Lợi nhuận:
- Khả năng xác định vị trí sử dụng AI trong chu trình cải tiến quy trình và sản xuất tinh gọn
- Khả năng tăng tốc bản đồ dòng giá trị, phân tích chất thải và các bước DMAIC với lời nhắc có cấu trúc
- Khả năng áp dụng kỷ luật xác thực các đề xuất AI với dữ liệu thực địa và quan sát gemba
Kỹ thuật công nghiệp về cơ bản là một môn học "làm tốt hơn": tạo ra nhiều giá trị hơn với cùng nguồn tài nguyên, làm cho chất thải có thể nhìn thấy được, giảm thiểu sự biến đổi. Trí tuệ nhân tạo tham gia vào ngành học này không phải với tư cách là một máy tính hay giải pháp kỳ diệu mới mà với tư cách là một đối tác soạn thảo và tư duy mạnh mẽ. Khi sử dụng đúng cách, nó sẽ giảm việc lập bản đồ dòng giá trị, phân loại chất thải, nghiên cứu nguyên nhân gốc rễ và báo cáo cải tiến từ vài giờ xuống còn vài phút. Khi sử dụng không đúng cách, nó sẽ đưa ra những gợi ý chưa từng thấy trên thực tế, “hoàn hảo trên giấy tờ” nhưng lại không thể triển khai trên thực tế. Trong phần này, bạn sẽ tìm hiểu vị trí đặt AI trong chu trình sản xuất tinh gọn và cách xác thực đầu ra của nó.
AI đứng ở đâu trong việc cải tiến quy trình?
Hãy chia dự án cải tiến thành ba lớp: thu thập dữ liệu, phân tích/quyết định, báo cáo/truyền thông. AI hỗ trợ trọng lượng khác nhau trong các lớp này.
lớp
Vai trò của AI
vai trò của đàn ông
thu thập dữ liệu
Thiết kế khảo sát/biểu mẫu và sắp xếp dữ liệu
Đo đạc và quan sát tại hiện trường (gemba)
phân tích/quyết định
Đưa ra giả thuyết, đề xuất phương pháp, soạn thảo tính toán
Xác minh bằng dữ liệu, đưa ra quyết định
Báo cáo
A3, thuyết trình, soạn thảo văn bản tóm tắt
Kiểm soát độ chính xác và âm sắc
Điều cần lưu ý là AI không thể tự tạo ra dữ liệu. Chỉ phép đo hiện trường mới cung cấp thời gian chu kỳ thực tế của máy, số phút mà người vận hành chờ đợi, thời gian thay khuôn mất bao lâu. AI tổ chức, diễn giải và biến dữ liệu thô mà bạn đưa ra thành giả thuyết cải tiến.
Mẹo: Tôi luôn hỏi AI “tôi cần dữ liệu gì?” Đồng thời hỏi: Thiết lập kế hoạch đo lường chính xác trước khi bắt đầu cải tiến sẽ rẻ hơn nhiều so với việc thực hiện phân tích với dữ liệu không chính xác sau đó.
Bảy lãng phí (Muda) và phân loại bằng AI
Làm cho chất thải (muda) trở nên rõ ràng là trọng tâm của sản xuất tinh gọn. Bảy sự lãng phí kinh điển: sản xuất thừa, chờ đợi, vận chuyển không cần thiết, xử lý quá mức, tồn kho, di chuyển không cần thiết và sai sót. Thường thì “tiềm năng con người chưa được khai thác” được thêm vào ở vị trí thứ tám. AI rất nhanh trong việc chia nhỏ tường thuật quá trình thành các danh mục này.
Vai trò: Bạn là một kỹ sư công nghiệp có kinh nghiệm về sản xuất tinh gọn. Nhiệm vụ: Chia bản tường thuật quy trình sau thành 7 loại chất thải (muda). Đối với mỗi quyết định: (1) loại lãng phí, (2) câu bằng chứng, (3) thước đo tôi cần đo lường, (4) khả năng cải thiện nhanh chóng. Mô tả quy trình: """Trên dây chuyền lắp ráp, người vận hành đi bộ 6 mét trong mỗi chu kỳ để lấy bộ phận. Một hàng dài xếp hàng trước buồng sơn trong thời gian trung bình là 40 phút. Khoảng một ca, 12 bộ phận sẽ được xử lý lại. 3 ngày bán thành phẩm sẽ tích lũy trong kho trung gian.
