નફો:
- દુર્બળ ઉત્પાદન અને પ્રક્રિયા સુધારણા ચક્રમાં AI નો ક્યાં ઉપયોગ કરવો તે નિર્ધારિત કરવાની ક્ષમતા
- સ્ટ્રક્ચર્ડ પ્રોમ્પ્ટ્સ સાથે મૂલ્ય પ્રવાહના નકશા, કચરાના વિશ્લેષણ અને DMAIC પગલાંને વેગ આપવાની ક્ષમતા
- ફીલ્ડ ડેટા અને જેમ્બા અવલોકન સાથે AI ભલામણોને માન્ય કરવાની શિસ્ત લાગુ કરવાની ક્ષમતા
ઔદ્યોગિક ઇજનેરી એ અનિવાર્યપણે "વધુ સારું કરવાનું" શિસ્ત છે: સમાન સંસાધનો સાથે વધુ મૂલ્ય ઉત્પન્ન કરવું, કચરાને દૃશ્યમાન બનાવવું, પરિવર્તનશીલતા ઘટાડવી. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ શિસ્તમાં નવા કેલ્ક્યુલેટર અથવા જાદુઈ ઉકેલ તરીકે નહીં, પરંતુ એક શક્તિશાળી વિચાર અને ડ્રાફ્ટિંગ ભાગીદાર તરીકે પ્રવેશ કરે છે. જ્યારે યોગ્ય રીતે ઉપયોગ કરવામાં આવે છે, ત્યારે તે વેલ્યુ સ્ટ્રીમ મેપિંગ, કચરાના વર્ગીકરણ, રુટ-કોઝ અભ્યાસ અને સુધારણા અહેવાલોને કલાકોથી મિનિટ સુધી ઘટાડે છે. જ્યારે ખોટી રીતે ઉપયોગ કરવામાં આવે છે, ત્યારે તે એવા સૂચનો ઉત્પન્ન કરે છે કે જેણે ક્યારેય ક્ષેત્ર જોયું નથી, જે "કાગળ પર સંપૂર્ણ" છે પરંતુ વાસ્તવિકતામાં અમલ કરી શકાતું નથી. આ યુનિટમાં, તમે લીન મેન્યુફેક્ચરિંગ સાયકલમાં AI ને ક્યાં મૂકવું અને તેના આઉટપુટને કેવી રીતે માન્ય કરવું તે શીખી શકશો.
પ્રક્રિયા સુધારણામાં AI ક્યાં ઊભું છે?
ચાલો સુધારણા પ્રોજેક્ટને ત્રણ સ્તરોમાં વિભાજીત કરીએ: ડેટા સંગ્રહ, વિશ્લેષણ/નિર્ણય, રિપોર્ટિંગ/સંચાર. AI આ સ્તરોમાં વિવિધ વજનમાં મદદ કરે છે.
સ્તર
AI ની ભૂમિકા
માણસની ભૂમિકા
માહિતી સંગ્રહ
સર્વે/ફોર્મ ડિઝાઇન કરે છે અને ડેટા ગોઠવે છે
ક્ષેત્રમાં માપ અને અવલોકન (જેમ્બા)
વિશ્લેષણ/નિર્ણય
પૂર્વધારણાઓ બનાવે છે, પદ્ધતિઓ સૂચવે છે, ગણતરીઓ ડ્રાફ્ટ કરે છે
ડેટા સાથે ચકાસે છે, નિર્ણય લે છે
રિપોર્ટિંગ
A3, પ્રસ્તુતિ, સારાંશ ટેક્સ્ટ ડ્રાફ્ટ લેખક
ચોકસાઈ અને સ્વરને નિયંત્રિત કરે છે
નોંધનીય બાબત એ છે કે AI પોતે ડેટા જનરેટ કરી શકતું નથી. માત્ર ફીલ્ડ માપન જ મશીનનો વાસ્તવિક ચક્ર સમય, ઓપરેટર રાહ જુએ છે તે મિનિટો, મૃત્યુ પરિવર્તન કેટલો સમય લે છે તે આપે છે. AI આ કાચા ડેટાને ગોઠવે છે, અર્થઘટન કરે છે અને ફેરવે છે જે તમે સુધારણા પૂર્વધારણામાં લાવો છો.
ટીપ: હું હંમેશા એઆઈને પૂછું છું "મારે કયા ડેટાની જરૂર છે?" આ પણ પૂછો: સુધારણા શરૂ કરતા પહેલા યોગ્ય માપન યોજનાની સ્થાપના કરવી એ પછીથી ખોટા ડેટા સાથે વિશ્લેષણ કરવા કરતાં ઘણું સસ્તું છે.
