ਲਾਭ:
- ਏਆਈ-ਪਾਵਰਡ ਪਾਈਥਨ ਕੋਡ ਨਾਲ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਅਤੇ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕਾਰਜਾਂ ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਯੂਨਿਟ ਚੈਕਿੰਗ, ਟੈਸਟਿੰਗ ਅਤੇ ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਦੇ ਨਾਲ AI-ਤਿਆਰ ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਗੁਪਤ ਉਤਪਾਦਨ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰਨ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ AI ਵਰਤੋਂ ਦੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਉਦਯੋਗਿਕ ਇੰਜਨੀਅਰਿੰਗ ਵਿੱਚ, ਗਤੀ ਅਤੇ ਦੁਹਰਾਉਣਯੋਗਤਾ ਦੋਵੇਂ ਉਦੋਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜਦੋਂ ਦੁਹਰਾਉਣ ਵਾਲੀਆਂ ਗਣਨਾਵਾਂ, ਡੇਟਾ ਕਲੀਨਿੰਗ ਅਤੇ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਮਾਡਲ ਪਾਈਥਨ ਨਾਲ ਸਵੈਚਾਲਿਤ ਹੁੰਦੇ ਹਨ। AI ਇਸ ਕੋਡ ਨੂੰ ਲਿਖਣ ਲਈ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਐਕਸਲੇਟਰ ਹੈ: ਪਾਂਡਾ ਨਾਲ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ, PuLP/SciPy ਨਾਲ ਅਨੁਕੂਲਤਾ, ਮਿੰਟਾਂ ਵਿੱਚ ਮੈਟਪਲੋਟਲਿਬ ਡਰਾਫਟ ਕੋਡ ਨਾਲ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ। ਪਰ AI ਕੋਡ ਮੂਲ ਰੂਪ ਵਿੱਚ "ਕੰਮ ਜਾਪਦਾ" ਅਤੇ "ਸਹੀ ਹੋਣ" ਵਿੱਚ ਅੰਤਰ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ AI-ਸੰਚਾਲਿਤ ਇੰਜੀਨੀਅਰਿੰਗ ਆਟੋਮੇਸ਼ਨ, ਪ੍ਰਮਾਣਿਤ ਕੋਡ ਦੇ ਅਨੁਸ਼ਾਸਨ, ਅਤੇ ਗੁਪਤ ਉਤਪਾਦਨ ਡੇਟਾ ਦੀ ਸੁਰੱਖਿਆ ਦੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਜੋੜਦੇ ਹਾਂ। ਇਹ ਇਕਾਈ ਪਿਛਲੀਆਂ ਸਾਰੀਆਂ ਇਕਾਈਆਂ ਲਈ "ਭਰੋਸੇ ਨਾਲ ਲਾਗੂ ਕਰੋ" ਪਰਤ ਹੈ।
ਕੋਡ ਕਿਉਂ? ਦੁਹਰਾਉਣਯੋਗਤਾ ਅਤੇ ਆਡਿਟਬਿਲਟੀ
ਐਕਸਲ ਵਿੱਚ ਇੱਕ ਦਸਤੀ ਗਣਨਾ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਛੇ ਮਹੀਨਿਆਂ ਬਾਅਦ "ਉਹ ਨੰਬਰ ਕਿੱਥੋਂ ਆਇਆ?" ਸਵਾਲ ਦਾ ਜਵਾਬ ਨਹੀਂ ਦੇ ਸਕਦਾ। ਕੋਡ, ਦੂਜੇ ਪਾਸੇ, ਇਨਪੁਟ, ਸਟੈਪਸ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਸਾਫ ਅਤੇ ਦੁਹਰਾਉਣ ਯੋਗ ਰੱਖਦਾ ਹੈ। ਕੋਡ ਵਿੱਚ ਇੱਕ ਇੰਜਨੀਅਰਿੰਗ ਗਣਨਾ ਕਰਨ ਦੇ ਤਿੰਨ ਫਾਇਦੇ: (1) ਇੱਕੋ ਇਨਪੁਟ ਨਾਲ ਹਮੇਸ਼ਾਂ ਇੱਕੋ ਜਿਹਾ ਨਤੀਜਾ, (2) ਹਰੇਕ ਕਦਮ ਨੂੰ ਦ੍ਰਿਸ਼ਮਾਨ ਅਤੇ ਸਮੀਖਿਆਯੋਗ ਬਣਾਉਣਾ, (3) ਜਦੋਂ ਇਨਪੁਟ ਬਦਲਦਾ ਹੈ ਤਾਂ ਨਤੀਜੇ ਨੂੰ ਆਪਣੇ ਆਪ ਅੱਪਡੇਟ ਕਰਨਾ।
# EOQ ਗਣਨਾ ਨੂੰ ਇੱਕ ਪ੍ਰਮਾਣਿਤ ਫੰਕਸ਼ਨ ਆਯਾਤ mathdef eoq (ਸਾਲਾਨਾ_ਡਿਮਾਂਡ, ਆਰਡਰ_ਕੋਸਟ, ਹੋਲਡਿੰਗ_ਕੋਸਟ) ਵਿੱਚ ਬਦਲਣਾ: """ਆਰਥਿਕ ਆਰਡਰ ਦੀ ਮਾਤਰਾ। ਇਕਾਈਆਂ ਇਕਸਾਰ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ: ਸਾਲਾਨਾ_ਡਿਮਾਂਡ [ਆਈਟਮਾਂ/ਸਾਲ], ਆਰਡਰ_ਕੀਮਤ [TL/ਆਰਡਰ], ਹੋਲਡਿੰਗ_ਪੀਸ = ਸਾਲਾਨਾ ਜੇ "[T_L/ਸਾਲ] ਜਾਂ "ਸਾਲਾਨਾ_ਲਾਗਤ"। holding_cost <= 0: raise ValueError("ਡਿਮਾਂਡ ਅਤੇ ਹੋਲਡਿੰਗ ਲਾਗਤ ਸਕਾਰਾਤਮਕ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ") ਵਾਪਸੀ math.sqrt((2 * ਸਾਲਾਨਾ_ਡਿਮਾਂਡ * order_cost) / holding_cost)# ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜੇ (ਤਸਦੀਕ) ਨਾਲ ਟੈਸਟ ਕਰੋ:# D=3600, S=120, H=8 -> ~328,6, 328,6 (q30, q30, q30) 328.63) < 0.1ਪ੍ਰਿੰਟ(ਗੋਲ(ਈਓਕ(3600, 120, 8), 1)) #328.6
ਇੱਥੇ ਦਾਅਵਾ ਲਾਈਨ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਕਿਸੇ ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜੇ ਦੇ ਵਿਰੁੱਧ ਟੈਸਟ। AI ਦੁਆਰਾ ਲਿਖੇ ਹਰੇਕ ਗਣਨਾ ਫੰਕਸ਼ਨ ਵਿੱਚ ਘੱਟੋ ਘੱਟ ਇੱਕ "ਜਾਣਿਆ ਨਤੀਜਾ ਟੈਸਟ" ਜੋੜ ਕੇ, ਤੁਸੀਂ ਸਾਬਤ ਕਰਦੇ ਹੋ ਕਿ ਕੋਡ ਅਸਲ ਵਿੱਚ ਸਹੀ ਢੰਗ ਨਾਲ ਗਣਨਾ ਕਰਦਾ ਹੈ।
