AI w Six Sigma: jak wspierać DMAIC i nie pomylić sugestii z dowodem

7 godzin temu

3 minut(y) czytania

AI może pomóc w projekcie Six Sigma: uporządkować materiały, przygotować kod analizy i wychwycić pytania, które warto zadać zespołowi. Nie zwalnia jednak z oceny jakości pomiaru, doboru metody statystycznej ani sprawdzenia wyniku. Szczególnie łatwo o błąd, gdy płynnie napisany komentarz zostanie potraktowany jak potwierdzona przyczyna problemu.

Rozróżnij generatywną AI od modelu predykcyjnego. Pierwsza może proponować opis, zapytanie do danych lub skrypt. Drugi może przewidywać ryzyko wady na podstawie wybranych cech procesu. W obu przypadkach trzeba znać zakres zastosowania i sprawdzać wynik, lecz test poprawności skryptu to inne zadanie niż ocena trafności prognozy.

Define: doprecyzuj problem przed wyborem narzędzia

W fazie Define ustalasz problem, cel i zakres projektu. AI może pomóc porównać kilka wersji opisu albo uporządkować anonimowe uwagi klientów. Nie powinna dopisywać brakującej skali problemu. Zamiast „jakość jest niska” potrzebujesz definicji wady, procesu, okresu i miary, dla której masz dane.

Przydatne polecenie brzmi: „Wskaż informacje, których brakuje w tej definicji problemu. Nie uzupełniaj ich domysłami. Oddziel fakty od założeń”. Właściciel procesu musi później potwierdzić zakres. Projekt ograniczony do jednego typu produktu wymaga innego doboru danych niż projekt obejmujący całą fabrykę.

Measure: sprawdź, co naprawdę oznaczają dane

Faza Measure obejmuje pomiar stanu wyjściowego i ocenę wiarygodności danych. Tutaj AI może zaproponować listę kontroli: brakujące rekordy, duplikaty, jednostki, zakresy dat czy niespójne kody. Każdą regułę czyszczenia trzeba jednak uzasadnić i zapisać. Automatyczne usunięcie wartości odstającej może wymazać właśnie zdarzenie, które próbujesz zrozumieć.

Ustal jednostkę analizy: sztuka, zamówienie, partia czy pojedyncza wada. Jedna sztuka może mieć kilka wad.
Sprawdź sposób zbierania danych. Brak reklamacji w rejestrze nie oznacza automatycznie braku problemu.
Porównaj źródła i definicje między zmianami, stanowiskami oraz okresami. Ten sam kod może być używany inaczej.
Zachowaj dane źródłowe i oddziel je od wersji po przekształceniach, żeby odtworzyć analizę.

Analyze: hipoteza wymaga sprawdzenia

W fazie Analyze szukasz czynników związanych z problemem i weryfikujesz możliwe przyczyny. Model językowy może zaproponować hipotezy lub kod wykresu, lecz nie zna rzeczywistego mechanizmu procesu. Otrzymaną analizę trzeba odtworzyć w odpowiednim narzędziu i sprawdzić założenia zastosowanej metody.

Przykład hipotetyczny: na nocnej zmianie odsetek wad jest wyższy. AI sugeruje gorsze przeszkolenie pracowników. Tymczasem nocą częściej powstaje trudniejszy wariant produktu, a część kontroli jest wykonywana inną metodą. Zanim uznasz zmianę roboczą za przyczynę, sprawdź strukturę produkcji i system pomiaru. Samo współwystępowanie dwóch zjawisk nie rozstrzyga, które z nich powoduje drugie.

Jeżeli AI generuje kod, sprawdź go najpierw na małym zestawie z ręcznie policzonym wynikiem. Zwróć uwagę na mianownik wskaźnika, filtrowanie braków i sposób łączenia tabel. Skrypt może działać bez błędu technicznego, a mimo to odpowiadać na inne pytanie niż to zapisane w karcie projektu.

Improve: oddziel propozycję od potwierdzonej poprawy

Faza Improve służy sprawdzeniu i wdrożeniu rozwiązania. AI może porządkować warianty eksperymentu, ograniczenia i ryzyka, ale projekt testu wymaga znajomości procesu. Nie zmieniaj jednocześnie wielu warunków bez planu pozwalającego ocenić ich wpływ.

Dla modelu predykcyjnego szczególnie ważne jest, kiedy informacja staje się dostępna. Jeśli model ma przewidywać wadę przed kontrolą końcową, nie może korzystać z jej wyniku. Taki przeciek informacji potrafi dać świetną ocenę w analizie historycznej i bezużyteczny wynik w codziennej pracy. Sprawdzenie na późniejszym okresie bywa bliższe planowanemu zastosowaniu niż losowe wymieszanie rekordów.

Control: utrzymaj wynik i przygotuj reakcję

Faza Control obejmuje utrzymanie zmiany, monitoring i plan reakcji. Jeśli AI jest elementem rozwiązania, kontroluj także jej wyniki: błędne alarmy, pominięte wady, udział ręcznej weryfikacji i czas obsługi. Zapisz wersję narzędzia, zakres danych wejściowych oraz właściciela kontroli.

Próg alarmu dopasuj do kosztu błędu. W modelu wykrywającym wady sama ogólna trafność może być myląca. Przy 990 dobrych i 10 wadliwych sztukach narzędzie, które zawsze odpowiada „dobra”, osiągnie 99% trafności i nie wykryje żadnej wady. Dlatego osobno oceniaj wykrywalność wad i liczbę dobrych sztuk błędnie zatrzymanych.

Lista kontrolna przed przyjęciem analizy AI

Czy problem, miara i jednostka analizy są jednoznaczne?
Czy wynik da się odtworzyć na zapisanych danych i w znanej wersji kodu?
Czy sprawdzono założenia metody, jakość pomiaru i alternatywne wyjaśnienia?
Czy model korzysta wyłącznie z informacji dostępnych w chwili podejmowania decyzji?
Czy zespół wie, kiedy zatrzymać rozwiązanie i przejść na sprawdzony sposób pracy?

AI w Six Sigma jest najbardziej użyteczna jako pomoc w dobrze prowadzonym projekcie. Jej wartość pokazuje się w powtarzalnym wyniku procesu, a nie w długości raportu czy pewności sformułowanej odpowiedzi.