Modulario by AMCEF
Demo

AI analýza kořenových příčin — proč vznikají chyby, ne jen kde

Modulario AI koreluje data z výroby, kontroly kvality a reklamací a identifikuje skutečné kořenové příčiny neshod. Méně opakujících se problémů, více systémových řešení.

Úspora: Snížení opakujících se reklamací o 30–50 %
Moduly: kvalita Výroba Reporting

AI analýza kořenových příčin: systémová řešení místo hašení požárů

Když se stejná chyba objeví potřetí, není to smůla — je to systémový problém, který jste nevyřešili při prvním výskytu. AI analýza kořenových příčin (RCA) pomáhá najít skutečnou příčinu, ne jen symptom.

Proč tradiční RCA selhává

Manuální RCA má tři systémové slabiny:

  1. Selektivní data — analýzu dělá člověk, který ví jen to, co viděl
  2. Potvrzovací zkreslení — tým hledá příčinu, kterou předpokládá
  3. Jednorozměrná analýza — dívají se na faktory izolovaně, ne v kombinaci

AI koreluje všechna dostupná data najednou a hledá statistické vzorce — bez předpojatosti.

Jak AI RCA funguje

Krok 1: Shromáždění dat z incidentu

Pro každý defekt/reklamaci AI automaticky vytáhne kontext:

  • Výrobní parametry v době výroby defektních kusů
  • Aktuální nástroje, jejich životnost, poslední výměna
  • Použité suroviny a šarže materiálu
  • Pracovní směna, obsluha
  • Stav a poslední údržba stroje
  • Externí faktory (teplota, vlhkost)

Krok 2: Korelace s historií

Analýza: Povrchový defekt — barevná odchylka (23 případů za 6 měsíců)

Korelace identifikované AI:
  ✓ 91 % případů: ranní směna (6:00–14:00)
  ✓ 87 % případů: venkovní teplota >25 °C
  ✓ 78 % případů: šarže materiálu od dodavatele B (ne dodavatele A)
  ✓ Kombinace teplota>25°C + dodavatel B: 96 % defektů

  Nesouvisející faktory: obsluha, den v týdnu, vlhkost vzduchu

Závěr AI:
  Kořenová příčina: Materiál od dodavatele B má nižší tepelnou stabilitu
  pigmentu. Při teplotě >25 °C vznikají barevné odchylky.
  
  Navrhovaná akce: Změna technologického parametru (teplota procesu –5 °C)
  NEBO přechod výhradně na dodavatele A pro tento typ materiálu.

Krok 3: Fishbone diagram (automaticky generovaný)

AI vyplní Ishikawa diagram kategoriemi:

  • Machine: Stroj CNC-2 — opotřebení teplotního regulátoru (+12 % případů)
  • Material: Dodavatel B — nižší tepelná stabilita (hlavní příčina)
  • Method: Žádná předepsaná aklimatizace materiálu před zpracováním
  • Man: Ranní směna — materiál po noci ve studeném skladu, bez aklimatizace
  • Measurement: Teplotní čidlo kalibrované naposledy před 14 měsíci

Krok 4: Pareto — kde ušetříte nejvíce

Z 23 případů lze 19 (83 %) eliminovat jedním opatřením: povinná aklimatizace materiálu 2 hodiny před zpracováním při teplotě >20 °C venku.

Cena opatření: změna instrukce + 2 hodiny čekání. Úspora: 83 % případů barevné odchylky.

Moduly potřebné pro tento use-case

AI kořenová příčina RCA kvalita Fishbone 5x proč

Často kladené otázky

Jaké analytické metody AI používá?

Fishbone (Ishikawa) diagram — AI automaticky kategorizuje příčiny do 6M (Man, Machine, Method, Material, Measurement, Mother Nature). 5× Proč — AI rekonstruuje řetěz příčin z historických dat. Pareto analýza — identifikuje 20 % příčin způsobujících 80 % problémů.

Jaká data AI koreluje?

Výrobní parametry (teplota, rychlost, tlak) v době vzniku defektu, změna nástroje nebo suroviny, pracovní směna a obsluha, výsledky měření, počasí (pro teplotní roztažnost), historie údržby strojů.

Dokáže AI identifikovat příčinu, kterou lidé přehlédnou?

Ano — typicky korelace, které lidé nemají kapacitu manuálně vypočítat: např. defektnost roste při kombinaci (teplota >28 °C AND vlhkost >65 % AND stroj CNC-3), ale ne při každém faktoru samostatně.

Chcete tento use-case nasadit ve vaší firmě?

Domluvte si bezplatnou 60minutovou konzultaci — ukážeme vám, jak to funguje v reálném prostředí.

Dávid Bělousov

Dávid Bělousov

Sales Director

+421 902 826 802 sales@amcef.com
Domluvit konzultaci