فائدہ:
- دبلی پتلی مینوفیکچرنگ اور عمل میں بہتری کے چکروں میں AI کو کہاں استعمال کرنا ہے اس کا تعین کرنے کی صلاحیت
- ساختی اشارے کے ساتھ ویلیو اسٹریم میپ، فضلہ کے تجزیہ اور DMAIC اقدامات کو تیز کرنے کی صلاحیت
- فیلڈ ڈیٹا اور گیمبا مشاہدے کے ساتھ AI سفارشات کی توثیق کرنے کے نظم و ضبط کو لاگو کرنے کی صلاحیت
صنعتی انجینئرنگ بنیادی طور پر ایک "بہتر کرنا" کا نظم ہے: اسی وسائل کے ساتھ زیادہ قیمت پیدا کرنا، فضلہ کو ظاہر کرنا، تغیر کو کم کرنا۔ مصنوعی ذہانت اس نظم و ضبط میں کسی نئے کیلکولیٹر یا جادوئی حل کے طور پر نہیں بلکہ ایک طاقتور سوچ اور ڈرافٹنگ پارٹنر کے طور پر داخل ہوتی ہے۔ صحیح طریقے سے استعمال ہونے پر، یہ ویلیو سٹریم میپنگ، فضلہ کی درجہ بندی، بنیادی وجہ مطالعہ اور بہتری کی رپورٹوں کو گھنٹوں سے منٹ تک کم کر دیتا ہے۔ جب غلط استعمال کیا جاتا ہے، تو یہ ایسی تجاویز پیش کرتا ہے جنہوں نے کبھی فیلڈ کو نہیں دیکھا، جو کہ "کاغذ پر کامل" ہیں لیکن حقیقت میں ان پر عمل درآمد نہیں کیا جا سکتا۔ اس یونٹ میں، آپ سیکھیں گے کہ دبلی پتلی مینوفیکچرنگ سائیکل میں AI کو کہاں رکھنا ہے اور اس کے آؤٹ پٹ کو کیسے درست کرنا ہے۔
AI عمل میں بہتری میں کہاں کھڑا ہے؟
آئیے ایک بہتری کے منصوبے کو تین پرتوں میں تقسیم کرتے ہیں: ڈیٹا اکٹھا کرنا، تجزیہ/فیصلہ، رپورٹنگ/مواصلات۔ AI ان تہوں میں مختلف وزن کے ساتھ مدد کرتا ہے۔
پرت
AI کا کردار
آدمی کا کردار
ڈیٹا اکٹھا کرنا
سروے/فارم ڈیزائن کرتا ہے اور ڈیٹا کو منظم کرتا ہے۔
میدان میں پیمائش اور مشاہدہ (جیمبا)
تجزیہ/فیصلہ
مفروضے تیار کرتا ہے، طریقے تجویز کرتا ہے، حسابات کا مسودہ تیار کرتا ہے۔
ڈیٹا سے تصدیق کرتا ہے، فیصلہ کرتا ہے۔
رپورٹنگ
A3، پریزنٹیشن، سمری ٹیکسٹ ڈرافٹ رائٹر
درستگی اور لہجے کو کنٹرول کرتا ہے۔
غور کرنے والی بات یہ ہے کہ AI خود ڈیٹا نہیں بنا سکتا۔ صرف فیلڈ کی پیمائش ہی مشین کا اصل سائیکل کا وقت دیتی ہے، آپریٹر کتنے منٹ انتظار کرتا ہے، ڈائی تبدیلی میں کتنا وقت لگتا ہے۔ AI اس خام ڈیٹا کو ترتیب دیتا ہے، اس کی تشریح کرتا ہے اور اسے تبدیل کرتا ہے جسے آپ بہتری کے مفروضے میں لاتے ہیں۔
اشارہ: میں ہمیشہ AI سے پوچھتا ہوں "مجھے کس ڈیٹا کی ضرورت ہے؟" یہ بھی پوچھیں: بہتری شروع کرنے سے پہلے درست پیمائش کا منصوبہ قائم کرنا بعد میں غلط ڈیٹا کے ساتھ تجزیہ کرنے سے کہیں زیادہ سستا ہے۔
سات فضلہ (مڈا) اور درجہ بندی بذریعہ AI
فضلہ (مڈا) کو ظاہر کرنا دبلی پتلی پیداوار کے مرکز میں ہے۔ کلاسک سات فضلہ: زیادہ پیداوار، انتظار، غیر ضروری نقل و حمل، زیادہ پروسیسنگ، انوینٹری، غیر ضروری نقل و حرکت، اور غلطیاں۔ اکثر "غیر استعمال شدہ انسانی صلاحیت" کو آٹھویں کے طور پر شامل کیا جاتا ہے۔ AI ان زمروں میں عمل کے بیانیے کو توڑنے میں بہت تیز ہے۔
کردار: آپ ایک صنعتی انجینئر ہیں جو دبلی پتلی مینوفیکچرنگ میں تجربہ کار ہیں۔ ٹاسک: مندرجہ ذیل عمل کی داستان کو 7 فضلہ (مڈا) زمروں میں تقسیم کریں۔ ہر ایک تعین کے لیے: (1) فضلہ کی قسم، (2) ثبوت کی سزا، (3) میٹرک مجھے پیمائش کرنے کی ضرورت ہے، (4) ممکنہ تیزی سے بہتری۔ عمل کی تفصیل: """اسمبلی لائن پر، آپریٹر حصہ لینے کے لیے ہر سائیکل میں 6 میٹر چلتا ہے۔ پینٹ بوتھ کے سامنے اوسطاً 40 منٹ کے لیے ایک قطار بنتی ہے۔ تقریباً ایک شفٹ میں 12 حصوں کو دوبارہ پروسیس کیا جائے گا۔ 3 دن کی نیم تیار مصنوعات انٹرمیڈیا ہاؤس ویئر میں جمع ہوتی ہیں۔
اس پرامپٹ کی طاقت یہ ہے کہ یہ آؤٹ پٹ کو قابل پیمائش بناتا ہے۔ یہ کہنا کافی نہیں ہے کہ "غیر ضروری حرکت ہے"۔ یہ کہنا ممکن ہے کہ "آپریٹر 6 میٹر فی سائیکل چلتا ہے، کل Y میٹر X سائیکلوں میں فی دن۔" AI ثبوت کے بیان اور پیمائش کے لیے میٹرک کی نشاندہی کرتا ہے، آپ اسے فیلڈ میں ناپتے ہیں اور نمبر لگاتے ہیں۔
کمزور پرامپٹ / مضبوط اشارہ
کمزور اشارہ:
اس پروڈکشن لائن میں فضلہ کا نام بتائیں۔
یہ زمرہ جات کے بغیر، ثبوت کے بغیر، اور پیمائش کے بغیر ایک فہرست تیار کرتا ہے۔ زیادہ تر امکان ہے کہ عام جملے "زیادہ ذخیرہ ہو سکتا ہے، انتظار کی مدت ہو سکتی ہے" کو دہرایا جاتا ہے۔
طاقتور اشارہ:
اس عمل کے ڈیٹا کو فضلے کی 7 اقسام میں تقسیم کریں، ہر ایک کے لیے ثبوت کا بیان، مجھے جس میٹرک کی پیمائش کرنی چاہیے، اور تخمینہ شدہ اثر فراہم کریں۔ اثرات کو "کم/درمیانی/اعلی" کے طور پر درجہ بندی کریں اور استدلال لکھیں۔ ڈیٹا: {{ ... }}
فرق یہ ہے کہ آؤٹ پٹ براہ راست ایکشن پلان میں ترجمہ کر سکتا ہے۔ دوسرا پرامپٹ ایک ترجیحی، قابل پیمائش جدول دیتا ہے۔
AI کے ساتھ DMAIC سائیکل کو تیز کرنا
سکس سگما کا DMAIC فریم ورک (تعریف-پیمانہ-تجزیہ-بہتر-کنٹرول) بہتری کے منصوبوں میں ایک عام زبان ہے۔ AI ہر مرحلے میں مختلف طریقے سے مدد کرتا ہے:
- وضاحت کریں: ڈرافٹ مسئلہ کی تعریف، پروجیکٹ اسکوپ (SIPOC)، اور مقصد کا بیان۔
- پیمائش: پیمائش کا منصوبہ، ڈیٹا اکٹھا کرنے کا فارم، نمونہ سائز منطق۔
