← Wszystkie artykuły
AI W PRODUKCJI

Przetestowałem AI na analizie root cause — oto co mnie zaskoczyło

Zacznę od tego czego nie twierdzę: że AI zastąpi inżyniera przy analizie awarii. Twierdzę coś innego — że przy dobrze postawionym pytaniu AI może skrócić część tej pracy o kilkadziesiąt procent. I że sprawdziłem to na konkretnym przypadku, nie na prezentacji od dostawcy.

Kontekst — co analizowałem

Powtarzająca się wada wymiaru na detalu tłoczonym. Klasyczny problem: wada pojawia się nieregularnie, kilka razy na zmianę, bez wyraźnego wzorca czasowego. Zespół miał już wstępną listę podejrzeń, ale pętla 5 Why rozchodziła się w kilku kierunkach naraz.

Nie używałem żadnego specjalistycznego narzędzia AI do RCA. Tylko rozmowę z modelem językowym i dane które mieliśmy w arkuszach — czas wystąpienia, zmiana, operator, parametry maszyny.

Co zrobiłem krok po kroku

1. Wrzuciłem surowe dane

Skopiowałem tabelę z arkusza — ok. 80 wierszy, daty, numery zleceń, parametry procesu i opis wady. Poprosiłem AI o wstępną analizę: czy widzi jakiś wzorzec, korelację, coś co rzuca się w oczy.

2. Dostałem hipotezy, nie odpowiedź

AI wskazało trzy rzeczy: koncentrację wad na jednej zmianie, lekką korelację z temperaturą otoczenia (mieliśmy ją w danych, ale nikt na nią nie patrzył) i pytanie o to czy materiał z dwóch partii był mieszany w tym samym zleceniu.

Dwie z trzech hipotez znałem. Jedna — ta o partiach materiału — była nowa. I okazała się trafna.

Kluczowy wniosek: AI nie znalazło przyczyny. Zadało właściwe pytanie, którego my sami nie zadaliśmy — bo dane na to wskazywały, ale nikt ich tak nie zestawił.

Wyniki — co zyskaliśmy

PORÓWNANIE — Z AI VS BEZ

Czas do pierwszej listy hipotez ~20 min (vs. 2-3h)
Liczba przeanalizowanych zmiennych 12 (vs. 4-5)
Nowe hipotezy poza "oczywistymi" 1 trafna
Czas do zamknięcia RCA 1 dzień (vs. ~4 dni)

Gdzie AI nie działa przy RCA

Żeby nie było że to reklama: jest kilka miejsc gdzie AI wyraźnie się gubiło.

  • Dane jakościowe z hali — "maszyna dziwnie chodzi" to dla AI nic. Potrzebuje liczb.
  • Wiedza kontekstowa — nie wie że dana forma ma historię problemów, że operator X ma inny styl pracy, że materiał od dostawcy Y bywa niespójny.
  • Potwierdzanie hipotez — to wciąż robota inżyniera. AI generuje pytania, nie odpowiedzi.

Podsumowanie

Używam AI przy RCA jako pierwszego filtra danych — zanim zasiądziemy do 5 Why z zespołem. Skraca czas przygotowania, czasem wyciąga hipotezę którą przeoczyliśmy. Nie zastępuje doświadczenia inżynierskiego — ale sprawia że to doświadczenie działa szybciej.

Jeśli masz dane w arkuszu i powtarzający się problem — warto spróbować. Najgorsze co może się stać: stracisz 20 minut i dostaniesz nic nowego. Najlepsze: trafisz na hipotezę którą pominąłeś.