीएमएआयसी फ्रेमवर्क (परिभाषित-मापन-विश्लेषण-सुधारणा-नियंत्रण) ही सुधारणा प्रकल्पांमध्ये एक सामान्य भाषा आहे. AI प्रत्येक टप्प्यावर वेगवेगळ्या प्रकारे मदत करते:
- व्याख्या: मसुदा समस्या व्याख्या, प्रकल्प व्याप्ती (SIPOC), आणि उद्देश विधान.
- मापन: मापन योजना, डेटा संकलन फॉर्म, नमुना आकार तर्क.
- विश्लेषण करा: गृहीतकांची यादी, फिशबोन्स (इशिकावा), संभाव्य मूळ कारणे.
- सुधारणा करा: उपाय पर्याय, ECRS (Eliminate-combinine-Rearrange-Simplify) सूचना.
- नियंत्रण: मसुदा नियंत्रण योजना, मानक कार्य सूचना आणि निरीक्षण KPI.
खालील समस्येसाठी इशिकावा (हेरिंगबोन) सांगाडा तयार करा. समस्या: "सीएनसी मशीनवरील पृष्ठभागाचा खडबडीतपणा लक्ष्यापेक्षा जास्त आहे." श्रेणी: मशीन, पद्धत, साहित्य, मानव, मापन, पर्यावरण (6M). प्रत्येक श्रेणी अंतर्गत 3-4 संभाव्य कारणे लिहा आणि प्रत्येक कारणाची चाचणी घेण्यासाठी मी कोणता डेटा गोळा केला पाहिजे ते सूचित करा.
येथे सुवर्ण नियम कायम आहे: AI ने सुचविलेले प्रत्येक मूळ कारण हे एक गृहितक आहे, पुरावा नाही. पृष्ठभागाच्या खडबडीचे कारण "कटिंग टूल वेअर" असू शकते किंवा नाही; केवळ साधन जीवन डेटा आणि प्रयोग याची पुष्टी करतात.
सावधगिरी: AI काहीवेळा कारणांची साखळी तयार करते जी खूप तर्कसंगत वाटते परंतु जमिनीवर चुकीची आहे. उदाहरणार्थ, "ऑपरेटर एरर" म्हणणे सोपे आहे आणि अनेकदा अन्यायकारक आहे. मानवांवर मूळ कारणाला दोष देण्यापूर्वी डेटासह पद्धतशीर कारणे (पद्धती, उपकरणे, मोजमाप) दूर करा.
मिनी केस: मोल्ड बदलण्याची वेळ कमी करणे (SMED)
प्लॅस्टिक इंजेक्शन वर्कशॉपमध्ये मोल्ड बदलांना सरासरी 55 मिनिटे लागतात आणि यामुळे लहान बॅचमध्ये मोठे नुकसान होते. औद्योगिक अभियंता डेनिझ बदल प्रक्रियेची व्हिडिओ टेप करतात आणि चरण-दर-चरण वेळा मोजतात (हा डेटा फील्डमधून येतो). ते नंतर AI ला चरणांची आणि त्यांच्या वेळेची यादी देते:
SMED पद्धतीनुसार या साचा बदलण्याच्या चरणांचे वर्गीकरण "अंतर्गत" (मशीन बंद असताना केले जाऊ शकते) आणि "बाह्य" (मशीन चालू असताना केले जाऊ शकते). बाहेरील पायऱ्यांवर हलवता येतील अशा आतील पायऱ्या चिन्हांकित करा आणि प्रत्येकासाठी एक प्राथमिक तयारी सूचना लिहा. पायऱ्या आणि कालावधी: {{ सूची }}
एआय "मशीनमध्ये नवीन साचा आणणे" आणि "बोल्ट तयार करणे" यासारख्या पायऱ्यांना बाह्य कामासाठी पोर्टेबल म्हणून चिन्हांकित करते, एक तात्पुरती कार्ट सुचवते. डेनिझ क्षेत्रात या प्रस्तावाची चाचणी घेत आहे; ते खरोखर काय लागू आहे ते प्रमाणित करते. परिणामी, बदलण्याची वेळ 55 मिनिटांपासून 32 मिनिटांपर्यंत कमी होते. महत्त्वाचा मुद्दा: AI ने योजनेला गती दिली, परंतु हे फील्ड चाचणी आणि मानकीकरणामुळे खरोखरच वेळ कमी झाला.