AI ਨਾਲ ਕੋਡ ਬਣਾਉਣ ਦਾ ਸਹੀ ਤਰੀਕਾ
ਏਆਈ ਨੂੰ ਕੋਡ ਲਿਖਣ ਵੇਲੇ ਜਿੰਨੀ ਘੱਟ ਅਨਿਸ਼ਚਿਤਤਾ ਹੁੰਦੀ ਹੈ, ਆਉਟਪੁੱਟ ਓਨੀ ਹੀ ਭਰੋਸੇਯੋਗ ਹੁੰਦੀ ਹੈ।
ਭੂਮਿਕਾ: ਤੁਸੀਂ ਪਾਈਥਨ ਅਤੇ ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰਿੰਗ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਮਾਹਰ ਹੋ। ਕਾਰਜ: ਇੱਕ ਫੰਕਸ਼ਨ ਲਿਖੋ ਜੋ ਇੱਕ CSV ਵਿੱਚ ਰੋਜ਼ਾਨਾ ਉਤਪਾਦਨ ਡੇਟਾ (ਤਾਰੀਖ, ਉਤਪਾਦਨ, ਨੁਕਸਦਾਰ, ਡਾਊਨਟਾਈਮ_ਮਿੰਟ) ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਰੋਜ਼ਾਨਾ ਬਰਬਾਦੀ ਦਰ ਅਤੇ ਲਗਭਗ OEE ਭਾਗਾਂ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਲੋੜਾਂ:- ਪਾਂਡਾ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਕਾਲਮ ਦੇ ਨਾਮ ਪ੍ਰਮਾਣਿਤ ਕਰੋ (ਜੇ ਗੁੰਮ ਹੈ ਤਾਂ ਸਮਝਣ ਯੋਗ ਗਲਤੀ ਦਿਓ)। - ਵੇਸਟ ਰੇਟ = ਨੁਕਸਦਾਰ / ਪੈਦਾ ਹੋਇਆ; ਜ਼ੀਰੋ ਦੁਆਰਾ ਵੰਡ ਤੋਂ ਬਚਾਓ।- ਫੰਕਸ਼ਨ ਵਿੱਚ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜੇ ਦੇ ਨਾਲ ਇੱਕ ਟੈਸਟ (ਦਾਅ) ਸ਼ਾਮਲ ਕਰੋ।- ਡੌਕਸਟ੍ਰਿੰਗ ਵਿੱਚ ਯੂਨਿਟ ਅਤੇ ਧਾਰਨਾਵਾਂ ਲਿਖੋ। ਨਿਯਮ: ਲੁਕਵੀਂ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਨਾ ਜੋੜੋ ਜੋ ਨੈੱਟਵਰਕ/ਫਾਈਲ ਸਿਸਟਮ ਨੂੰ ਲਿਖਦੀ ਹੈ। ਬਸ ਹਿਸਾਬ-ਕਿਤਾਬ ਕਰੋ। ਟਿੱਪਣੀਆਂ ਦੇ ਨਾਲ ਨਿਸ਼ਾਨ ਲਗਾਓ ਜਿੱਥੇ ਤੁਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋ.
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਕੋਡ ਲਿਖੋ ਜੋ ਉਤਪਾਦਨ ਕੁਸ਼ਲਤਾ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।
"ਯੀਲਡ" ਪਰਿਭਾਸ਼ਿਤ ਨਹੀਂ ਹੈ, ਕੋਈ ਡਾਟਾ ਸਕੀਮਾ ਨਹੀਂ, ਕੋਈ ਟੈਸਟਿੰਗ ਨਹੀਂ ਹੈ। ਭਾਵੇਂ ਆਉਟਪੁੱਟ ਕੰਮ ਕਰਦੀ ਹੈ, ਇਹ ਅਸਪਸ਼ਟ ਹੈ ਕਿ ਇਹ ਕੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਹੇਠਾਂ ਦਿੱਤੇ ਚਿੱਤਰ ਵਿੱਚ CSV ਲਈ OEE ਦੀ ਗਣਨਾ ਕਰੋ: ਕਾਲਮ [ਯੋਜਨਾਬੱਧ_ਸਮਾਂ, ਰਨ_ਟਾਈਮ, ਆਦਰਸ਼_ਚੱਕਰ, ਉਤਪਾਦਿਤ, ਗੁਣਵੱਤਾ]। ਉਪਲਬਧਤਾ = ਕੰਮ/ਯੋਜਨਾਬੱਧ, ਪ੍ਰਦਰਸ਼ਨ = (ਆਦਰਸ਼_ਚੱਕਰ × ਪੈਦਾ ਕੀਤਾ)/ਚਲਾਓ, ਗੁਣਵੱਤਾ = ਗੁਣਵੱਤਾ/ਉਤਪਾਦਿਤ। OEE ਇਹਨਾਂ ਤਿੰਨਾਂ ਦਾ ਉਤਪਾਦ ਹੈ। ਹਰੇਕ ਕੰਪੋਨੈਂਟ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਵਾਪਸ ਕਰੋ, ਜ਼ੀਰੋ ਦੁਆਰਾ ਵੰਡ ਨੂੰ ਹੈਂਡਲ ਕਰੋ, ਅਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਮੁੱਲਾਂ ਦੇ ਨਾਲ ਇੱਕ ਐਸਰਟ ਟੈਸਟ ਸ਼ਾਮਲ ਕਰੋ।
ਦੂਜਾ ਪ੍ਰੋਂਪਟ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਹਰੇਕ ਫਾਰਮੂਲਾ ਅਤੇ ਚਿੱਤਰ ਦਿੰਦਾ ਹੈ; ਇਹ AI ਦੁਆਰਾ "ਉਪਜ" ਦੀ ਗਲਤ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ ਅਤੇ ਜਾਂਚ ਦੁਆਰਾ ਤਸਦੀਕ ਨੂੰ ਲਾਜ਼ਮੀ ਕਰਦਾ ਹੈ।
ਕੋਡ ਪੁਸ਼ਟੀਕਰਨ ਚੈੱਕਲਿਸਟ
ਉਤਪਾਦਨ ਦੇ ਫੈਸਲੇ ਵਿੱਚ AI ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹਨਾਂ ਪੜਾਵਾਂ ਵਿੱਚੋਂ ਲੰਘੋ:
ਕਦਮ
ਕੀ ਜਾਂਚ ਕਰਨੀ ਹੈ
ਯੂਨਿਟ/ਆਕਾਰ
ਕੀ ਇਨਪੁਟ-ਆਉਟਪੁੱਟ ਇਕਾਈਆਂ ਇਕਸਾਰ ਹਨ?
