లాభాలు:
- లీన్ మాన్యుఫ్యాక్చరింగ్ మరియు ప్రాసెస్ ఇంప్రూవ్మెంట్ సైకిల్స్లో AIని ఎక్కడ ఉపయోగించాలో నిర్ణయించే సామర్థ్యం
- నిర్మాణాత్మక ప్రాంప్ట్లతో విలువ స్ట్రీమ్ మ్యాప్, వ్యర్థ విశ్లేషణ మరియు DMAIC దశలను వేగవంతం చేయగల సామర్థ్యం
- ఫీల్డ్ డేటా మరియు జెంబా పరిశీలనతో AI సిఫార్సులను ధృవీకరించే క్రమశిక్షణను వర్తింపజేయగల సామర్థ్యం
ఇండస్ట్రియల్ ఇంజనీరింగ్ అనేది తప్పనిసరిగా "మెరుగైన పని" క్రమశిక్షణ: అదే వనరులతో ఎక్కువ విలువను ఉత్పత్తి చేయడం, వ్యర్థాలను కనిపించేలా చేయడం, వైవిధ్యాన్ని తగ్గించడం. కృత్రిమ మేధస్సు కొత్త కాలిక్యులేటర్ లేదా మ్యాజిక్ పరిష్కారంగా కాకుండా, శక్తివంతమైన ఆలోచన మరియు డ్రాఫ్టింగ్ భాగస్వామిగా ఈ విభాగంలోకి ప్రవేశిస్తుంది. సరిగ్గా ఉపయోగించినప్పుడు, ఇది విలువ స్ట్రీమ్ మ్యాపింగ్, వ్యర్థాల వర్గీకరణ, మూల-కారణ అధ్యయనాలు మరియు మెరుగుదల నివేదికలను గంటల నుండి నిమిషాల వరకు తగ్గిస్తుంది. తప్పుగా ఉపయోగించినప్పుడు, ఇది ఫీల్డ్ను ఎన్నడూ చూడని, "కాగితంపై ఖచ్చితమైనది" కానీ వాస్తవానికి అమలు చేయలేని సూచనలను ఉత్పత్తి చేస్తుంది. ఈ యూనిట్లో, లీన్ మ్యానుఫ్యాక్చరింగ్ సైకిల్లో AIని ఎక్కడ ఉంచాలో మరియు దాని అవుట్పుట్ని ఎలా ధృవీకరించాలో మీరు నేర్చుకుంటారు.
ప్రక్రియ మెరుగుదలలో AI ఎక్కడ ఉంది?
ఇంప్రూవ్మెంట్ ప్రాజెక్ట్ను మూడు లేయర్లుగా విభజిద్దాం: డేటా సేకరణ, విశ్లేషణ/నిర్ణయం, రిపోర్టింగ్/కమ్యూనికేషన్. AI ఈ పొరలలో వివిధ బరువుతో సహాయపడుతుంది.
పొర
AI పాత్ర
మనిషి పాత్ర
డేటా సేకరణ
సర్వే/ఫారమ్ను డిజైన్ చేస్తుంది మరియు డేటాను నిర్వహిస్తుంది
ఫీల్డ్లో కొలతలు మరియు పరిశీలనలు (గెంబా)
విశ్లేషణ/నిర్ణయం
పరికల్పనలను రూపొందిస్తుంది, పద్ధతులను సూచిస్తుంది, డ్రాఫ్ట్ లెక్కలు
డేటాతో ధృవీకరిస్తుంది, నిర్ణయం తీసుకుంటుంది
రిపోర్టింగ్
A3, ప్రదర్శన, సారాంశం టెక్స్ట్ డ్రాఫ్ట్ రైటర్
ఖచ్చితత్వం మరియు స్వరాన్ని నియంత్రిస్తుంది
గమనించదగ్గ విషయం ఏమిటంటే, AI డేటాను స్వయంగా రూపొందించదు. ఫీల్డ్ కొలత మాత్రమే యంత్రం యొక్క వాస్తవ చక్ర సమయాన్ని అందిస్తుంది, ఆపరేటర్ వేచి ఉన్న నిమిషాలు, డై మార్పుకు ఎంత సమయం పడుతుంది. AI మీరు తీసుకువచ్చే ఈ ముడి డేటాను మెరుగుపరిచే పరికల్పనగా నిర్వహిస్తుంది, వివరిస్తుంది మరియు మారుస్తుంది.
