നേട്ടങ്ങൾ:
- മെലിഞ്ഞ നിർമ്മാണത്തിലും പ്രോസസ്സ് മെച്ചപ്പെടുത്തൽ സൈക്കിളുകളിലും AI എവിടെ ഉപയോഗിക്കണമെന്ന് നിർണ്ണയിക്കാനുള്ള കഴിവ്
- ഘടനാപരമായ നിർദ്ദേശങ്ങൾ ഉപയോഗിച്ച് മൂല്യ സ്ട്രീം മാപ്പ്, മാലിന്യ വിശകലനം, DMAIC ഘട്ടങ്ങൾ എന്നിവ ത്വരിതപ്പെടുത്താനുള്ള കഴിവ്
- ഫീൽഡ് ഡാറ്റയും ജെംബ നിരീക്ഷണവും ഉപയോഗിച്ച് AI ശുപാർശകൾ സാധൂകരിക്കുന്നതിനുള്ള അച്ചടക്കം പ്രയോഗിക്കാനുള്ള കഴിവ്
വ്യാവസായിക എഞ്ചിനീയറിംഗ് അടിസ്ഥാനപരമായി "മികച്ച രീതിയിൽ ചെയ്യുന്ന" അച്ചടക്കമാണ്: ഒരേ വിഭവങ്ങൾ ഉപയോഗിച്ച് കൂടുതൽ മൂല്യം ഉൽപ്പാദിപ്പിക്കുക, മാലിന്യങ്ങൾ ദൃശ്യമാക്കുക, വ്യതിയാനം കുറയ്ക്കുക. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഈ അച്ചടക്കത്തിലേക്ക് പ്രവേശിക്കുന്നത് ഒരു പുതിയ കാൽക്കുലേറ്ററോ മാന്ത്രിക പരിഹാരമോ ആയിട്ടല്ല, മറിച്ച് ശക്തമായ ചിന്തയും ഡ്രാഫ്റ്റിംഗ് പങ്കാളിയുമാണ്. ശരിയായി ഉപയോഗിക്കുമ്പോൾ, ഇത് മൂല്യ സ്ട്രീം മാപ്പിംഗ്, മാലിന്യ വർഗ്ഗീകരണം, മൂലകാരണ പഠനങ്ങൾ, മെച്ചപ്പെടുത്തൽ റിപ്പോർട്ടുകൾ എന്നിവ മണിക്കൂറുകൾ മുതൽ മിനിറ്റുകൾ വരെ കുറയ്ക്കുന്നു. തെറ്റായി ഉപയോഗിക്കുമ്പോൾ, ഫീൽഡ് ഒരിക്കലും കണ്ടിട്ടില്ലാത്ത, "കടലാസിൽ തികഞ്ഞത്" എന്നാൽ യാഥാർത്ഥ്യത്തിൽ നടപ്പിലാക്കാൻ കഴിയാത്ത നിർദ്ദേശങ്ങൾ ഇത് സൃഷ്ടിക്കുന്നു. ഈ യൂണിറ്റിൽ, ലീൻ മാനുഫാക്ചറിംഗ് സൈക്കിളിൽ AI എവിടെ സ്ഥാപിക്കണമെന്നും അതിൻ്റെ ഔട്ട്പുട്ട് എങ്ങനെ സാധൂകരിക്കാമെന്നും നിങ്ങൾ പഠിക്കും.
പ്രോസസ്സ് മെച്ചപ്പെടുത്തലിൽ AI എവിടെയാണ് നിൽക്കുന്നത്?
നമുക്ക് ഒരു മെച്ചപ്പെടുത്തൽ പ്രോജക്റ്റ് മൂന്ന് ലെയറുകളായി തിരിക്കാം: ഡാറ്റ ശേഖരണം, വിശകലനം/തീരുമാനം, റിപ്പോർട്ടിംഗ്/ആശയവിനിമയം. ഈ പാളികളിൽ വ്യത്യസ്ത ഭാരവുമായി AI സഹായിക്കുന്നു.
