ಲಾಭಗಳು:
- ನೇರ ಉತ್ಪಾದನೆ ಮತ್ತು ಪ್ರಕ್ರಿಯೆ ಸುಧಾರಣೆ ಚಕ್ರಗಳಲ್ಲಿ AI ಅನ್ನು ಎಲ್ಲಿ ಬಳಸಬೇಕೆಂದು ನಿರ್ಧರಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಮೌಲ್ಯದ ಸ್ಟ್ರೀಮ್ ನಕ್ಷೆ, ತ್ಯಾಜ್ಯ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ರಚನಾತ್ಮಕ ಪ್ರಾಂಪ್ಟ್ಗಳೊಂದಿಗೆ DMAIC ಹಂತಗಳನ್ನು ವೇಗಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಕ್ಷೇತ್ರ ಡೇಟಾ ಮತ್ತು ಗೆಂಬಾ ವೀಕ್ಷಣೆಯೊಂದಿಗೆ AI ಶಿಫಾರಸುಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಶಿಸ್ತನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ
ಇಂಡಸ್ಟ್ರಿಯಲ್ ಇಂಜಿನಿಯರಿಂಗ್ ಮೂಲಭೂತವಾಗಿ "ಉತ್ತಮ ಮಾಡುವುದು" ಶಿಸ್ತು: ಅದೇ ಸಂಪನ್ಮೂಲಗಳೊಂದಿಗೆ ಹೆಚ್ಚಿನ ಮೌಲ್ಯವನ್ನು ಉತ್ಪಾದಿಸುವುದು, ತ್ಯಾಜ್ಯವನ್ನು ಗೋಚರಿಸುವಂತೆ ಮಾಡುವುದು, ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಶಿಸ್ತನ್ನು ಹೊಸ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಅಥವಾ ಮ್ಯಾಜಿಕ್ ಪರಿಹಾರವಾಗಿ ಪ್ರವೇಶಿಸುವುದಿಲ್ಲ, ಆದರೆ ಶಕ್ತಿಯುತ ಚಿಂತನೆ ಮತ್ತು ಡ್ರಾಫ್ಟಿಂಗ್ ಪಾಲುದಾರನಾಗಿ. ಸರಿಯಾಗಿ ಬಳಸಿದಾಗ, ಇದು ಮೌಲ್ಯದ ಸ್ಟ್ರೀಮ್ ಮ್ಯಾಪಿಂಗ್, ತ್ಯಾಜ್ಯ ವರ್ಗೀಕರಣ, ಮೂಲ-ಕಾರಣ ಅಧ್ಯಯನಗಳು ಮತ್ತು ಸುಧಾರಣೆ ವರದಿಗಳನ್ನು ಗಂಟೆಗಳಿಂದ ನಿಮಿಷಗಳವರೆಗೆ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ತಪ್ಪಾಗಿ ಬಳಸಿದಾಗ, ಇದು ಕ್ಷೇತ್ರವನ್ನು ಎಂದಿಗೂ ನೋಡದ ಸಲಹೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಅದು "ಕಾಗದದ ಮೇಲೆ ಪರಿಪೂರ್ಣವಾಗಿದೆ" ಆದರೆ ವಾಸ್ತವದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ. ಈ ಘಟಕದಲ್ಲಿ, ನೇರ ಉತ್ಪಾದನಾ ಚಕ್ರದಲ್ಲಿ AI ಅನ್ನು ಎಲ್ಲಿ ಇರಿಸಬೇಕು ಮತ್ತು ಅದರ ಔಟ್ಪುಟ್ ಅನ್ನು ಹೇಗೆ ಮೌಲ್ಯೀಕರಿಸಬೇಕು ಎಂಬುದನ್ನು ನೀವು ಕಲಿಯುವಿರಿ.
ಪ್ರಕ್ರಿಯೆ ಸುಧಾರಣೆಯಲ್ಲಿ AI ಎಲ್ಲಿದೆ?