ਜਾਣਿਆ ਨਤੀਜਾ ਟੈਸਟ
ਕੀ ਇਹ ਹੱਥ ਦੀ ਗਣਨਾ ਕੀਤੀ ਉਦਾਹਰਣ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਦਿੰਦਾ ਹੈ?
ਕਿਨਾਰੇ ਦੇ ਮਾਮਲੇ
ਜ਼ੀਰੋ, ਨੈਗੇਟਿਵ, ਖਾਲੀ ਡੇਟਾ, ਸਿੰਗਲ ਲਾਈਨ ਕੀ ਕਰਦੀ ਹੈ?
ਅੰਕਗਣਿਤ ਦੀ ਕਰਾਸ-ਚੈੱਕ
ਕੀ ਨਤੀਜਾ ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ ਵਿੱਚ ਸਪਸ਼ਟ ਹੈ?
ਅਦਿੱਖ ਮਾੜੇ ਪ੍ਰਭਾਵ
ਕੀ ਕੋਡ ਡੇਟਾ ਨੂੰ ਮਿਟਾਉਂਦਾ/ਭੇਜਦਾ ਹੈ?
ਸਾਵਧਾਨ: AI ਕਈ ਵਾਰ ਕੋਡ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ "ਕੰਮ ਕਰਦਾ ਹੈ ਪਰ ਗਲਤ ਹੈ": ਉਦਾਹਰਨ ਲਈ, ਇਹ ਗਲਤ/ਕੁੱਲ ਦੀ ਬਜਾਏ ਗਲਤ/ਉਤਪਾਦਿਤ ਬਰਬਾਦੀ ਦਰ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਜਾਂ ਦਰ ਨਾਲ ਪ੍ਰਤੀਸ਼ਤਤਾ ਨੂੰ ਉਲਝਾਉਂਦਾ ਹੈ। ਕਿਉਂਕਿ ਕੋਡ ਗਲਤੀਆਂ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਦਾ ਹੈ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸਹੀ ਹੈ। ਕਿਸੇ ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜੇ ਨਾਲ ਟੈਸਟ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ।
ਸੁਰੱਖਿਆ ਅਤੇ ਡਾਟਾ ਗੋਪਨੀਯਤਾ
ਉਤਪਾਦਨ ਡੇਟਾ ਵਪਾਰਕ ਰਾਜ਼ ਹਨ: ਸਮਰੱਥਾ, ਲਾਗਤਾਂ, ਗਾਹਕਾਂ ਦੀਆਂ ਮੰਗਾਂ, ਸਪਲਾਇਰ ਦੀਆਂ ਕੀਮਤਾਂ। ਇਹਨਾਂ ਨੂੰ ਏਆਈ ਸੇਵਾ ਵਿੱਚ ਅਵੇਸਲੇ ਢੰਗ ਨਾਲ ਚਿਪਕਣਾ ਇੱਕ ਗੰਭੀਰ ਜੋਖਮ ਹੈ।
- ਗੁਮਨਾਮ ਡੇਟਾ: ਅਸਲ ਗਾਹਕ/ਸਪਲਾਇਰ ਦੇ ਨਾਵਾਂ ਦੀ ਬਜਾਏ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰੋ; ਸ਼ੁੱਧਤਾ ਲਾਗਤਾਂ ਨੂੰ ਨਮੂਨਾ ਮੁੱਲਾਂ ਨਾਲ ਬਦਲੋ।
- ਕਾਰਪੋਰੇਟ ਨੀਤੀ ਦੀ ਪਾਲਣਾ ਕਰੋ: ਤੁਹਾਡੀ ਕੰਪਨੀ ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ AI ਟੂਲਸ ਅਤੇ ਡੇਟਾ ਵਰਗੀਕਰਣ ਨਿਯਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
- ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰੋ, ਡਾਟਾ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਓ: AI ਲਿਖੋ ਕੋਡ ਰੱਖੋ, ਪਰ ਕੋਡ ਨੂੰ ਅਸਲ ਡੇਟਾ ਦੇ ਨਾਲ ਆਪਣੇ ਖੁਦ ਦੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਚਲਾਓ। ਇਸ ਤਰ੍ਹਾਂ, ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਬਾਹਰ ਨਹੀਂ ਨਿਕਲਦਾ।
- ਆਉਟਪੁੱਟ ਦੀ ਸਮੀਖਿਆ ਕਰੋ: ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ AI ਕੋਡ ਕਿਸੇ ਅਣਕਿਆਸੇ ਸਥਾਨ 'ਤੇ ਡੇਟਾ ਭੇਜ ਰਿਹਾ ਹੈ (ਨੈੱਟਵਰਕ ਕਾਲ, ਬਾਹਰੀ API)।
ਸੁਝਾਅ: "AI ਲਿਖਣ ਕੋਡ ਬਣਾਓ, ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰੋ" ਦਾ ਸਿਧਾਂਤ ਗੋਪਨੀਯਤਾ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ AI ਨੂੰ ਜਾਅਲੀ ਨੰਬਰ ਬਣਾਉਣ ਤੋਂ ਰੋਕਦਾ ਹੈ। ਅਸਲ ਸੋਲਵਰ/ਲਾਇਬ੍ਰੇਰੀ ਗਣਨਾ ਕਰਦੀ ਹੈ, AI ਸਿਰਫ਼ ਪਿੰਜਰ ਬਣਾਉਂਦਾ ਹੈ।
ਮਿੰਨੀ ਕੇਸ: ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ ਪਰ ਗਲਤ ਕੋਡ