പാളി
AI യുടെ പങ്ക്
മനുഷ്യൻ്റെ പങ്ക്
വിവരശേഖരണം
സർവേ/ഫോം രൂപകൽപ്പന ചെയ്യുകയും ഡാറ്റ സംഘടിപ്പിക്കുകയും ചെയ്യുന്നു
ഫീൽഡിലെ അളവുകളും നിരീക്ഷണങ്ങളും (ഗെംബ)
വിശകലനം/തീരുമാനം
അനുമാനങ്ങൾ സൃഷ്ടിക്കുന്നു, രീതികൾ നിർദ്ദേശിക്കുന്നു, കണക്കുകൂട്ടലുകൾ ഡ്രാഫ്റ്റ് ചെയ്യുന്നു
ഡാറ്റ ഉപയോഗിച്ച് പരിശോധിച്ചുറപ്പിക്കുന്നു, തീരുമാനമെടുക്കുന്നു
റിപ്പോർട്ട് ചെയ്യുന്നു
A3, അവതരണം, സംഗ്രഹ ടെക്സ്റ്റ് ഡ്രാഫ്റ്റ് റൈറ്റർ
കൃത്യതയും സ്വരവും നിയന്ത്രിക്കുന്നു
ശ്രദ്ധിക്കേണ്ട കാര്യം, AI- ന് ഡാറ്റ സ്വയം സൃഷ്ടിക്കാൻ കഴിയില്ല എന്നതാണ്. ഫീൽഡ് മെഷർമെൻ്റ് മാത്രമേ ഒരു മെഷീൻ്റെ യഥാർത്ഥ സൈക്കിൾ സമയം, ഒരു ഓപ്പറേറ്റർ കാത്തിരിക്കുന്ന മിനിറ്റ്, ഡൈ മാറ്റത്തിന് എത്ര സമയമെടുക്കും എന്നിവ നൽകുന്നു. നിങ്ങൾ കൊണ്ടുവരുന്ന ഈ അസംസ്കൃത ഡാറ്റയെ AI സംഘടിപ്പിക്കുകയും വ്യാഖ്യാനിക്കുകയും മാറ്റുകയും ചെയ്യുന്നു.
നുറുങ്ങ്: ഞാൻ എപ്പോഴും AI-യോട് ചോദിക്കാറുണ്ട് “എനിക്ക് എന്ത് ഡാറ്റയാണ് വേണ്ടത്?” കൂടാതെ ചോദിക്കുക: മെച്ചപ്പെടുത്തൽ ആരംഭിക്കുന്നതിന് മുമ്പ് ശരിയായ അളവെടുപ്പ് പ്ലാൻ സ്ഥാപിക്കുന്നത് പിന്നീട് തെറ്റായ ഡാറ്റ ഉപയോഗിച്ച് വിശകലനം ചെയ്യുന്നതിനേക്കാൾ വളരെ വിലകുറഞ്ഞതാണ്.
ഏഴ് മാലിന്യങ്ങളും (മുഡ) AI യുടെ വർഗ്ഗീകരണവും
മാലിന്യം (മുട) ദൃശ്യമാക്കുന്നത് മെലിഞ്ഞ ഉൽപാദനത്തിൻ്റെ ഹൃദയഭാഗത്താണ്. ക്ലാസിക് ഏഴ് മാലിന്യങ്ങൾ: അമിത ഉൽപ്പാദനം, കാത്തിരിപ്പ്, അനാവശ്യ ഗതാഗതം, ഓവർപ്രോസസ്സിംഗ്, ഇൻവെൻ്ററി, അനാവശ്യ ചലനം, പിശകുകൾ. പലപ്പോഴും "ഉപയോഗിക്കാത്ത മനുഷ്യ ശേഷി" എട്ടാമതായി ചേർക്കുന്നു. ഒരു പ്രക്രിയ വിവരണത്തെ ഈ വിഭാഗങ്ങളായി വിഭജിക്കാൻ AI വളരെ വേഗത്തിലാണ്.
