ਲਾਭ:
- ਲੀਨ ਨਿਰਮਾਣ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਸੁਧਾਰ ਚੱਕਰਾਂ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਿੱਥੇ ਕਰਨੀ ਹੈ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਸਟ੍ਰਕਚਰਡ ਪ੍ਰੋਂਪਟ ਦੇ ਨਾਲ ਮੁੱਲ ਸਟ੍ਰੀਮ ਮੈਪ, ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ DMAIC ਕਦਮਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਫੀਲਡ ਡੇਟਾ ਅਤੇ ਗੇਮਬਾ ਨਿਰੀਖਣ ਦੇ ਨਾਲ AI ਸਿਫਾਰਿਸ਼ਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੇ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰਿੰਗ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਇੱਕ "ਬਿਹਤਰ ਕਰਨਾ" ਅਨੁਸ਼ਾਸਨ ਹੈ: ਸਮਾਨ ਸਰੋਤਾਂ ਨਾਲ ਵਧੇਰੇ ਮੁੱਲ ਪੈਦਾ ਕਰਨਾ, ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਦਿਖਾਈ ਦੇਣਾ, ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਨੂੰ ਘਟਾਉਣਾ। ਨਕਲੀ ਬੁੱਧੀ ਇਸ ਅਨੁਸ਼ਾਸਨ ਵਿੱਚ ਇੱਕ ਨਵੇਂ ਕੈਲਕੁਲੇਟਰ ਜਾਂ ਜਾਦੂ ਦੇ ਹੱਲ ਵਜੋਂ ਨਹੀਂ, ਬਲਕਿ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸੋਚ ਅਤੇ ਡਰਾਫਟਿੰਗ ਸਾਥੀ ਵਜੋਂ ਪ੍ਰਵੇਸ਼ ਕਰਦੀ ਹੈ। ਜਦੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਵੈਲਯੂ ਸਟ੍ਰੀਮ ਮੈਪਿੰਗ, ਰਹਿੰਦ-ਖੂੰਹਦ ਵਰਗੀਕਰਣ, ਮੂਲ-ਕਾਰਨ ਅਧਿਐਨ ਅਤੇ ਸੁਧਾਰ ਰਿਪੋਰਟਾਂ ਨੂੰ ਘੰਟਿਆਂ ਤੋਂ ਮਿੰਟਾਂ ਤੱਕ ਘਟਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਗਲਤ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਅਜਿਹੇ ਸੁਝਾਅ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਕਦੇ ਖੇਤਰ ਨੂੰ ਨਹੀਂ ਦੇਖਿਆ, ਜੋ ਕਿ "ਕਾਗਜ਼ 'ਤੇ ਸੰਪੂਰਨ" ਹਨ ਪਰ ਅਸਲ ਵਿੱਚ ਲਾਗੂ ਨਹੀਂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਲੀਨ ਮੈਨੂਫੈਕਚਰਿੰਗ ਚੱਕਰ ਵਿੱਚ AI ਨੂੰ ਕਿੱਥੇ ਰੱਖਣਾ ਹੈ ਅਤੇ ਇਸਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ।
AI ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸੁਧਾਰ ਵਿੱਚ ਕਿੱਥੇ ਖੜ੍ਹਾ ਹੈ?
