Más de 25 indicaciones de IA para Lean Six Sigma

Las siguientes 30 indicaciones están diseñadas como herramientas prácticas para que los cinturones amarillo, verde y negro aceleren la ejecución de proyectos directamente en la planta de producción. Proporcionan información estructurada para ejecutar tareas específicas de alto valor de Lean y Six Sigma, como generar un mapa de flujo de valor completo a partir de datos de producción sin procesar, realizar un análisis de causa raíz en un conjunto de datos de defectos complejos o elaborar un informe detallado. FMEA para un nuevo proceso. El objetivo es obviar los aspectos manuales y laboriosos de la recopilación y el reporte de datos, permitiendo a los profesionales centrarse de inmediato en la interpretación de resultados, la toma de decisiones y la implementación de mejoras para reducir el desperdicio y la variabilidad del proceso.

The scope of these prompts spans the critical functions of modern fabricación and operational excellence: in-depth Process Analysis and Optimization by generating Value Stream Maps and Failure Mode and Effects Analyses, and delve into Data Analysis and Control estadístico de procesos (SPC) to interpret control charts and recommend Designs of Experiments. For financial oversight, prompts are tailored for Cost Reduction and Financial Impact, such as calculating the Cost of Poor Quality. To streamline initiatives, a suite of prompts aids in Project Management and Reporting by creating project charters and A3 reports, while Advanced Analytics and Predictive Solutions offer capabilities like maintenance schedule optimization and demand forecasting. Finally, prompts focused on Continuous Improvement and Innovation facilitate everything from generating Poka-Yoke ideas to structuring Hoshin Kanri strategic plans.

Como complemento a estas indicaciones, es probable que también le interese IA de fabricación herramientas:

Véase tambiénMás de 25 de las mejores sugerencias de IA para ingenieros y gerentes de fabricación

9658;

Análisis y optimización de procesos

[prompt_formatter title=”Generador automatizado de mapas de flujo de valor (VSM)” description=”Analiza los datos del proceso en formato CSV para generar un VSM en formato Mermaid, identificando cuellos de botella y áreas de mejora. Este indicador destaca las actividades sin valor añadido y calcula la eficiencia del proceso y el tiempo de entrega basándose en los datos proporcionados.” temperature=”0.3″ thinking=”high”]**CONTEXT**⸻Usted es una IA que asiste a nivel de experto Lean Six Sigma (Cinturón negro) engineers in manufacturing. Your task is to analyze process data provided in CSV format to generate a Value Stream Map (VSM) in Mermaid format. The VSM should identify bottlenecks, highlight non-value-added activities, and calculate process efficiency and lead time.⸻⸻**INPUTS**⸻1. Process data in CSV format: “{process_data_csv}”⸻2. Key performance metrics to focus on (e.g., cycle time, wait time): “{key_metrics}”⸻⸻**INSTRUCTIONS**⸻1. Parse the provided CSV data to extract relevant process steps and metrics.⸻2. Identify and list all process steps, noting the sequence and dependencies.⸻3. For each process step, calculate the following:⸻ – Cycle time⸻ – Wait time⸻ – Value-added time⸻ – Non-value-added time⸻4. Identify bottlenecks by comparing cycle times and wait times across process steps.⸻5. Highlight non-value-added activities and calculate the overall process efficiency using the formula:⸻ – Process Efficiency = (Total Value-Added Time / Total Lead Time) * 100⸻6. Generate a Value Stream Map in Mermaid format, including:⸻ – Process steps with calculated times⸻ – Bottlenecks and non-value-added activities⸻ – Process efficiency and lead time⸻⸻**OUTPUT FORMAT**⸻Provide the output in the following format:⸻“`mermaid⸻$mermaid_diagram“`⸻Include a summary of identified bottlenecks and areas for improvement:⸻“`⸻$summary⸻[/prompt_formatter]