- تجزیہ کریں: مفروضوں کی فہرست، مچھلی کی ہڈیاں (ایشکاوا)، ممکنہ بنیادی وجوہات۔
- بہتر کریں: حل کے متبادل، ECRS (Eliminate-combine-Rearrange-Simplify) کی تجاویز۔
- کنٹرول: ڈرافٹ کنٹرول پلان، معیاری کام کی ہدایات اور KPI کی نگرانی۔
مندرجہ ذیل مسئلے کے لیے ایک Ishikawa (herringbone) کنکال بنائیں۔ مسئلہ: "CNC مشین پر سطح کا کھردرا پن ہدف سے زیادہ ہے۔" زمرہ جات: مشین، طریقہ، مواد، انسانی، پیمائش، ماحولیات (6M) ہر زمرے کے تحت 3-4 ممکنہ وجوہات لکھیں اور بتائیں کہ مجھے ہر وجہ کو جانچنے کے لیے کون سا ڈیٹا اکٹھا کرنا چاہیے۔
یہاں سنہری اصول برقرار ہے: AI کے ذریعہ تجویز کردہ ہر بنیادی وجہ ایک مفروضہ ہے، ثبوت نہیں۔ سطح کی کھردری کی وجہ "کٹنگ ٹول پہننا" ہو سکتی ہے یا نہیں۔ صرف ٹول لائف ڈیٹا اور تجربہ اس کی تصدیق کرتے ہیں۔
احتیاط: AI بعض اوقات وجوہات کی زنجیریں بناتا ہے جو بہت قابل فہم لگتے ہیں لیکن زمینی طور پر غلط ہیں۔ مثال کے طور پر، "آپریٹر کی غلطی" کہنا آسان ہے اور اکثر غیر منصفانہ ہوتا ہے۔ انسانوں پر بنیادی وجہ کا الزام لگانے سے پہلے ڈیٹا کے ساتھ نظامی وجوہات (طریقے، آلات، پیمائش) کو ختم کریں۔
منی کیس: مولڈ چینج ٹائم کو مختصر کرنا (SMED)
پلاسٹک انجیکشن ورکشاپ میں مولڈ کی تبدیلیوں میں اوسطاً 55 منٹ لگتے ہیں، اور اس سے چھوٹے بیچوں میں بہت زیادہ نقصان ہوتا ہے۔ صنعتی انجینئر ڈینیز تبدیلی کے عمل کی ویڈیو ٹیپ کرتا ہے اور مرحلہ وار اوقات کا حساب لگاتا ہے (یہ ڈیٹا فیلڈ سے آتا ہے)۔ اس کے بعد یہ AI کو اقدامات اور ان کے اوقات کی فہرست دیتا ہے:
SMED طریقہ کے مطابق مولڈ تبدیلی کے ان مراحل کو "اندرونی" (مشین کے بند ہونے کے دوران کیا جا سکتا ہے) اور "بیرونی" (مشین کے چلنے کے دوران کیا جا سکتا ہے) کے طور پر درجہ بندی کریں۔ اندرونی مراحل کو نشان زد کریں جنہیں باہر کی طرف منتقل کیا جا سکتا ہے اور ہر ایک کے لیے ابتدائی تیاری کی تجویز لکھیں۔ مراحل اور دورانیے: {{ فہرست }}
AI "مشین میں نئے مولڈ کو لانا" اور "بولٹ کی تیاری" جیسے اقدامات کو بیرونی کام کے لیے پورٹیبل کے طور پر نشان زد کرتا ہے، ایک عارضی کارٹ تجویز کرتا ہے۔ Deniz میدان میں اس تجویز کی جانچ کر رہا ہے؛ یہ اس چیز کو معیاری بناتا ہے جو واقعی قابل اطلاق ہے۔ نتیجے کے طور پر، تبدیلی کا وقت 55 منٹ سے کم ہو کر 32 منٹ ہو جاتا ہے۔ اہم نکتہ: AI نے منصوبہ کو تیز کیا، لیکن یہ فیلڈ ٹیسٹنگ اور معیاری کاری تھی جس نے واقعی وقت کو کم کیا۔