सामान्य चुका
- गेम्बाला बायपास करणे: फील्डमध्ये AI आउटपुटचे निरीक्षण न करता त्याची अंमलबजावणी करणे. हे साध्या "जा आणि पहा" तत्त्वावर आधारित आहे.
- तयार केलेल्या संख्यांवर अवलंबून राहणे: AI काहीवेळा अस्तित्वात नसलेली संख्या तयार करते, जसे की "सायकल वेळ सुमारे 45 सेकंद आहे." प्रत्येक संख्या मोजमापाद्वारे समर्थित असणे आवश्यक आहे.
- मूळ कारणाचा दोष मानवांवर टाकणे: मनात येणारे पहिले स्पष्टीकरण स्वीकारणे म्हणजे ‘बेपर्वाई’; प्रणालीगत कारणे तपासत नाही.
- एकाच उपायात लॉक करणे: एआयची पहिली सूचना हाच एकमेव पर्याय आहे असा विचार करणे. किमान 2-3 पर्याय तयार करा आणि मर्यादांनुसार त्यांची तुलना करा.
- नियंत्रण टप्पा विसरणे: सुधारणा करणे आणि मानक व्यवसाय स्थापित केल्याशिवाय आणि KPI चे निरीक्षण न करता ते सोडणे; प्रक्रिया त्याच्या पूर्वीच्या स्थितीत परत येते.
सारांशात
- AI औद्योगिक अभियांत्रिकीमध्ये डेटा तयार करत नाही; ते तुम्ही आणलेल्या डेटाचे आयोजन करते, त्याचा अर्थ लावते आणि त्यास सुधारित गृहीतक बनवते.
- सात कचऱ्याचे वर्गीकरण करताना आउटपुट मोजण्यायोग्य बनवा: पुरावा विधान + मोजण्यासाठी मेट्रिक विचारा.
- DMAIC च्या प्रत्येक टप्प्यावर AI चा मसुदा जनरेटर म्हणून वापर करा, परंतु नेहमी डेटासह मूळ कारणे सत्यापित करा.
- SMED सारख्या तंत्रात, AI योजनेचा वेग वाढवते; जे खरोखर वेळ कमी करते ते म्हणजे फील्ड चाचणी आणि मानकीकरण.
- गेम्बा वगळणे, तयार केलेल्या आकृत्यांवर अवलंबून राहणे आणि तपासणीचा टप्पा विसरणे या सर्वात महागड्या चुका आहेत.
अर्ज कार्य
तुमच्या स्वतःच्या कामाच्या ठिकाणाहून एक प्रक्रिया निवडा (किंवा तुम्हाला माहीत असलेली वास्तववादी उत्पादन/सेवा प्रक्रिया). प्रथम, 5-10 मिनिटे फील्डचे निरीक्षण करा आणि वास्तविक पायऱ्या आणि अंदाजे वेळा लक्षात घ्या. त्यानंतर AI ला या युनिटमधील “7 कचरा वर्गीकरण” पॉवर प्रॉम्प्ट वापरून प्रक्रियेचे विश्लेषण करण्यास सांगा. आउटपुटमधील कचऱ्याच्या प्रत्येक शोधासाठी: (अ) पुरावा खरोखर अचूक आहे की नाही हे तुमच्या निरीक्षणाशी तुलना करा, (ब) मोजले जावे असे किमान एक मेट्रिक ओळखा, (क) एक द्रुत सुधारणा सूचना निवडा आणि "आतल्या/बाहेरील नोकरी" किंवा "ECRS" तर्काने त्याचे मूल्यांकन करा. शेवटी, फील्डमध्ये AI द्वारे निर्धारीत केलेले निर्धार चुकीचे ठरले (किंवा सत्यापित केले जाऊ शकत नाही) असे एक उदाहरण शोधा आणि ते चुकीचे का होते ते एका वाक्यात लिहा.