帆软report10.0,从人工智能到人工+智能

简介: 帆软report10.0,从人工智能到人工+智能

前言:


       最近在全基地推进品质CTQ,这个功能说实话在一年前已经开发完成了,中间修修补补,跌跌代代不下10-20版。看起来好像有点夸张吧。其实说实话,真正的BI系统用好,是需要业务人员和IT部门反复碰撞的。一年前没做好的原因是,公司发展太快了,业务疯狂扩张。业务部门根本没时间停下来做数字化建设。恰好那年在我们公司叫做,人力资源年,不停的招兵买马。当然我们按照对业务的理解和当时的管理要求进行了数字化系统的建设。


       截止到2023年上半年,基本完成了CTQ的应用推进,今天以CTQ的一个小案例来说明在数字化建设中,理解业务到促进业务是有多么的重要。


一、从0到1


       通常我们进行数字化建设,首先解决的是有无的问题,因此我们建立CTQ的趋势,用来做质量预警、趋势异常分析等等。对应的预警逻辑是按照国际上常用的六西格玛管理法来的,对应预警判异是国际上的八大判异。对应有兴趣的可以参考六西格玛管理法和八大判异的介绍。


六西格玛管理法(管理方法)_百度百科


做质量控制图,判断异常的8种方法。


1.1、六西格玛法


       六西格玛法,简单来说就是6条控制线,看对应的检测数据是不是在这6条控制线内。没有连续式趋势异常,比如1点界外判异、3点连续预警、6点连续判异、9点单侧判异等。如1点界外就是判定检测值有没有超M+3西格玛,或者有没有小于M-3西格玛。具体我们可以看下图。

检测值大于M+3西格玛

检测值小于M-3西格玛

9点单侧判异,即连续9个点在M的一侧


1.2、八大判异


如上图所示,我们将国际上的八大判异都做进系统,可以通过系统来自动分析存在的趋势异常。细心的小伙伴可以看出里面有不同形状和颜色的点。这也是为啥这个CTQ趋势分析会迭代10-20版的原因。其中对应有紫色的圆点、红色的菱形和颜色菱形。为了一眼看出趋势异常,当出现趋势预警和异常的时候,系统会给对应的点变换一个形状,而且因判异的级别高于预警,因此判异出现后就将颜色变成了红色且形状变成了菱形。对应预警的颜色变换成蓝色且形状变成了菱形。


二、1到100


2.1、细节还是细节


其实我们从上面来看是不是效果已经很不错了,可以满足大部分需求。但是用户在使用过程,希望的是,不需要自己去查询就知道哪些出现了异常,哪个项目出现了异常。然后系统自动推送消息到企业微信,提醒他查看。因此,和用户耐心沟通一番后,最后通过与企业微信集成,并且使用定时调度功能完成了该需求。虽然过程有点坎坷,但是结果还是让人满意的。

从上面的企业微信消息,我们可以点击查看到具体是什么时候哪个车间、哪个工序、哪个型号、设备、哪个检测项目,出现了什么异常。


到这一步是不是已经很好了,但是还是不够呀,用户希望点击就能查看到异常是怎么样的,因此我们可以点击对应消息查看异常趋势。因此在消息链接,增加了一个自动跳转查询的功能。哎,现在用起来是不是很舒服了。


2.2AI真的就是好的嘛?


从最初实现六西格玛到实现八大判异,到自动消息推送预警判异到可在消息查询预警判异明细等等经过不下5个版本的迭代,话说应该是满足需求了吧。哈哈哈哈,其实不然,在深度应用的时候会发现,我们的检测数据并不是理想中的那么完美。


因此,有时候因为一个检测项目有多个单位,因宣贯不及时导致同一个项目录入了不同单位的数据,如检测NA项目,一般为0.008,因单位不同录入数据就变成8.2左右,导致均值M拉的很大,当然会造成我们的趋势图看起来有点奇怪了,如下图所示。

因前期需求调研,我们通过沟通,自动按查询区间数据计算均值M,按查询数据区间近半年数据计算西格玛值。用户线下也是这么计算的,但是忽略了异常数据,他们在计算数据的时候会有意识的去修正检测异常数据。因此在沟通的时候就按这种需求开发了。但是通过实践发现,一个异常数据会影响一大段时间内的趋势。因此AI自动计算和生成西格玛和M值好像在这里显得有点不适用了,因此我们又又又进行了新一版的迭代开发。


三、人工智能,真的还是得人工+智能


上面提到我们通过一系列AI分析来完成趋势分析、预警异常分析。预警异常消息推送、预警判异自动定位等等来大大解放线下质量人员的工作。但是最近发现因异常数据太多,好像导致预警有点失灵了。如前天用户和我说的希望控制线能固定下来,因系统是根据数据自动计算的,因此此时的控制线会根据查询数据灵活变化~

