이득:
- 린 제조 및 프로세스 개선 주기에서 AI를 어디에 사용할지 결정하는 능력
- 구조화된 프롬프트를 통해 가치 흐름 지도, 폐기물 분석 및 DMAIC 단계를 가속화하는 능력
- 현장 데이터 및 gemba 관찰을 통해 AI 권장 사항을 검증하는 원칙을 적용하는 능력
산업공학은 본질적으로 "더 나은 일을 하는" 학문입니다. 즉, 동일한 자원으로 더 많은 가치를 생산하고, 낭비를 눈에 띄게 만들고, 변동성을 줄이는 것입니다. 인공 지능은 새로운 계산기나 마법의 솔루션이 아니라 강력한 사고 및 제도 파트너로서 이 분야에 들어갑니다. 올바르게 사용하면 가치 흐름 매핑, 폐기물 분류, 근본 원인 연구 및 개선 보고서를 몇 시간에서 몇 분으로 줄일 수 있습니다. 잘못 사용하면 현장에서 본 적이 없는 제안, 즉 "종이상으로는 완벽하지만" 실제로 구현할 수 없는 제안이 생성됩니다. 이 단원에서는 린 제조 주기에서 AI를 어디에 배치하고 그 결과를 검증하는 방법을 알아봅니다.
프로세스 개선에서 AI는 어디에 있습니까?
개선 프로젝트를 데이터 수집, 분석/의사결정, 보고/소통의 세 가지 계층으로 나누어 보겠습니다. AI는 이러한 레이어에서 다양한 가중치를 지원합니다.
레이어
AI의 역할
남자의 역할
데이터 수집
설문조사/양식을 디자인하고 데이터를 정리합니다.
현장에서 측정 및 관찰(gemba)
분석/결정
가설 생성, 방법 제안, 계산 초안 작성
데이터로 검증하고 결정한다
보고
A3, 프레젠테이션, 요약 텍스트 초안 작성자
정확성과 톤을 제어합니다
주목할 점은 AI가 스스로 데이터를 생성할 수 없다는 점이다. 현장 측정만이 기계의 실제 사이클 시간, 작업자가 기다리는 시간(분), 다이 교체에 소요되는 시간을 제공합니다. AI는 사용자가 가져온 이 원시 데이터를 구성하고 해석하고 개선 가설로 전환합니다.
팁: 저는 항상 AI에게 “어떤 데이터가 필요한가요?”라고 묻습니다. 또한 질문하십시오. 개선을 시작하기 전에 올바른 측정 계획을 수립하는 것이 나중에 잘못된 데이터로 분석을 수행하는 것보다 훨씬 저렴합니다.
7대 폐기물(Muda)과 AI 분류
폐기물(무다)을 눈에 띄게 만드는 것이 린 생산의 핵심입니다. 고전적인 7가지 낭비: 과잉생산, 대기, 불필요한 운송, 과잉처리, 재고, 불필요한 이동, 오류. 종종 "개발되지 않은 인간의 잠재력"이 여덟 번째로 추가됩니다. AI는 프로세스 내러티브를 이러한 범주로 분류하는 데 매우 빠릅니다.
역할: 귀하는 린 제조 경험이 있는 산업 엔지니어입니다. 작업: 다음 프로세스 설명을 7가지 폐기물(무다) 범주로 나눕니다. 각 결정에 대해 (1) 폐기물 유형, (2) 증거 문장, (3) 측정해야 할 측정 항목, (4) 빠른 개선이 가능합니다. 공정 설명: """조립 라인에서 작업자는 부품을 픽업하기 위해 매 사이클마다 6미터를 걷습니다. 도장 부스 앞에는 평균 40분 동안 줄이 형성됩니다. 대략 한 교대로 12개의 부품이 재처리됩니다. 3일 간의 반제품이 중간 창고에 축적됩니다.
이 프롬프트의 장점은 출력을 측정 가능하게 한다는 것입니다. "불필요한 움직임이 있다"고 말하는 것만으로는 충분하지 않습니다. "운전자는 사이클당 6미터를 걷습니다. 하루에 X사이클로 총 Y미터를 걷습니다."라고 말할 수 있어야 합니다. AI가 증거문과 측정할 측정항목을 지적하면 현장에서 측정하고 수치를 대입하면 된다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 생산 라인의 폐기물 이름을 지정하십시오.
이는 범주도 없고, 증거도 없고, 측정도 없는 목록을 생성합니다. 아마도 '재고가 과잉일 수도 있고, 대기기간이 있을 수도 있다'는 흔한 문구가 반복될 가능성이 크다.
강력한 프롬프트:
이 프로세스 데이터를 7가지 폐기물 범주로 나누고, 각각에 대한 증거 설명과 측정해야 할 지표, 예상되는 영향을 제공합니다. 영향을 "낮음/보통/높음"으로 분류하고 그 근거를 작성합니다. 데이터: {{ ... }}
차이점은 결과가 실행 계획으로 직접 변환될 수 있다는 것입니다. 두 번째 프롬프트는 우선 순위가 지정되고 측정 가능한 테이블을 제공합니다.
AI를 통해 DMAIC 주기 가속화
Six Sigma의 DMAIC 프레임워크(정의-측정-분석-개선-제어)는 개선 프로젝트의 공통 언어입니다. AI는 각 단계마다 다르게 도움을 줍니다.
- 정의: 초안 문제 정의, 프로젝트 범위(SIPOC) 및 목적 설명.
- 측정: 측정 계획, 데이터 수집 양식, 표본 크기 논리.