ਆਉ ਇੱਕ ਸੁਧਾਰ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਤਿੰਨ ਪਰਤਾਂ ਵਿੱਚ ਵੰਡੀਏ: ਡੇਟਾ ਸੰਗ੍ਰਹਿ, ਵਿਸ਼ਲੇਸ਼ਣ/ਫੈਸਲਾ, ਰਿਪੋਰਟਿੰਗ/ਸੰਚਾਰ। AI ਇਹਨਾਂ ਲੇਅਰਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਭਾਰ ਦੇ ਨਾਲ ਮਦਦ ਕਰਦਾ ਹੈ।
ਪਰਤ
ਏਆਈ ਦੀ ਭੂਮਿਕਾ
ਆਦਮੀ ਦੀ ਭੂਮਿਕਾ
ਡਾਟਾ ਇਕੱਠਾ
ਸਰਵੇਖਣ/ਫਾਰਮ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦਾ ਹੈ ਅਤੇ ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ
ਖੇਤਰ ਵਿੱਚ ਮਾਪ ਅਤੇ ਨਿਰੀਖਣ (ਗੇਮਬਾ)
ਵਿਸ਼ਲੇਸ਼ਣ/ਫੈਸਲਾ
ਅਨੁਮਾਨ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਤਰੀਕਿਆਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਗਣਨਾਵਾਂ ਦਾ ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ
ਡੇਟਾ ਨਾਲ ਤਸਦੀਕ ਕਰਦਾ ਹੈ, ਫੈਸਲਾ ਕਰਦਾ ਹੈ
ਰਿਪੋਰਟਿੰਗ
A3, ਪੇਸ਼ਕਾਰੀ, ਸੰਖੇਪ ਟੈਕਸਟ ਡਰਾਫਟ ਲੇਖਕ
ਸ਼ੁੱਧਤਾ ਅਤੇ ਟੋਨ ਨੂੰ ਕੰਟਰੋਲ ਕਰਦਾ ਹੈ
ਧਿਆਨ ਦੇਣ ਵਾਲੀ ਗੱਲ ਇਹ ਹੈ ਕਿ AI ਖੁਦ ਡਾਟਾ ਜਨਰੇਟ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ। ਸਿਰਫ਼ ਫੀਲਡ ਮਾਪ ਹੀ ਮਸ਼ੀਨ ਦਾ ਅਸਲ ਚੱਕਰ ਸਮਾਂ, ਇੱਕ ਓਪਰੇਟਰ ਦੇ ਇੰਤਜ਼ਾਰ ਦੇ ਮਿੰਟ, ਇੱਕ ਡਾਈ ਤਬਦੀਲੀ ਵਿੱਚ ਕਿੰਨਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ, ਦਿੰਦਾ ਹੈ। AI ਇਸ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ, ਵਿਆਖਿਆ ਅਤੇ ਬਦਲਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਇੱਕ ਸੁਧਾਰ ਪਰਿਕਲਪਨਾ ਵਿੱਚ ਲਿਆਉਂਦੇ ਹੋ।
ਨੁਕਤਾ: ਮੈਂ ਹਮੇਸ਼ਾ AI ਨੂੰ ਪੁੱਛਦਾ ਹਾਂ "ਮੈਨੂੰ ਕਿਹੜੇ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ?" ਇਹ ਵੀ ਪੁੱਛੋ: ਸੁਧਾਰ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਹੀ ਮਾਪ ਯੋਜਨਾ ਸਥਾਪਤ ਕਰਨਾ ਬਾਅਦ ਵਿੱਚ ਗਲਤ ਡੇਟਾ ਦੇ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਨਾਲੋਂ ਬਹੁਤ ਸਸਤਾ ਹੈ।
ਸੱਤ ਵੇਸਟ (ਮੁਡਾ) ਅਤੇ ਏਆਈ ਦੁਆਰਾ ਵਰਗੀਕਰਨ
ਰਹਿੰਦ-ਖੂੰਹਦ (ਮੁਡਾ) ਨੂੰ ਲੀਨ ਉਤਪਾਦਨ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਦਿਸਣਾ ਪਿਆ ਹੈ। ਕਲਾਸਿਕ ਸੱਤ ਬਰਬਾਦੀ: ਬਹੁਤ ਜ਼ਿਆਦਾ ਉਤਪਾਦਨ, ਉਡੀਕ, ਬੇਲੋੜੀ ਆਵਾਜਾਈ, ਓਵਰਪ੍ਰੋਸੈਸਿੰਗ, ਵਸਤੂ ਸੂਚੀ, ਬੇਲੋੜੀ ਅੰਦੋਲਨ, ਅਤੇ ਗਲਤੀਆਂ। ਅਕਸਰ "ਅਣਵਰਤਿਆ ਮਨੁੱਖੀ ਸੰਭਾਵੀ" ਨੂੰ ਅੱਠਵੇਂ ਵਜੋਂ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ। AI ਇਹਨਾਂ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਦੇ ਬਿਰਤਾਂਤ ਨੂੰ ਤੋੜਨ ਵਿੱਚ ਬਹੁਤ ਤੇਜ਼ ਹੈ।
ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰ ਹੋ ਜੋ ਲੀਨ ਨਿਰਮਾਣ ਵਿੱਚ ਅਨੁਭਵ ਕੀਤਾ ਹੈ। ਕਾਰਜ: ਨਿਮਨਲਿਖਤ ਪ੍ਰਕਿਰਿਆ ਦੇ ਬਿਰਤਾਂਤ ਨੂੰ 7 ਵੇਸਟ (ਮੁਡਾ) ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡੋ। ਹਰੇਕ ਨਿਰਧਾਰਨ ਲਈ: (1) ਕੂੜੇ ਦੀ ਕਿਸਮ, (2) ਸਬੂਤ ਦੀ ਸਜ਼ਾ, (3) ਮੈਟ੍ਰਿਕ ਮੈਨੂੰ ਮਾਪਣ ਦੀ ਲੋੜ ਹੈ, (4) ਸੰਭਵ ਤੇਜ਼ ਸੁਧਾਰ। ਪ੍ਰਕਿਰਿਆ ਦਾ ਵੇਰਵਾ: """ਅਸੈਂਬਲੀ ਲਾਈਨ 'ਤੇ, ਓਪਰੇਟਰ ਹਿੱਸੇ ਨੂੰ ਚੁੱਕਣ ਲਈ ਹਰੇਕ ਚੱਕਰ ਵਿੱਚ 6 ਮੀਟਰ ਚੱਲਦਾ ਹੈ। ਪੇਂਟ ਬੂਥ ਦੇ ਸਾਹਮਣੇ ਔਸਤਨ 40 ਮਿੰਟਾਂ ਲਈ ਇੱਕ ਕਤਾਰ ਬਣਦੀ ਹੈ। ਲਗਭਗ ਇੱਕ ਸ਼ਿਫਟ ਵਿੱਚ 12 ਭਾਗਾਂ ਨੂੰ ਮੁੜ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਇੰਟਰਮੀਡੀਆਹਾਊਸ ਵੇਅਰ ਵਿੱਚ 3 ਦਿਨਾਂ ਦੇ ਅਰਧ-ਮੁਕੰਮਲ ਉਤਪਾਦ ਇਕੱਠੇ ਹੁੰਦੇ ਹਨ।
ਇਸ ਪ੍ਰੋਂਪਟ ਦੀ ਸ਼ਕਤੀ ਇਹ ਹੈ ਕਿ ਇਹ ਆਉਟਪੁੱਟ ਨੂੰ ਮਾਪਣਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਕਹਿਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ ਕਿ "ਬੇਲੋੜੀ ਅੰਦੋਲਨ ਹੈ"; ਇਹ ਕਹਿਣਾ ਸੰਭਵ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ "ਓਪਰੇਟਰ 6 ਮੀਟਰ ਪ੍ਰਤੀ ਚੱਕਰ ਚਲਦਾ ਹੈ, ਪ੍ਰਤੀ ਦਿਨ X ਚੱਕਰਾਂ ਵਿੱਚ ਕੁੱਲ Y ਮੀਟਰ।" AI ਸਬੂਤ ਬਿਆਨ ਅਤੇ ਮਾਪਣ ਲਈ ਮੈਟ੍ਰਿਕ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਤੁਸੀਂ ਇਸਨੂੰ ਫੀਲਡ ਵਿੱਚ ਮਾਪਦੇ ਹੋ ਅਤੇ ਨੰਬਰ ਵਿੱਚ ਪਲੱਗ ਕਰਦੇ ਹੋ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਉਤਪਾਦਨ ਲਾਈਨ ਵਿੱਚ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਨਾਮ ਦਿਓ।
ਇਹ ਸ਼੍ਰੇਣੀਆਂ ਤੋਂ ਬਿਨਾਂ, ਬਿਨਾਂ ਸਬੂਤ ਦੇ, ਅਤੇ ਬਿਨਾਂ ਮਾਪ ਦੇ ਇੱਕ ਸੂਚੀ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਜ਼ਿਆਦਾਤਰ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ, ਆਮ ਵਾਕਾਂਸ਼ "ਇੱਥੇ ਵਾਧੂ ਸਟਾਕ ਹੋ ਸਕਦਾ ਹੈ, ਇੱਕ ਉਡੀਕ ਸਮਾਂ ਹੋ ਸਕਦਾ ਹੈ" ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ.