റോൾ: നിങ്ങൾ മെലിഞ്ഞ നിർമ്മാണത്തിൽ പരിചയമുള്ള ഒരു വ്യാവസായിക എഞ്ചിനീയറാണ്. ടാസ്ക്: ഇനിപ്പറയുന്ന പ്രക്രിയ വിവരണത്തെ 7 മാലിന്യ (മുഡ) വിഭാഗങ്ങളായി വിഭജിക്കുക. ഓരോ നിർണ്ണയത്തിനും: (1) മാലിന്യ തരം, (2) തെളിവ് വാക്യം, (3) എനിക്ക് അളക്കേണ്ട മെട്രിക്, (4) സാധ്യമായ ദ്രുതഗതിയിലുള്ള മെച്ചപ്പെടുത്തൽ. പ്രോസസ്സ് വിവരണം: """അസംബ്ലി ലൈനിൽ, ഓരോ സൈക്കിളിലും ഓരോ സൈക്കിളിലും 6 മീറ്റർ ഓപ്പറേറ്റർ നടക്കുന്നു. ശരാശരി 40 മിനിറ്റ് പെയിൻ്റ് ബൂത്തിന് മുന്നിൽ ഒരു ക്യൂ രൂപം കൊള്ളുന്നു. ഒരു ഷിഫ്റ്റിൽ ഏകദേശം 12 ഭാഗങ്ങൾ വീണ്ടും പ്രോസസ്സ് ചെയ്യാൻ പോകുന്നു. 3 ദിവസത്തെ സെമി-ഫിനിഷ്ഡ് ഉൽപ്പന്നങ്ങൾ ഇൻ്റർമീഡിയറ്റ് വെയർഹൗസിൽ കുമിഞ്ഞുകൂടുന്നു.
ഈ പ്രോംപ്റ്റിൻ്റെ ശക്തി അത് ഔട്ട്പുട്ട് അളക്കാൻ കഴിയുന്നതാക്കുന്നു എന്നതാണ്. "അനാവശ്യമായ ചലനമുണ്ട്" എന്ന് പറഞ്ഞാൽ പോരാ; "ഓപ്പറേറ്റർ ഒരു സൈക്കിളിൽ 6 മീറ്റർ നടക്കുന്നു, പ്രതിദിനം X സൈക്കിളുകളിൽ ആകെ Y മീറ്റർ" എന്ന് പറയാൻ കഴിയണം. AI തെളിവ് പ്രസ്താവനയും അളക്കാനുള്ള മെട്രിക്കും ചൂണ്ടിക്കാണിക്കുന്നു, നിങ്ങൾ അത് ഫീൽഡിൽ അളക്കുകയും നമ്പർ പ്ലഗ് ഇൻ ചെയ്യുകയും ചെയ്യുന്നു.
ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്
ദുർബലമായ പ്രോംപ്റ്റ്:
ഈ പ്രൊഡക്ഷൻ ലൈനിലെ മാലിന്യത്തിന് പേര് നൽകുക.
ഇത് വിഭാഗങ്ങളില്ലാതെ, തെളിവുകളില്ലാതെ, അളവില്ലാതെ ഒരു ലിസ്റ്റ് നിർമ്മിക്കുന്നു; മിക്കവാറും, "അധിക സ്റ്റോക്ക് ഉണ്ടായിരിക്കാം, ഒരു കാത്തിരിപ്പ് കാലയളവ് ഉണ്ടാകാം" എന്ന പൊതുവായ വാക്യങ്ങൾ ആവർത്തിക്കുന്നു.