- 분석: 가설 목록, 생선 뼈(이시카와), 가능한 근본 원인.
- 개선: 솔루션 대안, ECRS(Eliminate-Combine-Rearrange-Simplify) 제안.
- 제어: 초안 제어 계획, 표준 작업 지침 및 모니터링 KPI.
다음 문제에 대한 Ishikawa(헤링본) 뼈대를 만듭니다. 문제: "CNC 기계의 표면 거칠기가 목표보다 높습니다." 카테고리: 기계, 방법, 재료, 인간, 측정, 환경(6M). 각 범주 아래에 3~4개의 가능한 원인을 적고 각 원인을 테스트하기 위해 어떤 데이터를 수집해야 하는지 표시합니다.
여기서 황금률은 변함없이 유지됩니다. AI가 제안하는 모든 근본 원인은 증거가 아니라 가설입니다. 표면 거칠기의 원인은 "절삭 공구 마모"일 수도 있고 아닐 수도 있습니다. 공구 수명 데이터와 실험만으로 이를 확인할 수 있습니다.
주의: AI는 때때로 매우 그럴듯해 보이지만 실제로는 잘못된 일련의 이유를 구성합니다. 예를 들어, "운영자 오류"라고 말하기 쉽고 불공평한 경우가 많습니다. 근본 원인을 인간에게 돌리기 전에 데이터로 시스템적 원인(방법, 장비, 측정)을 제거하십시오.
미니 케이스: 금형 교환 시간 단축(SMED)
플라스틱 사출 작업장의 금형 교체에는 평균 55분이 소요되며 이로 인해 소규모 배치에서는 큰 손실이 발생합니다. 산업 엔지니어 Deniz는 전환 과정을 비디오로 촬영하고 단계별 시간을 계산합니다(이 데이터는 현장에서 제공됩니다). 그런 다음 AI에게 단계 목록과 시간을 제공합니다.
SMED 방법에 따라 이러한 금형 변경 단계를 "내부"(기계가 정지된 동안 수행 가능)와 "외부"(기계가 작동 중인 동안 수행 가능)로 분류합니다. 외부 단계로 이동할 수 있는 내부 단계를 표시하고 각 단계에 대한 예비 준비 제안을 작성합니다. 단계 및 기간: {{ 목록 }}
AI는 "새 금형을 기계에 가져오기" 및 "볼트 준비"와 같은 단계를 외부 작업에 이식 가능한 것으로 표시하여 임시 변통 카트를 제안합니다. Deniz는 이 제안을 현장에서 테스트하고 있습니다. 그것은 실제로 적용 가능한 것을 표준화합니다. 그 결과 전환 시간이 55분에서 32분으로 단축됩니다. 중요한 점은 AI가 계획 속도를 높였지만 실제로 시간을 단축한 것은 현장 테스트와 표준화였습니다.
일반적인 실수
- Bypassing Gemba: 현장에서 관찰하지 않고 AI 출력을 구현합니다. 이는 단순한 "가서 보라(go and see)" 원칙을 기반으로 합니다.
- 가공된 숫자에 의존: AI는 때때로 "사이클 시간은 약 45초입니다."와 같이 존재하지 않는 숫자를 생성합니다. 모든 숫자는 측정으로 뒷받침되어야 합니다.
- 근본 원인을 인간 탓으로 돌리다: 가장 먼저 떠오르는 설명을 받아들이는 것은 '부주의'다. 체계적인 원인을 조사하지 않습니다.
- 단일 솔루션에 고정: AI의 첫 번째 제안이 유일한 옵션이라고 생각합니다. 최소 2~3개의 대안을 생성하고 제약 조건에 따라 비교합니다.
- 통제 단계를 잊어버리다: 표준 사업을 수립하고 KPI를 모니터링하지 않고 개선을 하고 방치합니다. 프로세스가 이전 상태로 돌아갑니다.
요약하면
- AI는 산업공학에서 데이터를 생성하지 않습니다. 가져온 데이터를 정리하고 해석하여 개선 가설로 전환합니다.
- 7가지 폐기물을 분류할 때 결과를 측정 가능하게 만드세요. 증거 설명 + 측정할 측정 기준을 요청하세요.
- DMAIC의 모든 단계에서 AI를 초안 생성기로 사용하되 항상 데이터로 근본 원인을 확인하세요.
- SMED와 같은 기술에서 AI는 계획 속도를 높입니다. 실제로 시간을 줄이는 것은 현장 테스트와 표준화입니다.
- Gemba를 건너뛰고, 꾸며낸 수치에 의존하고, 확인 단계를 잊어버리는 것은 가장 비용이 많이 드는 실수입니다.
응용과제
귀하의 작업장에서 프로세스(또는 귀하가 알고 있는 현실적인 생산/서비스 프로세스)를 선택하십시오. 먼저, 5~10분 동안 현장을 관찰하고 실제 단계와 예상 시간을 기록해 둡니다. 그런 다음 AI가 이 장치의 "7가지 폐기물 분류" 전원 프롬프트를 사용하여 프로세스를 분석하도록 합니다. 출력에서 낭비를 감지할 때마다: (a) 증거가 실제로 정확한지 관찰 결과와 비교하고, (b) 측정해야 할 최소 하나의 측정 항목을 식별하고, (c) 하나의 빠른 개선 제안을 선택하고 "내부/외부 작업" 또는 "ECRS" 논리로 평가합니다. 마지막으로, AI가 내린 판단이 현장에서 잘못된 것으로 판명된(또는 검증할 수 없는) 사례를 찾아 그 이유를 한 문장으로 적어보세요.