ಸುಧಾರಣಾ ಯೋಜನೆಯನ್ನು ಮೂರು ಪದರಗಳಾಗಿ ವಿಭಜಿಸೋಣ: ಡೇಟಾ ಸಂಗ್ರಹಣೆ, ವಿಶ್ಲೇಷಣೆ/ನಿರ್ಧಾರ, ವರದಿ/ಸಂವಹನ. AI ಈ ಪದರಗಳಲ್ಲಿ ವಿಭಿನ್ನ ತೂಕದೊಂದಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಪದರ
AI ನ ಪಾತ್ರ
ಮನುಷ್ಯನ ಪಾತ್ರ
ಡೇಟಾ ಸಂಗ್ರಹಣೆ
ಸಮೀಕ್ಷೆ/ಫಾರ್ಮ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಡೇಟಾವನ್ನು ಸಂಘಟಿಸುತ್ತದೆ
ಕ್ಷೇತ್ರದಲ್ಲಿ ಅಳತೆಗಳು ಮತ್ತು ವೀಕ್ಷಣೆಗಳು (ಗೆಂಬಾ)
ವಿಶ್ಲೇಷಣೆ/ನಿರ್ಧಾರ
ಊಹೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ವಿಧಾನಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಕರಡು ಲೆಕ್ಕಾಚಾರಗಳು
ಡೇಟಾದೊಂದಿಗೆ ಪರಿಶೀಲಿಸುತ್ತದೆ, ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ
ವರದಿ ಮಾಡಲಾಗುತ್ತಿದೆ
A3, ಪ್ರಸ್ತುತಿ, ಸಾರಾಂಶ ಪಠ್ಯ ಕರಡು ಬರಹಗಾರ
ನಿಖರತೆ ಮತ್ತು ಸ್ವರವನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ
ಗಮನಿಸಬೇಕಾದ ವಿಷಯವೆಂದರೆ AI ಡೇಟಾವನ್ನು ಸ್ವತಃ ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಕ್ಷೇತ್ರ ಮಾಪನವು ಯಂತ್ರದ ನಿಜವಾದ ಚಕ್ರದ ಸಮಯವನ್ನು ನೀಡುತ್ತದೆ, ಆಪರೇಟರ್ ಕಾಯುವ ನಿಮಿಷಗಳು, ಡೈ ಬದಲಾವಣೆಯು ಎಷ್ಟು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ನೀವು ತರುವ ಈ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು AI ಸಂಘಟಿಸುತ್ತದೆ, ಅರ್ಥೈಸುತ್ತದೆ ಮತ್ತು ಸುಧಾರಣೆ ಊಹೆಗೆ ತಿರುಗಿಸುತ್ತದೆ.
ಸಲಹೆ: ನಾನು ಯಾವಾಗಲೂ AI ಅನ್ನು ಕೇಳುತ್ತೇನೆ "ನನಗೆ ಯಾವ ಡೇಟಾ ಬೇಕು?" ಸಹ ಕೇಳಿ: ಸುಧಾರಣೆಯನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ಸರಿಯಾದ ಮಾಪನ ಯೋಜನೆಯನ್ನು ಸ್ಥಾಪಿಸುವುದು ನಂತರ ತಪ್ಪಾದ ಡೇಟಾದೊಂದಿಗೆ ವಿಶ್ಲೇಷಣೆ ಮಾಡುವುದಕ್ಕಿಂತ ಅಗ್ಗವಾಗಿದೆ.