સાત કચરો (મુડા) અને એઆઈ દ્વારા વર્ગીકરણ
દુર્બળ ઉત્પાદનના કેન્દ્રમાં કચરો (મુડા) ને દૃશ્યમાન બનાવવું. ક્લાસિક સાત કચરો: વધુ ઉત્પાદન, રાહ જોવી, બિનજરૂરી પરિવહન, ઓવરપ્રોસેસિંગ, ઇન્વેન્ટરી, બિનજરૂરી હિલચાલ અને ભૂલો. ઘણીવાર "અનટેપ્ડ હ્યુમન પોટેન્શિયલ" આઠમા તરીકે ઉમેરવામાં આવે છે. AI આ શ્રેણીઓમાં પ્રક્રિયાના વર્ણનને તોડવા માટે ખૂબ જ ઝડપી છે.
ભૂમિકા: તમે દુર્બળ ઉત્પાદનમાં અનુભવી ઔદ્યોગિક એન્જિનિયર છો. કાર્ય: નીચેની પ્રક્રિયાના વર્ણનને 7 કચરો (મુડા) શ્રેણીઓમાં વિભાજીત કરો. દરેક નિર્ધારણ માટે: (1) કચરાના પ્રકાર, (2) પુરાવા વાક્ય, (3) મેટ્રિક મારે માપવાની જરૂર છે, (4) શક્ય ઝડપી સુધારો. પ્રક્રિયાનું વર્ણન: """એસેમ્બલી લાઇન પર, ઓપરેટર ભાગ લેવા માટે દરેક ચક્રમાં 6 મીટર ચાલે છે. સરેરાશ 40 મિનિટ માટે પેઇન્ટ બૂથની સામે એક કતાર રચાય છે. લગભગ એક પાળીમાં 12 ભાગોની પુનઃપ્રક્રિયા કરવામાં આવશે. ઇન્ટરમીડિયાહાઉસ વેરમાં 3 દિવસની અર્ધ-તૈયાર ઉત્પાદનો એકઠા થાય છે.
આ પ્રોમ્પ્ટની શક્તિ એ છે કે તે આઉટપુટને માપી શકાય તેવું બનાવે છે. "ત્યાં બિનજરૂરી હિલચાલ છે" એમ કહેવું પૂરતું નથી; એવું કહેવું શક્ય હોવું જોઈએ કે "ઓપરેટર પ્રતિ ચક્ર 6 મીટર ચાલે છે, દિવસ દીઠ X ચક્રમાં કુલ Y મીટર." AI એ પુરાવા નિવેદન અને માપવા માટેનું મેટ્રિક દર્શાવે છે, તમે તેને ફીલ્ડમાં માપો અને નંબરને પ્લગ કરો.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
આ ઉત્પાદન લાઇનમાં કચરાને નામ આપો.
આ શ્રેણીઓ વિના, પુરાવા વિના અને માપ વિના યાદી બનાવે છે; મોટે ભાગે, સામાન્ય શબ્દસમૂહો "અતિશય સ્ટોક હોઈ શકે છે, ત્યાં રાહ જોવાનો સમય હોઈ શકે છે" પુનરાવર્તિત થાય છે.
શક્તિશાળી પ્રોમ્પ્ટ:
આ પ્રક્રિયાના ડેટાને કચરાની 7 શ્રેણીઓમાં વિભાજીત કરો, દરેક માટે પુરાવા નિવેદન, મારે માપવા જોઈએ તે મેટ્રિક અને અંદાજિત અસર પ્રદાન કરો. અસરને "નીચા/મધ્યમ/ઉચ્ચ" તરીકે વર્ગીકૃત કરો અને તર્ક લખો. ડેટા: {{ ... }}
તફાવત એ છે કે આઉટપુટ સીધા જ એક્શન પ્લાનમાં અનુવાદ કરી શકે છે. બીજો પ્રોમ્પ્ટ પ્રાધાન્યવાળું, માપી શકાય તેવું કોષ્ટક આપે છે.
AI સાથે DMAIC સાયકલને ઝડપી બનાવવી
સિક્સ સિગ્માનું DMAIC ફ્રેમવર્ક (વ્યાખ્યાય-માપ-વિશ્લેષણ-સુધારો-નિયંત્રણ) સુધારણા પ્રોજેક્ટ્સમાં સામાન્ય ભાષા છે. AI દરેક તબક્કે અલગ રીતે મદદ કરે છે:
- વ્યાખ્યાયિત કરો: ડ્રાફ્ટ સમસ્યા વ્યાખ્યા, પ્રોજેક્ટ સ્કોપ (SIPOC), અને હેતુ નિવેદન.
- માપ: માપન યોજના, ડેટા સંગ્રહ ફોર્મ, નમૂના કદ તર્ક.
- વિશ્લેષણ કરો: પૂર્વધારણાઓની સૂચિ, ફિશબોન્સ (ઈશિકાવા), સંભવિત મૂળ કારણો.
- સુધારો: ઉકેલના વિકલ્પો, ECRS (એલિમિનેટ-કમ્બાઈન-રીએરેન્જ-સરળ) સૂચનો.
- નિયંત્રણ: ડ્રાફ્ટ કંટ્રોલ પ્લાન, સ્ટાન્ડર્ડ વર્ક ઇન્સ્ટ્રક્શન અને મોનિટરિંગ KPI.
નીચેની સમસ્યા માટે ઇશિકાવા (હેરિંગબોન) હાડપિંજર બનાવો. સમસ્યા: "CNC મશીન પર સપાટીની ખરબચડી લક્ષ્યથી ઉપર છે." શ્રેણીઓ: મશીન, પદ્ધતિ, સામગ્રી, માનવ, માપન, પર્યાવરણ (6M). દરેક શ્રેણી હેઠળ 3-4 સંભવિત કારણો લખો અને દરેક કારણને ચકાસવા માટે મારે કયો ડેટા એકત્રિત કરવો જોઈએ તે સૂચવો.
અહીંનો સુવર્ણ નિયમ અચળ રહે છે: AI દ્વારા સૂચવવામાં આવેલ દરેક મૂળ કારણ એ પૂર્વધારણા છે, પુરાવા નથી. સપાટીની ખરબચડીનું કારણ "કટિંગ ટૂલ વેર" હોઈ શકે છે અથવા ન પણ હોઈ શકે; માત્ર સાધન જીવન ડેટા અને પ્રયોગ આની પુષ્ટિ કરે છે.
સાવધાન: AI કેટલીકવાર કારણોની સાંકળો બનાવે છે જે ખૂબ જ બુદ્ધિગમ્ય લાગે છે પરંતુ જમીન પર ખોટા હોય છે. ઉદાહરણ તરીકે, "ઓપરેટરની ભૂલ" કહેવું સહેલું છે અને તે ઘણીવાર અયોગ્ય છે. મનુષ્યો પર મૂળ કારણને દોષી ઠેરવતા પહેલા ડેટા સાથે પ્રણાલીગત કારણો (પદ્ધતિઓ, સાધનો, માપન) દૂર કરો.
મિની કેસ: મોલ્ડ ચેન્જ ટાઈમ શોર્ટનિંગ (SMED)
પ્લાસ્ટિક ઈન્જેક્શન વર્કશોપમાં મોલ્ડ ફેરફારો સરેરાશ 55 મિનિટ લે છે, અને આનાથી નાના બેચમાં ભારે નુકસાન થાય છે. ઔદ્યોગિક ઇજનેર ડેનિઝ ચેન્જઓવર પ્રક્રિયાની વિડિયો ટેપ કરે છે અને તબક્કાવાર સમયની ગણતરી કરે છે (આ ડેટા ફીલ્ડમાંથી આવે છે). તે પછી એઆઈને પગલાં અને તેમના સમયની સૂચિ આપે છે:
SMED પદ્ધતિ અનુસાર આ ઘાટ બદલવાના પગલાંને "આંતરિક" (મશીન બંધ હોય ત્યારે કરી શકાય છે) અને "બાહ્ય" (મશીન ચાલુ હોય ત્યારે કરી શકાય છે) તરીકે વર્ગીકૃત કરો. આંતરિક પગલાઓને ચિહ્નિત કરો કે જે બહારના પગલાઓ પર ખસેડી શકાય છે અને દરેક માટે પ્રારંભિક તૈયારી સૂચન લખો. પગલાં અને અવધિ: {{ સૂચિ }}
AI એ "મશીનમાં નવો ઘાટ લાવવો" અને "બોલ્ટ તૈયાર કરવા" જેવા પગલાંને બાહ્ય કામ માટે પોર્ટેબલ તરીકે ચિહ્નિત કરે છે, કામચલાઉ કાર્ટનું સૂચન કરે છે. ડેનિઝ ક્ષેત્રમાં આ દરખાસ્તનું પરીક્ષણ કરી રહ્યું છે; તે ખરેખર લાગુ પડે છે તે પ્રમાણિત કરે છે. પરિણામે, પરિવર્તનનો સમય 55 મિનિટથી ઘટીને 32 મિનિટ થાય છે. નિર્ણાયક મુદ્દો: AI એ યોજનાને વેગ આપ્યો, પરંતુ તે ક્ષેત્ર પરીક્ષણ અને માનકીકરણ હતું જેણે ખરેખર સમય ઘટાડ્યો.
સામાન્ય ભૂલો
- ગેમ્બાને બાયપાસ કરવું: ક્ષેત્રમાં AI આઉટપુટનું અવલોકન કર્યા વિના તેનો અમલ કરવો. તે સરળ "જાઓ અને જુઓ" સિદ્ધાંત પર આધારિત છે.
- બનાવેલા નંબરો પર આધાર રાખવો: AI કેટલીકવાર અસ્તિત્વમાં ન હોય તેવા નંબરો ઉત્પન્ન કરે છે, જેમ કે "સાયકલ સમય લગભગ 45 સેકન્ડ છે." દરેક સંખ્યા માપન દ્વારા સમર્થિત હોવી જોઈએ.
- મનુષ્યો પર મૂળ કારણને દોષી ઠેરવવું: મનમાં જે પ્રથમ સમજૂતી આવે છે તે સ્વીકારવી એ "બેદરકારી" છે; પ્રણાલીગત કારણોની તપાસ કરતા નથી.
- એક જ ઉકેલમાં તાળું મારવું: એઆઈનું પ્રથમ સૂચન એકમાત્ર વિકલ્પ છે તેવું વિચારીને. ઓછામાં ઓછા 2-3 વિકલ્પો બનાવો અને અવરોધો અનુસાર તેમની તુલના કરો.
- નિયંત્રણ તબક્કાને ભૂલી જવું: સુધારણા કરવી અને પ્રમાણભૂત વ્યવસાય સ્થાપિત કર્યા વિના અને KPIs પર દેખરેખ રાખ્યા વિના તેને છોડી દેવો; પ્રક્રિયા તેની પાછલી સ્થિતિમાં પાછી આવે છે.
સારાંશમાં
- AI ઔદ્યોગિક એન્જિનિયરિંગમાં ડેટા ઉત્પન્ન કરતું નથી; તે તમે લાવેલા ડેટાને ગોઠવે છે, તેનું અર્થઘટન કરે છે અને તેને સુધારણા પૂર્વધારણામાં ફેરવે છે.
- સાત કચરાનું વર્ગીકરણ કરતી વખતે આઉટપુટને માપી શકાય તેવું બનાવો: પુરાવા નિવેદન + માપવા માટે મેટ્રિક માટે પૂછો.
- DMAIC ના દરેક તબક્કે ડ્રાફ્ટ જનરેટર તરીકે AI નો ઉપયોગ કરો, પરંતુ ડેટા સાથે હંમેશા મૂળ કારણોની ચકાસણી કરો.
- SMED જેવી તકનીકોમાં, AI યોજનાને ઝડપી બનાવે છે; જે ખરેખર સમય ઘટાડે છે તે ક્ષેત્ર પરીક્ષણ અને માનકીકરણ છે.
- ગેમ્બાને અવગણવું, બનાવેલા આંકડાઓ પર આધાર રાખવો અને તપાસના તબક્કાને ભૂલી જવું એ સૌથી મોંઘી ભૂલો છે.
એપ્લિકેશન કાર્ય
તમારા પોતાના કાર્યસ્થળમાંથી પ્રક્રિયા પસંદ કરો (અથવા વાસ્તવિક ઉત્પાદન/સેવા પ્રક્રિયા તમે જાણો છો). પ્રથમ, 5-10 મિનિટ માટે ક્ષેત્રનું અવલોકન કરો અને વાસ્તવિક પગલાં અને અંદાજિત સમય નોંધો. પછી AI ને આ યુનિટમાં “7 વેસ્ટ વર્ગીકરણ” પાવર પ્રોમ્પ્ટનો ઉપયોગ કરીને પ્રક્રિયાનું વિશ્લેષણ કરવા કહો. આઉટપુટમાં કચરાના પ્રત્યેક શોધ માટે: (a) તમારા અવલોકન સાથે તુલના કરો કે શું પુરાવા ખરેખર સચોટ છે, (b) ઓછામાં ઓછા એક મેટ્રિકને ઓળખો જે માપવા જોઈએ, (c) એક ઝડપી સુધારણા સૂચન પસંદ કરો અને તેનું મૂલ્યાંકન "અંદર/બહારની નોકરી" અથવા "ECRS" તર્ક સાથે કરો. છેલ્લે, એક ઉદાહરણ શોધો કે જ્યાં AI દ્વારા નિર્ધારિત કરવામાં આવેલ નિર્ધારણ ક્ષેત્રમાં ખોટું થયું (અથવા ચકાસી શકાયું નથી) અને એક વાક્યમાં લખો કે તે કેમ ખોટું હતું.