ਇੱਕ ਫੈਕਟਰੀ ਵਿੱਚ, ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰ ਮੇਰਟ ਕੋਲ AI ਇੱਕ ਸਕ੍ਰਿਪਟ ਲਿਖਦਾ ਹੈ ਜੋ ਇੱਕ ਮਹੀਨਾਵਾਰ OEE ਰਿਪੋਰਟ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਕੋਡ ਸੁਚਾਰੂ ਢੰਗ ਨਾਲ ਚੱਲਦਾ ਹੈ ਅਤੇ 92% ਦਾ ਇੱਕ ਵਧੀਆ OEE ਦਿੰਦਾ ਹੈ। ਪਰ ਜਦੋਂ Mert ਕਿਸੇ ਜਾਣੇ-ਪਛਾਣੇ ਦਿਨ (ਇੱਕ ਦਿਨ ਜਿਸਦੀ ਉਸਨੇ ਹੱਥੀਂ ਗਣਨਾ ਕੀਤੀ, ਜਿਸਦਾ OEE 78% ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ) ਦੇ ਵਿਰੁੱਧ ਟੈਸਟ ਕਰਦਾ ਹੈ, ਕੋਡ 92% ਵਾਪਸ ਕਰਦਾ ਹੈ। ਸਮੀਖਿਆ 'ਤੇ, ਉਸ ਨੂੰ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ AI ਨੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਹਿੱਸੇ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਸੈੱਟ ਕੀਤਾ ਹੈ (ਆਦਰਸ਼ ਚੱਕਰ ਦੀ ਬਜਾਏ ਔਸਤ ਚੱਕਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ)। ਜਦੋਂ ਸਹੀ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮੁੱਲ ਅਸਲੀਅਤ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਕੋਡ ਬਿਨਾਂ ਕਿਸੇ ਤਰੁੱਟੀ ਦੇ ਗਲਤ ਨਤੀਜੇ ਦੇ ਰਿਹਾ ਸੀ। ਪਾਠ: ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ, ਇੱਕ ਗਲਤ OEE ਨੇ ਮਹੀਨਿਆਂ ਲਈ ਪ੍ਰਬੰਧਨ ਫੈਸਲੇ ਲਏ ਹੋਣਗੇ।
ਆਮ ਗਲਤੀਆਂ
- "ਵਰਕਿੰਗ = ਸਹੀ" ਸੋਚਣਾ: ਕੋਡ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਜੋ ਗਲਤੀਆਂ ਨੂੰ ਸਹੀ ਨਹੀਂ ਦਿੰਦਾ; ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜੇ ਦੇ ਨਾਲ ਟੈਸਟ ਨਹੀਂ ਕਰਨਾ।
- ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਨੂੰ ਛੱਡਣਾ: ਸਥਿਤੀਆਂ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਜ਼ੀਰੋ ਦੁਆਰਾ ਵੰਡ, ਖਾਲੀ ਡੇਟਾ, ਨਕਾਰਾਤਮਕ ਇਨਪੁਟ ਨੂੰ ਅਜ਼ਮਾਏ ਬਿਨਾਂ।
- ਗੁਪਤ ਡੇਟਾ ਪੇਸਟ ਕਰਨਾ: AI ਨੂੰ ਅਸਲ ਲਾਗਤ/ਗਾਹਕ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕੀਤੇ ਬਿਨਾਂ ਭੇਜਣਾ।
- ਇੱਕ ਹੱਲ ਕਰਨ ਵਾਲੇ ਲਈ AI ਨੂੰ ਗਲਤ ਕਰਨਾ: ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜੋ AI ਕਹਿੰਦਾ ਹੈ "ਨਤੀਜਾ ਇਹ ਹੈ" ਅਸਲ ਹੱਲ ਕਰਨ ਵਾਲੇ ਆਉਟਪੁੱਟ ਵਜੋਂ।
- ਆਡਿਟਯੋਗਤਾ ਨੂੰ ਗੁਆਉਣਾ: ਧਾਰਨਾਵਾਂ ਅਤੇ ਇਕਾਈਆਂ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਕੀਤੇ ਬਿਨਾਂ ਕੋਡ ਸਾਂਝਾ ਕਰਨਾ।
ਸੰਖੇਪ ਵਿੱਚ
- ਕੋਡ ਇੰਜੀਨੀਅਰਿੰਗ ਖਾਤੇ ਵਿੱਚ ਦੁਹਰਾਉਣਯੋਗਤਾ ਅਤੇ ਆਡਿਟਯੋਗਤਾ ਨੂੰ ਜੋੜਦਾ ਹੈ; AI ਇਸ ਕੋਡ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ।
- ਹਰੇਕ AI ਗਣਨਾ ਫੰਕਸ਼ਨ ਲਈ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜੇ ਦੇ ਨਾਲ ਇੱਕ ਦਾਅਵਾ ਜੋੜ ਕੇ ਸ਼ੁੱਧਤਾ ਸਾਬਤ ਕਰੋ।
- ਕੋਡ ਨੂੰ ਇੱਕ ਯੂਨਿਟ, ਕਿਨਾਰੇ ਕੇਸ, ਅਤੇ ਅੰਕਗਣਿਤ ਕਰਾਸ-ਚੈੱਕਲਿਸਟ ਵਿੱਚੋਂ ਪਾਸ ਕੀਤੇ ਬਿਨਾਂ ਉਤਪਾਦਨ ਦੇ ਫੈਸਲੇ ਵਿੱਚ ਇਸਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ।
- "ਵਰਕਿੰਗ ਕੋਡ" ਦਾ ਮਤਲਬ ਸਹੀ ਕੋਡ ਨਹੀਂ ਹੈ; ਇਹ ਨਿਰਦੋਸ਼ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਗਲਤ ਗਣਨਾ ਕਰ ਸਕਦਾ ਹੈ।