عام غلطیاں
- گیمبا کو نظرانداز کرنا: فیلڈ میں AI آؤٹ پٹ کا مشاہدہ کیے بغیر اسے نافذ کرنا۔ یہ سادہ "جاؤ اور دیکھو" کے اصول پر مبنی ہے۔
- بنائے گئے نمبروں پر انحصار کرنا: AI بعض اوقات غیر موجود نمبر تیار کرتا ہے، جیسے "سائیکل کا وقت تقریباً 45 سیکنڈ ہے۔" ہر نمبر کو پیمائش کے ذریعہ سپورٹ کیا جانا چاہئے۔
- انسانوں پر اصل وجہ کا الزام: ذہن میں آنے والی پہلی وضاحت کو قبول کرنا "لاپرواہی" ہے۔ نظامی وجوہات کی تحقیقات نہیں کرنا۔
- ایک ہی حل میں بند کرنا: یہ سوچنا کہ AI کی پہلی تجویز ہی واحد آپشن ہے۔ کم از کم 2-3 متبادل بنائیں اور رکاوٹوں کے مطابق ان کا موازنہ کریں۔
- کنٹرول کے مرحلے کو بھول جانا: معیاری کاروبار قائم کیے بغیر اور KPIs کی نگرانی کیے بغیر بہتری لانا اور اسے چھوڑنا؛ عمل اپنی سابقہ حالت میں واپس آجاتا ہے۔
خلاصہ میں
- AI صنعتی انجینئرنگ میں ڈیٹا تیار نہیں کرتا ہے۔ یہ آپ کے لائے ہوئے ڈیٹا کو منظم کرتا ہے، اس کی تشریح کرتا ہے اور اسے بہتری کے مفروضے میں بدل دیتا ہے۔
- سات فضلہ کی درجہ بندی کرتے وقت آؤٹ پٹ کو قابل پیمائش بنائیں: پیمائش کے لیے ثبوت کا بیان + میٹرک طلب کریں۔
- DMAIC کے ہر مرحلے پر AI کو ڈرافٹ جنریٹر کے طور پر استعمال کریں، لیکن ہمیشہ ڈیٹا کے ساتھ بنیادی وجوہات کی تصدیق کریں۔
- SMED جیسی تکنیکوں میں، AI منصوبے کو تیز کرتا ہے۔ جو چیز واقعی وقت کو کم کرتی ہے وہ ہے فیلڈ ٹیسٹنگ اور معیاری کاری۔
- گیمبا کو چھوڑنا، بنائے گئے اعداد و شمار پر انحصار کرنا، اور جانچ کے مرحلے کو بھول جانا سب سے مہنگی غلطیاں ہیں۔
درخواست کا کام
اپنے کام کی جگہ سے ایک عمل کا انتخاب کریں (یا حقیقت پسندانہ پیداوار/خدمت کا عمل جو آپ جانتے ہیں)۔ سب سے پہلے، 5-10 منٹ تک فیلڈ کا مشاہدہ کریں اور اصل مراحل اور تخمینہ شدہ اوقات کو نوٹ کریں۔ پھر AI کو اس یونٹ میں "7 فضلہ کی درجہ بندی" پاور پرامپٹ کا استعمال کرتے ہوئے عمل کا تجزیہ کرنے کو کہیں۔ آؤٹ پٹ میں ہر فضلہ کی کھوج کے لیے: (a) اپنے مشاہدے سے موازنہ کریں کہ آیا ثبوت واقعی درست ہے، (b) کم از کم ایک میٹرک کی نشاندہی کریں جس کی پیمائش کی جانی چاہیے، (c) ایک فوری بہتری کی تجویز منتخب کریں اور "اندر/باہر کام" یا "ECRS" منطق کے ساتھ اس کا جائزہ لیں۔ آخر میں، ایک مثال تلاش کریں جہاں AI کی طرف سے تیار کردہ ایک عزم فیلڈ میں غلط نکلا (یا تصدیق نہیں ہو سکا) اور ایک جملے میں لکھیں کہ یہ غلط کیوں تھا۔