กำไร:
- ความสามารถในการกำหนดตำแหน่งที่จะใช้ AI ในวงจรการผลิตแบบลีนและการปรับปรุงกระบวนการ
- ความสามารถในการเร่งแผนผังกระแสคุณค่า การวิเคราะห์ของเสีย และขั้นตอน DMAIC พร้อมการแจ้งเตือนที่มีโครงสร้าง
- ความสามารถในการใช้ระเบียบวินัยในการตรวจสอบคำแนะนำ AI ด้วยข้อมูลภาคสนามและการสังเกต gemba
วิศวกรรมอุตสาหการเป็นสาขาวิชาที่ "ดีขึ้น" โดยพื้นฐานแล้ว: การสร้างมูลค่ามากขึ้นด้วยทรัพยากรเท่าเดิม ทำให้มองเห็นของเสียได้ และลดความแปรปรวน ปัญญาประดิษฐ์เข้ามามีส่วนร่วมในสาขาวิชานี้ไม่ใช่ในฐานะเครื่องคิดเลขหรือโซลูชันเวทย์มนตร์ใหม่ แต่เป็นพันธมิตรในการคิดและการร่างที่ทรงพลัง เมื่อใช้อย่างถูกต้อง จะลดการแมปกระแสคุณค่า การจำแนกประเภทขยะ การศึกษาสาเหตุที่แท้จริง และรายงานการปรับปรุงจากชั่วโมงเหลือเป็นนาที เมื่อใช้ไม่ถูกต้องจะทำให้เกิดข้อเสนอแนะที่ไม่เคยเห็นมาก่อนว่า "สมบูรณ์แบบบนกระดาษ" แต่ไม่สามารถนำไปใช้ได้จริง ในหน่วยนี้ คุณจะได้เรียนรู้ว่าควรวาง AI ไว้ที่ใดในวงจรการผลิตแบบ Lean และวิธีการตรวจสอบความถูกต้องของผลลัพธ์
AI ยืนอยู่ตรงไหนในการปรับปรุงกระบวนการ?
มาแบ่งโครงการปรับปรุงออกเป็นสามชั้น: การรวบรวมข้อมูล การวิเคราะห์/การตัดสินใจ การรายงาน/การสื่อสาร AI ช่วยในเรื่องน้ำหนักที่แตกต่างกันในชั้นเหล่านี้
ชั้น
บทบาทของเอไอ
บทบาทของผู้ชาย
การรวบรวมข้อมูล
ออกแบบแบบสำรวจ/แบบฟอร์ม และจัดระเบียบข้อมูล
มาตรการและการสังเกตในสนาม (เกมบะ)
การวิเคราะห์/การตัดสินใจ
สร้างสมมติฐาน แนะนำวิธีการ ร่างการคำนวณ
ตรวจสอบข้อมูลประกอบการตัดสินใจ
การรายงาน
A3 การนำเสนอ นักเขียนร่างข้อความสรุป
ควบคุมความแม่นยำและโทนเสียง
สิ่งที่ควรทราบก็คือ AI ไม่สามารถสร้างข้อมูลได้เอง มีเพียงการวัดภาคสนามเท่านั้นที่ให้รอบเวลาจริงของเครื่องจักร นาทีที่ผู้ปฏิบัติงานรอ และระยะเวลาในการเปลี่ยนแม่พิมพ์ AI จัดระเบียบ ตีความ และเปลี่ยนข้อมูลดิบที่คุณนำมาเป็นสมมติฐานในการปรับปรุง
เคล็ดลับ: ฉันมักจะถาม AI เสมอว่า "ฉันต้องการข้อมูลอะไรบ้าง" ถามอีกว่า: การสร้างแผนการวัดที่ถูกต้องก่อนเริ่มการปรับปรุงจะมีราคาถูกกว่าการวิเคราะห์ด้วยข้อมูลที่ไม่ถูกต้องในภายหลังมาก
ขยะเจ็ดประการ (Muda) และการจำแนกประเภทโดย AI
การทำให้ขยะ (โคลน) มองเห็นได้นั้นเป็นหัวใจสำคัญของการผลิตแบบลีน ความสูญเปล่า 7 ประการแบบคลาสสิก: การผลิตมากเกินไป การรอ การขนส่งที่ไม่จำเป็น การประมวลผลมากเกินไป สินค้าคงคลัง การเคลื่อนย้ายที่ไม่จำเป็น และข้อผิดพลาด บ่อยครั้งมีการเพิ่ม "ศักยภาพของมนุษย์ที่ยังไม่ได้ใช้" เข้ามาเป็นหนึ่งในแปด AI รวดเร็วมากในการแบ่งการบรรยายกระบวนการออกเป็นหมวดหมู่เหล่านี้
บทบาท: คุณเป็นวิศวกรอุตสาหกรรมที่มีประสบการณ์ในการผลิตแบบลีน ภารกิจ: แบ่งการบรรยายกระบวนการต่อไปนี้ออกเป็น 7 หมวดหมู่ของเสีย (muda) สำหรับการพิจารณาแต่ละครั้ง: (1) ประเภทของของเสีย (2) คำพิพากษาที่เป็นหลักฐาน (3) ตัวชี้วัดที่ฉันต้องวัด (4) การปรับปรุงอย่างรวดเร็วที่เป็นไปได้ คำอธิบายกระบวนการ: """บนสายการประกอบ ผู้ปฏิบัติงานเดิน 6 เมตรในแต่ละรอบเพื่อหยิบชิ้นส่วน การต่อคิวที่ด้านหน้าบูธพ่นสีโดยเฉลี่ย 40 นาที ประมาณในหนึ่งกะ 12 ชิ้นส่วนจะถูกนำไปแปรรูปใหม่ ผลิตภัณฑ์กึ่งสำเร็จรูป 3 วันสะสมในคลังสินค้ากลาง
พลังของพรอมต์นี้คือทำให้สามารถวัดเอาต์พุตได้ การพูดว่า "มีการเคลื่อนไหวที่ไม่จำเป็น" นั้นไม่เพียงพอ ควรพูดว่า "ผู้ปฏิบัติงานเดิน 6 เมตรต่อรอบ รวม Y เมตรใน X รอบต่อวัน" AI ชี้ให้เห็นหลักฐานและหน่วยเมตริกที่จะวัด คุณวัดภาคสนาม และเสียบตัวเลข
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ตั้งชื่อของเสียในสายการผลิตนี้
สิ่งนี้สร้างรายการโดยไม่มีหมวดหมู่ ไม่มีหลักฐาน และไม่มีมาตรการ เป็นไปได้มากว่าวลีทั่วไป "อาจมีสินค้าเกิน อาจมีระยะเวลารอ" เกิดขึ้นซ้ำ
พรอมต์อันทรงพลัง:
แบ่งข้อมูลกระบวนการนี้ออกเป็น 7 ประเภทของเสีย จัดทำหลักฐานสำหรับแต่ละประเภท ตัวชี้วัดที่ฉันควรวัด และผลกระทบโดยประมาณ จำแนกผลกระทบเป็น "ต่ำ/กลาง/สูง" และเขียนเหตุผล ข้อมูล: {{ ... }}
ความแตกต่างก็คือผลลัพธ์สามารถแปลเป็นแผนปฏิบัติการได้โดยตรง พรอมต์ที่สองจะให้ตารางที่จัดลำดับความสำคัญและวัดผลได้
เร่งวงจร DMAIC ด้วย AI
กรอบงาน DMAIC ของ Six Sigma (กำหนด-วัด-วิเคราะห์-ปรับปรุง-ควบคุม) เป็นภาษากลางในโครงการปรับปรุง AI ช่วยแตกต่างกันในแต่ละขั้นตอน:
- กำหนด: คำจำกัดความของปัญหาฉบับร่าง ขอบเขตโครงการ (SIPOC) และคำแถลงวัตถุประสงค์
- การวัดผล: แผนการวัด แบบฟอร์มการรวบรวมข้อมูล ตรรกะขนาดตัวอย่าง
- วิเคราะห์: รายการสมมติฐาน ก้างปลา (อิชิกาวะ) สาเหตุที่เป็นไปได้
- ปรับปรุง: ทางเลือกโซลูชัน, คำแนะนำ ECRS (กำจัด-รวม-จัดเรียงใหม่-ลดความซับซ้อน)
- การควบคุม: ร่างแผนการควบคุม คำสั่งการทำงานมาตรฐาน และการติดตาม KPI
สร้างโครงกระดูกอิชิกาวะ (ก้างปลา) สำหรับปัญหาต่อไปนี้ ปัญหา: "ความหยาบผิวบนเครื่อง CNC สูงกว่าเป้าหมาย" หมวดหมู่: เครื่องจักร วิธีการ วัสดุ มนุษย์ การวัด สิ่งแวดล้อม (6M) เขียนสาเหตุที่เป็นไปได้ 3-4 รายการในแต่ละหมวดหมู่ และระบุข้อมูลที่ฉันควรรวบรวมเพื่อทดสอบแต่ละสาเหตุ
กฎทองที่นี่ยังคงไม่เปลี่ยนแปลง ทุกต้นเหตุที่แนะนำโดย AI เป็นเพียงสมมติฐาน ไม่ใช่หลักฐาน สาเหตุของความหยาบผิวอาจเกิดจาก "การสึกหรอของเครื่องมือตัด" หรือไม่ก็ได้ มีเพียงข้อมูลอายุการใช้งานเครื่องมือและการทดลองเท่านั้นที่ยืนยันสิ่งนี้
ข้อควรระวัง: บางครั้ง AI จะสร้างเหตุผลต่อเนื่องกันที่ดูเป็นไปได้มากแต่กลับผิดเพี้ยนไปจากเดิม ตัวอย่างเช่น เป็นเรื่องง่ายที่จะพูดว่า "ข้อผิดพลาดของตัวดำเนินการ" และมักจะไม่ยุติธรรม กำจัดสาเหตุที่เป็นระบบ (วิธีการ อุปกรณ์ การวัด) ด้วยข้อมูลก่อนที่จะกล่าวโทษสาเหตุที่แท้จริงที่มนุษย์
Mini Case: ลดระยะเวลาในการเปลี่ยนแม่พิมพ์ (SMED)
การเปลี่ยนแปลงแม่พิมพ์ในโรงงานฉีดพลาสติกใช้เวลาประมาณ 55 นาที และทำให้เกิดความสูญเสียอย่างมากในกระบวนการผลิตขนาดเล็ก วิศวกรอุตสาหกรรม Deniz ถ่ายวิดีโอกระบวนการเปลี่ยนแปลงและคำนวณเวลาทีละขั้นตอน (ข้อมูลนี้มาจากภาคสนาม) จากนั้นจะแจ้งรายการขั้นตอนและเวลาให้ AI:
จำแนกขั้นตอนการเปลี่ยนแม่พิมพ์เหล่านี้เป็น "ภายใน" (สามารถทำได้ในขณะที่เครื่องจักรหยุดทำงาน) และ "ภายนอก" (สามารถทำได้ในขณะที่เครื่องจักรกำลังทำงาน) ตามวิธี SMED ทำเครื่องหมายขั้นบันไดด้านในที่สามารถเลื่อนไปขั้นด้านนอกได้ และเขียนคำแนะนำในการเตรียมตัวเบื้องต้นสำหรับขั้นบันไดแต่ละขั้น ขั้นตอนและระยะเวลา: {{ list }}
AI ทำเครื่องหมายขั้นตอนต่างๆ เช่น “การนำแม่พิมพ์ใหม่ไปที่เครื่องจักร” และ “การเตรียมโบลต์” เพื่อพกพาไปงานภายนอก โดยแนะนำให้ใช้รถเข็นชั่วคราว เดนิซกำลังทดสอบข้อเสนอนี้ในภาคสนาม เป็นการสร้างมาตรฐานให้กับสิ่งที่นำไปใช้ได้จริง เป็นผลให้เวลาในการเปลี่ยนลดลงจาก 55 นาทีเป็น 32 นาที จุดสำคัญ: AI เร่งแผนให้เร็วขึ้น แต่การทดสอบภาคสนามและการกำหนดมาตรฐานนั้นทำให้เวลาลดลงจริงๆ
ข้อผิดพลาดทั่วไป
- การข้าม Gemba: การใช้เอาต์พุต AI โดยไม่ต้องสังเกตจากภาคสนาม เป็นไปตามหลักการง่ายๆ "ไปดู"
- อาศัยตัวเลขที่สร้างขึ้น: บางครั้ง AI จะสร้างตัวเลขที่ไม่มีอยู่จริง เช่น "รอบเวลาคือประมาณ 45 วินาที" ทุกตัวเลขต้องได้รับการสนับสนุนโดยการวัด
- การกล่าวโทษสาเหตุที่แท้จริงของมนุษย์: การยอมรับคำอธิบายแรกที่เข้ามาในใจคือ "ความประมาท" ไม่ตรวจสอบสาเหตุเชิงระบบ
- ล็อกโซลูชั่นเดียว: คิดว่าข้อเสนอแนะแรกของ AI เป็นเพียงทางเลือกเดียว สร้างทางเลือกอย่างน้อย 2-3 ทางและเปรียบเทียบตามข้อจำกัด
- ลืมขั้นตอนการควบคุม: ทำการปรับปรุงและปล่อยทิ้งไว้โดยไม่ต้องสร้างธุรกิจมาตรฐานและติดตาม KPI กระบวนการจะกลับสู่สถานะก่อนหน้า
โดยสรุป
- AI ไม่ได้สร้างข้อมูลในด้านวิศวกรรมอุตสาหการ โดยจะจัดระเบียบข้อมูลที่คุณนำมา ตีความ และเปลี่ยนให้เป็นสมมติฐานในการปรับปรุง
- ทำให้ผลลัพธ์สามารถวัดได้เมื่อจำแนกประเภทความสูญเปล่าทั้งเจ็ด: ขอหลักฐานหลักฐาน + ตัวชี้วัดที่จะวัด
- ใช้ AI เป็นตัวสร้างแบบร่างในทุกขั้นตอนของ DMAIC แต่มักจะตรวจสอบสาเหตุที่แท้จริงด้วยข้อมูล
- ในเทคนิคเช่น SMED นั้น AI จะเร่งแผนให้เร็วขึ้น สิ่งที่ช่วยลดเวลาได้จริงๆ คือการทดสอบภาคสนามและการกำหนดมาตรฐาน
- การข้ามเกมบ้า พึ่งตัวเลขที่แต่งขึ้น และการลืมขั้นตอนการตรวจสอบถือเป็นความผิดพลาดที่แพงที่สุด
งานสมัคร
เลือกกระบวนการจากสถานที่ทำงานของคุณเอง (หรือกระบวนการผลิต/บริการที่สมจริงที่คุณรู้จัก) ขั้นแรก ให้สังเกตสนามเป็นเวลา 5-10 นาที และจดบันทึกขั้นตอนจริงและเวลาโดยประมาณ จากนั้นให้ AI วิเคราะห์กระบวนการโดยใช้ไฟแจ้งการจำแนกประเภทขยะ 7 รายการในหน่วยนี้ สำหรับการตรวจจับของเสียแต่ละครั้งในผลลัพธ์: (ก) เปรียบเทียบกับการสังเกตของคุณว่าหลักฐานมีความถูกต้องหรือไม่ (ข) ระบุอย่างน้อยหนึ่งตัวชี้วัดที่ควรวัด (ค) เลือกข้อเสนอแนะการปรับปรุงอย่างรวดเร็วหนึ่งข้อ และประเมินโดยใช้ตรรกะ "งานภายใน/ภายนอก" หรือ "ECRS" สุดท้าย ให้ค้นหาตัวอย่างที่การตัดสินใจของ AI กลายเป็นสิ่งที่ผิด (หรือไม่สามารถตรวจสอบได้) ในสนาม และเขียนในประโยคเดียวว่าเหตุใดจึงผิด