Guadagni:
- Capacità di determinare dove utilizzare l'intelligenza artificiale nella produzione snella e nei cicli di miglioramento dei processi
- Capacità di accelerare la mappatura del flusso di valore, l'analisi dei rifiuti e le fasi DMAIC con istruzioni strutturate
- Capacità di applicare la disciplina di validazione delle raccomandazioni dell'IA con dati sul campo e osservazione gemba
L’ingegneria industriale è essenzialmente una disciplina del “fare meglio”: produrre più valore con le stesse risorse, rendere visibili i rifiuti, ridurre la variabilità. L’intelligenza artificiale entra in questa disciplina non come un nuovo calcolatore o una soluzione magica, ma come un potente partner di pensiero e di disegno. Se utilizzato correttamente, riduce da ore a minuti la mappatura del flusso di valore, la classificazione dei rifiuti, gli studi sulle cause principali e i rapporti di miglioramento. Se usato in modo errato, produce suggestioni mai viste sul campo, “perfette sulla carta” ma non realizzabili nella realtà. In questa unità imparerai dove collocare l'intelligenza artificiale nel ciclo di produzione snella e come convalidarne i risultati.
Dove si colloca l’intelligenza artificiale nel miglioramento dei processi?
Dividiamo un progetto di miglioramento in tre livelli: raccolta dati, analisi/decisione, reporting/comunicazione. L'intelligenza artificiale aiuta con pesi diversi in questi strati.
strato
Il ruolo dell'intelligenza artificiale
il ruolo dell'uomo
raccolta dati
Progetta il sondaggio/modulo e organizza i dati
Misura e osserva sul campo (gemba)
analisi/decisione
Genera ipotesi, suggerisce metodi, abbozza calcoli
Verifica con i dati, prende la decisione
Segnalazione
A3, presentazione, bozza di testo riassuntivo
Controlla la precisione e il tono
La cosa da notare è che l’intelligenza artificiale non può generare i dati da sola. Solo la misurazione sul campo fornisce il tempo ciclo effettivo di una macchina, i minuti di attesa di un operatore, quanto tempo impiega un cambio stampo. L'intelligenza artificiale organizza, interpreta e trasforma questi dati grezzi che porti in un'ipotesi di miglioramento.
Suggerimento: chiedo sempre all’IA “di quali dati ho bisogno?” Chiedersi inoltre: stabilire il piano di misurazione corretto prima di iniziare il miglioramento è molto più economico che eseguire successivamente un'analisi con dati errati.
Sette rifiuti (Muda) e classificazione tramite AI
Rendere visibili i rifiuti (muda) è il cuore della produzione snella. I classici sette sprechi: sovrapproduzione, attesa, trasporto non necessario, lavorazione eccessiva, inventario, movimento non necessario ed errori. Spesso il "potenziale umano non sfruttato" viene aggiunto come ottavo. L’intelligenza artificiale è molto veloce nel scomporre la narrazione del processo in queste categorie.
Ruolo: sei un ingegnere industriale esperto nella produzione snella. Compito: dividere la seguente descrizione del processo in 7 categorie di rifiuti (muda). Per ciascuna determinazione: (1) tipo di rifiuto, (2) frase di prova, (3) metrica che devo misurare, (4) possibile miglioramento rapido. Descrizione del processo: """Sulla catena di montaggio, l'operatore percorre 6 metri in ogni ciclo per ritirare il pezzo. Davanti alla cabina di verniciatura si forma una coda per una media di 40 minuti. Circa in un turno verranno rilavorati 12 pezzi. 3 giorni di semilavorati si accumulano nel magazzino intermedio.
La potenza di questo prompt è che rende misurabile l'output. Non basta dire “c’è movimento non necessario”; Dovrebbe essere possibile dire "l'operatore cammina 6 metri per ciclo, totale Y metri in X cicli al giorno". L'intelligenza artificiale indica la dichiarazione di prova e la metrica da misurare, la misuri sul campo e inserisci il numero.
Prompt debole / Prompt forte
Suggerimento debole:
Dai un nome ai rifiuti in questa linea di produzione.
Ciò produce un elenco senza categorie, senza prove e senza misura; Molto probabilmente, si ripetono le frasi comuni "potrebbe esserci stock in eccesso, potrebbe esserci un periodo di attesa".
Suggerimento potente:
Dividere questi dati di processo in 7 categorie di rifiuti, fornire la dichiarazione di prova per ciascuna, la metrica che dovrei misurare e l'impatto stimato. Classificare l'impatto come "basso/medio/alto" e scriverne la motivazione. Dati: {{ ... }}
La differenza è che i risultati possono tradursi direttamente in un piano d’azione. Il secondo prompt fornisce una tabella misurabile con priorità.
Accelerare il ciclo DMAIC con l'intelligenza artificiale
Il framework DMAIC (Define-Measure-Analyze-Improve-Control) di Six Sigma è un linguaggio comune nei progetti di miglioramento. L’intelligenza artificiale aiuta in modo diverso in ogni fase:
- Definire: bozza di definizione del problema, ambito del progetto (SIPOC) e dichiarazione di scopo.
- Misura: piano di misurazione, modulo di raccolta dati, logica della dimensione del campione.