ಏಳು ತ್ಯಾಜ್ಯಗಳು (ಮುಡಾ) ಮತ್ತು AI ನಿಂದ ವರ್ಗೀಕರಣ
ತ್ಯಾಜ್ಯವನ್ನು (ಮುಡಾ) ಕಾಣುವಂತೆ ಮಾಡುವುದು ನೇರ ಉತ್ಪಾದನೆಯ ಹೃದಯಭಾಗದಲ್ಲಿದೆ. ಕ್ಲಾಸಿಕ್ ಏಳು ತ್ಯಾಜ್ಯಗಳು: ಅತಿಯಾದ ಉತ್ಪಾದನೆ, ಕಾಯುವಿಕೆ, ಅನಗತ್ಯ ಸಾರಿಗೆ, ಅತಿಯಾದ ಸಂಸ್ಕರಣೆ, ದಾಸ್ತಾನು, ಅನಗತ್ಯ ಚಲನೆ ಮತ್ತು ದೋಷಗಳು. ಸಾಮಾನ್ಯವಾಗಿ "ಅನ್ಟ್ಯಾಪ್ ಮಾಡದ ಮಾನವ ಸಾಮರ್ಥ್ಯ" ಎಂಟನೆಯದಾಗಿ ಸೇರಿಸಲಾಗುತ್ತದೆ. ಪ್ರಕ್ರಿಯೆಯ ನಿರೂಪಣೆಯನ್ನು ಈ ವರ್ಗಗಳಾಗಿ ವಿಭಜಿಸುವಲ್ಲಿ AI ತುಂಬಾ ವೇಗವಾಗಿದೆ.
ಪಾತ್ರ: ನೀವು ನೇರ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಅನುಭವಿ ಕೈಗಾರಿಕಾ ಎಂಜಿನಿಯರ್. ಕಾರ್ಯ: ಕೆಳಗಿನ ಪ್ರಕ್ರಿಯೆ ನಿರೂಪಣೆಯನ್ನು 7 ತ್ಯಾಜ್ಯ (ಮುಡಾ) ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸಿ. ಪ್ರತಿ ನಿರ್ಣಯಕ್ಕೆ: (1) ತ್ಯಾಜ್ಯದ ಪ್ರಕಾರ, (2) ಸಾಕ್ಷ್ಯ ವಾಕ್ಯ, (3) ನಾನು ಅಳತೆ ಮಾಡಬೇಕಾದ ಮೆಟ್ರಿಕ್, (4) ಸಂಭವನೀಯ ತ್ವರಿತ ಸುಧಾರಣೆ. ಪ್ರಕ್ರಿಯೆಯ ವಿವರಣೆ: """ಅಸೆಂಬ್ಲಿ ಲೈನ್ನಲ್ಲಿ, ಆಯೋಜಕರು ಪ್ರತಿ ಚಕ್ರದಲ್ಲಿ 6 ಮೀಟರ್ಗಳಷ್ಟು ಭಾಗವನ್ನು ಎತ್ತಿಕೊಂಡು ಹೋಗುತ್ತಾರೆ. ಸರಾಸರಿ 40 ನಿಮಿಷಗಳ ಕಾಲ ಪೇಂಟ್ ಬೂತ್ನ ಮುಂದೆ ಸರತಿಯು ರೂಪುಗೊಳ್ಳುತ್ತದೆ. ಸರಿಸುಮಾರು ಒಂದು ಶಿಫ್ಟ್ನಲ್ಲಿ 12 ಭಾಗಗಳನ್ನು ಮರುಸಂಸ್ಕರಿಸಲಾಗುತ್ತದೆ. 3 ದಿನಗಳ ಅರೆ-ಸಿದ್ಧಪಡಿಸಿದ ಉತ್ಪನ್ನಗಳು ಮಧ್ಯಂತರ ಗೋದಾಮಿನಲ್ಲಿ ಸಂಗ್ರಹಗೊಳ್ಳುತ್ತವೆ.