Sức mạnh của lời nhắc này là nó làm cho kết quả đầu ra có thể đo lường được. Nói “có chuyển động không cần thiết” là chưa đủ; Có thể nói "người vận hành đi bộ 6 mét mỗi chu kỳ, tổng số Y mét trong X chu kỳ mỗi ngày". AI chỉ ra tuyên bố bằng chứng và số liệu cần đo, bạn đo tại hiện trường và nhập số.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Kể tên các chất thải trong dây chuyền sản xuất này.
Điều này tạo ra một danh sách không có phân loại, không có bằng chứng và không có thước đo; Rất có thể, những cụm từ phổ biến “có thể thừa hàng, có thể phải chờ một thời gian” được lặp lại.
Lời nhắc mạnh mẽ:
Chia dữ liệu quá trình này thành 7 loại lãng phí, cung cấp tuyên bố bằng chứng cho từng loại, số liệu tôi nên đo lường và tác động ước tính. Phân loại tác động là "thấp/trung bình/cao" và viết lý do. Dữ liệu: {{ ... }}
Sự khác biệt là đầu ra có thể trực tiếp chuyển thành kế hoạch hành động. Lời nhắc thứ hai đưa ra một bảng có mức độ ưu tiên và có thể đo lường được.
Tăng tốc chu trình DMAIC bằng AI
Khung DMAIC của Six Sigma (Xác định-Đo lường-Phân tích-Cải tiến-Kiểm soát) là ngôn ngữ phổ biến trong các dự án cải tiến. AI trợ giúp khác nhau ở từng giai đoạn:
- Xác định: Dự thảo định nghĩa vấn đề, phạm vi dự án (SIPOC) và tuyên bố mục đích.
- Đo lường: Kế hoạch đo lường, biểu mẫu thu thập dữ liệu, logic cỡ mẫu.
- Phân tích: Danh sách các giả thuyết, xương cá (Ishikawa), nguyên nhân gốc rễ có thể xảy ra.
- Cải thiện: Các giải pháp thay thế, gợi ý ECRS (Loại bỏ-Kết hợp-Sắp xếp lại-Đơn giản hóa).
- Kiểm soát: Dự thảo kế hoạch kiểm soát, hướng dẫn công việc tiêu chuẩn và giám sát KPI.
Tạo bộ xương Ishikawa (xương cá) cho bài toán sau. Sự cố: "Độ nhám bề mặt trên máy CNC vượt quá mục tiêu." Danh mục: Máy, Phương pháp, Vật liệu, Con người, Đo lường, Môi trường (6M). Viết 3-4 nguyên nhân có thể xảy ra trong mỗi danh mục và cho biết dữ liệu nào tôi nên thu thập để kiểm tra từng nguyên nhân.
Quy tắc vàng ở đây vẫn không đổi: mọi nguyên nhân gốc rễ do AI gợi ý đều là giả thuyết, không phải bằng chứng. Nguyên nhân gây ra độ nhám bề mặt có thể có hoặc không do "mòn dụng cụ cắt"; Chỉ có dữ liệu tuổi thọ dụng cụ và thử nghiệm mới xác nhận điều này.
Thận trọng: AI đôi khi xây dựng chuỗi lý do có vẻ rất hợp lý nhưng thực tế lại sai. Ví dụ, rất dễ nói “lỗi của người vận hành” và thường không công bằng. Loại bỏ các nguyên nhân mang tính hệ thống (phương pháp, thiết bị, đo lường) bằng dữ liệu trước khi đổ lỗi nguyên nhân cốt lõi cho con người.
