Przejdź do treści
Baza wiedzy

Jak przejrzeć i skalować IRIS po pierwszych 90 dniach

DBR77 Team7 min czytania

Na tej stronie

Po 90 dniach przejrzyj IRIS pod kątem sześciu rzeczy: czy ludzie korzystają z systemu na każdej zmianie, czy dane są wiarygodne, jak szybko zamykane są sprawy, czy strata docelowa się zmniejszyła, jak ludzie traktują rekomendacje AI i co myśli o tym hala. Potem podejmij jedną z trzech decyzji: skalować, najpierw poprawić albo zatrzymać. Zanim zaczniesz skalować, zamień konfigurację z pilotażu w szablon (nazwy zasobów, przyczyny postojów, role, zasady i bramki zatwierdzania), aby każda nowa linia startowała od tego, co już działa.

Dziewięćdziesiąt dni to wystarczająco długo, by zobaczyć, jak tworzą się nawyki, i wystarczająco krótko, by poprawić to, co nie działa, zanim się rozprzestrzeni.

Dlaczego moment 90 dni ma znaczenie

Pilotaż, który działa na jednej linii, nie jest jeszcze systemem dla zakładu. Opracowanie World Economic Forum z 2023 roku o sieci Global Lighthouse Network zauważa, że nawet te wiodące zakłady, które nie tkwią już w czyśćcu pilotaży, zmagają się z „zastojem w skalowaniu”, gdy próbują rozszerzyć efekty na całe sieci produkcyjne.

Przegląd po 90 dniach to krok Check w cyklu PDCA. Lean Enterprise Institute opisuje go jako ocenę wyników pod kątem efektywności, po której następuje Act: standaryzacja i stabilizacja zmiany albo ponowne rozpoczęcie cyklu. Bez tego sprawdzenia zakład skopiuje na następną linię swoje błędy razem z tym, co zadziałało.

Po 90 dniach linia 2 rejestruje 96% postojów z przyczyną na zmianie dziennej i popołudniowej.

Wykres słupkowy linii pilotażowej po 90 dniach: postoje z przyczyną według zmian i odsetek przyjętych podpowiedzi AI

Przegląd: sześć obszarów i dowody

Przynieś dane, w większości prosto z systemu.

ObszarJakie dowody przynieśćDobry znakSygnał ostrzegawczy
KorzystanieUdział zarejestrowanych zleceń, postojów i zleceń pracy, według zmianPodobny na wszystkich zmianachNocna zmiana znacznie poniżej dziennej
Jakość danychUdział przestojów ze znaną przyczyną, liczniki w porównaniu z rzeczywistą produkcją„Nieznane” niewielkie i stabilneCo tydzień dochodzą nowe przyczyny
Szybkość pętliCzas od sygnału do reakcji i od zadania do zamknięciaNajpierw spada, potem się stabilizujeWiele zadań zamykanych po terminie lub z adnotacją „bez działań”
Strata docelowaTa jedna strata, pod którą wybrano pilotaż, w porównaniu z punktem wyjściaZmieniła się we właściwym kierunkuBez zmian albo zmieniła się z niezwiązanych powodów
Rekomendacje AIOdsetki przyjęć, zmian i odrzuceń, powody odstępstwOdrzucenia mają uzasadnienieWszystko przyjmowane bez przeglądu albo ignorowane
LudzieKrótkie rozmowy z operatorami, ustawiaczami, kierownikami zmian„Oszczędza mi czas”„To dodatkowa praca oprócz starych formularzy”

Wiersz o ludziach liczy się jako dowód: system, który nocna zmiana postrzega jako dodatkową pracę, zaniknie też na następnej linii.

Osobny przegląd AI

AI potrzebuje własnego przeglądu, bo model, który działał w pierwszym miesiącu, może dryfować. Ramy NIST AI Risk Management Framework mówią, że systemy AI powinny być testowane przed wdrożeniem i regularnie w trakcie działania, i zauważają, że mogą wymagać częstszego utrzymania z powodu dryfu danych, modelu lub koncepcji.

Sprawdź cztery rzeczy:

  • Odsetek przyjęć według typu. Typ rekomendacji, który w większości przypadków jest odrzucany, potrzebuje nowej zasady albo powinien zostać wyłączony.
  • Powody odstępstw. Przeczytaj próbkę. Często pokazują brakujące dane, na przykład przezbrojenie, o którym model nie wiedział.
  • Ślepe przyjmowanie. Jeśli jedna osoba zatwierdza wszystko w kilka sekund, bramka zatwierdzania nie spełnia swojej roli.
  • Bramki. Dla każdego typu rekomendacji zdecyduj, czy zostawić zatwierdzanie bez zmian, zaostrzyć je, czy pozwolić, by więcej podpowiedzi trafiało od razu na listę zadań. Przy wszystkim, co dotyczy bezpieczeństwa lub zwolnienia produktu, zostaw człowieka w pętli.

Skalować, poprawić czy zatrzymać

Zapisz decyzję razem z dowodami, na których się opiera.

