Gains :
- Capacité à déterminer où utiliser l’IA dans les cycles de production Lean et d’amélioration des processus
- Capacité à accélérer la cartographie de la chaîne de valeur, l'analyse des déchets et les étapes DMAIC avec des invites structurées
- Capacité à appliquer la discipline de validation des recommandations de l'IA avec des données de terrain et l'observation de Gemba
Le génie industriel est essentiellement une discipline du « faire mieux » : produire plus de valeur avec les mêmes ressources, rendre visibles les déchets, réduire la variabilité. L’intelligence artificielle entre dans cette discipline non pas comme une nouvelle calculatrice ou une solution magique, mais comme un puissant partenaire de réflexion et de rédaction. Lorsqu'il est utilisé correctement, il réduit la cartographie de la chaîne de valeur, la classification des déchets, les études des causes profondes et les rapports d'amélioration de quelques heures à quelques minutes. Lorsqu'il est mal utilisé, il produit des suggestions qui n'ont jamais vu le terrain, qui sont « parfaites sur le papier » mais ne peuvent pas être mises en œuvre dans la réalité. Dans cette unité, vous apprendrez où placer l'IA dans le cycle de production Lean et comment valider ses résultats.
Où se situe l’IA dans l’amélioration des processus ?
Divisons un projet d'amélioration en trois couches : collecte de données, analyse/décision, reporting/communication. L'IA aide avec différents poids dans ces couches.
couche
Le rôle de l'IA
le rôle de l'homme
collecte de données
Conçoit l'enquête/le formulaire et organise les données
Mesure et observe sur le terrain (gemba)
analyse/décision
Génère des hypothèses, suggère des méthodes, rédige des calculs
Vérifie avec les données, prend la décision
Rapports
A3, présentation, rédacteur de brouillon de texte de synthèse
Contrôle la précision et le ton
La chose à noter est que l’IA ne peut pas générer elle-même les données. Seules les mesures sur le terrain donnent le temps de cycle réel d'une machine, les minutes d'attente d'un opérateur, la durée d'un changement de matrice. L'IA organise, interprète et transforme ces données brutes que vous apportez en hypothèse d'amélioration.
Astuce : je demande toujours à l’IA « de quelles données ai-je besoin ? » Demandez également : établir le plan de mesure correct avant de commencer l'amélioration est beaucoup moins coûteux que d'effectuer une analyse avec des données incorrectes plus tard.
Sept déchets (Muda) et classification par l'IA
Rendre visible le gaspillage (muda) est au cœur de la production Lean. Les sept gaspillages classiques : surproduction, attente, transports inutiles, surtraitement, stocks, mouvements inutiles et erreurs. Souvent, le « potentiel humain inexploité » est ajouté en huitième position. L’IA est très rapide à décomposer un récit de processus en ces catégories.
Rôle : Vous êtes un ingénieur industriel expérimenté en Lean Manufacturing. Tâche : Divisez le récit du processus suivant en 7 catégories de déchets (muda). Pour chaque détermination : (1) type de déchet, (2) phrase de preuve, (3) métrique que je dois mesurer, (4) amélioration rapide possible. Description du processus : """Sur la chaîne de montage, l'opérateur marche 6 mètres à chaque cycle pour récupérer la pièce. Une file d'attente se forme devant la cabine de peinture pendant 40 minutes en moyenne. Environ en une seule équipe, 12 pièces vont être retraitées. 3 jours de produits semi-finis s'accumulent dans l'entrepôt intermédiaire.
La puissance de cette invite est qu’elle rend le résultat mesurable. Il ne suffit pas de dire « il y a des mouvements inutiles » ; Il devrait être possible de dire "l'opérateur marche 6 mètres par cycle, soit un total de Y mètres en X cycles par jour". L'IA vous indique l'énoncé des preuves et la métrique à mesurer, vous la mesurez sur le terrain et branchez le numéro.
Invite faible/Invite forte
Invite faible :
Nommez les déchets de cette chaîne de production.
Cela produit une liste sans catégories, sans preuves et sans mesure ; Très probablement, les expressions courantes « il peut y avoir un excédent de stock, il peut y avoir un délai d'attente » sont répétées.
Invite puissante :
Divisez ces données de processus en 7 catégories de déchets, fournissez la déclaration des preuves pour chacune, la mesure que je dois mesurer et l'impact estimé. Classez l’impact comme « faible/moyen/élevé » et écrivez la justification. Données : {{ ... }}
La différence est que le résultat peut directement se traduire par un plan d’action. La deuxième invite donne un tableau hiérarchisé et mesurable.
Accélérer le cycle DMAIC avec l'IA
Le cadre DMAIC (Define-Measure-Analyze-Improve-Control) de Six Sigma est un langage commun dans les projets d'amélioration. L’IA aide différemment à chaque étape :
- Définir : rédiger une définition du problème, la portée du projet (SIPOC) et l'énoncé de l'objectif.
- Mesure : Plan de mesure, formulaire de collecte de données, logique de taille d'échantillon.
