Optimierung, Datenverarbeitung, Validierung und Sicherheit mit Python

Gewinne:

• Möglichkeit zur Automatisierung von Optimierungs- und Datenverarbeitungsaufgaben mit KI-gestütztem Python-Code
• Möglichkeit zur Verifizierung von KI-generiertem Code mit Unit-Checking, Tests und Randfällen
• Fähigkeit, vertrauliche Produktionsdaten zu schützen und verantwortungsvolle KI-Nutzungsgrundsätze durchzusetzen

In der Industrietechnik werden sowohl Geschwindigkeit als auch Wiederholbarkeit gesteigert, wenn sich wiederholende Berechnungen, Datenbereinigung und Optimierungsmodelle mit Python automatisiert werden. KI ist der leistungsstärkste Beschleuniger zum Schreiben dieses Codes: Datenverarbeitung mit Pandas, Optimierung mit PuLP/SciPy, Visualisierung mit Matplotlib entwirft Code in wenigen Minuten. Aber KI-Code garantiert nicht grundsätzlich den Unterschied zwischen „scheinbar zu funktionieren“ und „genau zu sein“. In dieser Einheit kombinieren wir KI-gestützte technische Automatisierung, die Disziplin der Codevalidierung und die Prinzipien des Schutzes vertraulicher Produktionsdaten. Diese Einheit ist die Ebene „Mit Zuversicht anwenden“ für alle vorherigen Einheiten.

Warum Code? Wiederholbarkeit und Überprüfbarkeit

Eine manuelle Berechnung in Excel führt sechs Monate später zu der Frage: „Woher kommt diese Zahl?“ kann die Frage nicht beantworten. Code hingegen sorgt dafür, dass Eingaben, Schritte und Ausgaben klar und wiederholbar sind. Drei Vorteile einer technischen Berechnung im Code: (1) immer das gleiche Ergebnis mit der gleichen Eingabe, (2) jeden Schritt sichtbar und überprüfbar machen, (3) das Ergebnis automatisch aktualisiert, wenn sich die Eingabe ändert.

# Umwandeln der EOQ-Berechnung in eine überprüfbare Funktion import mathdef eoq(annual_demand, order_cost, holding_cost): „“Wirtschaftliche Bestellmenge positiv sein") return math.sqrt((2 * annual_demand * order_cost) / holding_cost)# Test mit bekanntem Ergebnis (Verifizierung):# D=3600, S=120, H=8 -> ~328,6assert abs(eoq(3600, 120, 8) - 328.63) < 0.1print(round(eoq(3600, 120, 8), 1)) #328.6

Die Assert-Zeile ist hier von entscheidender Bedeutung: Testen Sie anhand eines bekannten Ergebnisses. Indem Sie jeder Berechnungsfunktion, die die KI schreibt, mindestens einen „Known-Result-Test“ hinzufügen, beweisen Sie, dass der Code tatsächlich korrekt rechnet.

Der richtige Weg, Code mit KI zu generieren

Je geringer die Unsicherheit beim Schreiben von Code für KI ist, desto zuverlässiger ist die Ausgabe.

Rolle: Sie sind Experte für Python und Datenanalyse im Bereich Industrial Engineering. Aufgabe: Schreiben Sie eine Funktion, die die täglichen Produktionsdaten (Datum, produziert, fehlerhaft, Ausfallzeitminuten) in einer CSV verarbeitet und die tägliche Verschwendungsrate sowie grobe OEE-Komponenten berechnet. Anforderungen: - Pandas verwenden, Spaltennamen validieren (bei Fehlen einen verständlichen Fehler angeben). - Abfallrate = fehlerhaft / produziert; Vor Division durch Null schützen. - Fügen Sie der Funktion einen Test (Assert) mit einem bekannten Ergebnis hinzu. - Schreiben Sie die Einheit und die Annahmen in die Dokumentzeichenfolge. Regel: Fügen Sie keinen versteckten Prozess hinzu, der in das Netzwerk/Dateisystem schreibt. Machen Sie einfach die Berechnungen. Markieren Sie mit Kommentaren, wo Sie sich nicht sicher sind.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Schreiben Sie Code, der die Produktionseffizienz berechnet.

