Machine Learning en Six Sigma
Met Six Sigma gebruik je de kracht van data om van problemen tot oplossingen te komen. Machine Learning stelt je in staat om patronen te herkennen in data. Combineer je Machine Learning en Six Sigma, dan kom je sneller tot oplossingen voor procesproblemen. Maar hoe doe je dat dan? We geven een voorbeeld uit een casus die we hebben behandeld. Eerst gaan we nog erop in wat Machine Learning is. En de methode die we hebben toegepast en je leert in onze opleidingen.
Machine Learning
Machine learning is een onderdeel van Artificial Intelligence AI waarbij computers leren van data zonder expliciete programmering voor specifieke taken. Het model leert patronen herkennen door training op datasets, gevolgd door evaluatie en optimalisatie. In plaats van het volgen van voorgeprogrammeerde instructies, kunnen machine learning-modellen zichzelf verbeteren en aanpassen op basis van de informatie die ze ontvangen. Meer lezen over AI kun je trouwens HIER.
Het proces begint met het verzamelen en voorbereiden van data. Daarna wordt een geschikt algoritme gekozen en getraind. Na training wordt het model geëvalueerd op een aparte testset. Optimalisatie volgt indien nodig, waarna het model wordt ingezet. Toepassingen omvatten gezondheidszorg, financiën, e-commerce, zelfrijdende auto’s en taalverwerking.
Belangrijke machine learning-benaderingen zijn supervised, unsupervised en reinforcement learning. Elk heeft zijn eigen specifieke toepassing. Machine learning verandert de manier waarop we complexe problemen oplossen door data-analyse en patroonherkenning.
DMAIC
De verbetermethode van Lean Six Sigma is de DMAIC. Dit is een afkorting voor DEFINE MEASURE ANALYZE IMPROVE EN CONTROL. Volgens sommigen is het meest krachtig aan de hele Six Sigma verbetermethode de DMAIC. DMAIC is een gestructureerde aanpak om van probleem tot oplossing te komen en bestaat uit 5 fasen. Meer lezen over de DMAIC doe je HIER
In deze casus gaat het om productiefouten in een geavanceerde fabriek. Doel is om deze met 30% te verminderen en de fouten worden primair gemeten als goed/fout en gekoppeld aan onderliggende data. Historische data worden verzameld over waar in het proces, wanneer en hoe vaak deze fouten optreden. Omdat niet alle data compleet zijn, worden Data Preprocessing technieken gebruikt. Deze zorgen ervoor dat de gegevens ‘schoon’ en klaar zijn voor analyse zodat je Machine Learning en Six Sigma effectief kunt combineren .
Measure Machine Learning en Six Sigma
Door cluster analyse kun je patronen zien in de onderliggende data, Doordat je bekend bent met de Six Sigma analyses en procesgedrag in data kun je deze beter begrijpen dan als je zomaar aan de slag gaat. Je wilt voorkomen dat je een verkeerde interpretatie doet. Daarom is een opleiding zoals Lean Six Sigma Green Belt of Lean Six Sigma Black Belt noodzakelijk om data te relateren aan procesproblemen. En in dit geval de combinatie van Machine Learning en Six Sigma.
Analyze Machine Learning en Six Sigma
In deze fase ga je gecontroleerd de analyse doen. Clusteranalyse, zoals de K-means methode, kun je gebruiken gebruikt om gelijkwaardige gevallen van productiefouten te groeperen. De Fault Tree Analysis die je in de opleiding hebt geleerd helpt je te begrijpen welke variabelen (zoals machine, diensttijd, operator) het meest invloedrijk zijn bij het veroorzaken van fouten. Zo combineer je Machine Learning en Six Sigma op een praktische manier.
Improve Machine Learning en Six Sigma
Op basis van de verzamelde data kun je een model maken waarmee je de productiefouten kunt voorspellen. In Six Sigma heb je geleerd om regressie analyses te maken en deze om te zetten naar praktische instellingen. Zo heb je een leidraad voor de implementatie.
Control Machine Learning en Six Sigma
Als je de verbeteringen hebt doorgevoerd, is het essentieel om het systeem te monitoren. ML kan helpen bij het real time monitoren en alarmeren van afwijkingen. Met de combinatie van Machine Learning en Six Sigma heb je een krachtige combinatie. Als je dit combineert met het visual management uit Lean profiteer je dubbel van de opgedane kennis uit zowel Lean als Six Sigma.
Meer lezen over checks in het proces en de data kun je HIER
Samengevat Machine Learning en Six Sigma
Methoden zoals ML, AI of blockchain zijn geen ‘zilveren kogels’ voor problemen in processen. Zonder de juiste training en ontwikkelde vaardigheden heb je misschien wel een oplossing, maar niet noodzakelijkerwijs voor het probleem wat je hebt.
Eigenlijk zou iedereen die met procesverbetering minimaal een Green Belt moeten hebben. Met Lean heb je de focus op de verspillingen en met Six Sigma heb je de focus op de variantie en de onderliggende data. De instap opleiding is de Lean Green Belt en als je combineert met data zodat je ook zelf zoals in dit voorbeeld Machine Learning en Six Sigma combineert kom je terecht bij de Lean Six Sigma Green Belt.
Wil je dieper liggende kennis zodat je ook een strategie opzet om technieken zoals ML en SS combineert, dan kom je terecht bij de Lean Six Sigma Black Belt.
Voor een voordelige elearning met Internationale certificering dan lees je HIER verder