De toepassing van AI in Lean Six Sigma projecten

GPT

Artificial Intelligence transformeert de manier waarop wij werken, en het aanbod van AI-tools is enorm. AI-tools bieden uiteenlopende voordelen zoals het schrijven van teksten, het genereren van afbeeldingen of het beantwoorden van klantvragen. De meest zichtbare, toepasbare en geavanceerde voorbeelden van AI-tools komen voornamelijk uit de zogenaamde generatieve-AI hoek. De meest bekende toepassing hiervan is de Chatbot ‘ChatGPT’, een platform dat ontwikkeld is door OpenAI en werd gelanceerd in november 2022. ChatGPT is gebaseerd op ‘Generative Pre-trained Transformer’ (GPT).
Dit is een geavanceerde AI-technologie die menselijke taal begrijpt en genereert. Het kan teksten schrijven, antwoorden op vragen geven en conversaties voeren door patronen in taalgebruik te leren uit een grote hoeveelheid tekstgegevens.
Om dit te kunnen doen wordt gebruik gemaakt van een techniek genaamd ‘deep learning.’
Onderzoekers gebruiken hiervoor Artificial Neural Networks om een netwerk van neuronen te bouwen. Zo’n speciaal type neuraal netwerk wordt een “transformer” genoemd.

Tijdens de trainingsfase analyseert GPT enorme hoeveelheden tekst en leert het de verbanden tussen woorden en zinnen te begrijpen. Dit proces, bekend als “self-supervised learning”, stelt het model in staat om taalpatronen te leren zonder directe menselijke instructies over taalregels.

Zodra GPT een vraag krijgt of het verzoek om een tekst te schrijven, zet het zijn uitgebreide training in om een passend en samenhangend antwoord of tekst te creëren. Het selecteert zorgvuldig woorden en bouwt zinnen die goed aansluiten bij de context, waarbij het steeds inschat wat de beste volgende woorden of zinnen zouden moeten zijn om het gesprek natuurlijk te laten verlopen. In de flowchart hiernaast wordt de verwerking van ChatGPT simplistisch uitgelegd.

Andere modellen

Maar er zijn honderden (zo niet duizenden) ‘Deep generative models’, zoals Scribe, een AI-gestuurde tool die automatisch notities maakt van je vergaderingen; Krisp-AI, een noise-cancelling app die achtergrondgeluid uit je online vergaderingen filtert; Perplexity, een AI-chatbot genaamd Niki die bedrijven helpt om hun klantenservice te verbeteren door vragen en klachten te behandelen; Uizard, een AI-gestuurd platform dat automatisch digitale prototypen en wireframes kan genereren uit handgetekende schetsen; Durable, een AI-tool waarmee je in minder dan een minuut een website kunt bouwen; Beautiful AI, een AI-tool waarmee je automatisch prachtige presentaties kunt ontwerpen; DeepArt, een AI-tool waarmee je foto’s kunt omzetten in kunst; Lumen5, een AI-tool voor het automatisch genereren van video’s van beeldmateriaal uit een aantal stock libraries, etcetera.

Maar wat kan AI betekenen voor de Green- en Black Belt die werkt aan het verbeteren van processen? Dit gaan we behandelen in een tweetal artikelen. In dit artikel gaan we in op het gebruik van ChatGPT bij het toepassen van een aantal Lean Six Sigma technieken. In een tweede artikel gaan we in op verschillende toepassingen van Artificial Intelligence in het ontwerp- en productieproces zoals foutdetectie, kwaliteitscontrole, predictive maintenance en generative design.

De toepassing van ChatGPT in Lean Six Sigma

Om te beginnen vragen we ChatGPT om een aantal bekende Lean Six Sigma technieken te gebruiken. Zo kun je ChatGPT vragen om een Excel VBA-script te schrijven om een Meetsysteemanalyse (MSA) op te zetten voor 10 producten en 3 operators.
Binnen enkele seconden wordt het volgende script gegenereerd:

Vervolgens vragen we ChatGPT om een 5-Why te laten generen voor de probleemstelling “Waarom is de trein te laat vertrokken?”
ChatGPT komt inderdaad met een analyse waarin bij de vijfde Why de volgende grondoorzaak wordt aangegeven: “Dit kan variëren van spooronderhoud en reparaties tot ongevallen of obstakels op het spoor.” Hoewel dit in sommige gevallen de grondoorzaak kan zijn, is ook duidelijk dat dit natuurlijk niet het algemene antwoord is voor elke trein die ooit te laat is vertrokken.

We vragen ChatGPT vervolgens om een 5-Why analyse op te stellen voor de crash van vlucht AF447, een Airbus 330 van AirFrance, die in 2009 neerstortte in de oceaan.
De oorzaken van dit ongeluk zijn uitgebreid onderzocht en ChatGPT kan dus werken met beschikbare data.
Het resultaat in is de volgende figuur weergegeven.

Laten we nog eens een ander voorbeeld nemen. Belts die het lastig vinden om een goede hypothese te formuleren kunnen handig gebruikmaken van ChatGPT. In het volgende voorbeeld laten we ChatGPT een hypothese opstellen om te onderzoeken of een zak appels van de Albert Heijn significant lichter is dan een zak appels van de Jumbo. ChatGPT komt met het volgende resultaat.
Je kunt ChatGPT vervolgens ook nog de vraag stellen welke statistische test het best gebruikt kan worden en hoe groot de steekproefgrootte moet zijn.

We hebben ChatGPT tenslotte gevraagd om een Ishikawa (visgraatdiagram) op te stellen voor een concreet Green Belt project, waarvoor we de oorzaak van het probleem ondertussen gevonden hebben. Dit project had als doelstelling om de oorzaak te vinden van het ontstaan van zogenaamde ‘Solderballs’ tijdens het soldeerproces van elektronische printplaten. Deze Solderballs kunnen namelijk kortsluiting veroorzaken, en moeten daarom voorkomen worden. De printplaten worden op een drager gemonteerd die vervolgens door een reflow oven wordt getransporteerd. Een aantal jaren geleden was dit een concreet Green Belt project. In dit project werd aangetoond dat een niet optimaal ontwerp van de drager waar de printplaat op bevestigd was de oorzaak bleek te zijn voor het ontstaan van Solderballs.

We zijn nu benieuwd of ChatGPT in staat is om een Ishikawa voor deze case op te stellen.  ChatGPT genereert inderdaad een interessante eerste opzet van een Ishikawa met mogelijke oorzaken voor dit probleem. Interessant is om te zien dat dit Ishikawa meerdere potentiële oorzaken benoemt, zoals ‘Temperature’ en ‘Humidity’, die ook in het daadwerkelijke Green Belt project door de experts zijn genoemd als mogelijke foutoorzaken. De daadwerkelijk oorzaak, namelijk dat de dragers van de printplaten te dik bleken te zijn, staat er niet bij. Onderzoek toonde destijds aan dat de dikte van de drager de enige significante oorzaak was van het probleem.