„Yield“ ist undefiniert, kein Datenschema, keine Tests. Selbst wenn die Ausgabe funktioniert, ist unklar, was sie berechnet.

Kraftvolle Aufforderung:

Berechnen Sie die OEE für CSV im folgenden Diagramm: Spalten [geplante_Zeit, Laufzeit, idealer_Zyklus, produziert, Qualität]. Verfügbarkeit = Arbeit/geplant, Leistung = (idealer_Zyklus × produziert)/Lauf, Qualität = Qualität/produziert. OEE ist das Produkt dieser drei. Geben Sie jede Komponente einzeln zurück, behandeln Sie die Division durch Null und fügen Sie einen Assertionstest mit bekannten Werten hinzu.

Die zweite Eingabeaufforderung gibt jede Formel und jedes Diagramm klar an; Dadurch wird die Möglichkeit einer Fehlinterpretation von „Ertrag“ durch die KI ausgeschlossen und eine Verifizierung durch Tests vorgeschrieben.

Checkliste zur Codeüberprüfung

Führen Sie die folgenden Schritte durch, bevor Sie KI-Code in einer Produktionsentscheidung verwenden:

Schritt

Was zu überprüfen ist

Einheit/Größe

Sind die Input-Output-Einheiten konsistent?

Bekannter Ergebnistest

Gibt es ein korrekt von Hand berechnetes Beispiel?

Randfälle

Was bewirken Null, negative, leere Daten, einzelne Zeile?

Arithmetischer Gegencheck

Ist das Ergebnis in einer kleinen Probe spürbar?

Unsichtbarer Nebeneffekt

Löscht/sendet der Code Daten?

Achtung: KI produziert manchmal Code, der „funktioniert, aber falsch ist“: Beispielsweise berechnet sie die Verschwendungsrate falsch/produziert statt falsch/gesamt oder verwechselt Prozentsatz mit Rate. Nur weil der Code fehlerfrei funktioniert, heißt das nicht, dass er korrekt ist. Stellen Sie sicher, dass Sie den Test mit einem bekannten Ergebnis durchführen.

Sicherheit und Datenschutz

Produktionsdaten sind Betriebsgeheimnisse: Kapazitäten, Kosten, Kundenanforderungen, Lieferantenpreise. Diese spontan in einen KI-Dienst einzuschleusen, ist ein ernstes Risiko.

• Daten anonymisieren: Codes statt tatsächlicher Kunden-/Lieferantennamen verwenden; Ersetzen Sie Präzisionskosten durch Beispielwerte.
• Befolgen Sie die Unternehmensrichtlinien: Verwenden Sie KI-Tools und Datenklassifizierungsregeln, die von Ihrem Unternehmen genehmigt wurden.
• Fordern Sie den Code an, führen Sie die Daten lokal aus: Lassen Sie die KI Code schreiben, führen Sie den Code jedoch in Ihrer eigenen Umgebung mit echten Daten aus. Auf diese Weise gelangen sensible Daten nicht nach außen.
• Überprüfen Sie die Ausgabe: Überprüfen Sie, ob der AI-Code Daten an einen unerwarteten Ort sendet (Netzwerkaufruf, externe API).

Tipp: Das Prinzip „KI Code schreiben lassen, Daten lokal verarbeiten“ schützt die Privatsphäre und verhindert, dass KI gefälschte Zahlen generiert. Der eigentliche Löser/die eigentliche Bibliothek übernimmt die Berechnung, die KI baut lediglich das Grundgerüst auf.

Mini-Fall: Funktioniert, aber falscher Code

In einer Fabrik lässt Wirtschaftsingenieur Mert die KI ein Skript schreiben, das einen monatlichen OEE-Bericht erstellt. Der Code läuft reibungslos und ergibt einen guten OEE von 92 %. Wenn Mert es jedoch mit einem bekannten Tag testet (einem Tag, den er manuell berechnet hat und der eine OEE von 78 % haben sollte), gibt der Code 92 % zurück. Bei der Überprüfung stellt er fest, dass die KI die Leistungskomponente falsch eingerichtet hat (mit dem durchschnittlichen Zyklus anstelle des idealen Zyklus). Bei Korrektur stimmt der Wert mit der Realität überein. Der Code lieferte falsche Ergebnisse ohne Fehler. Lektion: Ohne Tests mit bekannten Ergebnissen wäre eine ungenaue OEE monatelang in Managemententscheidungen eingegangen.