[prompt_formatter title=”Simulación dinámica de procesos para análisis de cuellos de botella” description=”Crea un modelo de simulación de eventos discretos de un proceso de fabricación basado en pasos, recursos y tiempos de procesamiento definidos por el usuario. A continuación, ejecuta múltiples iteraciones para predecir el rendimiento, la utilización de recursos y los posibles cuellos de botella en diversas condiciones.” temperature=”0.7″ thinking=”high”]**RESUMEN DE LA TAREA**⸻Cree un modelo de simulación de eventos discretos para analizar un proceso de fabricación en busca de cuellos de botella. Utilice pasos, recursos y tiempos de procesamiento definidos por el usuario para predecir el rendimiento, la utilización de los recursos y los posibles cuellos de botella.⸻⸻**INPUTS**⸻1. Pasos del proceso: Proporcione una cadena CSV de pasos del proceso en secuencia, por ejemplo, “{paso1,paso2,paso3}”.⸻2. Recursos: Proporcione una cadena CSV de recursos disponibles para cada paso, p. ej., “{recurso1,recurso2,recurso3}”.⸻3. Tiempos de procesamiento: Proporcione una cadena CSV de tiempos de procesamiento para cada paso en minutos, por ejemplo, “{time1,time2,time3}”. Analizar las entradas del usuario para crear una lista estructurada de los pasos del proceso, los recursos y los tiempos de procesamiento. Desarrollar un modelo de simulación de eventos discretos utilizando las entradas proporcionadas. Ejecutar múltiples iteraciones de la simulación para evaluar diferentes escenarios.⸻4. Calcule y obtenga los siguientes resultados:⸻⸻ a. Rendimiento: Determine el número medio de unidades procesadas por unidad de tiempo.⸻ b. Utilización de recursos: Calcular el porcentaje de tiempo que se utiliza activamente cada recurso.⸻ c. Identificación de cuellos de botella: Identifique los pasos en los que se producen retrasos con mayor frecuencia y se sobreutilizan los recursos.⸻⸻**FORMATO DE RESULTADOS**⸻Proporcione los resultados en el siguiente formato:⸻⸻- **Producción:** 1TP10Producción_valor unidades/tiempo⸻- **Utilización de recursos:**⸻ - Recurso 1: $utilization1%⸻ - Recurso 2: $utilization2%⸻ - Recurso 3: $utilización3%⸻- **Análisis de Cuello de Botella:**⸻ - Paso 1: 1TP10Cuello de Botella1⸻ - Paso 2: 1TP10Cuello de Botella2⸻ - Paso 3: 1TP10Cuello de Botella3⸻⸻Asegurar claridad y precisión en el resultado para facilitar la toma de decisiones en la mejora del proceso de fabricación.[/prompt_formatter]

[prompt_formatter title=”Root Cause Analysis with Causal AI” description=”Analyzes a dataset of process parameters and quality outcomes to identify the most likely root causes of defects. This prompt goes beyond correlation to suggest causal relationships, helping to focus improvement efforts.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻You are an expert-level Lean 6 Sigma (Black Belt) engineer tasked with identifying the root causes of defects in a manufacturing process. You have a dataset containing process parameters and quality outcomes. Your goal is to determine causal relationships, not just correlations, to effectively focus improvement efforts.⸻⸻**INPUTS**⸻1. Dataset of process parameters and quality outcomes in CSV format: “{process_data_csv}”⸻2. List of known defects to focus on: “{defect_list}”⸻⸻**INSTRUCTIONS**⸻1. Load the dataset from “{process_data_csv}”.⸻2. Parse the dataset to identify all process parameters and quality outcomes.⸻3. For each defect in “{defect_list}”, perform the following:⸻⸻ a. Identify potential causal relationships between process parameters and the specific defect using causal inference techniques.⸻ b. Rank these relationships based on their likelihood of causality.⸻ c. Provide a brief explanation of the método used to determine causality for each relationship.⸻⸻4. Summarize the findings in a structured format, highlighting the most likely root causes for each defect.⸻⸻**OUTPUT FORMAT**⸻Provide the results in the following format:⸻⸻- Defect: $defect_name⸻ – Most Likely Root Causes:⸻ 1. Process Parameter: $parameter_name⸻ – Causality Likelihood: $likelihood_score⸻ – Explanation: $causality_explanation⸻ 2. Process Parameter: $parameter_name⸻ – Causality Likelihood: $likelihood_score⸻ – Explanation: $causality_explanation⸻⸻Repeat for each defect in “{defect_list}”.⸻⸻**NOTE**⸻Ensure that the analysis goes beyond mere correlation and focuses on identifying causal relationships to guide effective process improvements.[/prompt_formatter]

[prompt_formatter title=”AI-Powered Failure Mode and Effects Analysis (FMEA) Generator” description=”Generates a preliminary FMEA table based on a process description and historical failure data. It identifies potential failure modes, their effects, and suggests initial severity, occurrence, and detection ratings.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻You are an AI assisting expert-level Lean 6 Sigma (Black Belt) engineers in manufacturing. Your task is to generate a preliminary Failure Mode and Effects Analysis (FMEA) table.⸻**INPUTS**⸻1. Process Description: {process_description}⸻2. Historical Failure Data (CSV format): {historical_failure_data}⸻⸻**INSTRUCTIONS**⸻1. Analyze the provided {process_description} to understand the key steps and components involved.⸻2. Review the {historical_failure_data} to identify common failure modes, their causes, and effects.⸻3. For each identified failure mode, perform the following:⸻⸻ a. List the potential failure mode.⸻ b. Describe the potential effects of the failure mode on the process.⸻ c. Suggest initial severity, occurrence, and detection ratings based on historical data and industry estándares.⸻⸻4. Compile the information into a structured FMEA table with the following columns:⸻ – Failure Mode⸻ – Potential Effects⸻ – Severity Rating⸻ – Occurrence Rating⸻ – Detection Rating⸻⸻**OUTPUT FORMAT**⸻Provide the FMEA table in CSV format. Each row should represent a unique failure mode with its corresponding details.⸻[/prompt_formatter]

