लाभ:
- यह निर्धारित करने की क्षमता कि दुबले विनिर्माण और प्रक्रिया सुधार चक्रों में एआई का उपयोग कहां किया जाए
- संरचित संकेतों के साथ मूल्य स्ट्रीम मानचित्र, अपशिष्ट विश्लेषण और डीएमएआईसी चरणों में तेजी लाने की क्षमता
- फ़ील्ड डेटा और गेम्बा अवलोकन के साथ एआई अनुशंसाओं को मान्य करने के अनुशासन को लागू करने की क्षमता
औद्योगिक इंजीनियरिंग अनिवार्य रूप से एक "बेहतर करने" वाला अनुशासन है: समान संसाधनों के साथ अधिक मूल्य का उत्पादन करना, अपशिष्ट को दृश्यमान बनाना, परिवर्तनशीलता को कम करना। कृत्रिम बुद्धिमत्ता इस अनुशासन में एक नए कैलकुलेटर या जादुई समाधान के रूप में नहीं, बल्कि एक शक्तिशाली सोच और मसौदा तैयार करने वाले भागीदार के रूप में प्रवेश करती है। जब सही ढंग से उपयोग किया जाता है, तो यह मूल्य स्ट्रीम मैपिंग, अपशिष्ट वर्गीकरण, मूल कारण अध्ययन और सुधार रिपोर्ट को घंटों से मिनटों में कम कर देता है। जब गलत तरीके से उपयोग किया जाता है, तो यह ऐसे सुझाव उत्पन्न करता है जिन्हें कभी क्षेत्र में नहीं देखा गया है, जो "कागज पर बिल्कुल सही" हैं लेकिन वास्तविकता में लागू नहीं किए जा सकते हैं। इस इकाई में, आप सीखेंगे कि लीन विनिर्माण चक्र में एआई को कहां रखा जाए और इसके आउटपुट को कैसे मान्य किया जाए।
प्रक्रिया सुधार में AI कहाँ खड़ा है?
आइए एक सुधार परियोजना को तीन परतों में विभाजित करें: डेटा संग्रह, विश्लेषण/निर्णय, रिपोर्टिंग/संचार। एआई इन परतों में अलग-अलग वजन के साथ मदद करता है।
परत
एआई की भूमिका
आदमी की भूमिका
डेटा संग्रह
सर्वेक्षण/फ़ॉर्म डिज़ाइन करता है और डेटा व्यवस्थित करता है
क्षेत्र में उपाय और अवलोकन (जेम्बा)
विश्लेषण/निर्णय
परिकल्पनाएँ बनाता है, तरीके सुझाता है, गणनाएँ तैयार करता है
डेटा के साथ सत्यापन करता है, निर्णय लेता है
रिपोर्टिंग
ए3, प्रस्तुति, सारांश पाठ मसौदा लेखक
सटीकता और टोन को नियंत्रित करता है
ध्यान देने वाली बात यह है कि AI स्वयं डेटा उत्पन्न नहीं कर सकता है। केवल फ़ील्ड माप ही मशीन का वास्तविक चक्र समय बताता है, ऑपरेटर कितने मिनट प्रतीक्षा करता है, पासा बदलने में कितना समय लगता है। एआई आपके द्वारा लाए गए इस कच्चे डेटा को एक सुधार परिकल्पना में व्यवस्थित, व्याख्या और परिवर्तित करता है।
युक्ति: मैं हमेशा AI से पूछता हूं "मुझे किस डेटा की आवश्यकता है?" यह भी पूछें: सुधार शुरू करने से पहले सही माप योजना स्थापित करना बाद में गलत डेटा के साथ विश्लेषण करने की तुलना में बहुत सस्ता है।
सात अपशिष्ट (मुडा) और एआई द्वारा वर्गीकरण
अपशिष्ट (मुडा) को दृश्यमान बनाना दुबले उत्पादन के केंद्र में है। क्लासिक सात बर्बादियाँ: अतिउत्पादन, प्रतीक्षा, अनावश्यक परिवहन, अतिप्रसंस्करण, इन्वेंट्री, अनावश्यक गति और त्रुटियाँ। अक्सर "अप्रयुक्त मानव क्षमता" को आठवें के रूप में जोड़ा जाता है। एआई किसी प्रक्रिया कथा को इन श्रेणियों में विभाजित करने में बहुत तेज़ है।
भूमिका: आप एक औद्योगिक इंजीनियर हैं जो लीन मैन्युफैक्चरिंग में अनुभवी हैं। कार्य: निम्नलिखित प्रक्रिया विवरण को 7 अपशिष्ट (मुडा) श्रेणियों में विभाजित करें। प्रत्येक निर्धारण के लिए: (1) अपशिष्ट का प्रकार, (2) साक्ष्य वाक्य, (3) मीट्रिक मुझे मापने की आवश्यकता है, (4) संभावित त्वरित सुधार। प्रक्रिया विवरण: """असेंबली लाइन पर, ऑपरेटर भाग लेने के लिए प्रत्येक चक्र में 6 मीटर चलता है। पेंट बूथ के सामने औसतन 40 मिनट तक कतार लगती है। लगभग एक शिफ्ट में 12 भागों को पुन: संसाधित किया जा रहा है। मध्यवर्ती गोदाम में 3 दिनों के अर्ध-तैयार उत्पाद जमा होते हैं।
