Κέρδη:
- Δυνατότητα προσδιορισμού του σημείου χρήσης της τεχνητής νοημοσύνης σε κύκλους λιτής παραγωγής και βελτίωσης διεργασιών
- Δυνατότητα επιτάχυνσης του χάρτη ροής αξίας, της ανάλυσης αποβλήτων και των βημάτων DMAIC με δομημένα μηνύματα
- Δυνατότητα εφαρμογής της πειθαρχίας της επικύρωσης συστάσεων AI με δεδομένα πεδίου και παρατήρηση gemba
Η βιομηχανική μηχανική είναι ουσιαστικά μια πειθαρχία "να κάνουμε καλύτερα": παράγουμε περισσότερη αξία με τους ίδιους πόρους, κάνουμε ορατά τα απόβλητα, μειώνουμε τη μεταβλητότητα. Η τεχνητή νοημοσύνη εισέρχεται σε αυτόν τον κλάδο όχι ως μια νέα αριθμομηχανή ή μια μαγική λύση, αλλά ως ένας ισχυρός συνεργάτης σκέψης και σύνταξης. Όταν χρησιμοποιείται σωστά, μειώνει τη χαρτογράφηση ροής αξίας, την ταξινόμηση αποβλήτων, τις βασικές μελέτες αιτιών και τις αναφορές βελτίωσης από ώρες σε λεπτά. Όταν χρησιμοποιείται λανθασμένα, παράγει προτάσεις που δεν έχουν δει ποτέ το πεδίο, που είναι «τέλειες στα χαρτιά» αλλά δεν μπορούν να εφαρμοστούν στην πραγματικότητα. Σε αυτήν την ενότητα, θα μάθετε πού να τοποθετείτε την τεχνητή νοημοσύνη στον κύκλο λιτής παραγωγής και πώς να επικυρώνετε την παραγωγή της.
Πού βρίσκεται η τεχνητή νοημοσύνη στη διαδικασία βελτίωσης;
Ας χωρίσουμε ένα έργο βελτίωσης σε τρία επίπεδα: συλλογή δεδομένων, ανάλυση/απόφαση, αναφορά/επικοινωνία. Το AI βοηθά με διαφορετικό βάρος σε αυτά τα στρώματα.
στρώμα
Ο ρόλος του AI
ο ρόλος του ανθρώπου
συλλογή δεδομένων
Σχεδιάζει την έρευνα/φόρμα και οργανώνει τα δεδομένα
Μετρά και παρατηρεί στο χωράφι (gemba)
ανάλυση/απόφαση
Δημιουργεί υποθέσεις, προτείνει μεθόδους, συντάσσει υπολογισμούς
Επαληθεύει με δεδομένα, παίρνει την απόφαση
Αναφορά
Α3, παρουσίαση, συντάκτης σχεδίου κειμένου περίληψης
Ελέγχει την ακρίβεια και τον τόνο
Αυτό που πρέπει να σημειωθεί είναι ότι το AI δεν μπορεί να δημιουργήσει τα ίδια τα δεδομένα. Μόνο η μέτρηση πεδίου δίνει τον πραγματικό χρόνο κύκλου μιας μηχανής, τα λεπτά που περιμένει ένας χειριστής, πόσο χρόνο χρειάζεται μια αλλαγή καλουπιού. Το AI οργανώνει, ερμηνεύει και μετατρέπει αυτά τα ακατέργαστα δεδομένα που φέρνετε σε μια υπόθεση βελτίωσης.
Συμβουλή: Πάντα ρωτάω την τεχνητή νοημοσύνη "τι δεδομένα χρειάζομαι;" Ρωτήστε επίσης: Η δημιουργία του σωστού σχεδίου μέτρησης πριν από την έναρξη της βελτίωσης είναι πολύ φθηνότερη από την εκτέλεση ανάλυσης με εσφαλμένα δεδομένα αργότερα.
