Modulario by AMCEF
Demo

AI analýza koreňových príčin — prečo vznikajú chyby, nie len kde

Modulario AI koreluje dáta z výroby, kontroly kvality a reklamácií a identifikuje skutočné koreňové príčiny nezhôd. Menej opakujúcich sa problémov, viac systémových riešení.

Úspora: Zníženie opakujúcich sa reklamácií o 30–50 %
Moduly: kvalita Výroba Reporting

AI analýza koreňových príčin: systémové riešenia namiesto hasenia požiarov

Keď sa rovnaká chyba objaví tretíkrát, nie je to smola — je to systémový problém, ktorý ste nevyriešili pri prvom výskyte. AI analýza koreňových príčin (RCA) pomáha nájsť skutočnú príčinu, nie len symptóm.

Prečo tradičná RCA zlyháva

Manuálna RCA má tri systémové slabiny:

  1. Selektívne dáta — analýzu robí človek, ktorý vie len to, čo videl
  2. Potvrdzovacie skreslenie — tím hľadá príčinu, ktorú predpokladá
  3. Jednorozmerná analýza — pozerajú sa na faktory izolovane, nie v kombinácii

AI koreluje všetky dostupné dáta naraz a hľadá štatistické vzorce — bez predpojatosti.

Ako AI RCA funguje

Krok 1: Zhromaždenie dát z incidentu

Pre každý defekt/reklamáciu AI automaticky vytiahne kontext:

  • Výrobné parametre v čase výroby defektných kusov
  • Aktuálne nástroje, ich životnosť, posledná výmena
  • Použité suroviny a šarža materiálu
  • Pracovná zmena, obsluha
  • Stav a posledná údržba stroja
  • Externé faktory (teplota, vlhkosť)

Krok 2: Korelácia s históriou

Analýza: Povrchový defekt — farebná odchýlka (23 prípadov za 6 mesiacov)

Korelácie identifikované AI:
  ✓ 91 % prípadov: ranná zmena (6:00–14:00)
  ✓ 87 % prípadov: vonkajšia teplota >25 °C
  ✓ 78 % prípadov: šarža materiálu od dodávateľa B (nie dodávateľa A)
  ✓ Kombinácia teplota>25°C + dodávateľ B: 96 % defektov

  Nesúvisiace faktory: obsluha, deň v týždni, vlhkosť vzduchu

Záver AI:
  Koreňová príčina: Materiál od dodávateľa B má nižšiu tepelnú stabilitu
  pigmentu. Pri teplote >25°C vznikajú farebné odchýlky.
  
  Navrhovaná akcia: Zmena technologického parametru (teplota procesu –5 °C)
  ALEBO prechod výhradne na dodávateľa A pre tento typ materiálu.

Krok 3: Fishbone diagram (automaticky generovaný)

AI vyplní Ishikawa diagram kategóriami:

  • Machine: Stroj CNC-2 — opotrebenie teplotného regulátora (+12 % prípadov)
  • Material: Dodávateľ B — nižšia tepelná stabilita (hlavná príčina)
  • Method: Žiadna predpísaná aklimatizácia materiálu pred spracovaním
  • Man: Ranná zmena — materiál po noci v studenom sklade, bez aklimatizácie
  • Measurement: Teplotné čidlo kalibrované naposledy pred 14 mesiacmi

Krok 4: Pareto — kde ušetríte najviac

Z 23 prípadov sa 19 (83 %) dá eliminovať jedným opatrením: povinná aklimatizácia materiálu 2 hodiny pred spracovaním pri teplote >20 °C vonku.

Cena opatrenia: zmena inštrukcie + 2 hodiny čakania. Úspora: 83 % prípadov farebnej odchýlky.

Moduly potrebné pre tento use-case

AI koreňová príčina RCA kvalita Fishbone 5x prečo

Často kladené otázky

Aké analytické metódy AI používa?

Fishbone (Ishikawa) diagram — AI automaticky kategorizuje príčiny do 6M (Man, Machine, Method, Material, Measurement, Mother Nature). 5× Prečo — AI rekonštruuje reťaz príčin z historických dát. Pareto analýza — identifikuje 20 % príčin spôsobujúcich 80 % problémov.

Aké dáta AI koreluje?

Výrobné parametre (teplota, rýchlosť, tlak) pri čase vzniku defektu, zmena nástroja alebo suroviny, pracovná zmena a obsluha, výsledky meraní, počasie (pre teplotnú rozťažnosť), história údržby strojov.

Dokáže AI identifikovať príčinu, ktorú ľudia prehliadnu?

Áno — typicky korelácie, ktoré ľudia nemajú kapacitu manuálne vypočítať: napr. defektnosť rastie pri kombinácii (teplota >28°C AND vlhkosť >65% AND stroj CNC-3), ale nie pri každom faktore samostatne.

Chcete tento use-case nasadiť vo vašej firme?

Dohodnite si bezplatnú 60-minútovú konzultáciu — ukážeme vám, ako to funguje v reálnom prostredí.