- Analizzare: elenco di ipotesi, lische di pesce (Ishikawa), possibili cause profonde.
- Miglioramento: soluzioni alternative, suggerimenti ECRS (Elimina-Combina-Riorganizza-Semplifica).
- Controllo: bozza del piano di controllo, istruzioni di lavoro standard e KPI di monitoraggio.
Crea uno scheletro di Ishikawa (a spina di pesce) per il seguente problema. Problema: "La rugosità superficiale sulla macchina CNC è superiore al target." Categorie: Macchina, Metodo, Materiale, Umano, Misurazione, Ambiente (6M). Scrivi 3-4 possibili cause sotto ciascuna categoria e indica quali dati dovrei raccogliere per testare ciascuna causa.
La regola d’oro qui rimane costante: ogni causa suggerita dall’intelligenza artificiale è un’ipotesi, non una prova. La causa della rugosità superficiale può essere o meno l'"usura degli utensili da taglio"; Solo i dati sulla durata dell'utensile e gli esperimenti lo confermano.
Attenzione: l’intelligenza artificiale a volte costruisce catene di ragioni che sembrano molto plausibili ma che in realtà sono sbagliate. Ad esempio, è facile dire “errore dell'operatore” e spesso è ingiusto. Eliminare le cause sistemiche (metodi, attrezzature, misurazioni) con i dati prima di attribuire la causa principale agli esseri umani.
Mini Case: riduzione dei tempi di cambio stampo (SMED)
Il cambio dello stampo in un'officina di iniezione plastica richiede in media 55 minuti e ciò crea grandi perdite in piccoli lotti. L'ingegnere industriale Deniz filma il processo di cambio e calcola i tempi passo dopo passo (questi dati provengono dal campo). Quindi fornisce all'IA l'elenco dei passaggi e i relativi tempi:
Classificare queste fasi di cambio stampo come "interne" (possono essere eseguite mentre la macchina è ferma) ed "esterne" (possono essere eseguite mentre la macchina è in funzione) secondo il metodo SMED. Segna i passaggi interni che possono essere spostati verso quelli esterni e scrivi un suggerimento preliminare per la preparazione per ciascuno. Passaggi e durate: {{ list }}
L’intelligenza artificiale contrassegna passaggi come “portare il nuovo stampo sulla macchina” e “preparare i bulloni” come trasportabili per il lavoro esterno, suggerendo un carrello improvvisato. Deniz sta testando questa proposta sul campo; standardizza ciò che è veramente applicabile. Di conseguenza, il tempo di commutazione diminuisce da 55 minuti a 32 minuti. Il punto critico: l’intelligenza artificiale ha accelerato il piano, ma sono stati i test sul campo e la standardizzazione a ridurre davvero i tempi.
Errori comuni
- Bypassare Gemba: implementare l'output dell'intelligenza artificiale senza osservarlo sul campo. Si basa sul semplice principio “vai e vedi”.
- Affidarsi a numeri inventati: l'intelligenza artificiale a volte produce numeri inesistenti, come "il tempo di ciclo è di circa 45 secondi". Ogni numero deve essere supportato dalla misurazione.
- Incolpare la causa principale sugli esseri umani: accettare la prima spiegazione che mi viene in mente è "disattenzione"; Non indagare sulle cause sistemiche.
- Bloccare un’unica soluzione: pensare che il primo suggerimento dell’intelligenza artificiale sia l’unica opzione. Genera almeno 2-3 alternative e confrontale in base ai vincoli.
- Dimenticare la fase di controllo: apportare il miglioramento e abbandonarlo senza stabilire standard di business e monitorare i KPI; Il processo ritorna allo stato precedente.
In sintesi
- L’intelligenza artificiale non produce dati nell’ingegneria industriale; Organizza i dati che porti, li interpreta e li trasforma in ipotesi di miglioramento.
- Rendere misurabile il risultato quando si classificano i sette rifiuti: chiedere una dichiarazione di prova + metrica da misurare.
- Utilizza l'intelligenza artificiale come generatore di bozze in ogni fase di DMAIC, ma verifica sempre le cause principali con i dati.
- In tecniche come SMED, l’intelligenza artificiale accelera il piano; Ciò che riduce davvero i tempi sono i test sul campo e la standardizzazione.
- Saltare Gemba, affidarsi a cifre inventate e dimenticare la fase di verifica sono gli errori più costosi.
Compito dell'applicazione
Scegli un processo dal tuo posto di lavoro (o un processo di produzione/servizio realistico che conosci). Innanzitutto, osserva il campo per 5-10 minuti e annota i passaggi effettivi e i tempi stimati. Quindi chiedi all'intelligenza artificiale di analizzare il processo utilizzando il messaggio di potenza "7 classificazione dei rifiuti" in questa unità. Per ogni rilevamento di sprechi nell'output: (a) confronta con la tua osservazione se le prove sono effettivamente accurate, (b) identifica almeno una metrica che dovrebbe essere misurata, (c) seleziona un suggerimento di miglioramento rapido e valutalo con una logica "lavoro interno/esterno" o "ECRS". Infine, trova un esempio in cui una determinazione prodotta dall’IA si è rivelata sbagliata (o non ha potuto essere verificata) sul campo e scrivi in una frase perché era sbagliata.