Kazanimlar:
- AI'ı yalın üretim ve süreç iyileştirme döngülerinde nerede kullanacağını belirleyebilme
- Değer akış haritası, israf analizi ve DMAIC adımlarını yapılandırılmış promptlarla hızlandırabilme
- AI önerilerini saha verisi ve gemba gözlemiyle doğrulama disiplinini uygulayabilme
Endüstri mühendisliği özünde bir "daha iyisini yapma" disiplinidir: aynı kaynakla daha çok değer üretmek, israfı görünür kılmak, değişkenliği azaltmak. Yapay zeka bu disipline yeni bir hesap makinesi ya da sihirli bir çözüm değil, güçlü bir düşünme ve taslak üretme ortağı olarak girer. Doğru kullanıldığında değer akış haritası çıkarmayı, israf sınıflandırmayı, kök-neden çalışmalarını ve iyileştirme raporlarını saatlerden dakikalara indirir. Yanlış kullanıldığında ise sahayı hiç görmemiş, "kağıt üzerinde mükemmel" ama gerçekte uygulanamaz öneriler üretir. Bu ünitede AI'ı yalın üretim (lean) döngüsünün neresine koyacağınızı ve çıktısını nasıl doğrulayacağınızı öğreneceksiniz.
AI Süreç İyileştirmenin Neresinde Durur?
Bir iyileştirme projesini üç katmana ayıralım: veri toplama, analiz/karar, raporlama/iletişim. AI bu katmanlarda farklı ağırlıkta yardımcı olur.
Katman
AI'ın rolü
İnsanın rolü
Veri toplama
Anket/formu tasarlar, veriyi düzenler
Sahada ölçer, gözlemler (gemba)
Analiz/karar
Hipotez üretir, yöntem önerir, hesap taslağı çıkarır
Veriyle doğrular, kararı verir
Raporlama
A3, sunum, özet metin taslağı yazar
Doğruluğu ve tonu denetler
Dikkat edilmesi gereken şey şu: AI verinin kendisini üretemez. Bir tezgahın gerçek çevrim süresini, bir operatörün beklediği dakikaları, bir kalıp değişiminin ne kadar sürdüğünü yalnızca saha ölçümü verir. AI, sizin getirdiğiniz bu ham veriyi düzenler, yorumlar ve iyileştirme hipotezine çevirir.
İpucu: AI'a her zaman "hangi veriye ihtiyacım var?" diye de sorun. İyileştirmeye başlamadan önce doğru ölçüm planını kurmak, sonradan yanlış veriyle analiz yapmaktan çok daha ucuzdur.
Yedi İsraf (Muda) ve AI ile Sınıflandırma
Yalın üretimin kalbinde israfın (muda) görünür kılınması yatar. Klasik yedi israf: fazla üretim, bekleme, gereksiz taşıma, fazla işleme, stok, gereksiz hareket ve hatalar. Genellikle sekizinci olarak "kullanılmayan insan potansiyeli" eklenir. AI, bir süreç anlatımını bu kategorilere ayırmakta çok hızlıdır.
Rol: Sen yalın üretim (lean) konusunda deneyimli bir endüstri mühendisisin.Görev: Aşağıdaki süreç anlatımını 7 israf (muda) kategorisine ayır.Her tespit için: (1) israf türü, (2) kanıt cümlesi, (3) ölçmem gerekenmetrik, (4) olası hızlı iyileştirme.Süreç anlatımı:"""Montaj hattında operatör, parçayı almak için her çevrimde 6 metreyürüyor. Boya kabini önünde ortalama 40 dakikalık bir kuyruk oluşuyor.Bir vardiyada yaklaşık 12 parça yeniden işleme gidiyor. Ara depoda3 günlük yarı mamul birikiyor."""Kural: Emin olmadığın yerde "sahada doğrulanmalı" notu ekle,uydurma sayı üretme.
Bu prompt'un gücü, çıktıyı ölçülebilir hale getirmesinde. "Gereksiz hareket var" demek yeterli değildir; "operatör çevrim başına 6 metre yürüyor, günde X çevrimde toplam Y metre" diyebilmek gerekir. AI kanıt cümlesini ve ölçülecek metriği işaret eder, siz sahada ölçer ve rakamı yerine koyarsınız.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Bu üretim hattındaki israfları söyle.
Bu, kategorisiz, kanıtsız ve ölçüsüz bir liste üretir; büyük ihtimalle genel geçer "stok fazlası olabilir, bekleme olabilir" cümleleri döner.
Güçlü prompt:
Şu süreç verisini 7 israf kategorisine ayır, her biri için kanıtcümlesini, ölçmem gereken metriği ve tahmini etkiyi belirt. Etkiyi"düşük/orta/yüksek" olarak sınıfla ve gerekçesini yaz. Veri: {{ ... }}
Fark, çıktının doğrudan bir aksiyon planına dönüşebilmesinde. İkinci prompt önceliklendirilebilir, ölçülebilir bir tablo verir.
DMAIC Döngüsünü AI ile Hızlandırma
Altı Sigma'nın DMAIC iskeleti (Define-Measure-Analyze-Improve-Control) iyileştirme projelerinde ortak bir dildir. AI her aşamada farklı bir yardımcı olur:
- Define: Problem tanımı, proje kapsamı (SIPOC) ve amaç ifadesi taslağı.
- Measure: Ölçüm planı, veri toplama formu, örneklem büyüklüğü mantığı.
- Analyze: Hipotez listesi, balık kılçığı (Ishikawa), olası kök-nedenler.
- Improve: Çözüm alternatifleri, ECRS (Eliminate-Combine-Rearrange-Simplify) önerileri.
- Control: Kontrol planı, standart iş talimatı ve izleme KPI taslağı.
Şu problem için bir Ishikawa (balık kılçığı) iskeleti oluştur.Problem: "CNC tezgahında yüzey pürüzlülüğü hedefin üzerinde çıkıyor."Kategoriler: Makine, Yöntem, Malzeme, İnsan, Ölçüm, Çevre (6M).Her kategori altında 3-4 olası neden yaz ve her nedeni test etmek içinhangi veriyi toplamam gerektiğini belirt.
Buradaki altın kural değişmez: AI'ın önerdiği her kök-neden bir hipotezdir, kanıt değildir. Yüzey pürüzlülüğünün nedeni "kesici takım aşınması" olabilir de olmayabilir de; bunu ancak takım ömrü verisi ve deney doğrular.
Dikkat: AI bazen çok makul görünen ama sahada yanlış olan neden zincirleri kurar. Örneğin "operatör hatası" demek kolaydır ve çoğu zaman haksızdır. Kök-nedeni insana yıkmadan önce sistemsel nedenleri (yöntem, ekipman, ölçüm) veriyle eleyin.
Mini Vaka: Kalıp Değişim Süresini Kısaltma (SMED)
Bir plastik enjeksiyon atölyesinde kalıp değişimi ortalama 55 dakika sürüyor ve bu, küçük partilerde büyük kayıp yaratıyor. Endüstri mühendisi Deniz, değişim işlemini videoya alıp adım adım süreleri çıkarıyor (bu veri sahadan gelir). Ardından AI'a adım listesini ve sürelerini veriyor:
Şu kalıp değişim adımlarını SMED yöntemine göre "iç" (makine dururken)ve "dış" (makine çalışırken yapılabilir) olarak sınıfla. İç adımlardandışa taşınabilecekleri işaretle ve her biri için ön hazırlık önerisi yaz.Adımlar ve süreler: {{ liste }}
AI, "yeni kalıbın makineye getirilmesi" ve "cıvataların hazırlanması" gibi adımları dış işe taşınabilir olarak işaretliyor, ön hazırlık arabası öneriyor. Deniz bu öneriyi sahada test ediyor; gerçekten uygulanabilir olanları standartlaştırıyor. Sonuçta değişim süresi 55 dakikadan 32 dakikaya iniyor. Kritik nokta: AI planı hızlandırdı ama süreyi gerçekten düşüren şey saha testi ve standardizasyon oldu.
Yaygın Hatalar
- Gemba'yı atlamak: AI çıktısını sahada gözlemlemeden uygulamaya almak. Yalın "git ve gör" ilkesine dayanır.
- Uydurma rakamlara güvenmek: AI bazen "çevrim süresi yaklaşık 45 saniyedir" gibi olmayan sayılar üretir. Her sayı ölçümle desteklenmeli.
- Kök-nedeni insana yıkmak: İlk akla gelen "dikkatsizlik" açıklamasını kabul etmek; sistemsel nedenleri araştırmamak.
- Tek çözüme kilitlenmek: AI'ın ilk önerisini tek seçenek sanmak. En az 2-3 alternatif ürettirip kısıtlara göre karşılaştırın.
- Kontrol aşamasını unutmak: İyileştirmeyi yapıp standart iş ve izleme KPI'ı kurmadan bırakmak; süreç eski haline döner.
Özetle
- AI, endüstri mühendisliğinde veriyi üretmez; getirdiğiniz veriyi düzenler, yorumlar ve iyileştirme hipotezine çevirir.
- Yedi israfı sınıflandırırken çıktıyı ölçülebilir kılın: kanıt cümlesi + ölçülecek metrik isteyin.
- DMAIC'in her aşamasında AI'ı taslak üretici olarak kullanın, ama kök-nedenleri daima veriyle doğrulayın.
- SMED gibi tekniklerde AI planı hızlandırır; süreyi gerçekten düşüren şey saha testi ve standardizasyondur.
- Gemba'yı atlamak, uydurma rakamlara güvenmek ve kontrol aşamasını unutmak en pahalı hatalardır.
Uygulama görevi
Kendi iş yerinizden (veya tanıdığınız gerçekçi bir üretim/hizmet sürecinden) bir süreci seçin. Önce sahada 5-10 dakika gözlem yapıp gerçek adımları ve tahmini süreleri not edin. Ardından bu ünitedeki "7 israf sınıflandırma" güçlü promptunu kullanarak AI'a süreci analiz ettirin. Çıktıdaki her israf tespiti için: (a) kanıtın gerçekten doğru olup olmadığını gözleminizle karşılaştırın, (b) ölçülmesi gereken en az bir metriği belirleyin, (c) bir hızlı iyileştirme önerisini seçip "iç/dış iş" veya "ECRS" mantığıyla değerlendirin. Son olarak AI'ın ürettiği bir tespitin sahada yanlış çıktığı (veya doğrulanamadığı) bir örnek bulun ve neden yanıldığını bir cümleyle yazın.