- ਗੁਪਤ ਉਤਪਾਦਨ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰੋ, ਕਾਰਪੋਰੇਟ ਨੀਤੀ ਦੀ ਪਾਲਣਾ ਕਰੋ; ਕੋਡ ਨੂੰ AI ਤੇ ਪ੍ਰਿੰਟ ਕਰੋ ਪਰ ਡੇਟਾ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰੋ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਇੰਜੀਨੀਅਰਿੰਗ ਗਣਨਾ (EOQ, ਸੁਰੱਖਿਆ ਸਟਾਕ, OEE ਜਾਂ ਮਿਆਰੀ ਸਮਾਂ) ਚੁਣੋ। ਏਆਈ ਨੂੰ ਪਾਈਥਨ ਫੰਕਸ਼ਨ ਲਿਖੋ ਜੋ ਇਹ ਗਣਨਾ ਕਰਦਾ ਹੈ; ਡੌਕਸਟ੍ਰਿੰਗ ਵਿੱਚ ਇਕਾਈਆਂ ਨੂੰ ਲਾਗੂ ਕਰੋ ਅਤੇ ਇੱਕ ਐਸਰਟ ਟੈਸਟ ਨਾਲ ਜਾਣਿਆ ਨਤੀਜਾ। ਨਾਜ਼ੁਕ ਤਸਦੀਕ: ਫੰਕਸ਼ਨ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਤਿੰਨ ਕਿਨਾਰਿਆਂ ਵਾਲੇ ਕੇਸਾਂ (ਜ਼ੀਰੋ, ਨੈਗੇਟਿਵ, ਨਲ) ਨਾਲ ਅਜ਼ਮਾਓ ਅਤੇ ਹੱਥਾਂ ਨਾਲ ਗਣਨਾ ਕੀਤੀ ਉਦਾਹਰਣ ਨਾਲ ਇਸਦੀ ਤੁਲਨਾ ਕਰੋ; ਕਿਸੇ ਜਾਣੇ-ਪਛਾਣੇ ਮੁੱਲ ਨਾਲ ਸਾਬਤ ਕਰੋ ਕਿ ਨਤੀਜਾ ਸਹੀ ਹੈ, ਭਾਵੇਂ ਕੋਡ ਬਿਨਾਂ ਕਿਸੇ ਤਰੁੱਟੀ ਦੇ ਚੱਲਦਾ ਹੈ। ਫਿਰ ਕੋਡ ਨੂੰ "ਡੇਟਾ ਗੋਪਨੀਯਤਾ" ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਜਾਂਚੋ: ਕੀ ਡਾਟਾ ਭੇਜਣ ਦੀ ਕੋਈ ਪ੍ਰਕਿਰਿਆ ਹੈ? ਅੰਤ ਵਿੱਚ, ਇਸ ਯੂਨਿਟ ਦੀ ਤਸਦੀਕ ਜਾਂਚ ਸੂਚੀ ਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਵਰਕਫਲੋ ਵਿੱਚ ਅਨੁਕੂਲ ਬਣਾਓ ਅਤੇ ਇੱਕ ਚੈਕਲਿਸਟ ਬਣਾਓ।
ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ
1. ਕਮਜ਼ੋਰ ਨਿਰਮਾਣ ਵਿੱਚ, ਤੁਸੀਂ ਇੱਕ ਮੁੱਲ ਸਟ੍ਰੀਮ ਮੈਪ (VSM) ਬਣਾਉਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ। ਸੁਝਾਅ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਭ ਤੋਂ ਵਧੀਆ ਕਦਮ ਕੀ ਹੈ?
- ਏ) ਫੀਲਡ (ਗੇਮਬਾ) ਨਿਰੀਖਣ ਅਤੇ ਅਸਲ ਚੱਕਰ/ਨਿਵਾਸ ਸਮਿਆਂ ਦੇ ਨਾਲ AI ਬਲੂਪ੍ਰਿੰਟ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ ✔
- ਅ) ਨਕਸ਼ੇ ਨੂੰ ਸਿੱਧਾ ਬੋਰਡ 'ਤੇ ਲਟਕਾਉਣਾ ਕਿਉਂਕਿ AI ਇੱਕ ਮੌਜੂਦਾ ਮਾਡਲ ਹੈ
- C) ਨਕਸ਼ੇ ਦੇ ਰੰਗਾਂ ਅਤੇ ਬਾਕਸ ਆਕਾਰਾਂ ਨੂੰ ਠੀਕ ਕਰੋ
- ਡੀ) ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀਆਂ ਕਿਸਮਾਂ ਦੇ ਕ੍ਰਮ ਨੂੰ ਬਦਲਣਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨਾ
ਵਿਆਖਿਆ: AI ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਵਾਜਬ VSM ਸਕੈਚ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਪਰ ਅਸਲ ਪ੍ਰਕਿਰਿਆ ਦੇ ਸਮੇਂ ਅਤੇ ਬਰਬਾਦੀ ਨੂੰ ਨਹੀਂ ਦੇਖ ਸਕਦਾ। ਲੀਨ ਦਾ ਮੂਲ ਸਿਧਾਂਤ 'ਗੇਮਬਾ' ਹੈ: ਵੈਲਯੂ ਸਟ੍ਰੀਮ ਨੂੰ ਫੀਲਡ ਵਿੱਚ ਨਿਰੀਖਣ ਅਤੇ ਮਾਪਣ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਪਰ ਫਿਰ ਸੁਧਾਰ ਦੇ ਫੈਸਲਿਆਂ ਲਈ ਅਧਾਰ ਵਜੋਂ ਵਰਤਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
2. ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਮੈਟ੍ਰਿਕਸ ਦਾ ਕਿਹੜਾ ਸੈੱਟ ਇਸ ਉਦੇਸ਼ ਨੂੰ ਸਿੱਧਾ ਸੰਬੋਧਿਤ ਕਰਦਾ ਹੈ?
- A) Cp ਅਤੇ Cpk
- ਅ) MAPE, MAE ਅਤੇ RMSE ✔
- C) OEE ਅਤੇ MTBF
- D) Takt ਸਮਾਂ ਅਤੇ WIP
ਵਿਆਖਿਆ: MAPE (ਮਤਲਬ ਪੂਰਨ ਪ੍ਰਤੀਸ਼ਤ ਗਲਤੀ), MAE ਅਤੇ RMSE ਮੈਟ੍ਰਿਕਸ ਹਨ ਜੋ ਪੂਰਵ ਅਨੁਮਾਨ ਗਲਤੀ ਨੂੰ ਮਾਪਦੇ ਹਨ; ਇਹ ਤੁਹਾਨੂੰ ਅਸਲ ਮੰਗ ਨਾਲ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਤੁਲਨਾ ਕਰਕੇ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। Cp/Cpk ਪ੍ਰਕਿਰਿਆ ਸਮਰੱਥਾ ਹੈ ਅਤੇ OEE ਉਪਕਰਨ ਕੁਸ਼ਲਤਾ ਮੈਟ੍ਰਿਕ ਹੈ।
3. ਰੀਆਰਡਰ ਪੁਆਇੰਟ (ROP) ਗਣਨਾ ਵਿੱਚ, AI ਨੇ ਤੁਹਾਨੂੰ ਇੱਕ ਮੁੱਲ ਦਿੱਤਾ ਹੈ। ਨਤੀਜਾ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਵਰਤਣ ਲਈ ਤੁਹਾਨੂੰ ਪਹਿਲਾਂ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?