ശക്തമായ നിർദ്ദേശം:
ഈ പ്രോസസ്സ് ഡാറ്റയെ മാലിന്യത്തിൻ്റെ 7 വിഭാഗങ്ങളായി വിഭജിക്കുക, ഓരോന്നിനും തെളിവ് പ്രസ്താവന, ഞാൻ അളക്കേണ്ട മെട്രിക്, കണക്കാക്കിയ ആഘാതം എന്നിവ നൽകുക. ആഘാതത്തെ "താഴ്ന്ന/ഇടത്തരം/ഉയർന്നത്" എന്ന് തരംതിരിച്ച് യുക്തി എഴുതുക. ഡാറ്റ: {{ ... }}
ഔട്ട്പുട്ടിന് നേരിട്ട് ഒരു പ്രവർത്തന പദ്ധതിയിലേക്ക് വിവർത്തനം ചെയ്യാൻ കഴിയും എന്നതാണ് വ്യത്യാസം. രണ്ടാമത്തെ പ്രോംപ്റ്റ് ഒരു മുൻഗണനയുള്ള, അളക്കാവുന്ന പട്ടിക നൽകുന്നു.
AI ഉപയോഗിച്ച് DMAIC സൈക്കിൾ വേഗത്തിലാക്കുന്നു
സിക്സ് സിഗ്മയുടെ DMAIC ചട്ടക്കൂട് (നിർവചിക്കുക-അളവ്-വിശകലനം-ഇംപ്രൂവ്-നിയന്ത്രണം) മെച്ചപ്പെടുത്തൽ പ്രോജക്റ്റുകളിലെ ഒരു സാധാരണ ഭാഷയാണ്. ഓരോ ഘട്ടത്തിലും AI വ്യത്യസ്തമായി സഹായിക്കുന്നു:
- നിർവ്വചിക്കുക: ഡ്രാഫ്റ്റ് പ്രശ്ന നിർവചനം, പ്രോജക്റ്റ് സ്കോപ്പ് (SIPOC), ഉദ്ദേശ്യ പ്രസ്താവന.
- അളവ്: മെഷർമെൻ്റ് പ്ലാൻ, ഡാറ്റ കളക്ഷൻ ഫോം, സാമ്പിൾ സൈസ് ലോജിക്.
- വിശകലനം ചെയ്യുക: അനുമാനങ്ങളുടെ പട്ടിക, മത്സ്യ അസ്ഥികൾ (ഇഷികാവ), സാധ്യമായ മൂലകാരണങ്ങൾ.
- മെച്ചപ്പെടുത്തുക: പരിഹാര ഇതരമാർഗങ്ങൾ, ECRS (ഒഴിവാക്കുക-സംയോജിപ്പിക്കുക-പുനഃക്രമീകരിക്കുക-ലളിതമാക്കുക) നിർദ്ദേശങ്ങൾ.
- നിയന്ത്രണം: ഡ്രാഫ്റ്റ് കൺട്രോൾ പ്ലാൻ, സ്റ്റാൻഡേർഡ് വർക്ക് ഇൻസ്ട്രക്ഷൻ, മോണിറ്ററിംഗ് കെപിഐ.
ഇനിപ്പറയുന്ന പ്രശ്നത്തിന് ഒരു ഇഷിക്കാവ (ഹെറിങ്ബോൺ) അസ്ഥികൂടം ഉണ്ടാക്കുക. പ്രശ്നം: "CNC മെഷീനിലെ ഉപരിതല പരുക്കൻ ലക്ഷ്യത്തിന് മുകളിലാണ്." വിഭാഗങ്ങൾ: മെഷീൻ, രീതി, മെറ്റീരിയൽ, മനുഷ്യൻ, അളവ്, പരിസ്ഥിതി (6M). ഓരോ വിഭാഗത്തിനും കീഴിലുള്ള 3-4 സാധ്യമായ കാരണങ്ങൾ എഴുതുക, ഓരോ കാരണവും പരിശോധിക്കാൻ ഞാൻ എന്ത് ഡാറ്റ ശേഖരിക്കണമെന്ന് സൂചിപ്പിക്കുക.