ಈ ಪ್ರಾಂಪ್ಟ್ನ ಶಕ್ತಿಯು ಔಟ್ಪುಟ್ ಅನ್ನು ಅಳೆಯುವಂತೆ ಮಾಡುತ್ತದೆ. "ಅನಗತ್ಯ ಚಳುವಳಿ ಇದೆ" ಎಂದು ಹೇಳಲು ಸಾಕಾಗುವುದಿಲ್ಲ; "ಆಯೋಜಕರು ಪ್ರತಿ ಚಕ್ರಕ್ಕೆ 6 ಮೀಟರ್ ನಡೆಯುತ್ತಾರೆ, ದಿನಕ್ಕೆ X ಚಕ್ರಗಳಲ್ಲಿ ಒಟ್ಟು Y ಮೀಟರ್ಗಳು" ಎಂದು ಹೇಳಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. AI ಪುರಾವೆ ಹೇಳಿಕೆ ಮತ್ತು ಅಳತೆ ಮಾಡಲು ಮೆಟ್ರಿಕ್ ಅನ್ನು ಸೂಚಿಸುತ್ತದೆ, ನೀವು ಅದನ್ನು ಕ್ಷೇತ್ರದಲ್ಲಿ ಅಳೆಯಿರಿ ಮತ್ತು ಸಂಖ್ಯೆಯನ್ನು ಪ್ಲಗ್ ಮಾಡಿ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಉತ್ಪಾದನಾ ಸಾಲಿನಲ್ಲಿ ತ್ಯಾಜ್ಯವನ್ನು ಹೆಸರಿಸಿ.
ಇದು ವರ್ಗಗಳಿಲ್ಲದೆ, ಪುರಾವೆಗಳಿಲ್ಲದೆ ಮತ್ತು ಅಳತೆಯಿಲ್ಲದೆ ಪಟ್ಟಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಹೆಚ್ಚಾಗಿ, "ಹೆಚ್ಚುವರಿ ಸ್ಟಾಕ್ ಇರಬಹುದು, ಕಾಯುವ ಅವಧಿ ಇರಬಹುದು" ಎಂಬ ಸಾಮಾನ್ಯ ನುಡಿಗಟ್ಟುಗಳು ಪುನರಾವರ್ತನೆಯಾಗುತ್ತವೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ಈ ಪ್ರಕ್ರಿಯೆಯ ಡೇಟಾವನ್ನು ತ್ಯಾಜ್ಯದ 7 ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸಿ, ಪ್ರತಿಯೊಂದಕ್ಕೂ ಪುರಾವೆ ಹೇಳಿಕೆ, ನಾನು ಅಳತೆ ಮಾಡಬೇಕಾದ ಮೆಟ್ರಿಕ್ ಮತ್ತು ಅಂದಾಜು ಪ್ರಭಾವವನ್ನು ಒದಗಿಸಿ. ಪ್ರಭಾವವನ್ನು "ಕಡಿಮೆ/ಮಧ್ಯಮ/ಹೆಚ್ಚು" ಎಂದು ವರ್ಗೀಕರಿಸಿ ಮತ್ತು ತಾರ್ಕಿಕತೆಯನ್ನು ಬರೆಯಿರಿ. ಡೇಟಾ: {{ ... }}
ವ್ಯತ್ಯಾಸವೆಂದರೆ ಔಟ್ಪುಟ್ ನೇರವಾಗಿ ಕ್ರಿಯಾ ಯೋಜನೆಗೆ ಅನುವಾದಿಸಬಹುದು. ಎರಡನೇ ಪ್ರಾಂಪ್ಟ್ ಆದ್ಯತೆಯ, ಅಳೆಯಬಹುದಾದ ಕೋಷ್ಟಕವನ್ನು ನೀಡುತ್ತದೆ.
AI ಜೊತೆಗೆ DMAIC ಸೈಕಲ್ ಅನ್ನು ವೇಗಗೊಳಿಸುವುದು
ಸಿಕ್ಸ್ ಸಿಗ್ಮಾದ DMAIC ಫ್ರೇಮ್ವರ್ಕ್ (ಡಿಫೈನ್-ಅಳತೆ-ವಿಶ್ಲೇಷಣೆ-ಸುಧಾರಣೆ-ನಿಯಂತ್ರಣ) ಸುಧಾರಣೆ ಯೋಜನೆಗಳಲ್ಲಿ ಸಾಮಾನ್ಯ ಭಾಷೆಯಾಗಿದೆ. ಪ್ರತಿ ಹಂತದಲ್ಲಿ AI ವಿಭಿನ್ನವಾಗಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ:
- ವಿವರಿಸಿ: ಕರಡು ಸಮಸ್ಯೆಯ ವ್ಯಾಖ್ಯಾನ, ಯೋಜನೆಯ ವ್ಯಾಪ್ತಿ (SIPOC), ಮತ್ತು ಉದ್ದೇಶ ಹೇಳಿಕೆ.