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਇਸ ਪ੍ਰਕਿਰਿਆ ਦੇ ਡੇਟਾ ਨੂੰ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀਆਂ 7 ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡੋ, ਹਰੇਕ ਲਈ ਸਬੂਤ ਬਿਆਨ, ਮੈਟ੍ਰਿਕ ਮੈਨੂੰ ਮਾਪਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਅਨੁਮਾਨਿਤ ਪ੍ਰਭਾਵ ਪ੍ਰਦਾਨ ਕਰੋ। ਪ੍ਰਭਾਵ ਨੂੰ "ਘੱਟ/ਮੱਧਮ/ਉੱਚ" ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ ਅਤੇ ਤਰਕ ਲਿਖੋ। ਡੇਟਾ: {{ ... }}
ਫਰਕ ਇਹ ਹੈ ਕਿ ਆਉਟਪੁੱਟ ਸਿੱਧੇ ਇੱਕ ਐਕਸ਼ਨ ਪਲਾਨ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰ ਸਕਦੀ ਹੈ। ਦੂਜਾ ਪ੍ਰੋਂਪਟ ਇੱਕ ਤਰਜੀਹੀ, ਮਾਪਣਯੋਗ ਸਾਰਣੀ ਦਿੰਦਾ ਹੈ।
AI ਨਾਲ DMAIC ਸਾਈਕਲ ਨੂੰ ਤੇਜ਼ ਕਰਨਾ
ਸਿਕਸ ਸਿਗਮਾ ਦਾ DMAIC ਫਰੇਮਵਰਕ (ਪਰਿਭਾਸ਼ਿਤ-ਮਾਪ-ਵਿਸ਼ਲੇਸ਼ਣ-ਸੁਧਾਰ-ਨਿਯੰਤਰਣ) ਸੁਧਾਰ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਇੱਕ ਆਮ ਭਾਸ਼ਾ ਹੈ। AI ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਵੱਖ-ਵੱਖ ਤਰੀਕੇ ਨਾਲ ਮਦਦ ਕਰਦਾ ਹੈ:
- ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ: ਡਰਾਫਟ ਸਮੱਸਿਆ ਪਰਿਭਾਸ਼ਾ, ਪ੍ਰੋਜੈਕਟ ਸਕੋਪ (SIPOC), ਅਤੇ ਉਦੇਸ਼ ਬਿਆਨ।
- ਮਾਪ: ਮਾਪ ਯੋਜਨਾ, ਡਾਟਾ ਇਕੱਤਰ ਕਰਨ ਦਾ ਫਾਰਮ, ਨਮੂਨਾ ਆਕਾਰ ਤਰਕ।
- ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ: ਅਨੁਮਾਨਾਂ ਦੀ ਸੂਚੀ, ਫਿਸ਼ਬੋਨਸ (ਇਸ਼ੀਕਾਵਾ), ਸੰਭਵ ਮੂਲ ਕਾਰਨ।
- ਸੁਧਾਰ ਕਰੋ: ਹੱਲ ਵਿਕਲਪ, ਈਸੀਆਰਐਸ (ਐਲੀਮੀਨੇਟ-ਕੰਬਾਈਨ-ਰੀਏਰੇਂਜ-ਸਿਮਲੀਫਾਈ) ਸੁਝਾਅ।
- ਨਿਯੰਤਰਣ: ਡਰਾਫਟ ਨਿਯੰਤਰਣ ਯੋਜਨਾ, ਮਿਆਰੀ ਕੰਮ ਨਿਰਦੇਸ਼ ਅਤੇ ਨਿਗਰਾਨੀ KPI।
