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.

DMAIC

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

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 gaar. 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

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

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

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.

Zoek je meer informatie voor het volgen van een klassikale opleiding met Internationale certificering dan lees je HIER verder

Voor een voordelige elearning met Internationale certificering dan lees je HIER verder