- ಅಳತೆ: ಮಾಪನ ಯೋಜನೆ, ಡೇಟಾ ಸಂಗ್ರಹಣೆ ರೂಪ, ಮಾದರಿ ಗಾತ್ರದ ತರ್ಕ.
- ವಿಶ್ಲೇಷಿಸಿ: ಊಹೆಗಳ ಪಟ್ಟಿ, ಮೀನಿನ ಮೂಳೆಗಳು (ಇಶಿಕಾವಾ), ಸಂಭವನೀಯ ಮೂಲ-ಕಾರಣಗಳು.
- ಸುಧಾರಿಸಿ: ಪರಿಹಾರ ಪರ್ಯಾಯಗಳು, ಇಸಿಆರ್ಎಸ್ (ಎಲಿಮಿನೇಟ್-ಸಂಯೋಜಿತ-ಮರುಹೊಂದಿಸಿ-ಸರಳಗೊಳಿಸಿ) ಸಲಹೆಗಳು.
- ನಿಯಂತ್ರಣ: ಕರಡು ನಿಯಂತ್ರಣ ಯೋಜನೆ, ಪ್ರಮಾಣಿತ ಕೆಲಸದ ಸೂಚನೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ KPI.
ಕೆಳಗಿನ ಸಮಸ್ಯೆಗಾಗಿ ಇಶಿಕಾವಾ (ಹೆರಿಂಗ್ಬೋನ್) ಅಸ್ಥಿಪಂಜರವನ್ನು ರಚಿಸಿ. ಸಮಸ್ಯೆ: "CNC ಗಣಕದಲ್ಲಿ ಮೇಲ್ಮೈ ಒರಟುತನವು ಗುರಿಗಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ." ವರ್ಗಗಳು: ಯಂತ್ರ, ವಿಧಾನ, ವಸ್ತು, ಮಾನವ, ಮಾಪನ, ಪರಿಸರ (6M). ಪ್ರತಿ ವರ್ಗದ ಅಡಿಯಲ್ಲಿ 3-4 ಸಂಭವನೀಯ ಕಾರಣಗಳನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಪ್ರತಿ ಕಾರಣವನ್ನು ಪರೀಕ್ಷಿಸಲು ನಾನು ಯಾವ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಬೇಕು ಎಂಬುದನ್ನು ಸೂಚಿಸಿ.
ಇಲ್ಲಿ ಸುವರ್ಣ ನಿಯಮವು ಸ್ಥಿರವಾಗಿರುತ್ತದೆ: AI ಸೂಚಿಸಿದ ಪ್ರತಿಯೊಂದು ಮೂಲ-ಕಾರಣವು ಒಂದು ಊಹೆಯಾಗಿದೆ, ಪುರಾವೆಯಲ್ಲ. ಮೇಲ್ಮೈ ಒರಟುತನದ ಕಾರಣ "ಕಟಿಂಗ್ ಟೂಲ್ ವೇರ್" ಆಗಿರಬಹುದು ಅಥವಾ ಇಲ್ಲದಿರಬಹುದು; ಟೂಲ್ ಲೈಫ್ ಡೇಟಾ ಮತ್ತು ಪ್ರಯೋಗ ಮಾತ್ರ ಇದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.
ಎಚ್ಚರಿಕೆ: AI ಕೆಲವೊಮ್ಮೆ ಕಾರಣಗಳ ಸರಪಳಿಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ, ಅದು ತುಂಬಾ ತೋರಿಕೆಯಂತೆ ತೋರುತ್ತದೆ ಆದರೆ ನೆಲದ ಮೇಲೆ ತಪ್ಪಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, "ಆಪರೇಟರ್ ದೋಷ" ಎಂದು ಹೇಳುವುದು ಸುಲಭ ಮತ್ತು ಆಗಾಗ್ಗೆ ಅನ್ಯಾಯವಾಗಿದೆ. ಮಾನವರ ಮೇಲೆ ಮೂಲ ಕಾರಣವನ್ನು ದೂಷಿಸುವ ಮೊದಲು ಡೇಟಾದೊಂದಿಗೆ ವ್ಯವಸ್ಥಿತ ಕಾರಣಗಳನ್ನು (ವಿಧಾನಗಳು, ಉಪಕರಣಗಳು, ಅಳತೆಗಳು) ನಿವಾರಿಸಿ.