ഇവിടെ സുവർണ്ണ നിയമം സ്ഥിരമായി തുടരുന്നു: AI നിർദ്ദേശിക്കുന്ന എല്ലാ മൂലകാരണങ്ങളും ഒരു സിദ്ധാന്തമാണ്, തെളിവുകളല്ല. ഉപരിതല പരുഷതയുടെ കാരണം "കട്ടിംഗ് ടൂൾ വെയർ" ആയിരിക്കാം അല്ലെങ്കിൽ അല്ലായിരിക്കാം; ടൂൾ ലൈഫ് ഡാറ്റയും പരീക്ഷണവും മാത്രം ഇത് സ്ഥിരീകരിക്കുന്നു.
മുന്നറിയിപ്പ്: AI ചിലപ്പോൾ വളരെ വിശ്വസനീയമെന്ന് തോന്നുന്ന, എന്നാൽ ഭൂമിയിൽ തെറ്റായ കാരണങ്ങളുടെ ശൃംഖലകൾ നിർമ്മിക്കുന്നു. ഉദാഹരണത്തിന്, "ഓപ്പറേറ്റർ പിശക്" എന്ന് പറയുന്നത് എളുപ്പമാണ്, അത് പലപ്പോഴും അന്യായവുമാണ്. മനുഷ്യരിൽ മൂലകാരണം കുറ്റപ്പെടുത്തുന്നതിന് മുമ്പ് ഡാറ്റ ഉപയോഗിച്ച് വ്യവസ്ഥാപരമായ കാരണങ്ങൾ (രീതികൾ, ഉപകരണങ്ങൾ, അളവുകൾ) ഇല്ലാതാക്കുക.
മിനി കേസ്: പൂപ്പൽ മാറ്റ സമയം കുറയ്ക്കുന്നു (SMED)
ഒരു പ്ലാസ്റ്റിക് കുത്തിവയ്പ്പ് വർക്ക്ഷോപ്പിലെ പൂപ്പൽ മാറ്റങ്ങൾ ശരാശരി 55 മിനിറ്റ് എടുക്കും, ഇത് ചെറിയ ബാച്ചുകളിൽ വലിയ നഷ്ടം സൃഷ്ടിക്കുന്നു. ഇൻഡസ്ട്രിയൽ എഞ്ചിനീയർ ഡെനിസ് മാറ്റ പ്രക്രിയ വീഡിയോടേപ്പ് ചെയ്യുകയും ഘട്ടം ഘട്ടമായുള്ള സമയം കണക്കാക്കുകയും ചെയ്യുന്നു (ഈ ഡാറ്റ ഫീൽഡിൽ നിന്നാണ് വരുന്നത്). ഇത് AI-ക്ക് ഘട്ടങ്ങളുടെ പട്ടികയും അവയുടെ സമയവും നൽകുന്നു:
SMED രീതി അനുസരിച്ച് ഈ പൂപ്പൽ മാറ്റ ഘട്ടങ്ങളെ "ആന്തരികം" (മെഷീൻ നിർത്തുമ്പോൾ ചെയ്യാവുന്നതാണ്) "ബാഹ്യ" (മെഷീൻ പ്രവർത്തിക്കുമ്പോൾ ചെയ്യാവുന്നതാണ്) എന്നിങ്ങനെ തരംതിരിക്കുക. പുറത്തുള്ളവയിലേക്ക് നീക്കാൻ കഴിയുന്ന ആന്തരിക ഘട്ടങ്ങൾ അടയാളപ്പെടുത്തുകയും ഓരോന്നിനും ഒരു പ്രാഥമിക തയ്യാറെടുപ്പ് നിർദ്ദേശം എഴുതുകയും ചെയ്യുക. ഘട്ടങ്ങളും കാലാവധികളും: {{ ലിസ്റ്റ് }}
"മെഷീനിലേക്ക് പുതിയ മോൾഡ് കൊണ്ടുവരിക", "ബോൾട്ടുകൾ തയ്യാറാക്കൽ" എന്നിവ ബാഹ്യ ജോലിക്ക് പോർട്ടബിൾ ആയി AI അടയാളപ്പെടുത്തുന്നു, ഇത് ഒരു താൽക്കാലിക വണ്ടി നിർദ്ദേശിക്കുന്നു. ഡെനിസ് ഈ നിർദ്ദേശം ഫീൽഡിൽ പരീക്ഷിക്കുന്നു; അത് യഥാർത്ഥത്തിൽ ബാധകമായതിനെ മാനദണ്ഡമാക്കുന്നു. തൽഫലമായി, മാറ്റൽ സമയം 55 മിനിറ്റിൽ നിന്ന് 32 മിനിറ്റായി കുറയുന്നു. നിർണായകമായ കാര്യം: AI പ്ലാൻ വേഗത്തിലാക്കി, പക്ഷേ ഫീൽഡ് ടെസ്റ്റിംഗും സ്റ്റാൻഡേർഡൈസേഷനുമാണ് സമയം കുറച്ചത്.
