Kalite Yönetiminde Yapay Zekâ

Kalite yönetiminde bol miktarda veri toplanır: kontrol kayıtları, uygunsuzluklar, şikâyetler, denetim bulguları. Ancak bu veri çoğu zaman toplanır ama analiz edilmez.

Yapay zekânın kalitedeki en büyük katkısı bu boşluğu doldurmaktır.

Uygulama alanları

1. Uygunsuzluk analizi

Uygunsuzluk kayıtları genelde serbest metinle yazılır ve toplu analizi zordur. Yapay zekâ:

• Benzer uygunsuzlukları gruplar
• Tekrar eden temaları çıkarır
• Ürün, hat, vardiya, tedarikçi bazlı yoğunlaşmaları bulur
• Zaman içindeki eğilimi gösterir

Bu analiz, "aynı sorun sürekli tekrar ediyor" gerçeğini görünür kılar — ki bu, kalıcı iyileştirmenin başlangıcıdır.

2. Kök neden analizi desteği

• Olası sebep listesi üretme
• Benzer geçmiş olaylarla karşılaştırma
• Soru üretme (5 neden yöntemi için)
• İlgili verileri bir araya getirme

Sistem hipotez üretir; doğrulama saha incelemesiyle yapılır. Yapay zekâ, kök neden analizini yapmaz — hızlandırır.

3. Müşteri şikâyeti analizi

• Şikâyetlerin konu bazlı gruplanması
• Ürün ve parti ilişkilendirmesi
• Tekrar eden konuların tespiti
• Aciliyet önceliklendirmesi

Şikâyet verisi, ürün geliştirmenin en dürüst girdisidir ama genelde tek tek okunup unutulur.

4. Denetim hazırlığı

• Prosedür ve kayıt eksikliği tespiti
• Geçmiş bulguların takibi
• Doküman güncelliği kontrolü
• Denetim sorularına hazırlık
• Kanıt derleme

Denetim öncesi hazırlık, kalite ekibinin en yoğun dönemidir; bu destek ciddi zaman kazandırır.

5. Doküman ve prosedür yönetimi

Kalite sistemlerinde onlarca prosedür, talimat ve form bulunur. Çalışanın doğru dokümanı bulması zordur.

Kurumsal bilgi bankasıyla:

• "Bu durumda hangi prosedür geçerli?" sorusu yanıtlanır
• Talimatlar sade dille açıklanır
• İlgili form ve kayıtlar bulunur
• Revizyon farkları özetlenir

Bu, kalite sisteminin kâğıt üzerinde kalmasını önleyen en pratik uygulamalardan biridir.

6. Görsel kalite kontrolü

Uygun donanımla (kamera, aydınlatma) görsel kusur tespiti mümkündür:

• Yüzey kusurları
• Montaj eksikliği
• Etiket ve ambalaj kontrolü
• Ölçü sapmaları

Ön koşullar: tutarlı aydınlatma, sabit konumlandırma, yeterli örnek, sınır durumların tanımlanması. Bu bir yatırım projesidir; kolay bir uygulama değildir.

Kalite verisinin ön koşulları

• Uygunsuzluk kayıtları düzenli tutulmalı
• Sebep kodları sabit listeden seçilmeli
• Ürün, parti ve lot bilgisi kaydedilmeli
• Kayıtlar zaman damgalı olmalı
• Düzeltici faaliyetler sonuçlarıyla kaydedilmeli

İkinci madde analiz kalitesini doğrudan belirler: serbest metinle yazılan sebepler gruplanabilir ama sabit kodlar çok daha güvenilir sonuç verir.

Dikkat edilecekler

• Kalite kararları (kabul/red) insanda kalmalı.
• Mevzuat ve standart yorumları uzman onayı gerektirir.
• Denetim kayıtları sistem çıktısıyla değil gerçek kayıtla tutulmalı.
• İzlenebilirlik zinciri korunmalı.
• Görsel kontrolde sınır durumlar insana yönlendirilmeli.

Ölçüm

• Uygunsuzluk sayısı ve tekrar oranı
• Kök neden analizi süresi
• Düzeltici faaliyet kapatma süresi
• Müşteri şikâyeti sayısı
• İlk seferde doğru üretim oranı
• Fire ve hurda oranı
• Kalitesizlik maliyeti

Birinci satırdaki tekrar oranı en öğretici göstergedir: düşmüyorsa kök nedene inilmemiş demektir.

Özet

Kalitede en büyük kazanım, zaten toplanan ama analiz edilmeyen veriyi anlamlandırmaktır: uygunsuzluk gruplama, şikâyet analizi ve tekrar eden sorunların tespiti. Sebep kodlarını sabit listeden seçtirin, kabul/red kararını insanda tutun ve tekrar oranını temel gösterge yapın.