- A) ਨਤੀਜੇ ਨੂੰ ਗੋਲ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਸਿੱਧਾ ERP ਵਿੱਚ ਦਾਖਲ ਕਰੋ
- ਅ) ਏਆਈ ਨੂੰ ਪੁੱਛੋ 'ਕੀ ਤੁਹਾਨੂੰ ਯਕੀਨ ਹੈ?' ਅਤੇ 'ਹਾਂ' ਦੇ ਜਵਾਬ ਨਾਲ ਸੰਤੁਸ਼ਟ ਹੋਵੋ
- C) ਵਰਤੇ ਗਏ ਫਾਰਮੂਲੇ, ਇਨਪੁਟਸ ਅਤੇ ਯੂਨਿਟਾਂ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰੋ ਅਤੇ ਗਣਨਾ ਨੂੰ ਹੱਥੀਂ/ਕੋਡ ਨਾਲ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰੋ ✔
- ਡੀ) ਸੁਰੱਖਿਆ ਸਟਾਕ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਰੀਸੈਟ ਕਰੋ
ਵਿਆਖਿਆ: ਇਹ ਫਾਰਮੂਲੇ ROP = ਔਸਤ ਮੰਗ × ਲੀਡ ਟਾਈਮ + ਸੁਰੱਖਿਆ ਸਟਾਕ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ। AI ਦੁਆਰਾ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਫਾਰਮੂਲੇ ਅਤੇ ਇਨਪੁਟਸ (ਡਿਮਾਂਡ ਰੇਟ, ਲੀਡ ਟਾਈਮ, ਸੇਫਟੀ ਸਟਾਕ) ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਛਾਪ ਕੇ ਅਤੇ ਹੱਥੀਂ/ਕੋਡ ਵਿੱਚ ਇਸਦੀ ਮੁੜ ਗਣਨਾ ਕਰਕੇ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ; ਨਹੀਂ ਤਾਂ ਇਕਾਈ ਜਾਂ ਗਣਿਤ ਦੀ ਗਲਤੀ ਨੂੰ ਧਿਆਨ ਵਿਚ ਨਹੀਂ ਲਿਆ ਜਾਵੇਗਾ।
4. ਸਭ ਤੋਂ ਛੋਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਾਂ (SPT) ਨਿਯਮ ਆਮ ਤੌਰ 'ਤੇ ਨੌਕਰੀ ਦੀ ਸਮਾਂ-ਸਾਰਣੀ ਵਿੱਚ ਕੀ ਸੁਧਾਰ ਕਰਦਾ ਹੈ?
- ਏ) ਇਹ ਸਿਰਫ਼ ਸੈੱਟਅੱਪ ਸਮੇਂ ਨੂੰ ਰੀਸੈਟ ਕਰਦਾ ਹੈ
- ਅ) ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਮਸ਼ੀਨਾਂ ਦੀ ਗਿਣਤੀ ਵਧਾਉਂਦਾ ਹੈ
- C) ਗਾਰੰਟੀ ਨਾਲ ਊਰਜਾ ਦੀ ਖਪਤ ਨੂੰ ਅੱਧਾ ਘਟਾ ਦਿੰਦਾ ਹੈ
- D) ਔਸਤ ਵਹਾਅ ਸਮਾਂ ਅਤੇ ਔਸਤ ਲੇਟੈਂਸੀ ਨੂੰ ਘਟਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ✔
ਵਰਣਨ: SPT (ਛੋਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਾਂ) ਨਿਯਮ ਛੋਟੀਆਂ ਨੌਕਰੀਆਂ ਨੂੰ ਅੱਗੇ ਲਿਆ ਕੇ ਔਸਤ ਵਹਾਅ ਸਮਾਂ ਅਤੇ ਔਸਤ ਲੇਟੈਂਸੀ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਉਹ ਲਗਾਤਾਰ ਲੰਬੇ ਕੰਮਾਂ ਨੂੰ ਮੁਲਤਵੀ ਕਰ ਸਕਦਾ ਹੈ; ਜੇਕਰ ਡਿਲੀਵਰੀ ਦੀ ਮਿਤੀ ਨਾਜ਼ੁਕ ਹੈ, ਤਾਂ EDD ਵਰਗੇ ਨਿਯਮ ਵਧੇਰੇ ਉਚਿਤ ਹਨ। ਨਿਯਮ ਦੀ ਚੋਣ ਉਦੇਸ਼ ਦੁਆਰਾ ਜਾਇਜ਼ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ.
5. ਇਸਦਾ ਕੀ ਮਤਲਬ ਹੈ ਜੇਕਰ Cpk ਮੁੱਲ SPC ਵਿੱਚ Cp ਤੋਂ ਕਾਫ਼ੀ ਘੱਟ ਹੈ?
- A) ਪ੍ਰਕਿਰਿਆ ਔਸਤ ਸਹਿਣਸ਼ੀਲਤਾ ਕੇਂਦਰ (ਸੈਂਟਰਿੰਗ ਸਮੱਸਿਆ) ਤੋਂ ਬਦਲ ਗਈ ਹੈ ✔
- ਅ) ਪ੍ਰਕਿਰਿਆ ਦਾ ਅੰਤਰ ਜ਼ੀਰੋ ਹੈ
- C) ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਵੱਡੀ ਹੈ
- ਡੀ) ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਕੰਟਰੋਲ ਚਾਰਟ ਬੇਲੋੜੀ ਹੈ
ਵਿਆਖਿਆ: Cp ਇੱਕ ਨਿਪੁੰਨਤਾ ਸੂਚਕਾਂਕ ਹੈ ਜੋ ਸਹਿਣਸ਼ੀਲਤਾ ਦੀ ਚੌੜਾਈ ਵਿੱਚ ਫੈਲਣ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਅਨੁਪਾਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ, ਅਤੇ Cpk ਉਹ ਅਨੁਕੂਲਤਾ ਸੂਚਕਾਂਕ ਹੈ ਜੋ ਸਹਿਣਸ਼ੀਲਤਾ ਕੇਂਦਰ ਦੇ ਅਨੁਸਾਰ ਔਸਤ ਦੇ ਸ਼ਿਫਟ ਨੂੰ ਵੀ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਜੇਕਰ Cpk Cp ਤੋਂ ਘੱਟ ਹੈ, ਤਾਂ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਪ੍ਰਕਿਰਿਆ ਆਫ-ਸੈਂਟਰ ਹੈ (ਔਸਤ ਟੀਚੇ ਤੋਂ ਦੂਰ ਹੈ); ਭਾਵੇਂ ਫੈਲਾਅ ਇੱਕੋ ਜਿਹਾ ਹੈ, ਇੱਕ ਕੇਂਦਰਿੰਗ ਸਮੱਸਿਆ ਹੈ.