ಮಿನಿ ಕೇಸ್: ಮೊಲ್ಡ್ ಬದಲಾವಣೆಯ ಸಮಯವನ್ನು ಕಡಿಮೆಗೊಳಿಸುವುದು (SMED)
ಪ್ಲಾಸ್ಟಿಕ್ ಇಂಜೆಕ್ಷನ್ ಕಾರ್ಯಾಗಾರದಲ್ಲಿ ಅಚ್ಚು ಬದಲಾವಣೆಗಳು ಸರಾಸರಿ 55 ನಿಮಿಷಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಇದು ಸಣ್ಣ ಬ್ಯಾಚ್ಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ನಷ್ಟವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಕೈಗಾರಿಕಾ ಇಂಜಿನಿಯರ್ ಡೆನಿಜ್ ಬದಲಾವಣೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವೀಡಿಯೊಟೇಪ್ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಹಂತ-ಹಂತದ ಸಮಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತಾರೆ (ಈ ಡೇಟಾವು ಕ್ಷೇತ್ರದಿಂದ ಬರುತ್ತದೆ). ಇದು ನಂತರ AI ಗೆ ಹಂತಗಳ ಪಟ್ಟಿ ಮತ್ತು ಅವುಗಳ ಸಮಯವನ್ನು ನೀಡುತ್ತದೆ:
SMED ವಿಧಾನದ ಪ್ರಕಾರ ಈ ಅಚ್ಚು ಬದಲಾವಣೆಯ ಹಂತಗಳನ್ನು "ಆಂತರಿಕ" (ಯಂತ್ರವನ್ನು ನಿಲ್ಲಿಸಿದಾಗ ಮಾಡಬಹುದು) ಮತ್ತು "ಬಾಹ್ಯ" (ಯಂತ್ರ ಚಾಲನೆಯಲ್ಲಿರುವಾಗ ಮಾಡಬಹುದು) ಎಂದು ವರ್ಗೀಕರಿಸಿ. ಹೊರಭಾಗಕ್ಕೆ ಸರಿಸಬಹುದಾದ ಒಳಗಿನ ಹಂತಗಳನ್ನು ಗುರುತಿಸಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ಪ್ರಾಥಮಿಕ ತಯಾರಿ ಸಲಹೆಯನ್ನು ಬರೆಯಿರಿ. ಹಂತಗಳು ಮತ್ತು ಅವಧಿಗಳು: {{ ಪಟ್ಟಿ }}
"ಹೊಸ ಅಚ್ಚನ್ನು ಯಂತ್ರಕ್ಕೆ ತರುವುದು" ಮತ್ತು "ಬೋಲ್ಟ್ಗಳನ್ನು ಸಿದ್ಧಪಡಿಸುವುದು" ಮುಂತಾದ ಹಂತಗಳನ್ನು ಬಾಹ್ಯ ಕೆಲಸಕ್ಕೆ ಪೋರ್ಟಬಲ್ ಎಂದು AI ಗುರುತಿಸುತ್ತದೆ, ಇದು ತಾತ್ಕಾಲಿಕ ಕಾರ್ಟ್ ಅನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಡೆನಿಜ್ ಈ ಪ್ರಸ್ತಾಪವನ್ನು ಕ್ಷೇತ್ರದಲ್ಲಿ ಪರೀಕ್ಷಿಸುತ್ತಿದ್ದಾರೆ; ಇದು ನಿಜವಾಗಿಯೂ ಅನ್ವಯವಾಗುವದನ್ನು ಪ್ರಮಾಣೀಕರಿಸುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ, ಬದಲಾವಣೆಯ ಸಮಯವು 55 ನಿಮಿಷಗಳಿಂದ 32 ನಿಮಿಷಗಳಿಗೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ನಿರ್ಣಾಯಕ ಅಂಶ: AI ಯೋಜನೆಯನ್ನು ವೇಗಗೊಳಿಸಿತು, ಆದರೆ ಕ್ಷೇತ್ರ ಪರೀಕ್ಷೆ ಮತ್ತು ಪ್ರಮಾಣೀಕರಣವು ನಿಜವಾಗಿಯೂ ಸಮಯವನ್ನು ಕಡಿಮೆಗೊಳಿಸಿತು.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- Gemba ಬೈಪಾಸ್ ಮಾಡುವುದು: ಕ್ಷೇತ್ರದಲ್ಲಿ ಗಮನಿಸದೆ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು. ಇದು ಸರಳವಾದ "ಹೋಗಿ ನೋಡಿ" ತತ್ವವನ್ನು ಆಧರಿಸಿದೆ.