Hộp Mini: Rút ngắn thời gian thay khuôn (SMED)
Việc thay khuôn trong xưởng ép nhựa mất trung bình 55 phút và điều này gây ra tổn thất lớn đối với các lô nhỏ. Kỹ sư công nghiệp Deniz quay video quá trình chuyển đổi và tính toán thời gian từng bước (dữ liệu này được lấy từ hiện trường). Sau đó, nó cung cấp cho AI danh sách các bước và thời gian của chúng:
Phân loại các bước thay khuôn này là “bên trong” (có thể thực hiện khi máy đang dừng) và “bên ngoài” (có thể thực hiện khi máy đang chạy) theo phương pháp SMED. Đánh dấu các bước bên trong có thể chuyển sang các bước bên ngoài và viết đề xuất chuẩn bị sơ bộ cho từng bước. Các bước và thời lượng: {{ list }}
AI đánh dấu các bước như “đưa khuôn mới vào máy” và “chuẩn bị bu lông” là có thể mang theo để thực hiện công việc bên ngoài, gợi ý một chiếc xe đẩy tạm thời. Deniz đang thử nghiệm đề xuất này trên thực tế; nó tiêu chuẩn hóa những gì thực sự có thể áp dụng được. Kết quả là thời gian chuyển đổi giảm từ 55 phút xuống còn 32 phút. Điểm quan trọng: AI đã đẩy nhanh kế hoạch, nhưng chính việc thử nghiệm và tiêu chuẩn hóa tại hiện trường mới thực sự làm giảm thời gian.
Những lỗi thường gặp
- Bỏ qua Gemba: Triển khai đầu ra AI mà không cần quan sát nó tại hiện trường. Nó dựa trên nguyên tắc "đi và xem" đơn giản.
- Dựa vào những con số bịa đặt: AI đôi khi tạo ra những con số không tồn tại, chẳng hạn như "thời gian chu kỳ là khoảng 45 giây". Mọi con số đều phải được hỗ trợ bằng phép đo.
- Đổ lỗi căn nguyên cho con người: Chấp nhận lời giải thích đầu tiên hiện lên trong đầu là “bất cẩn”; Không điều tra nguyên nhân mang tính hệ thống.
- Khóa chặt một giải pháp duy nhất: Nghĩ rằng gợi ý đầu tiên của AI là lựa chọn duy nhất. Tạo ít nhất 2-3 lựa chọn thay thế và so sánh chúng theo các ràng buộc.
- Quên giai đoạn kiểm soát: Thực hiện cải tiến và bỏ đi mà không thiết lập các KPI kinh doanh tiêu chuẩn và giám sát; Quá trình trở về trạng thái trước đó.
Tóm lại
- AI không tạo ra dữ liệu trong kỹ thuật công nghiệp; Nó sắp xếp dữ liệu bạn mang theo, diễn giải nó và biến nó thành một giả thuyết cải tiến.
- Làm cho đầu ra có thể đo lường được khi phân loại bảy lãng phí: yêu cầu tuyên bố bằng chứng + thước đo để đo lường.
- Sử dụng AI làm công cụ tạo bản nháp ở mọi giai đoạn của DMAIC nhưng luôn xác minh nguyên nhân gốc rễ bằng dữ liệu.
- Trong các hệ thống như SMED, AI tăng tốc kế hoạch; Điều thực sự làm giảm thời gian là thử nghiệm và tiêu chuẩn hóa tại hiện trường.
- Bỏ qua Gemba, dựa vào số liệu bịa đặt và quên mất giai đoạn kiểm tra là những sai lầm đắt giá nhất.
Nhiệm vụ ứng dụng
Chọn một quy trình từ nơi làm việc của riêng bạn (hoặc một quy trình sản xuất/dịch vụ thực tế mà bạn biết). Đầu tiên, quan sát hiện trường trong 5-10 phút và ghi lại các bước thực tế cũng như thời gian ước tính. Sau đó, yêu cầu AI phân tích quy trình bằng cách sử dụng lời nhắc nguồn “7 phân loại chất thải” trong thiết bị này. Đối với mỗi lần phát hiện lãng phí ở đầu ra: (a) so sánh với quan sát của bạn xem bằng chứng có thực sự chính xác hay không, (b) xác định ít nhất một số liệu cần đo lường, (c) chọn một đề xuất cải tiến nhanh và đánh giá đề xuất đó bằng logic “công việc bên trong/bên ngoài” hoặc “ECRS”. Cuối cùng, hãy tìm một ví dụ trong đó quyết định do AI đưa ra hóa ra là sai (hoặc không thể xác minh) trong hiện trường và viết thành một câu tại sao nó sai.