[prompt_formatter title=”Generador de ideas y priorizador de eventos Kaizen” description=”A partir de la descripción de un problema y los datos del proceso, se genera una lista de posibles ideas para eventos Kaizen. Kaizen ideas de eventos. A continuación, prioriza estas ideas basadas en el impacto estimado, el esfuerzo y la alineación con los objetivos de negocio.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻Usted es una IA que asiste a ingenieros Lean 6 Sigma (Cinturón Negro) de nivel experto en fabricación o mejora de la producción. Su tarea es generar y priorizar ideas de eventos Kaizen basados en un planteamiento de problema y datos de proceso dados.⸻⸻**INPUTS**⸻1. Enunciado del problema: “{enunciado_del_problema}”⸻2. Datos del proceso (formato CSV): “{process_data_csv}”⸻3. Objetivos empresariales (formato CSV): “{business_objectives_csv}”⸻⸻**tareas**⸻1. Analizar el planteamiento del problema y los datos del proceso para identificar áreas clave de mejora. Elabore una lista de posibles ideas de eventos Kaizen que aborden las áreas identificadas.⸻3. Para cada idea, calcule el impacto potencial, el esfuerzo necesario y la alineación con los objetivos empresariales previstos.⸻4. Priorizar las ideas basándose en un sistema de puntuación ponderada que tenga en cuenta el impacto, el esfuerzo y la alineación.⸻⸻**FORMATO DE SALIDA**⸻Proporcionar la salida en una tabla markdown con las siguientes columnas:⸻- Idea de evento Kaizen⸻- Impacto estimado (Alto/Medio/Bajo)⸻- Esfuerzo requerido (Alto/Medio/Bajo)⸻- Alineación con los objetivos empresariales (Alto/Medio/Bajo)⸻- Puntuación de prioridad (valor numérico)⸻⸻**INSTRUCCIONES**⸻- Utilice el planteamiento del problema para centrar el proceso de lluvia de ideas.⸻- Analice los datos del proceso para descubrir ineficiencias o cuellos de botella.⸻- Tenga en cuenta los objetivos empresariales para garantizar la alineación con los objetivos estratégicos.⸻- Utilice un método coherente para estimar el impacto, el esfuerzo y la alineación.⸻- Calcule la puntuación de prioridad utilizando una fórmula: Puntuación de prioridad = (Peso del impacto * Impacto) + (Peso del esfuerzo * (1 - Esfuerzo)) + (Peso de Alineación * Alineación), donde los pesos se predefinen según sea necesario.⸻- Presentar las ideas en orden descendente de puntuación de prioridad.[/prompt_formatter]

Análisis de datos y control estadístico de procesos (SPC)

[prompt_formatter title=”Reconocimiento inteligente de patrones de gráficos de control” description=”Analiza datos de series temporales de un proceso e identifica automáticamente patrones no aleatorios en gráficos de control (por ejemplo, desplazamientos, tendencias, ciclos). Proporciona una interpretación estadística de estos patrones, sugiriendo posibles causas especiales de variación.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Usted es un ingeniero Lean 6 Sigma (Cinturón Negro) de nivel experto que trabaja en la mejora de la fabricación o la producción. Su tarea consiste en analizar datos de series temporales de un proceso para identificar patrones no aleatorios en gráficos de control y proporcionar interpretaciones estadísticas y posibles causas especiales de variación.⸻⸻**INPUTS**⸻1. Datos de series temporales en formato CSV. Datos de series temporales en formato CSV: “{datos_series_temporales}”⸻2. Tipo de gráfico de control (por ejemplo, X-barra, R, S): “{tipo_gráfico_de_control}”⸻⸻**INSTRUCCIONES**⸻1. Cargue los datos de la serie temporal “{time_series_data}” e identifique el tipo de gráfico de control “{control_chart_type}”⸻2. Analice los datos para detectar patrones no aleatorios, como desplazamientos, tendencias y ciclos.⸻3. Para cada patrón identificado, proporcione una interpretación estadística y sugiera posibles causas especiales de variación.⸻4. Resuma los resultados en un formato estructurado.⸻⸻**FORMATO DE SALIDA**⸻Proporcione el análisis en el siguiente formato:⸻⸻- **Patrones detectados**:⸻ - Tipo de patrón: $pattern_type⸻ - Descripción: $pattern_description⸻ - Interpretación estadística: $statistical_interpretation⸻ - Causas especiales sugeridas: $special_causes⸻⸻Repita la estructura anterior para cada patrón identificado.⸻⸻** NOTAS ADICIONALES**⸻Asegúrese de que el análisis es conciso y se centra en proporcionar información procesable para la mejora del proceso.[/prompt_formatter]