- ನಿರ್ಮಿತ ಸಂಖ್ಯೆಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ: AI ಕೆಲವೊಮ್ಮೆ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಸಂಖ್ಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ "ಸೈಕಲ್ ಸಮಯ ಸುಮಾರು 45 ಸೆಕೆಂಡುಗಳು." ಪ್ರತಿ ಸಂಖ್ಯೆಯನ್ನು ಮಾಪನದಿಂದ ಬೆಂಬಲಿಸಬೇಕು.
- ಮಾನವರ ಮೇಲೆ ಮೂಲ ಕಾರಣವನ್ನು ದೂಷಿಸುವುದು: ಮನಸ್ಸಿಗೆ ಬರುವ ಮೊದಲ ವಿವರಣೆಯನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವುದು "ಅಜಾಗರೂಕತೆ"; ವ್ಯವಸ್ಥಿತ ಕಾರಣಗಳನ್ನು ತನಿಖೆ ಮಾಡುತ್ತಿಲ್ಲ.
- ಒಂದೇ ಪರಿಹಾರದಲ್ಲಿ ಲಾಕ್ ಮಾಡುವುದು: AI ನ ಮೊದಲ ಸಲಹೆಯು ಏಕೈಕ ಆಯ್ಕೆಯಾಗಿದೆ ಎಂದು ಯೋಚಿಸುವುದು. ಕನಿಷ್ಠ 2-3 ಪರ್ಯಾಯಗಳನ್ನು ರಚಿಸಿ ಮತ್ತು ನಿರ್ಬಂಧಗಳ ಪ್ರಕಾರ ಅವುಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ.
- ನಿಯಂತ್ರಣ ಹಂತವನ್ನು ಮರೆತುಬಿಡುವುದು: ಗುಣಮಟ್ಟದ ವ್ಯವಹಾರವನ್ನು ಸ್ಥಾಪಿಸದೆ ಮತ್ತು KPI ಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದೆಯೇ ಸುಧಾರಣೆ ಮತ್ತು ಅದನ್ನು ಬಿಡುವುದು; ಪ್ರಕ್ರಿಯೆಯು ಅದರ ಹಿಂದಿನ ಸ್ಥಿತಿಗೆ ಮರಳುತ್ತದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
- ಕೈಗಾರಿಕಾ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ AI ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುವುದಿಲ್ಲ; ಇದು ನೀವು ತರುವ ಡೇಟಾವನ್ನು ಸಂಘಟಿಸುತ್ತದೆ, ಅದನ್ನು ಅರ್ಥೈಸುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಸುಧಾರಣಾ ಊಹೆಯಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.
- ಏಳು ತ್ಯಾಜ್ಯಗಳನ್ನು ವರ್ಗೀಕರಿಸುವಾಗ ಔಟ್ಪುಟ್ ಅನ್ನು ಅಳೆಯುವಂತೆ ಮಾಡಿ: ಅಳೆಯಲು ಪುರಾವೆ ಹೇಳಿಕೆ + ಮೆಟ್ರಿಕ್ ಅನ್ನು ಕೇಳಿ.