చిట్కా: నేను ఎల్లప్పుడూ AIని “నాకు ఏ డేటా కావాలి?” అని అడుగుతాను. అలాగే అడగండి: అభివృద్ధిని ప్రారంభించడానికి ముందు సరైన కొలత ప్రణాళికను ఏర్పాటు చేయడం, తర్వాత తప్పు డేటాతో విశ్లేషణ చేయడం కంటే చాలా చౌకగా ఉంటుంది.
AI ద్వారా ఏడు వ్యర్థాలు (ముడా) మరియు వర్గీకరణ
వ్యర్థాలను (ముడా) కనిపించేలా చేయడం లీన్ ఉత్పత్తి యొక్క గుండె వద్ద ఉంది. క్లాసిక్ ఏడు వ్యర్థాలు: అధిక ఉత్పత్తి, నిరీక్షణ, అనవసరమైన రవాణా, ఓవర్ప్రాసెసింగ్, ఇన్వెంటరీ, అనవసరమైన కదలిక మరియు లోపాలు. తరచుగా "అన్టాప్డ్ హ్యూమన్ పొటెన్షియల్" ఎనిమిదవదిగా జోడించబడుతుంది. ప్రక్రియ కథనాన్ని ఈ వర్గాలుగా విభజించడంలో AI చాలా వేగంగా ఉంది.
పాత్ర: మీరు లీన్ మాన్యుఫ్యాక్చరింగ్లో అనుభవం ఉన్న పారిశ్రామిక ఇంజనీర్. విధి: కింది ప్రక్రియ కథనాన్ని 7 వ్యర్థ (ముడ) వర్గాలుగా విభజించండి. ప్రతి నిర్ణయం కోసం: (1) వ్యర్థ రకం, (2) సాక్ష్యం వాక్యం, (3) నేను కొలవాల్సిన మెట్రిక్, (4) సాధ్యమయ్యే వేగవంతమైన మెరుగుదల. ప్రక్రియ వివరణ: """అసెంబ్లీ లైన్లో, ఆపరేటర్ ప్రతి సైకిల్లో 6 మీటర్లు నడిచి, భాగాన్ని తీయడానికి వెళ్తాడు. పెయింట్ బూత్ ముందు సగటున 40 నిమిషాలు క్యూ ఏర్పడుతుంది. దాదాపు ఒక షిఫ్ట్లో 12 భాగాలు రీప్రాసెస్ చేయబడతాయి. 3 రోజుల సెమీ-ఫినిష్డ్ ఉత్పత్తులు ఇంటర్మీడియట్ వేర్హౌస్లో పేరుకుపోతాయి.
ఈ ప్రాంప్ట్ యొక్క శక్తి ఏమిటంటే ఇది అవుట్పుట్ను కొలవగలిగేలా చేస్తుంది. "అనవసరమైన కదలిక ఉంది" అని చెప్పడం సరిపోదు; "ఆపరేటర్ ప్రతి చక్రానికి 6 మీటర్లు, రోజుకు X సైకిళ్లలో మొత్తం Y మీటర్లు నడుస్తాడు" అని చెప్పడం సాధ్యమవుతుంది. AI సాక్ష్యం స్టేట్మెంట్ మరియు కొలవడానికి మెట్రిక్ను ఎత్తి చూపుతుంది, మీరు దానిని ఫీల్డ్లో కొలవండి మరియు సంఖ్యను ప్లగ్ చేయండి.
బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్
బలహీనమైన ప్రాంప్ట్:
ఈ ఉత్పత్తి లైన్లోని వ్యర్థాలకు పేరు పెట్టండి.
ఇది వర్గాలు లేకుండా, సాక్ష్యం లేకుండా మరియు కొలత లేకుండా జాబితాను ఉత్పత్తి చేస్తుంది; చాలా మటుకు, "అదనపు స్టాక్ ఉండవచ్చు, వేచి ఉండే కాలం ఉండవచ్చు" అనే సాధారణ పదబంధాలు పునరావృతమవుతాయి.
శక్తివంతమైన ప్రాంప్ట్:
ఈ ప్రక్రియ డేటాను 7 రకాల వ్యర్థాలుగా విభజించండి, ప్రతిదానికి సాక్ష్యం ప్రకటన, నేను కొలవవలసిన మెట్రిక్ మరియు అంచనా వేసిన ప్రభావాన్ని అందించండి. ప్రభావాన్ని "తక్కువ/మధ్యస్థం/అధికం"గా వర్గీకరించండి మరియు హేతుబద్ధతను వ్రాయండి. డేటా: {{ ... }}
తేడా ఏమిటంటే అవుట్పుట్ నేరుగా యాక్షన్ ప్లాన్గా అనువదించవచ్చు. రెండవ ప్రాంప్ట్ ప్రాధాన్యత కలిగిన, కొలవగల పట్టికను ఇస్తుంది.
AIతో DMAIC సైకిల్ను వేగవంతం చేస్తోంది
సిక్స్ సిగ్మా యొక్క DMAIC ఫ్రేమ్వర్క్ (డిఫైన్-మెజర్-ఎనలైజ్-ఇంప్రూవ్-కంట్రోల్) అనేది ఇంప్రూవ్మెంట్ ప్రాజెక్ట్లలో ఒక సాధారణ భాష. AI ప్రతి దశలో విభిన్నంగా సహాయపడుతుంది:
- నిర్వచించండి: డ్రాఫ్ట్ సమస్య నిర్వచనం, ప్రాజెక్ట్ పరిధి (SIPOC) మరియు ప్రయోజన ప్రకటన.
- కొలత: కొలత ప్రణాళిక, డేటా సేకరణ రూపం, నమూనా పరిమాణం తర్కం.
- విశ్లేషించండి: పరికల్పనల జాబితా, చేప ఎముకలు (ఇషికావా), సాధ్యమయ్యే మూల-కారణాలు.
- మెరుగుపరచండి: పరిష్కార ప్రత్యామ్నాయాలు, ECRS (ఎలిమినేట్-మిళితం-పునర్వ్యవస్థీకరణ-సరళీకృతం) సూచనలు.
- నియంత్రణ: డ్రాఫ్ట్ నియంత్రణ ప్రణాళిక, ప్రామాణిక పని సూచన మరియు పర్యవేక్షణ KPI.
కింది సమస్య కోసం ఇషికావా (హెరింగ్బోన్) అస్థిపంజరాన్ని సృష్టించండి. సమస్య: "CNC మెషీన్లో ఉపరితల కరుకుదనం లక్ష్యం కంటే ఎక్కువగా ఉంది." వర్గాలు: మెషిన్, మెథడ్, మెటీరియల్, హ్యూమన్, మెజర్మెంట్, ఎన్విరాన్మెంట్ (6M). ప్రతి వర్గం క్రింద 3-4 సాధ్యమయ్యే కారణాలను వ్రాయండి మరియు ప్రతి కారణాన్ని పరీక్షించడానికి నేను ఏ డేటాను సేకరించాలో సూచించండి.
ఇక్కడ గోల్డెన్ రూల్ స్థిరంగా ఉంటుంది: AI సూచించిన ప్రతి మూల కారణం ఒక పరికల్పన, సాక్ష్యం కాదు. ఉపరితల కరుకుదనం యొక్క కారణం "కటింగ్ టూల్ వేర్" కావచ్చు లేదా కాకపోవచ్చు; టూల్ లైఫ్ డేటా మరియు ప్రయోగం మాత్రమే దీన్ని నిర్ధారిస్తాయి.
హెచ్చరిక: AI కొన్నిసార్లు చాలా ఆమోదయోగ్యమైనదిగా అనిపించే కారణాల గొలుసులను నిర్మిస్తుంది, కానీ భూమిపై తప్పుగా ఉంటుంది. ఉదాహరణకు, "ఆపరేటర్ లోపం" అని చెప్పడం సులభం మరియు తరచుగా అన్యాయం. మానవులపై మూలకారణాన్ని నిందించే ముందు డేటాతో దైహిక కారణాలను (పద్ధతులు, పరికరాలు, కొలతలు) తొలగించండి.
మినీ కేస్: మోల్డ్ మార్పు సమయాన్ని తగ్గించడం (SMED)
ప్లాస్టిక్ ఇంజెక్షన్ వర్క్షాప్లో అచ్చు మార్పులు సగటున 55 నిమిషాలు పడుతుంది మరియు ఇది చిన్న బ్యాచ్లలో గొప్ప నష్టాలను సృష్టిస్తుంది. ఇండస్ట్రియల్ ఇంజనీర్ డెనిజ్ మార్పు ప్రక్రియను వీడియో టేప్ చేస్తాడు మరియు దశల వారీ సమయాలను లెక్కిస్తాడు (ఈ డేటా ఫీల్డ్ నుండి వస్తుంది). ఇది AIకి దశల జాబితా మరియు వాటి సమయాలను ఇస్తుంది:
SMED పద్ధతి ప్రకారం ఈ అచ్చు మార్పు దశలను "అంతర్గత" (యంత్రం ఆపివేసినప్పుడు చేయవచ్చు) మరియు "బాహ్య" (యంత్రం నడుస్తున్నప్పుడు చేయవచ్చు)గా వర్గీకరించండి. బయటి వాటికి తరలించగల అంతర్గత దశలను గుర్తించండి మరియు ప్రతిదానికి ప్రాథమిక తయారీ సూచనను వ్రాయండి. దశలు మరియు వ్యవధి: {{ జాబితా }}
AI "మెషిన్కు కొత్త అచ్చును తీసుకురావడం" మరియు "బోల్ట్లను సిద్ధం చేయడం" వంటి దశలను బాహ్య ఉద్యోగానికి పోర్టబుల్గా సూచిస్తుంది, ఇది తాత్కాలిక కార్ట్ను సూచిస్తుంది. డెనిజ్ ఈ ప్రతిపాదనను ఫీల్డ్లో పరీక్షిస్తున్నాడు; ఇది నిజంగా వర్తించే వాటిని ప్రామాణికం చేస్తుంది. ఫలితంగా, మార్పు సమయం 55 నిమిషాల నుండి 32 నిమిషాలకు తగ్గుతుంది. క్లిష్టమైన అంశం: AI ప్రణాళికను వేగవంతం చేసింది, అయితే ఇది ఫీల్డ్ టెస్టింగ్ మరియు స్టాండర్డైజేషన్ వల్ల నిజంగా సమయాన్ని తగ్గించింది.
సాధారణ తప్పులు
- Gembaని దాటవేయడం: AI అవుట్పుట్ను ఫీల్డ్లో గమనించకుండా అమలు చేయడం. ఇది సాధారణ "వెళ్లి చూడండి" సూత్రంపై ఆధారపడి ఉంటుంది.
- రూపొందించిన సంఖ్యలపై ఆధారపడటం: AI కొన్నిసార్లు "సైకిల్ సమయం సుమారు 45 సెకన్లు" వంటి ఉనికిలో లేని సంఖ్యలను ఉత్పత్తి చేస్తుంది. ప్రతి సంఖ్యకు తప్పనిసరిగా కొలత ద్వారా మద్దతు ఇవ్వాలి.
- మానవులపై మూలకారణాన్ని నిందించడం: గుర్తుకు వచ్చే మొదటి వివరణను అంగీకరించడం "అజాగ్రత్త"; దైహిక కారణాలను పరిశోధించడం లేదు.
- ఒకే పరిష్కారంలో లాక్ చేయడం: AI యొక్క మొదటి సూచన మాత్రమే ఎంపిక అని ఆలోచించడం. కనీసం 2-3 ప్రత్యామ్నాయాలను రూపొందించండి మరియు వాటిని పరిమితుల ప్రకారం సరిపోల్చండి.
- నియంత్రణ దశను మర్చిపోవడం: ప్రామాణిక వ్యాపారాన్ని స్థాపించకుండా మరియు KPIలను పర్యవేక్షించకుండా మెరుగుపరచడం మరియు దానిని వదిలివేయడం; ప్రక్రియ దాని మునుపటి స్థితికి తిరిగి వస్తుంది.
సారాంశంలో
- పారిశ్రామిక ఇంజనీరింగ్లో AI డేటాను ఉత్పత్తి చేయదు; ఇది మీరు తీసుకువచ్చే డేటాను నిర్వహిస్తుంది, దానిని అర్థం చేసుకుంటుంది మరియు దానిని మెరుగుదల పరికల్పనగా మారుస్తుంది.
- ఏడు వ్యర్థాలను వర్గీకరించేటప్పుడు అవుట్పుట్ను కొలవగలిగేలా చేయండి: సాక్ష్యం ప్రకటన + కొలవడానికి మెట్రిక్ కోసం అడగండి.
- DMAIC యొక్క ప్రతి దశలో AIని డ్రాఫ్ట్ జనరేటర్గా ఉపయోగించండి, కానీ ఎల్లప్పుడూ డేటాతో మూల-కారణాలను ధృవీకరించండి.
- SMED వంటి సాంకేతికతలలో, AI ప్రణాళికను వేగవంతం చేస్తుంది; ఫీల్డ్ టెస్టింగ్ మరియు స్టాండర్డైజేషన్ అనేది సమయాన్ని నిజంగా తగ్గిస్తుంది.
- గెంబాను దాటవేయడం, తయారు చేసిన బొమ్మలపై ఆధారపడటం మరియు తనిఖీ దశను మరచిపోవడం అత్యంత ఖరీదైన తప్పులు.
అప్లికేషన్ టాస్క్
మీ స్వంత కార్యాలయం నుండి ఒక ప్రక్రియను ఎంచుకోండి (లేదా మీకు తెలిసిన వాస్తవిక ఉత్పత్తి/సేవా ప్రక్రియ). ముందుగా, ఫీల్డ్ను 5-10 నిమిషాలు గమనించి, వాస్తవ దశలను మరియు అంచనా వేసిన సమయాలను గమనించండి. ఈ యూనిట్లోని “7 వేస్ట్ వర్గీకరణ” పవర్ ప్రాంప్ట్ని ఉపయోగించి AI ప్రక్రియను విశ్లేషించేలా చేయండి. అవుట్పుట్లోని ప్రతి వ్యర్థాన్ని గుర్తించడానికి: (ఎ) సాక్ష్యం వాస్తవానికి ఖచ్చితమైనదా కాదా అని మీ పరిశీలనతో సరిపోల్చండి, (బి) కొలవవలసిన కనీసం ఒక మెట్రిక్ని గుర్తించండి, (సి) ఒక శీఘ్ర మెరుగుదల సూచనను ఎంచుకుని, దానిని “లోపలి/బయటి ఉద్యోగం” లేదా “ECRS” లాజిక్తో మూల్యాంకనం చేయండి. చివరగా, ఫీల్డ్లో AI రూపొందించిన నిర్ణయం తప్పు అని తేలిన ఉదాహరణను కనుగొనండి (లేదా ధృవీకరించబడలేదు) మరియు అది ఎందుకు తప్పు అని ఒక వాక్యంలో వ్రాయండి.