Hata nedenlerini veriden bulmak: kök neden analizini yapay zeka ile hızlandırma

Kök neden analizi neden otomasyona uygun bir alan?

Klasik kök neden analizi (RCA) bir ekibin toplanıp balık kılçığı diyagramı çizmesi, neden zinciri sorgulaması yapması ve geçmiş kayıtları elle taramasıyla ilerler. Küçük ve nadir sorunlarda bu yeterlidir. Ancak üretim hattında, servis kayıtlarında ya da tedarik zincirinde her gün çok sayıda olay oluştuğunda elle analiz hem geç kalır hem de ekibin aklına gelen birkaç tanıdık nedene saplanır.

Yapay zeka burada nedeni bulan bir kahin değil, aday nedenleri çıkaran ve inceleme sırasını belirleyen bir yardımcıdır. Büyük miktarda kaydı tarayıp hataların hangi makine, vardiya, parti, tedarikçi ya da ayar kombinasyonuyla birlikte görüldüğünü saniyeler içinde çıkarır. Uzman, bu listeden hangi ilişkinin gerçek nedensel zincire dayandığını ayıklar. Otomasyonun amacı insanı devre dışı bırakmak değil, insanın zamanını doğru yere harcamasını sağlamaktır.

Önce veri hazır olmalı: kayıt, olay ve bağlam

Otomatik analizin kalitesi, veri altyapısının kalitesini aşamaz. Başlangıç noktası, her hata kaydının yanında bağlamın da tutulmasıdır: hangi ürün, hangi hat, hangi zaman, hangi operatör, hangi hammadde partisi, hangi makine ayarı, hangi ölçüm. Hata kaydı ile süreç verisini eşleyen ortak bir anahtar (parti numarası, seri numarası, zaman damgası) yoksa model ilişki kuramaz.

Serbest metin alanları ayrı bir meseledir. Operatör notları, şikâyet kayıtları ve bakım raporları değerli ipuçları taşır ama tutarsız yazılır. Aynı arıza için çok farklı ifadelerin kullanılması yaygındır. Bu metinleri standart hata kodlarına ya da kategorilere eşleyen bir sınıflandırma katmanı kurmak, sonraki bütün analizlerin temelini oluşturur. Veri hazırlığında ayrıca eksik ölçümlerin, birim farklarının ve zaman senkronizasyonu sorunlarının temizlenmesi gerekir; yanlış hizalanmış zaman serileri sahte bir neden-sonuç ilişkisi üretir.

Yapay zekanın RCA'daki rolü: aday neden üretmek

Uygulamada yapay zeka şu türde işlere yarar:

• Örüntü bulma: hatalı ürünlerin ortak özelliklerini sağlam ürünlerle karşılaştırarak ayrıştıran özellikleri listelemek. Örneğin hatalı partilerin çoğunlukla belirli bir tedarikçi hammaddesi ve belirli bir sıcaklık aralığıyla birlikte görülmesi.
• Anomali tespiti: olağan dışı sensör davranışını, hata oluşmadan önceki zaman penceresinde yakalamak.
• Metin madenciliği: bakım notlarını ve müşteri şikâyetlerini kümeleyip tekrar eden temaları göstermek.
• Karar ağaçları ve açıklanabilir modeller: hangi değişkenlerin hata olasılığını artırdığını okunabilir kurallarla göstermek.
• Büyük dil modelleri: geçmiş uygunsuzluk raporlarını okuyup benzer vakaları özetlemek, olası neden hipotezlerini yazıya dökmek.

Bu çıktıların hiçbiri tek başına "kök neden bulundu" demek değildir. Hepsi birer hipotez havuzudur.

Örnek akış: dolum hattında kaçak şikâyetleri

Örneğin bir gıda üreticisinde ambalaj kaçağı şikâyetleri artıyor. Klasik yöntemde kalite ekibi hat başında gözlem yapar, bakım kayıtlarını inceler, birkaç hipotez üretir. Otomatik yaklaşımda önce şikâyet kayıtları ürünlerin parti ve hat bilgisiyle eşlenir. Ardından model, kaçaklı partilerin sağlam partilerden hangi süreç değişkenlerinde ayrıştığını çıkarır.