6. ਤੁਸੀਂ ਸਮੇਂ ਦੇ ਅਧਿਐਨ ਵਿੱਚ ਮਿਆਰੀ ਸਮੇਂ ਦੀ ਗਣਨਾ ਕਰਦੇ ਸਮੇਂ AI ਦੁਆਰਾ ਦਿੱਤੇ ਫਾਰਮੂਲੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ। ਮਿਆਰੀ ਸਮਾਂ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸ ਦੁਆਰਾ ਸਹੀ ਢੰਗ ਨਾਲ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ?
- A) ਮਿਆਰੀ ਸਮਾਂ = ਦੇਖਿਆ ਗਿਆ ਸਮਾਂ, ਹਾਸ਼ੀਏ ਅਤੇ ਟੈਂਪੋ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ
- ਅ) ਮਿਆਰੀ ਸਮਾਂ = ਆਮ ਸਮਾਂ × (1 + ਸ਼ੇਅਰ ਅਨੁਪਾਤ); ਆਮ ਸਮਾਂ = ਦੇਖਿਆ ਗਿਆ ਸਮਾਂ × ਗਤੀ ✔
- C) ਮਿਆਰੀ ਸਮਾਂ = ਨਿਰੀਖਣ ਕੀਤਾ ਸਮਾਂ ÷ ਮਸ਼ੀਨਾਂ ਦੀ ਸੰਖਿਆ
- D) ਮਿਆਰੀ ਸਮਾਂ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਤੇਜ਼ ਓਪਰੇਟਰ ਦਾ ਸਮਾਂ ਹੁੰਦਾ ਹੈ
ਵਿਆਖਿਆ: ਮਿਆਰੀ ਸਮਾਂ = ਆਮ ਸਮਾਂ × (1 + ਸ਼ੇਅਰ ਅਨੁਪਾਤ) ਵਜੋਂ ਗਣਨਾ ਕੀਤੀ ਗਈ; ਆਮ ਸਮਾਂ ਨਿਰੀਖਣ ਕੀਤੇ ਸਮੇਂ × ਟੈਂਪੋ (ਰੇਟਿੰਗ) ਦੁਆਰਾ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਸ਼ੇਅਰ (ਆਰਾਮ, ਨਿੱਜੀ, ਦੇਰੀ) ਨੂੰ ਜੋੜਨਾ ਲਾਜ਼ਮੀ ਹੈ। AI ਫਾਰਮੂਲਾ ਦੇ ਸਕਦਾ ਹੈ, ਪਰ ਟੈਂਪੋ ਅਤੇ ਸ਼ੇਅਰ ਮੁੱਲਾਂ ਨੂੰ ਅਸਲ ਨਿਰੀਖਣ ਅਤੇ ਕੰਪਨੀ ਨੀਤੀ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
7. AI ਨੇ ਕਿਹਾ ਕਿ ਇਸ ਨੇ ਵਾਹਨ ਰੂਟਿੰਗ (VRP) ਸਮੱਸਿਆ ਦਾ 'ਸਭ ਤੋਂ ਵਧੀਆ' ਹੱਲ ਦਿੱਤਾ ਹੈ। ਸਭ ਤੋਂ ਸਹੀ ਮੁਲਾਂਕਣ ਕਿਹੜਾ ਹੈ?
- A) ਰੂਟ ਨੂੰ ਸਿੱਧਾ ਡਰਾਈਵਰਾਂ ਨੂੰ ਭੇਜਣਾ ਕਿਉਂਕਿ AI ਕਹਿੰਦਾ ਹੈ 'ਸਭ ਤੋਂ ਵਧੀਆ'
- ਅ) ਸਮਰੱਥਾ, ਸਮਾਂ ਵਿੰਡੋ ਅਤੇ ਲਾਗਤ ਦੀਆਂ ਕਮੀਆਂ ਦੇ ਵਿਰੁੱਧ ਹੱਲ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ ✔
- C) ਬੱਸ ਸਟਾਪਾਂ ਦੀ ਗਿਣਤੀ ਘਟਾਓ ਅਤੇ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੋ
- ਡੀ) ਨਕਸ਼ੇ ਦੀ ਕਲਪਨਾ ਕਰਨਾ ਅਤੇ ਰੁਕਾਵਟਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ
ਵਿਆਖਿਆ: AI ਗਲਤ ਢੰਗ ਨਾਲ ਸੀਮਾਵਾਂ (ਵਾਹਨ ਦੀ ਸਮਰੱਥਾ, ਸਮਾਂ ਵਿੰਡੋਜ਼, ਡਰਾਈਵਿੰਗ ਸਮਾਂ) ਨੂੰ ਮਾਡਲ ਬਣਾ ਸਕਦਾ ਹੈ ਜਾਂ 'ਸਭ ਤੋਂ ਵਧੀਆ' ਦੇ ਤੌਰ 'ਤੇ ਸਬ-ਅਪਟੀਮਲ ਹੱਲ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ। ਹੱਲ; ਇਸਦੀ ਸਮਰੱਥਾ, ਸਮਾਂ ਖਿੜਕੀ ਅਤੇ ਕੁੱਲ ਦੂਰੀ/ਲਾਗਤ ਸੀਮਾਵਾਂ ਦੇ ਵਿਰੁੱਧ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਅਤੇ ਜੇਕਰ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਦੁਬਾਰਾ ਤਿਆਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਹੱਲ ਕਰਨ ਵਾਲੇ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