虽然很多AI功能确实方便了用户做分析和决策。但是一些需要固化的东西还是需要人工进行维护,为了达到这个需求,我们进行西格玛和均值M。上限值、下限值等维护来固定我们的标尺。因此通过人工+智能终于完成了用户的需求,真的算是一个短暂的胜利~

相关文章
|
19天前
|
传感器 数据采集 机器学习/深度学习
人工智能与环境保护:智能监测与治理的新策略
【9月更文挑战第21天】人工智能在环境保护中的应用,为智能监测与治理提供了新的策略和方法。通过实时数据采集与分析、智能预警与应急响应、精准化决策支持等技术的应用,AI正在引领一场革命性的变革。未来,随着技术的不断发展和应用场景的拓展,AI将在环境保护中发挥更加重要的作用,助力我们构建更加绿色、可持续的未来。让我们携手共进,共同迎接一个更加美好的明天。
|
2月前
|
人工智能 监控 算法
智能时代的伦理困境:AI技术的道德边界探索人工智能在教育领域的革新之路未来编程:人工智能与代码共生的新篇章
【8月更文挑战第21天】在人工智能(AI)技术飞速发展的今天,我们正处在一个前所未有的科技变革时期。随着AI技术的深入人类生活的方方面面,它不仅带来了便利和效率的提升,同时也引发了关于道德和伦理的深刻讨论。本文将探讨AI技术发展中遇到的伦理挑战,以及如何建立合理的道德框架来指导AI的未来应用,确保技术进步与人类社会价值观的和谐共存。
232 61
|
28天前
|
机器学习/深度学习 人工智能 自然语言处理
智能新纪元:人工智能如何重塑我们的未来
想象一下,未来的世界被一种无形的智能所包围,它不仅理解我们的需求,还能预测我们的欲望。这不是科幻小说的情节,而是人工智能(AI)技术正在逐步实现的愿景。本文将带你一探AI技术的最新进展,以及它是如何悄然改变我们的生活、工作和思维方式。从深度学习到自然语言处理,我们将一同见证这场科技革命如何开启智能新纪元的大门。
|
28天前
|
机器学习/深度学习 数据采集 人工智能
智能化运维的探索之旅:从自动化到人工智能
在数字化浪潮中,运维领域正经历一场革命。本文将带你领略从传统手动操作到自动化脚本,再到集成人工智能的智能运维平台的演变之路。我们将探讨如何通过技术创新提升效率、降低成本并增强系统的可靠性和安全性。文章不仅分享技术演进的故事,还提供了实现智能化运维的实践策略和未来趋势的展望。
|
2月前
|
机器学习/深度学习 人工智能 自动驾驶
探索人工智能的未来应用:从智能助手到自动驾驶
【8月更文挑战第30天】 在本文中,我们将深入探讨人工智能(AI)的未来应用,从智能助手到自动驾驶。我们将看到AI如何改变我们的生活,并讨论其潜在的影响和挑战。让我们一起探索这个令人兴奋的领域吧!
|
2月前
|
机器学习/深度学习 人工智能 运维
智能运维:未来趋势下的自动化与人工智能融合
【8月更文挑战第18天】 在数字化浪潮中,智能运维(AIOps)作为一股不可逆转的力量,正逐步改写传统运维的脚本。本文将探讨AIOps的核心要素、实施路径和面临的挑战,同时分享个人从新手到专家的心路历程,旨在启发读者思考如何在这一领域内持续成长并作出贡献。
118 6
|
2月前
|
数据采集 人工智能 物联网
|
2月前
|
机器学习/深度学习 人工智能 监控
|
2月前
|
机器学习/深度学习 人工智能 自动驾驶
智能新纪元:人工智能在现代社会的角色与挑战
【8月更文挑战第9天】 本文旨在探讨人工智能(AI)技术如何塑造我们的未来社会,并分析其带来的机遇与挑战。文章将简要介绍AI的发展历程,阐述AI在不同领域的应用,以及这些技术如何影响经济、工作和日常生活。同时,我们也将讨论AI技术所面临的伦理、隐私和安全问题,并提出相应的解决策略。最后,文章将展望未来AI技术的发展趋势,并鼓励读者思考如何在AI时代中找到自己的定位。
62 3
|
2月前
|
机器人 C# 人工智能
智能升级:WPF与人工智能的跨界合作——手把手教你集成聊天机器人,打造互动新体验与个性化服务
【8月更文挑战第31天】聊天机器人已成为现代应用的重要组成部分,提供即时响应、个性化服务及全天候支持。随着AI技术的发展,聊天机器人的功能日益强大,不仅能进行简单问答,还能实现复杂对话管理和情感分析。本文通过具体案例分析,展示了如何在WPF应用中集成聊天机器人,并通过示例代码详细说明其实现过程。使用Microsoft的Bot Framework可以轻松创建并配置聊天机器人,增强应用互动性和用户体验。首先,需在Bot Framework门户中创建机器人项目并编写逻辑。然后,在WPF应用中添加聊天界面,实现与机器人的交互。
47 0

热门文章

最新文章