- Analyser : Liste des hypothèses, arêtes de poisson (Ishikawa), causes profondes possibles.
- Améliorer : solutions alternatives, suggestions ECRS (Eliminate-Combine-Rearrange-Simplify).
- Contrôle : Projet de plan de contrôle, instructions de travail standard et suivi des KPI.
Créez un squelette Ishikawa (à chevrons) pour le problème suivant. Problème : "La rugosité de la surface de la machine CNC est supérieure à la cible." Catégories : Machine, Méthode, Matériel, Humain, Mesure, Environnement (6M). Écrivez 3 à 4 causes possibles sous chaque catégorie et indiquez les données que je dois collecter pour tester chaque cause.
La règle d’or reste ici la même : chaque cause profonde suggérée par l’IA est une hypothèse et non une preuve. La cause de la rugosité de la surface peut être ou non « l’usure de l’outil de coupe » ; Seules les données sur la durée de vie des outils et les expériences le confirment.
Attention : l’IA construit parfois des chaînes de raisons qui semblent très plausibles mais qui sont erronées sur le terrain. Par exemple, il est facile de dire « erreur de l’opérateur » et c’est souvent injuste. Éliminez les causes systémiques (méthodes, équipements, mesures) avec des données avant de rejeter la faute sur les humains.
Mini-cas : raccourcissement du temps de changement de moule (SMED)
Les changements de moule dans un atelier d’injection plastique prennent en moyenne 55 minutes, ce qui engendre d’importantes pertes dans les petits lots. L'ingénieur industriel Deniz enregistre sur vidéo le processus de changement et calcule les temps étape par étape (ces données proviennent du terrain). Il donne ensuite à l'IA la liste des étapes et leurs horaires :
Classez ces étapes de changement de moule en « internes » (peuvent être effectuées lorsque la machine est à l'arrêt) et « externes » (peuvent être effectuées pendant que la machine est en marche) selon la méthode SMED. Marquez les étapes intérieures qui peuvent être déplacées vers les étapes extérieures et rédigez une suggestion de préparation préliminaire pour chacune. Étapes et durées : {{ list }}
L'IA marque des étapes telles que « amener le nouveau moule à la machine » et « préparer les boulons » comme étant portables pour le travail externe, suggérant un chariot de fortune. Deniz teste cette proposition sur le terrain ; il standardise ce qui est réellement applicable. Le temps de changement passe ainsi de 55 minutes à 32 minutes. Le point critique : l’IA a accéléré le plan, mais ce sont les tests sur le terrain et la standardisation qui ont vraiment réduit le temps.
Erreurs courantes
- Contourner Gemba : mettre en œuvre la sortie de l'IA sans l'observer sur le terrain. Il repose sur le principe simple du « aller voir ».
- S'appuyer sur des nombres inventés : l'IA produit parfois des nombres inexistants, comme « le temps de cycle est d'environ 45 secondes ». Chaque nombre doit être étayé par une mesure.
- Attribuer la cause profonde aux humains : accepter la première explication qui nous vient à l'esprit est celle de la « négligence » ; Ne pas enquêter sur les causes systémiques.
- S'enfermer dans une solution unique : penser que la première suggestion de l'IA est la seule option. Générez au moins 2-3 alternatives et comparez-les en fonction des contraintes.
- Oublier la phase de contrôle : Réaliser l’amélioration et s’en sortir sans établir de standards business et de suivi des KPI ; Le processus revient à son état précédent.
En résumé
- L’IA ne produit pas de données en génie industriel ; Il organise les données que vous apportez, les interprète et les transforme en hypothèse d'amélioration.
- Rendre le résultat mesurable lors de la classification des sept déchets : demander une déclaration de preuve + une métrique à mesurer.
- Utilisez l'IA comme générateur de brouillons à chaque étape du DMAIC, mais vérifiez toujours les causes profondes avec les données.
- Dans des techniques comme SMED, l’IA accélère le plan ; Ce qui réduit réellement le temps, ce sont les tests sur le terrain et la normalisation.
- Sauter Gemba, s'appuyer sur des chiffres inventés et oublier la phase de vérification sont les erreurs les plus coûteuses.
Tâche de candidature
Choisissez un processus de votre propre lieu de travail (ou un processus de production/service réaliste que vous connaissez). Tout d’abord, observez le terrain pendant 5 à 10 minutes et notez les étapes réelles et les temps estimés. Demandez ensuite à l’IA d’analyser le processus à l’aide de l’invite de puissance « 7 classifications des déchets » dans cette unité. Pour chaque détection de gaspillage dans le résultat : (a) comparez à votre observation si les preuves sont réellement exactes, (b) identifiez au moins une mesure qui doit être mesurée, (c) sélectionnez une suggestion d'amélioration rapide et évaluez-la avec une logique « travail intérieur/extérieur » ou « ECRS ». Enfin, trouvez un exemple où une détermination produite par l'IA s'est avérée fausse (ou n'a pas pu être vérifiée) sur le terrain et écrivez en une phrase pourquoi elle était fausse.