इस प्रॉम्प्ट की शक्ति यह है कि यह आउटपुट को मापने योग्य बनाता है। यह कहना पर्याप्त नहीं है कि "अनावश्यक हलचल है"; यह कहना संभव होना चाहिए कि "ऑपरेटर प्रति चक्र 6 मीटर चलता है, प्रति दिन X चक्र में कुल Y मीटर।" एआई साक्ष्य विवरण और मापने के लिए मीट्रिक को इंगित करता है, आप इसे फ़ील्ड में मापते हैं और संख्या प्लग करते हैं।
कमजोर संकेत/मजबूत संकेत
कमजोर संकेत:
इस उत्पादन लाइन में अपशिष्ट का नाम बताइए।
यह बिना श्रेणियों, बिना सबूत और बिना माप के एक सूची तैयार करता है; सबसे अधिक संभावना है, सामान्य वाक्यांश "अतिरिक्त स्टॉक हो सकता है, प्रतीक्षा अवधि हो सकती है" दोहराए जाते हैं।
शक्तिशाली संकेत:
इस प्रक्रिया डेटा को कचरे की 7 श्रेणियों में विभाजित करें, प्रत्येक के लिए साक्ष्य विवरण, मुझे मापने योग्य मीट्रिक और अनुमानित प्रभाव प्रदान करें। प्रभाव को "निम्न/मध्यम/उच्च" के रूप में वर्गीकृत करें और तर्क लिखें। डेटा: {{ ... }}
अंतर यह है कि आउटपुट सीधे एक कार्य योजना में तब्दील हो सकता है। दूसरा संकेत एक प्राथमिकताकृत, मापने योग्य तालिका देता है।
AI के साथ DMAIC चक्र को तेज़ करना
सिक्स सिग्मा का डीएमएआईसी ढांचा (परिभाषित-माप-विश्लेषण-सुधार-नियंत्रण) सुधार परियोजनाओं में एक आम भाषा है। एआई प्रत्येक चरण में अलग-अलग तरह से मदद करता है:
- परिभाषित करें: ड्राफ्ट समस्या परिभाषा, प्रोजेक्ट स्कोप (एसआईपीओसी), और उद्देश्य विवरण।
- माप: माप योजना, डेटा संग्रह प्रपत्र, नमूना आकार तर्क।
- विश्लेषण करें: परिकल्पनाओं की सूची, फिशबोन (इशिकावा), संभावित मूल कारण।
- सुधारें: समाधान विकल्प, ईसीआरएस (उन्मूलन-संयोजन-पुनर्व्यवस्थित-सरलीकरण) सुझाव।
- नियंत्रण: ड्राफ्ट नियंत्रण योजना, मानक कार्य निर्देश और KPI की निगरानी।
निम्नलिखित समस्या के लिए एक इशिकावा (हेरिंगबोन) कंकाल बनाएं। समस्या: "सीएनसी मशीन पर सतह का खुरदरापन लक्ष्य से ऊपर है।" श्रेणियाँ: मशीन, विधि, सामग्री, मानव, माप, पर्यावरण (6एम)। प्रत्येक श्रेणी के अंतर्गत 3-4 संभावित कारण लिखें और बताएं कि प्रत्येक कारण का परीक्षण करने के लिए मुझे कौन सा डेटा एकत्र करना चाहिए।
यहां सुनहरा नियम स्थिर रहता है: एआई द्वारा सुझाया गया प्रत्येक मूल कारण एक परिकल्पना है, सबूत नहीं। सतह के खुरदरेपन का कारण "कटिंग टूल घिसाव" हो भी सकता है और नहीं भी; केवल टूल लाइफ डेटा और प्रयोग ही इसकी पुष्टि करते हैं।
सावधानी: एआई कभी-कभी ऐसे कारणों की शृंखला तैयार करता है जो बहुत प्रशंसनीय लगते हैं लेकिन जमीनी स्तर पर गलत होते हैं। उदाहरण के लिए, "ऑपरेटर त्रुटि" कहना आसान है और अक्सर अनुचित होता है। मनुष्यों पर मूल कारण को दोष देने से पहले डेटा के साथ प्रणालीगत कारणों (तरीकों, उपकरण, माप) को हटा दें।
मिनी केस: मोल्ड बदलने का समय छोटा करना (एसएमईडी)
प्लास्टिक इंजेक्शन कार्यशाला में मोल्ड परिवर्तन में औसतन 55 मिनट लगते हैं, और इससे छोटे बैचों में बड़ा नुकसान होता है। औद्योगिक इंजीनियर डेनिज़ परिवर्तन प्रक्रिया की वीडियोटेप करते हैं और चरण-दर-चरण समय की गणना करते हैं (यह डेटा फ़ील्ड से आता है)। इसके बाद यह एआई को चरणों की सूची और उनका समय देता है:
एसएमईडी विधि के अनुसार इन मोल्ड परिवर्तन चरणों को "आंतरिक" (मशीन बंद होने पर किया जा सकता है) और "बाहरी" (मशीन चलने पर किया जा सकता है) के रूप में वर्गीकृत करें। उन आंतरिक चरणों को चिह्नित करें जिन्हें बाहरी चरणों में ले जाया जा सकता है और प्रत्येक के लिए प्रारंभिक तैयारी सुझाव लिखें। चरण और अवधि: {{ सूची }}
एआई "मशीन में नया साँचा लाना" और "बोल्ट तैयार करना" जैसे चरणों को बाहरी काम के लिए पोर्टेबल के रूप में चिह्नित करता है, एक अस्थायी गाड़ी का सुझाव देता है। डेनिज़ क्षेत्र में इस प्रस्ताव का परीक्षण कर रहा है; यह उस चीज़ का मानकीकरण करता है जो वास्तव में लागू है। परिणामस्वरूप, बदलाव का समय 55 मिनट से घटकर 32 मिनट हो जाता है। महत्वपूर्ण बिंदु: एआई ने योजना को गति दी, लेकिन यह क्षेत्र परीक्षण और मानकीकरण था जिसने वास्तव में समय कम कर दिया।
सामान्य गलतियाँ
- गेम्बा को दरकिनार करना: एआई आउटपुट को क्षेत्र में देखे बिना लागू करना। यह सरल "जाओ और देखो" सिद्धांत पर आधारित है।
- बनी-बनाई संख्याओं पर भरोसा करना: एआई कभी-कभी गैर-मौजूद संख्याएं उत्पन्न करता है, जैसे "चक्र का समय लगभग 45 सेकंड है।" प्रत्येक संख्या माप द्वारा समर्थित होनी चाहिए।
- मूल कारण का दोष मनुष्य पर मढ़ना: मन में आने वाली पहली व्याख्या "लापरवाही" को स्वीकार करना; प्रणालीगत कारणों की जांच नहीं करना।
- एकल समाधान में ताला लगाना: यह सोचना कि एआई का पहला सुझाव ही एकमात्र विकल्प है। कम से कम 2-3 विकल्प उत्पन्न करें और बाधाओं के अनुसार उनकी तुलना करें।
- नियंत्रण चरण को भूल जाना: सुधार करना और मानक व्यवसाय स्थापित किए बिना और KPI की निगरानी किए बिना इसे छोड़ देना; प्रक्रिया अपनी पिछली स्थिति में वापस आ जाती है।
संक्षेप में
- एआई औद्योगिक इंजीनियरिंग में डेटा का उत्पादन नहीं करता है; यह आपके द्वारा लाए गए डेटा को व्यवस्थित करता है, उसकी व्याख्या करता है और उसे एक सुधार परिकल्पना में बदल देता है।
- सात अपशिष्टों को वर्गीकृत करते समय आउटपुट को मापने योग्य बनाएं: साक्ष्य विवरण + मापने के लिए मीट्रिक के लिए पूछें।
- DMAIC के प्रत्येक चरण में ड्राफ्ट जनरेटर के रूप में AI का उपयोग करें, लेकिन हमेशा डेटा के साथ मूल कारणों को सत्यापित करें।
- एसएमईडी जैसी तकनीकों में एआई योजना को गति देता है; क्षेत्र परीक्षण और मानकीकरण वास्तव में समय को कम करता है।
- गेम्बा को छोड़ना, मनगढ़ंत आंकड़ों पर भरोसा करना और जाँच चरण को भूल जाना सबसे महंगी गलतियाँ हैं।
आवेदन कार्य
अपने कार्यस्थल से एक प्रक्रिया चुनें (या एक यथार्थवादी उत्पादन/सेवा प्रक्रिया जिसे आप जानते हैं)। सबसे पहले, 5-10 मिनट के लिए फ़ील्ड का निरीक्षण करें और वास्तविक चरणों और अनुमानित समय को नोट करें। फिर एआई से इस इकाई में "7 अपशिष्ट वर्गीकरण" पावर प्रॉम्प्ट का उपयोग करके प्रक्रिया का विश्लेषण करने को कहें। आउटपुट में अपशिष्ट के प्रत्येक पता लगाने के लिए: (ए) अपने अवलोकन से तुलना करें कि क्या सबूत वास्तव में सटीक है, (बी) कम से कम एक मीट्रिक की पहचान करें जिसे मापा जाना चाहिए, (सी) एक त्वरित सुधार सुझाव का चयन करें और "अंदर / बाहर की नौकरी" या "ईसीआरएस" तर्क के साथ इसका मूल्यांकन करें। अंत में, एक उदाहरण ढूंढें जहां एआई द्वारा उत्पादित एक निर्धारण क्षेत्र में गलत निकला (या सत्यापित नहीं किया जा सका) और एक वाक्य में लिखें कि यह गलत क्यों था।