ਹੇਠ ਲਿਖੀ ਸਮੱਸਿਆ ਲਈ ਇੱਕ ਇਸ਼ੀਕਾਵਾ (ਹੈਰਿੰਗਬੋਨ) ਪਿੰਜਰ ਬਣਾਓ। ਸਮੱਸਿਆ: "ਸੀਐਨਸੀ ਮਸ਼ੀਨ 'ਤੇ ਸਤਹ ਦੀ ਖੁਰਦਰੀ ਟੀਚੇ ਤੋਂ ਉੱਪਰ ਹੈ।" ਸ਼੍ਰੇਣੀਆਂ: ਮਸ਼ੀਨ, ਵਿਧੀ, ਸਮੱਗਰੀ, ਮਨੁੱਖੀ, ਮਾਪ, ਵਾਤਾਵਰਣ (6M)। ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਦੇ ਅਧੀਨ 3-4 ਸੰਭਾਵੀ ਕਾਰਨ ਲਿਖੋ ਅਤੇ ਦੱਸੋ ਕਿ ਹਰੇਕ ਕਾਰਨ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਮੈਨੂੰ ਕਿਹੜਾ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
ਇੱਥੇ ਸੁਨਹਿਰੀ ਨਿਯਮ ਸਥਿਰ ਰਹਿੰਦਾ ਹੈ: AI ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਹਰ ਮੂਲ ਕਾਰਨ ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ, ਸਬੂਤ ਨਹੀਂ। ਸਤਹ ਦੇ ਖੁਰਦਰੇ ਦਾ ਕਾਰਨ "ਕਟਿੰਗ ਟੂਲ ਵੀਅਰ" ਹੋ ਸਕਦਾ ਹੈ ਜਾਂ ਨਹੀਂ; ਕੇਵਲ ਟੂਲ ਲਾਈਫ ਡੇਟਾ ਅਤੇ ਪ੍ਰਯੋਗ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਨ।
ਸਾਵਧਾਨ: AI ਕਈ ਵਾਰ ਕਾਰਨਾਂ ਦੀ ਜੰਜੀਰੀ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਬਹੁਤ ਹੀ ਸਹੀ ਜਾਪਦੇ ਹਨ ਪਰ ਜ਼ਮੀਨ 'ਤੇ ਗਲਤ ਹੁੰਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, "ਓਪਰੇਟਰ ਗਲਤੀ" ਕਹਿਣਾ ਆਸਾਨ ਹੈ ਅਤੇ ਅਕਸਰ ਅਨੁਚਿਤ ਹੁੰਦਾ ਹੈ। ਮਨੁੱਖਾਂ 'ਤੇ ਮੂਲ ਕਾਰਨ ਨੂੰ ਜ਼ਿੰਮੇਵਾਰ ਠਹਿਰਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਦੇ ਨਾਲ ਪ੍ਰਣਾਲੀਗਤ ਕਾਰਨਾਂ (ਤਰੀਕਿਆਂ, ਉਪਕਰਣਾਂ, ਮਾਪਾਂ) ਨੂੰ ਖਤਮ ਕਰੋ।
ਮਿੰਨੀ ਕੇਸ: ਮੋਲਡ ਬਦਲਣ ਦਾ ਸਮਾਂ ਛੋਟਾ ਕਰਨਾ (SMED)
ਪਲਾਸਟਿਕ ਇੰਜੈਕਸ਼ਨ ਵਰਕਸ਼ਾਪ ਵਿੱਚ ਮੋਲਡ ਤਬਦੀਲੀਆਂ ਵਿੱਚ ਔਸਤਨ 55 ਮਿੰਟ ਲੱਗਦੇ ਹਨ, ਅਤੇ ਇਸ ਨਾਲ ਛੋਟੇ ਬੈਚਾਂ ਵਿੱਚ ਬਹੁਤ ਨੁਕਸਾਨ ਹੁੰਦਾ ਹੈ। ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰ ਡੇਨੀਜ਼ ਤਬਦੀਲੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵੀਡੀਓ ਟੇਪ ਕਰਦਾ ਹੈ ਅਤੇ ਪੜਾਅ-ਦਰ-ਕਦਮ ਸਮੇਂ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ (ਇਹ ਡੇਟਾ ਖੇਤਰ ਤੋਂ ਆਉਂਦਾ ਹੈ)। ਇਹ ਫਿਰ AI ਨੂੰ ਕਦਮਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਸਮੇਂ ਦੀ ਸੂਚੀ ਦਿੰਦਾ ਹੈ:
SMED ਵਿਧੀ ਦੇ ਅਨੁਸਾਰ ਇਹਨਾਂ ਮੋਲਡ ਬਦਲਣ ਦੇ ਕਦਮਾਂ ਨੂੰ "ਅੰਦਰੂਨੀ" (ਮਸ਼ੀਨ ਦੇ ਬੰਦ ਹੋਣ 'ਤੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ) ਅਤੇ "ਬਾਹਰੀ" (ਮਸ਼ੀਨ ਦੇ ਚੱਲਦੇ ਸਮੇਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ) ਦੇ ਰੂਪ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ। ਅੰਦਰਲੇ ਕਦਮਾਂ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ ਜੋ ਬਾਹਰਲੇ ਕਦਮਾਂ 'ਤੇ ਲਿਜਾਏ ਜਾ ਸਕਦੇ ਹਨ ਅਤੇ ਹਰੇਕ ਲਈ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਤਿਆਰੀ ਸੁਝਾਅ ਲਿਖੋ। ਪੜਾਅ ਅਤੇ ਮਿਆਦ: {{ ਸੂਚੀ }}
AI ਬਾਹਰੀ ਕੰਮ ਲਈ ਪੋਰਟੇਬਲ ਵਜੋਂ "ਮਸ਼ੀਨ ਵਿੱਚ ਨਵਾਂ ਮੋਲਡ ਲਿਆਉਣਾ" ਅਤੇ "ਬੋਲਟ ਤਿਆਰ ਕਰਨਾ" ਵਰਗੇ ਕਦਮਾਂ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦਾ ਹੈ, ਇੱਕ ਅਸਥਾਈ ਕਾਰਟ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ। ਡੇਨੀਜ਼ ਖੇਤਰ ਵਿੱਚ ਇਸ ਪ੍ਰਸਤਾਵ ਦੀ ਜਾਂਚ ਕਰ ਰਿਹਾ ਹੈ; ਇਹ ਪ੍ਰਮਾਣਿਤ ਕਰਦਾ ਹੈ ਕਿ ਅਸਲ ਵਿੱਚ ਕੀ ਲਾਗੂ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, ਤਬਦੀਲੀ ਦਾ ਸਮਾਂ 55 ਮਿੰਟ ਤੋਂ ਘਟ ਕੇ 32 ਮਿੰਟ ਹੋ ਜਾਂਦਾ ਹੈ। ਨਾਜ਼ੁਕ ਬਿੰਦੂ: ਏਆਈ ਨੇ ਯੋਜਨਾ ਨੂੰ ਤੇਜ਼ ਕੀਤਾ, ਪਰ ਇਹ ਫੀਲਡ ਟੈਸਟਿੰਗ ਅਤੇ ਮਾਨਕੀਕਰਨ ਸੀ ਜਿਸ ਨੇ ਅਸਲ ਵਿੱਚ ਸਮਾਂ ਘਟਾ ਦਿੱਤਾ।
ਆਮ ਗਲਤੀਆਂ
- ਗੇਮਬਾ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ: AI ਆਉਟਪੁੱਟ ਨੂੰ ਫੀਲਡ ਵਿੱਚ ਨਿਰੀਖਣ ਕੀਤੇ ਬਿਨਾਂ ਲਾਗੂ ਕਰਨਾ। ਇਹ ਸਧਾਰਨ "ਜਾਓ ਅਤੇ ਦੇਖੋ" ਸਿਧਾਂਤ 'ਤੇ ਅਧਾਰਤ ਹੈ।
- ਬਣਾਏ ਗਏ ਨੰਬਰਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ: AI ਕਈ ਵਾਰ ਗੈਰ-ਮੌਜੂਦ ਸੰਖਿਆਵਾਂ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ "ਚੱਕਰ ਦਾ ਸਮਾਂ ਲਗਭਗ 45 ਸਕਿੰਟ ਹੈ।" ਹਰੇਕ ਨੰਬਰ ਨੂੰ ਮਾਪ ਦੁਆਰਾ ਸਮਰਥਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਮਨੁੱਖਾਂ 'ਤੇ ਮੂਲ ਕਾਰਨ ਦਾ ਦੋਸ਼: ਮਨ ਵਿਚ ਆਉਣ ਵਾਲੀ ਪਹਿਲੀ ਵਿਆਖਿਆ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ "ਲਾਪਰਵਾਹੀ" ਹੈ; ਪ੍ਰਣਾਲੀਗਤ ਕਾਰਨਾਂ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਰਿਹਾ।
- ਇੱਕ ਸਿੰਗਲ ਹੱਲ ਵਿੱਚ ਲਾਕ ਕਰਨਾ: ਇਹ ਸੋਚਣਾ ਕਿ ਏਆਈ ਦਾ ਪਹਿਲਾ ਸੁਝਾਅ ਹੀ ਇੱਕੋ ਇੱਕ ਵਿਕਲਪ ਹੈ। ਘੱਟੋ-ਘੱਟ 2-3 ਵਿਕਲਪ ਤਿਆਰ ਕਰੋ ਅਤੇ ਸੀਮਾਵਾਂ ਦੇ ਅਨੁਸਾਰ ਉਹਨਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ।
- ਨਿਯੰਤਰਣ ਪੜਾਅ ਨੂੰ ਭੁੱਲਣਾ: ਸੁਧਾਰ ਕਰਨਾ ਅਤੇ ਮਿਆਰੀ ਕਾਰੋਬਾਰ ਦੀ ਸਥਾਪਨਾ ਅਤੇ ਕੇਪੀਆਈ ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੇ ਬਿਨਾਂ ਇਸਨੂੰ ਛੱਡਣਾ; ਪ੍ਰਕਿਰਿਆ ਆਪਣੀ ਪਿਛਲੀ ਸਥਿਤੀ ਵਿੱਚ ਵਾਪਸ ਆਉਂਦੀ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
- AI ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਡੇਟਾ ਪੈਦਾ ਨਹੀਂ ਕਰਦਾ; ਇਹ ਤੁਹਾਡੇ ਦੁਆਰਾ ਲਿਆਏ ਗਏ ਡੇਟਾ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਦਾ ਹੈ, ਇਸਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਸੁਧਾਰ ਪਰਿਕਲਪਨਾ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।
- ਸੱਤ ਰਹਿੰਦ-ਖੂੰਹਦ ਦਾ ਵਰਗੀਕਰਨ ਕਰਦੇ ਸਮੇਂ ਆਉਟਪੁੱਟ ਨੂੰ ਮਾਪਣਯੋਗ ਬਣਾਓ: ਸਬੂਤ ਬਿਆਨ + ਮਾਪਣ ਲਈ ਮੈਟ੍ਰਿਕ ਲਈ ਪੁੱਛੋ।
- DMAIC ਦੇ ਹਰ ਪੜਾਅ 'ਤੇ AI ਨੂੰ ਡਰਾਫਟ ਜਨਰੇਟਰ ਵਜੋਂ ਵਰਤੋ, ਪਰ ਹਮੇਸ਼ਾ ਡੇਟਾ ਦੇ ਨਾਲ ਮੂਲ ਕਾਰਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