Çıktı, belirli bir dolum başlığı ve belirli bir film rulosu tedarikçisinin birlikte görüldüğü kayıtlarda kaçak oranının belirgin yükseldiğini gösteriyor olabilir. Bu bir neden değil, bir ipucudur. Kalite mühendisi hatta gidip dolum başlığının conta aşınmasını ve film rulosunun yüzey özelliklerini kontrol eder, ardından hipotezi sınayan kontrollü bir deneme yapar. Hipotez doğrulanırsa düzeltici faaliyet başlatılır; yanlışsa listenin bir sonraki adayı incelenir. Otomasyon, keşif süresini kısaltmış, doğrulama ve karar insanda kalmıştır.

Doğrulama: korelasyonu nedenselliğe çevirmek

Otomatik RCA'nın en büyük riski, ilişkiyi neden sanmaktır. Bir vardiyanın hata oranı yüksek görünüyor olabilir, ama o vardiya aynı zamanda daha zor ürünleri üretiyor olabilir. Bu yüzden her aday neden şu sorgulardan geçer: Mekanizma teknik olarak mantıklı mı? Neden sonuçtan önce mi geliyor? Neden ortadan kalktığında sonuç da kalkıyor mu? Başka bir değişken ikisini birden mi açıklıyor?

Doğrulama için kontrollü denemeler, süreç değişikliği öncesi ve sonrası karşılaştırmalar ve istatistiksel testler kullanılır. Süreç uzmanının sahadaki bilgisi bu aşamada belirleyicidir; model hattın fiziksel işleyişini bilmez. Doğrulanan neden kayıt altına alınır, düzeltici ve önleyici faaliyet tanımlanır ve etkinliği izlenir. Doğrulanmayan hipotezler de kaybolmasın diye "elendi, çünkü..." notuyla saklanır; bir sonraki analiz bu bilgiden yararlanır.

Sık hatalar ve dikkat edilecekler

En sık hata, modelin çıktısını doğrudan sonuç olarak kabul etmektir. Bir diğeri, kirli ya da eksik veriyle analiz kurmak; model yine bir sonuç üretir, ancak anlamsızdır. Bir başka hata, geçmiş kayıtlardaki önyargıyı taşımaktır: eskiden hep aynı yere bakıldıysa kayıtlar da yalnızca orada hata gösterir ve model bu kör noktayı pekiştirir.

Bunlara ek olarak açıklanabilirlik gözden kaçırılmamalıdır. Denetçiye ve üretim sorumlusuna "model öyle dedi" demek yeterli değildir; hangi verilerin hangi sonuca götürdüğü gösterilebilmelidir. Gizlilik ve veri paylaşımı konusunda tedarikçi verileri kullanılıyorsa sözleşme ve yetki sınırları da önceden netleştirilir. Son olarak, süreç bir kez kurulup bırakılmaz: ürün ve hat değiştikçe model yeniden değerlendirilir ve güncellenir.

Öğrenme yolu ve Mindset programında bu konu

Başlangıçta klasik RCA yöntemlerini (balık kılçığı diyagramı, neden zinciri sorgulaması, hata ağacı) ve temel kalite istatistiğini öğrenmek gerekir; yapay zeka bunların yerini almaz, üzerine eklenir. Ardından veri hazırlama, özellik üretimi, sınıflandırma ve anomali tespiti temelleri gelir. İleri düzeyde açıklanabilir model teknikleri ve nedensel çıkarım yöntemleri vardır.

Mindset kataloğundaki Yapay Zeka ile Kalite Kontrol programının modülleri bu zinciri izler: Kalite Kontrolde Yapay Zekanın Rolü, Kalite Veri Altyapısı ve Özellik Mühendisliği, Hata Tahmini Modelleri, Kök Neden Analizi Otomasyonu, Tedarikçi Kalitesi ve Giriş Kontrol, Gerçek Zamanlı Kalite İzleme ve bir Kalite Kontrol Kullanım Senaryosu Geliştirme atölyesi. Kalite güvence ve kalite kontrol ekipleri, üretim mühendisleri ve tedarikçi kalite sorumluları için uygundur.