സാധാരണ തെറ്റുകൾ
- Gemba ബൈപാസ് ചെയ്യുന്നു: ഫീൽഡിൽ നിരീക്ഷിക്കാതെ AI ഔട്ട്പുട്ട് നടപ്പിലാക്കുന്നു. ഇത് "പോയി കാണുക" എന്ന ലളിതമായ തത്വത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്.
- നിർമ്മിത നമ്പറുകളെ ആശ്രയിക്കുന്നു: "സൈക്കിൾ സമയം ഏകദേശം 45 സെക്കൻഡ് ആണ്" എന്നതുപോലുള്ള, AI ചിലപ്പോൾ നിലവിലില്ലാത്ത സംഖ്യകൾ നിർമ്മിക്കുന്നു. ഓരോ സംഖ്യയും അളക്കുന്നതിലൂടെ പിന്തുണയ്ക്കണം.
- മൂലകാരണം മനുഷ്യരെ കുറ്റപ്പെടുത്തുന്നു: മനസ്സിൽ വരുന്ന ആദ്യത്തെ വിശദീകരണം "അശ്രദ്ധ" ആണ്; വ്യവസ്ഥാപരമായ കാരണങ്ങൾ അന്വേഷിക്കുന്നില്ല.
- ഒരൊറ്റ പരിഹാരത്തിൽ ലോക്കിംഗ്: AI-യുടെ ആദ്യ നിർദ്ദേശം മാത്രമാണ് ഏക പോംവഴി എന്ന് ചിന്തിക്കുക. കുറഞ്ഞത് 2-3 ബദലുകളെങ്കിലും സൃഷ്ടിച്ച് നിയന്ത്രണങ്ങൾക്കനുസരിച്ച് അവയെ താരതമ്യം ചെയ്യുക.
- നിയന്ത്രണ ഘട്ടം മറക്കുന്നു: സ്റ്റാൻഡേർഡ് ബിസിനസ്സ് സ്ഥാപിക്കാതെയും കെപിഐകൾ നിരീക്ഷിക്കാതെയും മെച്ചപ്പെടുത്തുകയും അത് ഉപേക്ഷിക്കുകയും ചെയ്യുക; പ്രക്രിയ അതിൻ്റെ പഴയ അവസ്ഥയിലേക്ക് മടങ്ങുന്നു.
ചുരുക്കത്തിൽ
- വ്യാവസായിക എഞ്ചിനീയറിംഗിൽ AI ഡാറ്റ നിർമ്മിക്കുന്നില്ല; ഇത് നിങ്ങൾ കൊണ്ടുവരുന്ന ഡാറ്റ ഓർഗനൈസുചെയ്യുന്നു, അതിനെ വ്യാഖ്യാനിക്കുകയും മെച്ചപ്പെടുത്തൽ സിദ്ധാന്തമാക്കി മാറ്റുകയും ചെയ്യുന്നു.
- ഏഴ് മാലിന്യങ്ങളെ തരം തിരിക്കുമ്പോൾ ഔട്ട്പുട്ട് അളക്കാവുന്നതാക്കുക: അളക്കാൻ തെളിവ് പ്രസ്താവന + മെട്രിക് ആവശ്യപ്പെടുക.
- DMAIC-യുടെ ഓരോ ഘട്ടത്തിലും ഒരു ഡ്രാഫ്റ്റ് ജനറേറ്ററായി AI ഉപയോഗിക്കുക, എന്നാൽ ഡാറ്റ ഉപയോഗിച്ച് എല്ലായ്പ്പോഴും മൂലകാരണങ്ങൾ പരിശോധിക്കുക.
- SMED പോലുള്ള സാങ്കേതികതകളിൽ, AI പ്ലാൻ വേഗത്തിലാക്കുന്നു; ശരിക്കും സമയം കുറയ്ക്കുന്നത് ഫീൽഡ് ടെസ്റ്റിംഗും സ്റ്റാൻഡേർഡൈസേഷനുമാണ്.
- Gemba ഒഴിവാക്കുക, നിർമ്മിച്ച കണക്കുകളെ ആശ്രയിക്കുക, പരിശോധന ഘട്ടം മറക്കുക എന്നിവയാണ് ഏറ്റവും ചെലവേറിയ തെറ്റുകൾ.
ആപ്ലിക്കേഷൻ ടാസ്ക്
നിങ്ങളുടെ സ്വന്തം ജോലിസ്ഥലത്ത് നിന്ന് ഒരു പ്രക്രിയ തിരഞ്ഞെടുക്കുക (അല്ലെങ്കിൽ നിങ്ങൾക്കറിയാവുന്ന ഒരു റിയലിസ്റ്റിക് പ്രൊഡക്ഷൻ/സേവന പ്രക്രിയ). ആദ്യം, 5-10 മിനിറ്റ് ഫീൽഡ് നിരീക്ഷിച്ച് യഥാർത്ഥ ഘട്ടങ്ങളും കണക്കാക്കിയ സമയവും ശ്രദ്ധിക്കുക. തുടർന്ന്, ഈ യൂണിറ്റിലെ "7 മാലിന്യ വർഗ്ഗീകരണം" പവർ പ്രോംപ്റ്റ് ഉപയോഗിച്ച് പ്രക്രിയ വിശകലനം ചെയ്യാൻ AI-യോട് ആവശ്യപ്പെടുക. ഔട്ട്പുട്ടിലെ ഓരോ മാലിന്യങ്ങൾ കണ്ടെത്തുന്നതിനും: (a) തെളിവുകൾ യഥാർത്ഥത്തിൽ കൃത്യമാണോ എന്ന് നിങ്ങളുടെ നിരീക്ഷണവുമായി താരതമ്യം ചെയ്യുക, (b) അളക്കേണ്ട ഒരു മെട്രിക് എങ്കിലും തിരിച്ചറിയുക, (c) ഒരു ദ്രുത മെച്ചപ്പെടുത്തൽ നിർദ്ദേശം തിരഞ്ഞെടുത്ത് "അകത്ത്/പുറത്ത് ജോലി" അല്ലെങ്കിൽ "ECRS" ലോജിക് ഉപയോഗിച്ച് അത് വിലയിരുത്തുക. അവസാനമായി, ഫീൽഡിൽ AI നിർമ്മിച്ച ഒരു നിർണ്ണയം തെറ്റായി (അല്ലെങ്കിൽ പരിശോധിച്ചുറപ്പിക്കാൻ കഴിഞ്ഞില്ല) ഒരു ഉദാഹരണം കണ്ടെത്തി എന്തുകൊണ്ട് അത് തെറ്റാണെന്ന് ഒറ്റ വാചകത്തിൽ എഴുതുക.