Häufige Fehler

• Denken „funktioniert = korrekt“: Code, der keine Fehler ausgibt, als korrekt akzeptieren; kein Test mit bekanntem Ergebnis.
• Randfälle überspringen: Situationen wie Division durch Null, leere Daten, negative Eingaben veröffentlichen, ohne sie auszuprobieren.
• Einfügen vertraulicher Daten: Senden tatsächlicher Kosten-/Kundendaten an AI, ohne sie zu anonymisieren.
• KI mit einem Löser verwechseln: Verwendung der Optimierungsausgabe, von der die KI sagt, dass „das Ergebnis dies ist“, als tatsächliche Löserausgabe.
• Verlust der Überprüfbarkeit: Code teilen, ohne Annahmen und Einheiten zu dokumentieren.

Zusammenfassend

• Der Code fügt dem Engineering-Konto Wiederholbarkeit und Überprüfbarkeit hinzu; KI beschleunigt diesen Code.
• Beweisen Sie die Richtigkeit, indem Sie jeder KI-Berechnungsfunktion eine Assertion mit einem bekannten Ergebnis hinzufügen.
• Verwenden Sie den Code nicht in einer Produktionsentscheidung, ohne ihn durch eine Einheiten-, Randfall- und arithmetische Gegencheckliste zu führen.
• „Arbeitscode“ bedeutet nicht korrekter Code; Es kann sein, dass es einwandfrei funktioniert und die Berechnung falsch ist.
• Vertrauliche Produktionsdaten anonymisieren, Unternehmensrichtlinien einhalten; Drucken Sie den Code an AI aus, verarbeiten Sie die Daten jedoch lokal.

Anwendungsaufgabe

Wählen Sie eine technische Berechnung (EOQ, Sicherheitsbestand, OEE oder Standardzeit). Schreiben Sie eine Python-Funktion an die KI, die diese Berechnung durchführt. Erzwingen Sie Einheiten im Dokumentstring und das bekannte Ergebnis mit einem Assert-Test. Kritische Überprüfung: Probieren Sie die Funktion mit mindestens drei Randfällen (Null, negativ, null) aus und vergleichen Sie sie mit einem handberechneten Beispiel. Beweisen Sie mit einem bekannten Wert, dass das Ergebnis korrekt ist, auch wenn der Code fehlerfrei läuft. Untersuchen Sie dann den Code aus der Perspektive des „Datenschutzes“: Gibt es einen Prozess, der Daten aussendet? Passen Sie abschließend die Verifizierungscheckliste dieser Einheit an Ihren eigenen Arbeitsablauf an und erstellen Sie eine Checkliste.

Modulprüfung

1. Im Lean Manufacturing haben Sie mithilfe von KI eine Wertstromkarte (VSM) erstellt. Was ist der beste Schritt, bevor der Vorschlag umgesetzt wird?

• A) Validieren Sie den KI-Plan mit Feldbeobachtung (Gemba) und tatsächlichen Zyklus-/Verweilzeiten ✔
• B) Hängen Sie die Karte direkt an die Tafel, da KI ein aktuelles Modell ist
• C) Korrigieren Sie einfach die Farben und Kastenformen der Karte
• D) Reihenfolge der Abfallarten ändern und veröffentlichen

Erläuterung: KI erstellt auf Grundlage der von Ihnen bereitgestellten Informationen eine sinnvolle VSM-Skizze, kann jedoch die tatsächlichen Prozesszeiten und Verschwendungen nicht beobachten. Das Grundprinzip von Lean ist „gemba“: Der Wertstrom soll durch Beobachtung und Messung vor Ort verifiziert, dann aber als Grundlage für Verbesserungsentscheidungen genutzt werden.

2. Welcher Satz von Metriken zur Bewertung der Genauigkeit eines Nachfrageprognosemodells erfüllt diesen Zweck direkt?

• A) Cp und Cpk
• B) MAPE, MAE und RMSE ✔
• C) OEE und MTBF
• D) Taktzeit und WIP

Erläuterung: MAPE (mittlerer absoluter prozentualer Fehler), MAE und RMSE sind Metriken, die Prognosefehler messen; Sie können die Genauigkeit des Modells bewerten, indem Sie die Prognose mit dem tatsächlichen Bedarf vergleichen. Cp/Cpk ist die Prozessfähigkeit und OEE ist die Kennzahl für die Anlageneffizienz.

3. Bei der Berechnung des Bestellpunkts (ROP) hat Ihnen AI einen Wert angegeben. Was sollten Sie zuerst tun, um das Ergebnis sicher zu verwenden?

• A) Runden Sie das Ergebnis auf und geben Sie es direkt in ERP ein
• B) Fragen Sie die KI: „Sind Sie sicher?“ und mit der Antwort „Ja“ zufrieden sein
• C) Drucken Sie die Formel, die verwendeten Eingaben und Einheiten aus und reproduzieren Sie die Berechnung manuell/mit dem Code ✔
• D) Den Sicherheitsbestand vollständig zurücksetzen

Erläuterung: Es funktioniert mit der Formel ROP = durchschnittlicher Bedarf × Durchlaufzeit + Sicherheitsbestand. Es ist notwendig, das Ergebnis der KI zu überprüfen, indem die von ihr verwendete Formel und die Eingaben (Bedarfsrate, Durchlaufzeit, Sicherheitsbestand) explizit ausgedruckt und manuell/im Code neu berechnet werden. andernfalls wird der Einheiten- oder Rechenfehler nicht bemerkt.

4. Was verbessert die Regel der kürzesten Verarbeitungszeit (SPT) typischerweise bei der Jobplanung?

• A) Es werden lediglich die Rüstzeiten zurückgesetzt
• B) Erhöht physisch die Anzahl der Maschinen
• C) Reduziert den Energieverbrauch garantiert um die Hälfte
• D) Reduziert tendenziell die durchschnittliche Fließzeit und die durchschnittliche Latenz ✔

Beschreibung: Die SPT-Regel (kürzeste Verarbeitungszeit) neigt dazu, die durchschnittliche Flusszeit und die durchschnittliche Latenz zu reduzieren, indem kurze Jobs nach vorne verschoben werden. Allerdings kann er lange Aufgaben ständig aufschieben; Wenn der Liefertermin kritisch ist, sind Regeln wie EDD besser geeignet. Die Auswahl der Regeln sollte durch den Zweck begründet werden.

5. Was bedeutet es, wenn der Cpk-Wert deutlich niedriger ist als Cp im SPC?

• A) Der Prozessdurchschnitt hat sich vom Toleranzzentrum verschoben (Zentrierungsproblem) ✔
• B) Die Varianz des Prozesses ist Null
• C) Es zeigt, dass die Anzahl der Proben groß ist
• D) Beweist, dass die Kontrollkarte unnötig ist

Erläuterung: Cp ist der Fähigkeitsindex, der das Verhältnis der Prozessstreuung zur Toleranzbreite berücksichtigt, und Cpk ist der Angemessenheitsindex, der auch die Verschiebung des Durchschnitts relativ zum Toleranzzentrum berücksichtigt. Wenn Cpk niedriger als Cp ist, weist dies darauf hin, dass der Prozess außermittig ist (der Durchschnitt liegt vom Ziel entfernt); Auch wenn die Streuung gleich ist, gibt es ein Zentrierungsproblem.

6. Sie verwenden die von AI vorgegebene Formel zur Berechnung der Standardzeit im Zeitstudium. Mit welcher der folgenden Methoden wird die Standardzeit korrekt ermittelt?

• A) Standardzeit = Beobachtete Zeit, Spielraum und Tempo werden nicht berücksichtigt
• B) Standardzeit = Normalzeit × (1 + Aktienverhältnis); Normalzeit = Beobachtete Zeit × Tempo ✔
• C) Standardzeit = Beobachtete Zeit ÷ Anzahl der Maschinen
• D) Die Standardzeit ist immer die Zeit des schnellsten Fahrers

Erläuterung: Berechnet als Standardzeit = Normalzeit × (1 + Anteilsverhältnis); Die Normalzeit ergibt sich aus beobachteter Zeit × Tempo (Bewertung). Es ist zwingend erforderlich, Anteile hinzuzufügen (Rest, Personal, Verzögerung). KI kann die Formel vorgeben, Tempo- und Aktienwerte müssen jedoch durch tatsächliche Beobachtung und Unternehmensrichtlinien überprüft werden.

7. AI gab an, die „beste“ Lösung für ein Fahrzeugrouting-Problem (VRP) gegeben zu haben. Welches ist die genaueste Einschätzung?

• A) Die Route direkt an die Fahrer senden, weil die KI „am besten“ sagt
• B) Validieren Sie die Lösung anhand von Kapazitäts-, Zeitfenster- und Kostenbeschränkungen ✔
• C) Reduzieren Sie einfach die Anzahl der Stopps und veröffentlichen Sie
• D) Visualisierung der Karte und Ignorieren der Einschränkungen

Erläuterung: KI modelliert möglicherweise Einschränkungen (Fahrzeugkapazität, Zeitfenster, Fahrzeit) falsch oder stellt eine suboptimale Lösung als „beste“ dar. Lösung; Es sollte anhand von Kapazitäts-, Zeitfenster- und Gesamtentfernungs-/Kostenbeschränkungen überprüft und, wenn möglich, reproduziert und mit einem Solver verglichen werden.

8. OEE (Overall Equipment Effectiveness) ist das Produkt welcher drei Komponenten?

• A) Nachfrage, Lagerbestand und Kosten
• B) Cp, Cpk und Sigma
• C) Benutzerfreundlichkeit, Leistung und Qualität ✔
• D) Takt, Zyklus und Lieferzeit

Erläuterung: OEE = Verfügbarkeit × Leistung × Qualität. Verfügbarkeit spiegelt Ausfallzeiten wider, Leistung spiegelt Geschwindigkeitsverluste wider und Qualität spiegelt fehlerhafte Produkte wider. Wenn AI einen OEE-Wert angibt, ist darauf zu achten, dass diese drei Komponenten separat berechnet und multipliziert werden.

9. Was ist der kritischste Verifizierungsschritt bei der Interpretation der Ausgabe einer Simulation diskreter Ereignisse?

• A) Validierung von Eingabeverteilungen und Annahmen mit realen Daten ✔
• B) Verkürzen Sie die Arbeitszeit und treffen Sie eine Entscheidung in einer einzigen Bedingung
• C) Verbesserung der Farbpalette von Grafiken
• D) Den Zufallsstartwert verbergen und das Ergebnis unwiederholbar machen

Erläuterung: Die Simulationsausgabe ist nur so gut wie die Eingabeannahmen. Verteilungen, Ankunftszeiten, Servicezeiten und Szenarioparameter sollten mit realen Daten verglichen und validiert werden; Zusätzlich sollte überprüft werden, ob das Modell korrekt erstellt wurde (Verifizierung). Ansonsten gilt: „Müll rein, Müll raus“.

10. Was ist zwingend erforderlich, bevor ein KI-generiertes Python-Optimierungsskript in einer Produktionsentscheidung verwendet wird?

• A) Das Ergebnis direkt anwenden, da der Code fehlerfrei funktioniert
• B) Tests mit bekannten Ergebnissen, Validierung mit Unit-Checking und Randfällen sowie Schutz der Datenvertraulichkeit ✔
• C) Variablennamen kürzen und Kommentare löschen
• D) Hochladen des Skripts mit allen Produktionsdaten auf einen öffentlichen Dienst

Beschreibung: AI-Code kann in Randfällen eine falsche Einheitenumrechnung, eine falsche Einschränkung oder ein falsches Ergebnis enthalten. Code; Kleine Testeingaben mit bekannten Ergebnissen sollten durch Einheiten-/Größenkontrolle und Randfälle überprüft werden, und vertrauliche Produktionsdaten sollten nicht ohne Genehmigung an externe Dienste gesendet werden. Das Ergebnis wird durch eine technische Beurteilung bestätigt.