- SMED ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਵਿੱਚ, AI ਯੋਜਨਾ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ; ਜੋ ਅਸਲ ਵਿੱਚ ਸਮਾਂ ਘਟਾਉਂਦਾ ਹੈ ਉਹ ਹੈ ਫੀਲਡ ਟੈਸਟਿੰਗ ਅਤੇ ਮਾਨਕੀਕਰਨ।
- ਗੈਂਬਾ ਨੂੰ ਛੱਡਣਾ, ਬਣਾਏ ਗਏ ਅੰਕੜਿਆਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ, ਅਤੇ ਜਾਂਚ ਦੇ ਪੜਾਅ ਨੂੰ ਭੁੱਲਣਾ ਸਭ ਤੋਂ ਮਹਿੰਗੀਆਂ ਗਲਤੀਆਂ ਹਨ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਆਪਣੇ ਖੁਦ ਦੇ ਕੰਮ ਵਾਲੀ ਥਾਂ ਤੋਂ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਚੁਣੋ (ਜਾਂ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਉਤਪਾਦਨ/ਸੇਵਾ ਪ੍ਰਕਿਰਿਆ ਜੋ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ)। ਪਹਿਲਾਂ, 5-10 ਮਿੰਟਾਂ ਲਈ ਖੇਤ ਦਾ ਨਿਰੀਖਣ ਕਰੋ ਅਤੇ ਅਸਲ ਕਦਮਾਂ ਅਤੇ ਅਨੁਮਾਨਿਤ ਸਮੇਂ ਨੂੰ ਨੋਟ ਕਰੋ। ਫਿਰ ਏਆਈ ਨੂੰ ਇਸ ਯੂਨਿਟ ਵਿੱਚ "7 ਵੇਸਟ ਵਰਗੀਕਰਣ" ਪਾਵਰ ਪ੍ਰੋਂਪਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਕਿਰਿਆ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕਹੋ। ਆਉਟਪੁੱਟ ਵਿੱਚ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਹਰੇਕ ਖੋਜ ਲਈ: (a) ਆਪਣੇ ਨਿਰੀਖਣ ਨਾਲ ਤੁਲਨਾ ਕਰੋ ਕਿ ਕੀ ਸਬੂਤ ਅਸਲ ਵਿੱਚ ਸਹੀ ਹੈ, (ਬੀ) ਘੱਟੋ-ਘੱਟ ਇੱਕ ਮੈਟ੍ਰਿਕ ਦੀ ਪਛਾਣ ਕਰੋ ਜਿਸ ਨੂੰ ਮਾਪਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, (c) ਇੱਕ ਤੇਜ਼ ਸੁਧਾਰ ਸੁਝਾਅ ਚੁਣੋ ਅਤੇ "ਅੰਦਰੋਂ/ਬਾਹਰ ਨੌਕਰੀ" ਜਾਂ "ECRS" ਤਰਕ ਨਾਲ ਇਸਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਉਦਾਹਰਨ ਲੱਭੋ ਜਿੱਥੇ AI ਦੁਆਰਾ ਪੈਦਾ ਕੀਤਾ ਗਿਆ ਇੱਕ ਨਿਰਧਾਰਨ ਖੇਤਰ ਵਿੱਚ ਗਲਤ ਨਿਕਲਿਆ (ਜਾਂ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਿਆ) ਅਤੇ ਇੱਕ ਵਾਕ ਵਿੱਚ ਲਿਖੋ ਕਿ ਇਹ ਗਲਤ ਕਿਉਂ ਸੀ।