Επτά Απόβλητα (Μούδα) και Ταξινόμηση κατά AI
Το να κάνουμε ορατά τα απόβλητα (μούδα) βρίσκεται στην καρδιά της άπαχης παραγωγής. Τα κλασικά επτά απόβλητα: υπερπαραγωγή, αναμονή, περιττή μεταφορά, υπερεπεξεργασία, απόθεμα, περιττή μετακίνηση και σφάλματα. Συχνά το «ανεκμετάλλευτο ανθρώπινο δυναμικό» προστίθεται ως όγδοο. Η τεχνητή νοημοσύνη είναι πολύ γρήγορη στο να χωρίζει μια αφήγηση διαδικασίας σε αυτές τις κατηγορίες.
Ρόλος: Είστε βιομηχανικός μηχανικός με εμπειρία στη λιτή κατασκευή. Εργασία: Χωρίστε την ακόλουθη αφήγηση διαδικασίας σε 7 κατηγορίες αποβλήτων (μούδα). Για κάθε προσδιορισμό: (1) τύπος αποβλήτων, (2) αποδεικτική πρόταση, (3) μετρική που πρέπει να μετρήσω, (4) πιθανή ταχεία βελτίωση. Περιγραφή διαδικασίας: """Στη γραμμή συναρμολόγησης, ο χειριστής περπατά 6 μέτρα σε κάθε κύκλο για να παραλάβει το ανταλλακτικό. Δημιουργείται ουρά μπροστά από το θάλαμο βαφής κατά μέσο όρο για 40 λεπτά. Περίπου σε μία βάρδια πρόκειται να υποβληθούν σε επανεπεξεργασία 12 εξαρτημάτων. 3 ημέρες ημικατεργασμένων προϊόντων συσσωρεύονται στο ενδιάμεσο σκεύος.
Η ισχύς αυτής της προτροπής είναι ότι κάνει την έξοδο μετρήσιμη. Δεν αρκεί να πούμε «υπάρχει περιττή κίνηση». Θα πρέπει να είναι δυνατό να πούμε "ο χειριστής περπατά 6 μέτρα ανά κύκλο, συνολικά Υ μέτρα σε Χ κύκλους ανά ημέρα." Το AI επισημαίνει τη δήλωση αποδεικτικών στοιχείων και τη μέτρηση που πρέπει να μετρήσετε, τη μετράτε στο πεδίο και συνδέετε τον αριθμό.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Ονομάστε τα απόβλητα σε αυτήν τη γραμμή παραγωγής.
Αυτό παράγει έναν κατάλογο χωρίς κατηγορίες, χωρίς στοιχεία και χωρίς μέτρο. Πιθανότατα, επαναλαμβάνονται οι κοινές φράσεις «μπορεί να υπάρχει πλεόνασμα στοκ, μπορεί να υπάρξει περίοδος αναμονής».
Ισχυρή προτροπή:
Διαχωρίστε αυτά τα δεδομένα διεργασίας σε 7 κατηγορίες αποβλήτων, παρέχετε τη δήλωση αποδεικτικών στοιχείων για καθεμία, τη μέτρηση που πρέπει να μετρήσω και τον εκτιμώμενο αντίκτυπο. Ταξινομήστε τον αντίκτυπο ως «χαμηλό/μέσο/υψηλό» και γράψτε το σκεπτικό. Δεδομένα: {{ ... }}
Η διαφορά είναι ότι το αποτέλεσμα μπορεί να μεταφραστεί άμεσα σε σχέδιο δράσης. Η δεύτερη προτροπή δίνει έναν μετρήσιμο πίνακα με προτεραιότητα.
Επιτάχυνση του κύκλου DMAIC με AI
Το πλαίσιο DMAIC της Six Sigma (Define-Measure-Analyze-Improve-Control) είναι μια κοινή γλώσσα σε έργα βελτίωσης. Το AI βοηθά διαφορετικά σε κάθε στάδιο:
- Ορισμός: Προσχέδιο ορισμού προβλήματος, εμβέλειας έργου (SIPOC) και δήλωση σκοπού.
- Μέτρο: Σχέδιο μέτρησης, φόρμα συλλογής δεδομένων, λογική μεγέθους δείγματος.
- Ανάλυση: Κατάλογος υποθέσεων, ψαροκόκαλα (Ishikawa), πιθανές βασικές αιτίες.