8. OEE (ਸਮੁੱਚੀ ਉਪਕਰਨ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ) ਕਿਹੜੇ ਤਿੰਨ ਭਾਗਾਂ ਦਾ ਉਤਪਾਦ ਹੈ?
- ਏ) ਮੰਗ, ਸਟਾਕ ਅਤੇ ਲਾਗਤ
- ਬੀ) ਸੀਪੀ, ਸੀਪੀਕੇ ਅਤੇ ਸਿਗਮਾ
- C) ਉਪਯੋਗਤਾ, ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਗੁਣਵੱਤਾ ✔
- ਡੀ) ਟਾਕਟ, ਸਾਈਕਲ ਅਤੇ ਡਿਲੀਵਰੀ ਸਮਾਂ
ਵਿਆਖਿਆ: OEE = ਉਪਲਬਧਤਾ × ਪ੍ਰਦਰਸ਼ਨ × ਗੁਣਵੱਤਾ। ਉਪਲਬਧਤਾ ਡਾਊਨਟਾਈਮ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਕਾਰਗੁਜ਼ਾਰੀ ਗਤੀ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਅਤੇ ਗੁਣਵੱਤਾ ਨੁਕਸਦਾਰ ਉਤਪਾਦਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਜੇਕਰ AI ਇੱਕ OEE ਮੁੱਲ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਇਹਨਾਂ ਤਿੰਨਾਂ ਹਿੱਸਿਆਂ ਦੀ ਗਣਨਾ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਗੁਣਾ ਕੀਤਾ ਗਿਆ ਹੈ।
9. ਇੱਕ ਡਿਸਕ੍ਰਿਟ-ਇਵੈਂਟ ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤਸਦੀਕ ਕਦਮ ਕੀ ਹੈ?
- ਏ) ਅਸਲ ਡੇਟਾ ਦੇ ਨਾਲ ਇਨਪੁਟ ਵੰਡਾਂ ਅਤੇ ਧਾਰਨਾਵਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ✔
- ਅ) ਕੰਮ ਕਰਨ ਦਾ ਸਮਾਂ ਛੋਟਾ ਕਰੋ ਅਤੇ ਇੱਕ ਹੀ ਸਥਿਤੀ ਵਿੱਚ ਫੈਸਲਾ ਕਰੋ
- C) ਗਰਾਫਿਕਸ ਦੇ ਰੰਗ ਪੈਲਅਟ ਵਿੱਚ ਸੁਧਾਰ
- ਡੀ) ਬੇਤਰਤੀਬੇ ਬੀਜ ਨੂੰ ਛੁਪਾਉਣਾ ਅਤੇ ਨਤੀਜੇ ਨੂੰ ਦੁਹਰਾਉਣਯੋਗ ਬਣਾਉਣਾ
ਵਿਆਖਿਆ: ਸਿਮੂਲੇਸ਼ਨ ਆਉਟਪੁੱਟ ਸਿਰਫ ਇੰਪੁੱਟ ਧਾਰਨਾਵਾਂ ਜਿੰਨੀ ਹੀ ਵਧੀਆ ਹੈ। ਵੰਡ, ਅੰਤਰ-ਆਗਮਨ ਸਮਾਂ, ਸੇਵਾ ਦੇ ਸਮੇਂ ਅਤੇ ਦ੍ਰਿਸ਼ ਮਾਪਦੰਡਾਂ ਦੀ ਤੁਲਨਾ ਅਸਲ ਡੇਟਾ ਨਾਲ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ; ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ਕਿ ਮਾਡਲ ਸਹੀ ਢੰਗ ਨਾਲ ਸਥਾਪਿਤ ਕੀਤਾ ਗਿਆ ਹੈ (ਤਸਦੀਕ). ਨਹੀਂ ਤਾਂ 'ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ'।
10. ਇੱਕ ਪ੍ਰੋਡਕਸ਼ਨ ਫੈਸਲੇ ਵਿੱਚ AI ਦੁਆਰਾ ਤਿਆਰ ਪਾਈਥਨ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸਕ੍ਰਿਪਟ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕਿਹੜਾ ਲਾਜ਼ਮੀ ਹੈ?
- A) ਨਤੀਜੇ ਨੂੰ ਸਿੱਧਾ ਲਾਗੂ ਕਰਨਾ ਕਿਉਂਕਿ ਕੋਡ ਬਿਨਾਂ ਕਿਸੇ ਤਰੁੱਟੀ ਦੇ ਕੰਮ ਕਰਦਾ ਹੈ
- ਬੀ) ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜਿਆਂ ਨਾਲ ਟੈਸਟਿੰਗ, ਯੂਨਿਟ ਚੈਕਿੰਗ ਅਤੇ ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ, ਅਤੇ ਡੇਟਾ ਦੀ ਗੁਪਤਤਾ ਦੀ ਰੱਖਿਆ ਕਰਨਾ ✔
- C) ਵੇਰੀਏਬਲ ਦੇ ਨਾਮ ਛੋਟੇ ਕਰੋ ਅਤੇ ਟਿੱਪਣੀਆਂ ਨੂੰ ਮਿਟਾਓ
- ਡੀ) ਇੱਕ ਜਨਤਕ ਸੇਵਾ ਲਈ ਸਾਰੇ ਉਤਪਾਦਨ ਡੇਟਾ ਦੇ ਨਾਲ ਸਕ੍ਰਿਪਟ ਨੂੰ ਅਪਲੋਡ ਕਰਨਾ
ਵਰਣਨ: ਏਆਈ ਕੋਡ ਵਿੱਚ ਗਲਤ ਯੂਨਿਟ ਪਰਿਵਰਤਨ, ਗਲਤ ਰੁਕਾਵਟ, ਜਾਂ ਕਿਨਾਰੇ ਦੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਗਲਤ ਨਤੀਜਾ ਹੋ ਸਕਦਾ ਹੈ। ਕੋਡ; ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜਿਆਂ ਵਾਲੇ ਛੋਟੇ ਟੈਸਟ ਇਨਪੁਟਸ ਦੀ ਯੂਨਿਟ/ਆਕਾਰ ਨਿਯੰਤਰਣ ਅਤੇ ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਦੁਆਰਾ ਤਸਦੀਕ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਅਤੇ ਗੁਪਤ ਉਤਪਾਦਨ ਡੇਟਾ ਬਿਨਾਂ ਇਜਾਜ਼ਤ ਦੇ ਬਾਹਰੀ ਸੇਵਾਵਾਂ ਨੂੰ ਨਹੀਂ ਭੇਜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਨਤੀਜਾ ਇੰਜੀਨੀਅਰਿੰਗ ਨਿਰਣੇ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਹੈ.