लाभ:
- दुबला निर्माण र प्रक्रिया सुधार चक्रहरूमा AI कहाँ प्रयोग गर्ने भनेर निर्धारण गर्ने क्षमता
- संरचित प्रम्प्टहरूको साथ मूल्य स्ट्रिम नक्सा, फोहोर विश्लेषण र DMAIC चरणहरूलाई गति दिने क्षमता
- फिल्ड डाटा र जेम्बा अवलोकनको साथ एआई सिफारिसहरू मान्य गर्ने अनुशासन लागू गर्ने क्षमता
औद्योगिक ईन्जिनियरिङ् अनिवार्य रूपमा "राम्रो गर्न" अनुशासन हो: समान स्रोतहरूसँग अधिक मूल्य उत्पादन गर्ने, फोहोरलाई दृश्यात्मक बनाउने, परिवर्तनशीलता घटाउने। आर्टिफिसियल इन्टेलिजेन्सले यस अनुशासनलाई नयाँ क्याल्कुलेटर वा जादुई समाधानको रूपमा होइन, तर शक्तिशाली सोच र ड्राफ्टिङ पार्टनरको रूपमा प्रवेश गर्छ। सही रूपमा प्रयोग गर्दा, यसले मूल्य स्ट्रिम म्यापिङ, फोहोर वर्गीकरण, मूल कारण अध्ययन र सुधार रिपोर्टहरू घण्टादेखि मिनेटमा घटाउँछ। गलत तरिकाले प्रयोग गर्दा, यसले क्षेत्र कहिल्यै नदेखेको सुझावहरू उत्पादन गर्दछ, जुन "कागजमा सिद्ध" छ तर वास्तविकतामा लागू गर्न सकिँदैन। यस इकाईमा, तपाईंले दुबला उत्पादन चक्रमा AI लाई कहाँ राख्ने र यसको आउटपुट कसरी प्रमाणित गर्ने भनेर सिक्नुहुनेछ।
प्रक्रिया सुधारमा AI कहाँ खडा छ?
एउटा सुधार परियोजनालाई तीन तहमा विभाजन गरौं: डाटा सङ्कलन, विश्लेषण/निर्णय, रिपोर्टिङ/संचार। AI ले यी तहहरूमा विभिन्न वजनमा मद्दत गर्दछ।
तह
AI को भूमिका
मानिसको भूमिका
डाटा संग्रह
सर्वेक्षण / फारम डिजाइन गर्दछ र डाटा व्यवस्थित गर्दछ
फिल्डमा मापन र अवलोकनहरू (गेम्बा)
विश्लेषण/निर्णय
परिकल्पनाहरू उत्पन्न गर्दछ, विधिहरू सुझाव दिन्छ, ड्राफ्ट गणनाहरू
डाटाको साथ प्रमाणित गर्दछ, निर्णय गर्दछ
रिपोर्टिङ
A3, प्रस्तुति, सारांश पाठ मस्यौदा लेखक
शुद्धता र टोन नियन्त्रण गर्छ
ध्यान दिनुपर्ने कुरा यो हो कि एआईले डाटा आफैं उत्पन्न गर्न सक्दैन। फिल्ड मापनले मात्र मेसिनको वास्तविक चक्र समय, अपरेटरले पर्खने मिनेट, डाइ परिवर्तन गर्न कति समय लाग्छ भन्ने जानकारी दिन्छ। AI ले यो कच्चा डाटालाई व्यवस्थित, व्याख्या र बदल्छ जुन तपाईंले सुधार परिकल्पनामा ल्याउनुहुन्छ।
सुझाव: म सधैं एआईलाई सोध्छु "मलाई कुन डाटा चाहिन्छ?" यो पनि सोध्नुहोस्: सुधार सुरु गर्नु अघि सही मापन योजना स्थापना गर्नु पछि गलत डाटाको साथ विश्लेषण प्रदर्शन गर्नु भन्दा धेरै सस्तो छ।
सात अपशिष्ट (मुडा) र एआई द्वारा वर्गीकरण
फोहोर (मुडा) देखिने बनाउनु दुबला उत्पादनको मुटुमा रहेको छ। क्लासिक सात फोहोरहरू: अत्यधिक उत्पादन, पर्खाइ, अनावश्यक यातायात, अधिक प्रशोधन, सूची, अनावश्यक आन्दोलन, र त्रुटिहरू। प्रायः "अप्रयोग नगरिएको मानव क्षमता" आठौंको रूपमा थपिन्छ। AI यी कोटीहरूमा प्रक्रिया कथालाई तोड्न धेरै छिटो छ।
भूमिका: तपाईं दुबला उत्पादन मा अनुभवी एक औद्योगिक इन्जिनियर हुनुहुन्छ। कार्य: निम्न प्रक्रिया कथालाई 7 फोहोर (मुडा) कोटिहरूमा विभाजन गर्नुहोस्। प्रत्येक निर्धारणको लागि: (1) फोहोरको प्रकार, (2) प्रमाण वाक्य, (3) मेट्रिक मैले मापन गर्न आवश्यक छ, (4) सम्भावित द्रुत सुधार। प्रक्रिया विवरण: """असेम्ब्ली लाइनमा, अपरेटरले भाग लिन प्रत्येक चक्रमा 6 मिटर हिंड्छ। पेन्ट बुथको अगाडि औसत 40 मिनेटको लागि लाम बनाउँछ। लगभग एक सिफ्टमा 12 भागहरू पुन: प्रशोधन गर्न गइरहेको छ। 3 दिनको अर्ध-तयार उत्पादनहरू इन्टरमिडिया वेयरमा जम्मा हुन्छन्।
यस प्रम्प्टको शक्ति यो हो कि यसले आउटपुट मापनयोग्य बनाउँछ। यो "अनावश्यक आन्दोलन छ" भन्न पर्याप्त छैन; यो भन्न सम्भव हुनुपर्दछ "अपरेटर प्रति चक्र 6 मिटर हिड्छ, प्रति दिन X चक्रमा कुल Y मिटर।" AI ले प्रमाण कथन र मापन गर्नको लागि मेट्रिकलाई औंल्याउँछ, तपाइँ यसलाई फिल्डमा मापन गर्नुहुन्छ र नम्बर प्लग गर्नुहोस्।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
कमजोर प्रम्प्ट:
यस उत्पादन लाइनमा फोहोरको नाम दिनुहोस्।
यसले श्रेणी बिना, प्रमाण बिना, र मापन बिना एक सूची उत्पादन गर्दछ; सम्भवतः, सामान्य वाक्यांशहरू "त्यहाँ अतिरिक्त स्टक हुन सक्छ, त्यहाँ प्रतीक्षा अवधि हुन सक्छ" दोहोर्याइएको छ।
शक्तिशाली प्रम्प्ट:
यस प्रक्रिया डेटालाई फोहोरको 7 कोटिहरूमा विभाजन गर्नुहोस्, प्रत्येकको लागि प्रमाण विवरण प्रदान गर्नुहोस्, मैले नाप्नु पर्ने मेट्रिक, र अनुमानित प्रभाव। प्रभावलाई "कम/मध्यम/उच्च" को रूपमा वर्गीकृत गर्नुहोस् र तर्क लेख्नुहोस्। डाटा: {{ ... }}
भिन्नता यो हो कि आउटपुटले प्रत्यक्ष रूपमा कार्य योजनामा अनुवाद गर्न सक्छ। दोस्रो प्रम्प्टले प्राथमिकता, मापनयोग्य तालिका दिन्छ।
AI सँग DMAIC साइकलको गति बढाउँदै
सिक्स सिग्माको DMAIC फ्रेमवर्क (परिभाषित-मापन-विश्लेषण-सुधार-नियन्त्रण) सुधार परियोजनाहरूमा साझा भाषा हो। AI ले प्रत्येक चरणमा फरक तरिकाले मद्दत गर्छ:
- परिभाषित गर्नुहोस्: मस्यौदा समस्या परिभाषा, परियोजना दायरा (SIPOC), र उद्देश्य कथन।
- मापन: मापन योजना, डाटा सङ्कलन फारम, नमूना आकार तर्क।
- विश्लेषण गर्नुहोस्: परिकल्पनाहरूको सूची, फिशबोन्स (इशिकावा), सम्भावित मूल कारणहरू।
- सुधार गर्नुहोस्: समाधान विकल्पहरू, ECRS (Eliminate-combine-Rearrange-Simplify) सुझावहरू।
- नियन्त्रण: मस्यौदा नियन्त्रण योजना, मानक कार्य निर्देशन र KPI निगरानी।
निम्न समस्याको लागि Ishikawa (herringbone) कंकाल बनाउनुहोस्। समस्या: "सीएनसी मेसिनमा सतह खुरदना लक्ष्य भन्दा माथि छ।" कोटीहरू: मेसिन, विधि, सामग्री, मानव, मापन, वातावरण (6M)। प्रत्येक श्रेणी अन्तर्गत 3-4 सम्भावित कारणहरू लेख्नुहोस् र प्रत्येक कारण परीक्षण गर्न मैले कुन डाटा सङ्कलन गर्नुपर्छ भन्ने संकेत गर्नुहोस्।
यहाँ सुनौलो नियम स्थिर रहन्छ: एआई द्वारा सुझाव गरिएको प्रत्येक मूल कारण एक परिकल्पना हो, प्रमाण होइन। सतहको नरमपनको कारण "कटिंग उपकरण पहिरन" हुन सक्छ वा नहुन सक्छ; केवल उपकरण जीवन डेटा र प्रयोगले यो पुष्टि गर्दछ।
सावधानी: AI ले कहिलेकाहीं कारणहरूको चेन बनाउँछ जुन धेरै प्रशंसनीय देखिन्छ तर जमीनमा गलत छ। उदाहरण को लागी, "अपरेटर त्रुटि" भन्न सजिलो छ र अक्सर अनुचित छ। मानिसमा मूल कारणलाई दोष दिनु अघि डेटाको साथ प्रणालीगत कारणहरू (विधि, उपकरण, मापन) हटाउनुहोस्।
मिनी केस: मोल्ड परिवर्तन समय छोटो पार्दै (SMED)
प्लास्टिक इन्जेक्सन कार्यशालामा मोल्ड परिवर्तनहरू औसत 55 मिनेट लाग्छ, र यसले सानो ब्याचहरूमा ठूलो नोक्सान सिर्जना गर्दछ। औद्योगिक इन्जिनियर डेनिजले परिवर्तन प्रक्रियाको भिडियो टेप गर्दछ र चरण-दर-चरण समय गणना गर्दछ (यो डेटा क्षेत्रबाट आउँछ)। त्यसपछि यसले AI लाई चरणहरू र तिनीहरूको समयहरूको सूची दिन्छ:
यी मोल्ड परिवर्तन चरणहरूलाई SMED विधि अनुसार "आन्तरिक" (मेसिन बन्द हुँदा गर्न सकिन्छ) र "बाह्य" (मेसिन चलिरहेको बेला गर्न सकिन्छ) को रूपमा वर्गीकृत गर्नुहोस्। बाहिरी चरणहरूमा सार्न सकिने भित्री चरणहरूलाई चिन्ह लगाउनुहोस् र प्रत्येकको लागि प्रारम्भिक तयारी सुझाव लेख्नुहोस्। चरण र अवधि: {{ सूची }}
AI ले "नयाँ मोल्ड मेसिनमा ल्याउने" र "बोल्टहरू तयार गर्ने" जस्ता चरणहरूलाई बाह्य काममा पोर्टेबलको रूपमा चिन्ह लगाउँछ, अस्थायी कार्टको सुझाव दिन्छ। डेनिजले यस प्रस्तावलाई क्षेत्रमा परीक्षण गर्दैछ; यसले वास्तवमा लागू हुने कुरालाई मानकीकरण गर्छ। नतिजाको रूपमा, परिवर्तन समय 55 मिनेटबाट 32 मिनेटमा घट्छ। महत्वपूर्ण बिन्दु: AI ले योजनालाई गति दियो, तर यो फिल्ड परीक्षण र मानकीकरण थियो जसले वास्तवमै समय घटाएको थियो।
सामान्य गल्तीहरू
- Gemba लाई बाइपास गर्दै: AI आउटपुटलाई फिल्डमा अवलोकन नगरी कार्यान्वयन गर्दै। यो सरल "जानुहोस् र हेर्नुहोस्" सिद्धान्त मा आधारित छ।
- मेड-अप नम्बरहरूमा भर पर्दै: AI ले कहिलेकाहीं अस्तित्वहीन संख्याहरू उत्पादन गर्छ, जस्तै "चक्र समय लगभग 45 सेकेन्ड हो।" प्रत्येक संख्या मापन द्वारा समर्थित हुनुपर्छ।
- मानवमा मूल कारणलाई दोष दिनु: दिमागमा आउने पहिलो व्याख्या स्वीकार्नु भनेको "लापरवाही" हो; प्रणालीगत कारणहरूको अनुसन्धान गर्दैन।
- एकल समाधानमा लक गर्दै: एआईको पहिलो सुझाव मात्र विकल्प हो भन्ने सोच्दै। कम्तिमा 2-3 विकल्पहरू उत्पन्न गर्नुहोस् र तिनीहरूलाई बाधाहरू अनुसार तुलना गर्नुहोस्।
- नियन्त्रण चरण बिर्सने: सुधार गर्दै र मानक व्यापार स्थापना र KPIs निगरानी बिना यसलाई छोड्ने; प्रक्रिया पुरानै अवस्थामा फर्कन्छ।
संक्षेपमा
- एआईले औद्योगिक इन्जिनियरिङमा डाटा उत्पादन गर्दैन; यसले तपाईंले ल्याउनुभएको डाटालाई व्यवस्थित गर्दछ, यसलाई व्याख्या गर्छ र यसलाई सुधार परिकल्पनामा परिणत गर्दछ।
- सात फोहोरहरू वर्गीकरण गर्दा आउटपुट मापनयोग्य बनाउनुहोस्: प्रमाण विवरण + मापन गर्न मेट्रिक सोध्नुहोस्।
- DMAIC को प्रत्येक चरणमा ड्राफ्ट जेनेरेटरको रूपमा AI प्रयोग गर्नुहोस्, तर जहिले पनि डेटाको साथ रूट-कारणहरू प्रमाणित गर्नुहोस्।
- SMED जस्ता प्रविधिहरूमा, AI ले योजनालाई गति दिन्छ; के साँच्चै समय घटाउँछ क्षेत्र परीक्षण र मानकीकरण हो।
- Gemba छोड्नु, बनाइएको आंकडाहरूमा भर पर्नु, र जाँच चरण बिर्सनु सबैभन्दा महँगो गल्तीहरू हुन्।
आवेदन कार्य
तपाइँको आफ्नै कार्यस्थल (वा तपाइँलाई थाहा छ एक यथार्थवादी उत्पादन/सेवा प्रक्रिया) बाट प्रक्रिया छान्नुहोस्। पहिले, 5-10 मिनेटको लागि फिल्ड अवलोकन गर्नुहोस् र वास्तविक चरणहरू र अनुमानित समय नोट गर्नुहोस्। त्यसपछि AI लाई यस इकाईमा "7 फोहोर वर्गीकरण" पावर प्रम्प्ट प्रयोग गरेर प्रक्रियाको विश्लेषण गराउनुहोस्। आउटपुटमा फोहोरको प्रत्येक पत्ता लगाउनको लागि: (क) प्रमाण वास्तवमा सही छ कि छैन भनेर तपाइँको अवलोकनसँग तुलना गर्नुहोस्, (ख) मापन गरिनु पर्ने कम्तिमा एउटा मेट्रिक पहिचान गर्नुहोस्, (ग) द्रुत सुधार सुझाव चयन गर्नुहोस् र "भित्र/बाहिर काम" वा "ECRS" तर्कको साथ मूल्याङ्कन गर्नुहोस्। अन्तमा, एउटा उदाहरण फेला पार्नुहोस् जहाँ एआई द्वारा उत्पादन गरिएको दृढता फिल्डमा गलत भयो (वा प्रमाणित गर्न सकिएन) र एक वाक्यमा लेख्नुहोस् किन यो गलत थियो।