- Βελτίωση: Εναλλακτικές λύσεις, προτάσεις ECRS (Eliminate-Combine-Rearrange-Simplify).
- Έλεγχος: Προσχέδιο σχεδίου ελέγχου, τυπικές οδηγίες εργασίας και παρακολούθηση KPI.
Δημιουργήστε έναν σκελετό Ishikawa (ψαροκόκαλο) για το παρακάτω πρόβλημα. Πρόβλημα: "Η τραχύτητα της επιφάνειας στη μηχανή CNC είναι πάνω από τον στόχο." Κατηγορίες: Μηχανή, Μέθοδος, Υλικό, Άνθρωπος, Μέτρηση, Περιβάλλον (6M). Γράψτε 3-4 πιθανές αιτίες κάτω από κάθε κατηγορία και υποδείξτε ποια δεδομένα πρέπει να συλλέξω για να ελέγξω κάθε αιτία.
Ο χρυσός κανόνας εδώ παραμένει σταθερός: κάθε βασική αιτία που προτείνεται από την τεχνητή νοημοσύνη είναι μια υπόθεση και όχι μια απόδειξη. Η αιτία της τραχύτητας της επιφάνειας μπορεί να είναι ή να μην είναι η "φθορά του εργαλείου κοπής". Μόνο τα δεδομένα ζωής του εργαλείου και το πείραμα το επιβεβαιώνουν.
Προσοχή: Η τεχνητή νοημοσύνη μερικές φορές δημιουργεί αλυσίδες λόγων που φαίνονται πολύ εύλογες, αλλά είναι λανθασμένες στην πραγματικότητα. Για παράδειγμα, είναι εύκολο να πούμε "σφάλμα χειριστή" και συχνά είναι άδικο. Εξαλείψτε τα συστημικά αίτια (μέθοδοι, εξοπλισμός, μετρήσεις) με δεδομένα πριν κατηγορήσετε τη βασική αιτία στους ανθρώπους.
Mini Case: Shorttening Mold Change Time (SMED)
Οι αλλαγές καλουπιών σε ένα εργαστήριο έγχυσης πλαστικών χρειάζονται κατά μέσο όρο 55 λεπτά και αυτό δημιουργεί μεγάλες απώλειες σε μικρές παρτίδες. Ο βιομηχανικός μηχανικός Deniz βιντεοσκοπεί τη διαδικασία μετάβασης και υπολογίζει βήμα προς βήμα χρόνους (αυτά τα δεδομένα προέρχονται από το πεδίο). Στη συνέχεια δίνει στο AI τη λίστα των βημάτων και τους χρόνους τους:
Ταξινομήστε αυτά τα βήματα αλλαγής καλουπιού ως "εσωτερικά" (μπορεί να γίνουν ενώ το μηχάνημα είναι σταματημένο) και "εξωτερικά" (μπορεί να γίνει ενώ το μηχάνημα λειτουργεί) σύμφωνα με τη μέθοδο SMED. Σημειώστε τα εσωτερικά βήματα που μπορούν να μετακινηθούν στα εξωτερικά και γράψτε μια προκαταρκτική πρόταση προετοιμασίας για το καθένα. Βήματα και διάρκειες: {{ λίστα }}
Η τεχνητή νοημοσύνη επισημαίνει βήματα όπως «φέροντας το νέο καλούπι στο μηχάνημα» και «προετοιμασία των μπουλονιών» ως φορητά στην εξωτερική εργασία, υποδηλώνοντας ένα αυτοσχέδιο καρότσι. Ο Ντενίζ δοκιμάζει αυτήν την πρόταση στο πεδίο. τυποποιεί αυτό που είναι πραγματικά εφαρμόσιμο. Ως αποτέλεσμα, ο χρόνος αλλαγής μειώνεται από 55 λεπτά σε 32 λεπτά. Το κρίσιμο σημείο: Η τεχνητή νοημοσύνη επιτάχυνε το σχέδιο, αλλά ήταν οι επιτόπιες δοκιμές και η τυποποίηση που μείωσαν πραγματικά τον χρόνο.