- DMAIC ಯ ಪ್ರತಿ ಹಂತದಲ್ಲೂ AI ಅನ್ನು ಡ್ರಾಫ್ಟ್ ಜನರೇಟರ್ ಆಗಿ ಬಳಸಿ, ಆದರೆ ಯಾವಾಗಲೂ ಡೇಟಾದೊಂದಿಗೆ ಮೂಲ ಕಾರಣಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
- SMED ನಂತಹ ತಂತ್ರಗಳಲ್ಲಿ, AI ಯೋಜನೆಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ; ಕ್ಷೇತ್ರ ಪರೀಕ್ಷೆ ಮತ್ತು ಪ್ರಮಾಣೀಕರಣವು ಸಮಯವನ್ನು ನಿಜವಾಗಿಯೂ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
- ಗೆಂಬಾವನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು, ತಯಾರಿಸಿದ ಅಂಕಿಅಂಶಗಳನ್ನು ಅವಲಂಬಿಸುವುದು ಮತ್ತು ತಪಾಸಣೆ ಹಂತವನ್ನು ಮರೆತುಬಿಡುವುದು ಅತ್ಯಂತ ದುಬಾರಿ ತಪ್ಪುಗಳು.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ನಿಮ್ಮ ಸ್ವಂತ ಕೆಲಸದ ಸ್ಥಳದಿಂದ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಆರಿಸಿ (ಅಥವಾ ನಿಮಗೆ ತಿಳಿದಿರುವ ವಾಸ್ತವಿಕ ಉತ್ಪಾದನೆ/ಸೇವಾ ಪ್ರಕ್ರಿಯೆ). ಮೊದಲಿಗೆ, 5-10 ನಿಮಿಷಗಳ ಕಾಲ ಕ್ಷೇತ್ರವನ್ನು ಗಮನಿಸಿ ಮತ್ತು ನಿಜವಾದ ಹಂತಗಳು ಮತ್ತು ಅಂದಾಜು ಸಮಯವನ್ನು ಗಮನಿಸಿ. ನಂತರ AI ಈ ಘಟಕದಲ್ಲಿ "7 ತ್ಯಾಜ್ಯ ವರ್ಗೀಕರಣ" ಪವರ್ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ. ಔಟ್ಪುಟ್ನಲ್ಲಿನ ತ್ಯಾಜ್ಯದ ಪ್ರತಿ ಪತ್ತೆಗೆ: (ಎ) ಸಾಕ್ಷ್ಯವು ನಿಜವಾಗಿ ನಿಖರವಾಗಿದೆಯೇ ಎಂಬುದನ್ನು ನಿಮ್ಮ ವೀಕ್ಷಣೆಗೆ ಹೋಲಿಸಿ, (ಬಿ) ಅಳತೆ ಮಾಡಬೇಕಾದ ಕನಿಷ್ಠ ಒಂದು ಮೆಟ್ರಿಕ್ ಅನ್ನು ಗುರುತಿಸಿ, (ಸಿ) ಒಂದು ತ್ವರಿತ ಸುಧಾರಣೆ ಸಲಹೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಅದನ್ನು "ಒಳಗೆ/ಹೊರಗಿನ ಕೆಲಸ" ಅಥವಾ "ECRS" ತರ್ಕದೊಂದಿಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ಅಂತಿಮವಾಗಿ, AI ನಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ನಿರ್ಣಯವು ಕ್ಷೇತ್ರದಲ್ಲಿ ತಪ್ಪಾಗಿದೆ (ಅಥವಾ ಪರಿಶೀಲಿಸಲಾಗಲಿಲ್ಲ) ಒಂದು ಉದಾಹರಣೆಯನ್ನು ಹುಡುಕಿ ಮತ್ತು ಅದು ಏಕೆ ತಪ್ಪಾಗಿದೆ ಎಂದು ಒಂದೇ ವಾಕ್ಯದಲ್ಲಿ ಬರೆಯಿರಿ.