收益：
- 能够确定在精益制造和流程改进周期中何处使用人工智能
- 能够通过结构化提示加速价值流图、废物分析和 DMAIC 步骤
- 能够运用现场数据和现场观察来验证人工智能建议的学科
工业工程本质上是一门“做得更好”的学科：用相同的资源创造更多的价值，使浪费可见，减少可变性。人工智能进入这一学科并不是作为一个新的计算器或神奇的解决方案，而是作为一个强大的思考和绘图伙伴。如果使用得当，它可以将价值流图、废物分类、根本原因研究和改进报告从几小时缩短到几分钟。如果使用不当，它会产生从未见过的领域的建议，即“纸上谈兵”但无法在现实中实施。在本单元中，您将学习将人工智能置于精益制造周期中的哪个位置以及如何验证其输出。
人工智能在流程改进中的地位如何？
让我们将改进项目分为三个层次：数据收集、分析/决策、报告/沟通。人工智能在这些层中提供不同的权重。
层
人工智能的作用
男人的角色
数据收集
设计调查/表格并组织数据
现场测量和观察（gemba）
分析/决策
生成假设、建议方法、起草计算
验证数据，做出决定
报告
A3、演示文稿、摘要文本草稿作者
控制准确性和音调
需要注意的是，人工智能本身无法生成数据。只有现场测量才能提供机器的实际循环时间、操作员等待的时间、更换模具所需的时间。人工智能会组织、解释您带来的这些原始数据并将其转化为改进假设。
提示：我总是问人工智能“我需要什么数据？”还要问：在开始改进之前建立正确的测量计划比稍后使用不正确的数据进行分析要便宜得多。
七种废物（Muda）和人工智能分类
让浪费（muda）可见是精益生产的核心。经典的七种浪费：生产过剩、等待、不必要的运输、过度加工、库存、不必要的移动和错误。通常“未开发的人类潜力”被添加为第八个。人工智能能够非常快地将流程叙述分解为这些类别。
角色：您是一位在精益制造方面经验丰富的工业工程师。任务：将以下流程叙述分为 7 个废物 (muda) 类别。对于每个确定：（1）废物类型，（2）证据句子，（3）我需要测量的指标，（4）可能的快速改进。流程描述：“”“在装配线上，操作员每个周期行走6米来拾取零件。喷漆房前平均排队40分钟。一班大约有12个零件要进行再加工。中间仓库里积存了3天的半成品。
该提示的强大之处在于它使输出可测量。仅仅说“有不必要的运动”是不够的；应该可以说“操作员每个周期行走 6 米，每天 X 个周期总共行走 Y 米”。人工智能指出证据陈述和要测量的指标，你在现场测量并插入数字。
弱提示/强提示
弱提示：
说出这条生产线中的废物。
这就产生了一个没有类别、没有证据、也没有衡量标准的清单；最有可能的是，常见的短语“可能有多余的库存，可能有一个等待期”被重复。
强力提示：
将此流程数据分为 7 类浪费，为每一类提供证据陈述、我应该衡量的指标以及估计的影响。将影响分类为“低/中/高”并写出理由。数据：{{ ... }}
不同之处在于，输出可以直接转化为行动计划。第二个提示给出了一个按优先顺序排列的、可衡量的表格。
利用 AI 加速 DMAIC 周期
六西格码的 DMAIC 框架（定义-测量-分析-改进-控制）是改进项目中的通用语言。人工智能在每个阶段都有不同的帮助：
- 定义：起草问题定义、项目范围 (SIPOC) 和目的声明。
- 测量：测量计划、数据收集表格、样本量逻辑。
- 分析：假设列表、鱼刺（Ishikawa）、可能的根本原因。
- 改进：解决方案替代方案、ECRS（消除-组合-重新排列-简化）建议。
- 控制：起草控制计划、标准工作指令和监控 KPI。
为以下问题创建一个石川（人字形）骨架。问题：“数控机床的表面粗糙度超出目标。”类别：机器、方法、材料、人力、测量、环境 (6M)。在每个类别下写下 3-4 个可能的原因，并指出我应该收集哪些数据来测试每个原因。
这里的黄金法则保持不变：人工智能提出的每个根本原因都是假设，而不是证据。表面粗糙度的原因可能是也可能不是“刀具磨损”；只有刀具寿命数据和实验才能证实这一点。
注意：人工智能有时会构建一系列看似合理但实际上是错误的理由。例如，说“操作员错误”很容易，而且往往是不公平的。在将根本原因归咎于人类之前，先用数据消除系统性原因（方法、设备、测量）。
迷你案例：缩短换模时间（SMED）
注塑车间换模平均需要55分钟，小批量损失较大。工业工程师 Deniz 录制了转换过程并计算了逐步时间（该数据来自现场）。然后它向 AI 提供步骤列表及其时间：
根据 SMED 方法，将这些模具更换步骤分为“内部”（可以在机器停止时完成）和“外部”（可以在机器运行时完成）。标记可以移至外部步骤的内部步骤，并为每个步骤写下初步准备建议。步骤和持续时间：{{ list }}
人工智能将“将新模具带到机器上”和“准备螺栓”等步骤标记为可移植到外部作业，建议使用临时推车。 Deniz 正在现场测试这一提议；它标准化了真正适用的内容。因此，转换时间从 55 分钟缩短至 32 分钟。关键点：人工智能加快了计划的速度，但真正缩短时间的是现场测试和标准化。
常见错误
- 绕过现场：在不现场观察的情况下实现人工智能输出。它基于简单的“去看”原则。
- 依靠虚构的数字：人工智能有时会产生不存在的数字，例如“周期时间约为 45 秒”。每个数字都必须有测量的支持。
- 将根本原因归咎于人类：接受想到的第一个解释是“粗心”；不调查系统性原因。
- 锁定单一解决方案：认为人工智能的第一个建议是唯一的选择。生成至少2-3个备选方案，并根据约束条件进行比较。
- 忘记控制阶段：没有建立标准业务，没有监控KPI，就做了改进；该过程返回到之前的状态。
综上所述
- 人工智能并不产生工业工程数据；它会组织您带来的数据，对其进行解释并将其转化为改进假设。
- 对七种废物进行分类时，使输出可测量：要求证据陈述+测量指标。
- 在 DMAIC 的每个阶段使用 AI 作为草案生成器，但始终用数据验证根本原因。
- 在 SMED 等技术中，人工智能加快了计划的速度；真正减少时间的是现场测试和标准化。
- 跳过现场、依赖虚构的数字以及忘记检查阶段是最昂贵的错误。
应用任务
从您自己的工作场所选择一个流程（或您知道的实际生产/服务流程）。首先，观察场地 5-10 分钟，记下实际步骤和预计时间。然后让AI利用本机中的“7垃圾分类”电源提示来分析过程。对于输出中每次检测到的浪费：(a) 与您的观察进行比较，证据是否实际上准确，(b) 确定至少一个应该衡量的指标，(c) 选择一项快速改进建议，并使用“内部/外部工作”或“ECRS”逻辑对其进行评估。最后，找到一个人工智能做出的判断在现场被证明是错误的（或无法验证）的例子，并用一句话写出错误的原因。