Κοινά λάθη
- Παράκαμψη του Gemba: Εφαρμογή εξόδου AI χωρίς να το παρατηρήσετε στο πεδίο. Βασίζεται στην απλή αρχή «πήγαινε και δες».
- Βασιζόμενοι σε κατασκευασμένους αριθμούς: Η τεχνητή νοημοσύνη μερικές φορές παράγει ανύπαρκτους αριθμούς, όπως "ο χρόνος κύκλου είναι περίπου 45 δευτερόλεπτα". Κάθε αριθμός πρέπει να υποστηρίζεται από μέτρηση.
- Κατηγορώντας τη βασική αιτία στους ανθρώπους: Η αποδοχή της πρώτης εξήγησης που έρχεται στο μυαλό είναι «απροσεξία». Μη διερεύνηση συστημικών αιτιών.
- Κλείδωμα σε μια ενιαία λύση: Νομίζοντας ότι η πρώτη πρόταση της τεχνητής νοημοσύνης είναι η μόνη επιλογή. Δημιουργήστε τουλάχιστον 2-3 εναλλακτικές και συγκρίνετε τις σύμφωνα με τους περιορισμούς.
- Ξεχνώντας τη φάση ελέγχου: Κάνοντας τη βελτίωση και αφήνοντάς την χωρίς να καθιερωθούν τυπικές επιχειρήσεις και να παρακολουθούνται οι KPI. Η διαδικασία επιστρέφει στην προηγούμενη κατάστασή της.
Συνοπτικά
- Η τεχνητή νοημοσύνη δεν παράγει δεδομένα στη βιομηχανική μηχανική. Οργανώνει τα δεδομένα που φέρνετε, τα ερμηνεύει και τα μετατρέπει σε υπόθεση βελτίωσης.
- Κάντε το αποτέλεσμα μετρήσιμο κατά την ταξινόμηση των επτά αποβλήτων: ζητήστε δήλωση αποδεικτικών στοιχείων + μέτρηση για μέτρηση.
- Χρησιμοποιήστε την τεχνητή νοημοσύνη ως πρόχειρη δημιουργία σε κάθε στάδιο του DMAIC, αλλά πάντα επαληθεύστε τις βασικές αιτίες με δεδομένα.
- Σε τεχνικές όπως το SMED, η τεχνητή νοημοσύνη επιταχύνει το σχέδιο. Αυτό που πραγματικά μειώνει τον χρόνο είναι οι επιτόπιες δοκιμές και η τυποποίηση.
- Το να παρακάμψετε την Gemba, να βασίζεστε σε φιγούρες και να ξεχάσετε τη φάση του ελέγχου είναι τα πιο ακριβά λάθη.
Εργασία εφαρμογής
Επιλέξτε μια διαδικασία από τον δικό σας χώρο εργασίας (ή μια ρεαλιστική διαδικασία παραγωγής/εξυπηρέτησης που γνωρίζετε). Αρχικά, παρατηρήστε το πεδίο για 5-10 λεπτά και σημειώστε τα πραγματικά βήματα και τους εκτιμώμενους χρόνους. Στη συνέχεια, ζητήστε από το AI να αναλύσει τη διαδικασία χρησιμοποιώντας την προτροπή ισχύος «7 waste classification» σε αυτήν τη μονάδα. Για κάθε ανίχνευση αποβλήτων στην έξοδο: (α) συγκρίνετε με την παρατήρησή σας εάν τα στοιχεία είναι πραγματικά ακριβή, (β) προσδιορίστε τουλάχιστον μία μέτρηση που πρέπει να μετρηθεί, (γ) επιλέξτε μια γρήγορη πρόταση βελτίωσης και αξιολογήστε την με μια λογική "εσωτερική/εξωτερική δουλειά" ή "ECRS". Τέλος, βρείτε ένα παράδειγμα όπου ένας προσδιορισμός που παρήχθη από το AI αποδείχθηκε λάθος (ή δεν μπορούσε να επαληθευτεί) στο πεδίο και γράψτε με μια πρόταση γιατί ήταν λάθος.