  • Skaluj, gdy korzystanie jest równe na wszystkich zmianach, jakość danych stabilna, strata docelowa się zmniejszyła, a rekomendacje AI są przeglądane, a nie zatwierdzane odruchowo.
  • Najpierw popraw, gdy wyniki są dobre na niektórych zmianach i słabe na innych albo gdy jakość danych wciąż się zmienia. Popraw to na linii pilotażowej, a potem zrób kolejny przegląd po 30 dniach.
  • Zatrzymaj lub przemyśl, gdy strata docelowa się nie zmieniła, a hala postrzega system jako dodatkową pracę. Ustal dlaczego, zanim wydasz więcej.

Przykład ilustracyjny: po 90 dniach linia 2 rejestruje 96% postojów z przyczyną na zmianie dziennej i popołudniowej, ale tylko 71% w nocy, gdzie nie ma superużytkownika. Średni czas reakcji na postój to 12 minut na zmianie dziennej i 31 w nocy. Podpowiedzi AI dotyczące priorytetu zleceń pracy są przyjmowane w około 60% przypadków, a większość odrzuceń powołuje się na planowane przezbrojenia. Decyzja: najpierw poprawić. Zakład wyznacza superużytkownika na nocnej zmianie, dodaje plan przezbrojeń do danych, z których korzysta model, robi kolejny przegląd po 30 dniach, a potem kopiuje konfigurację na linie 1 i 4.

Jak kopiować działającą konfigurację na kolejne linie i zakłady

Skaluj, kopiując szablon z linii pilotażowej.

  1. Spisz szablon: nazewnictwo zasobów, lista przyczyn postojów, role, zasady zadań, drabiny eskalacji, bramki zatwierdzania i krótki pakiet szkoleniowy.
  2. Wypisz, co może się różnić lokalnie, na przykład układy zmian albo kontrole specyficzne dla linii. Wszystko inne pozostaje takie samo.
  3. Wyznacz jednego właściciela szablonu. Zmiany przechodzą przez tę osobę, aby linia 6 nie wymyślała własnych kodów przyczyn.
  4. Najpierw skaluj wewnątrz zakładu. Ci sami ludzie, ta sama kultura, krótsza informacja zwrotna.
  5. Potem dodaj drugi zakład, z jedną osobą z pierwszego zakładu w zespole uruchomieniowym.

Większe zmiany układu lub zdolności produkcyjnych można najpierw przetestować; artykuł Jak zamienić cyfrowego bliźniaka w powtarzalny proces decyzyjny pokazuje, jak to zrobić. O tej samej idei od strony danych z maszyn przeczytasz w artykule Jak zamienić IoT w powtarzalny system operacyjny.

Jak to działa w DBR77 IRIS

DBR77 IRIS dostarcza dowody do przeglądu bez osobnego projektu. IRIS KPI porównuje wyniki między zmianami, liniami, zakładami i okresami, z możliwością przejścia do poziomu maszyny. IRIS Gemba śledzi otwarte i zamknięte sprawy według poziomu i obszaru. Data & AI zapisuje przy każdej rekomendacji działanie, które podjął w jej sprawie człowiek, a przy zastosowanych także ich efekt, więc odsetki przyjętych i odrzuconych rekomendacji można odczytać z zapisu.

Skalowanie odbywa się moduł po module i zakład po zakładzie. Moduły można dodać w każdej chwili, a dane i konfiguracje są przenoszone, więc konfiguracja z pilotażu staje się punktem startowym dla następnej linii. Zmiany można najpierw przetestować w DBR77 DT. Artykuł Jak wdrażać IRIS moduł po module bez zakłócania pracy zakładu opisuje, jak planuje się pierwsze fale.

Najczęstsze pytania

Czy 90 dni to wystarczająco długo?

Na pierwszą decyzję tak. To wystarczająco dużo cykli zmianowych, by zobaczyć, jak tworzą się nawyki. Niektóre straty zmieniają się wolniej, więc dalej rób przeglądy co miesiąc.

Kto powinien brać udział w przeglądzie?

Dyrektor zakładu, kierownik projektu, po jednym kierowniku z każdej zmiany, liderzy utrzymania ruchu i jakości oraz IT. Zmieść się w dwóch godzinach.

Co, jeśli wyniki są mieszane?

To najczęstszy przypadek. Wybierz „najpierw popraw”, wskaż, co musi się zmienić, i ustal datę kolejnego przeglądu.

Kiedy powinien wystartować drugi zakład?

Gdy szablon zostanie skopiowany na co najmniej jedną kolejną linię w pierwszym zakładzie bez większych zmian.

Podsumowanie

Po 90 dniach przynieś dowody dotyczące korzystania, jakości danych, szybkości pętli, straty docelowej, AI i ludzi i zapisz jedną decyzję: skalować, najpierw poprawić albo zatrzymać. Zanim zaczniesz skalować, zamień to, co zadziałało, w szablon z jednym właścicielem i skopiuj go na kolejną linię w tym samym zakładzie. Drugi zakład uruchamiaj dopiero wtedy, gdy ta kopia nie wymagała większych zmian.

Źródła