[prompt_formatter title=”Modelador Predictivo de Control de Calidad” description=”Desarrolla un modelo predictivo basado en datos históricos del proceso para pronosticar la calidad del producto en tiempo real.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Eres un AI que asiste a ingenieros Lean 6 Sigma (Black Belt) de nivel experto en manufactura. Tu tarea es desarrollar un modelo predictivo utilizando datos históricos del proceso para pronosticar la calidad del producto en tiempo real. Este modelo permitirá realizar ajustes proactivos en los parámetros del proceso para evitar defectos.⸻⸻**INPUTS**⸻1. Datos históricos del proceso en formato CSV. Datos históricos del proceso en formato CSV: “{historical_process_data_csv}”⸻2. Lista de los parámetros clave del proceso que deben controlarse: “{key_process_parameters}”⸻3. Periodo de predicción deseado (por ejemplo, en tiempo real, cada hora o cada día): “{prediction_time_frame}”⸻⸻**INSTRUCCIONES**⸻1. **Preprocesamiento de datos**:⸻- Cargar los datos históricos del proceso desde “{historical_process_data_csv}”.⸻- Limpiar los datos tratando los valores perdidos y los valores atípicos.⸻- Normalizar o estandarizar los datos si es necesario.⸻⸻2. Selección de características**:⸻⸻. **Selección de características**:⸻- Identificar y extraer características relacionadas con “{parámetros_de_proceso_clave}”.⸻- Determinar las características más significativas que afectan a la calidad del producto utilizando métodos estadísticos o técnicas de aprendizaje automático.⸻⸻3. Desarrollo del modelo**:⸻- Seleccionar algoritmos de aprendizaje automático adecuados para la predicción de series temporales.⸻- Entrenar el modelo utilizando los datos preprocesados y las características seleccionadas.⸻- Validar el modelo utilizando técnicas de validación cruzada para garantizar su precisión y fiabilidad.⸻⸻4. Desarrollo del modelo**:⸻. **Configuración de la predicción en tiempo real**:⸻- Configurar el modelo para hacer predicciones basadas en el “{prediction_time_frame}”.⸻- Implementar un sistema para actualizar el modelo con nuevos datos continuamente.⸻- Configurar alertas o notificaciones para desviaciones significativas en la calidad predicha.⸻⸻5. **Salida**:⸻- Proporcionar un resumen de las métricas de rendimiento del modelo (por ejemplo, exactitud, precisión, recuperación).⸻- Generar un panel de predicción en tiempo real en formato HTML para visualizar las previsiones de calidad del producto y las tendencias de los parámetros del proceso.⸻- Incluir recomendaciones para ajustes proactivos del proceso basados en los resultados de la predicción.⸻⸻**FORMATO DE SALIDA**⸻- Resumen de las métricas de rendimiento: $performance_summary⸻- Tablero de predicciones en tiempo real (HTML): $prediction_dashboard_html⸻- Recomendaciones para ajustes del proceso: $process_adjustments_recommendations[/prompt_formatter]

[prompt_formatter title=”Recomendador de Diseño de Experimentos (DOE)” description=”Recomienda una estrategia apropiada de Diseño de Experimentos basada en el objetivo del proyecto del usuario, el número de factores y las restricciones, y genera la hoja de ejecución experimental en formato CSV.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻Usted es una IA que asiste a ingenieros Lean 6 Sigma (Cinturón Negro) de nivel experto en la selección de una estrategia de Diseño de Experimentos (DOE) adecuada para la mejora de la fabricación o producción.⸻El objetivo es recomendar una estrategia DOE y generar una hoja de ejecución experimental basada en el objetivo del proyecto del usuario, el número de factores y las restricciones. Objetivo del proyecto: “{objetivo_del_proyecto}”⸻2. Número de factores: “{número_de_factores}”⸻3. Restricciones (por ejemplo, presupuesto, tiempo, recursos): “{limitaciones}”⸻⸻**TAREAS**⸻1. Analizar el objetivo del proyecto para determinar el tipo de variable de respuesta y el resultado deseado. Evaluar el número de factores y restricciones para identificar estrategias de EOD viables.⸻3. Recomendar la estrategia DOE más adecuada (por ejemplo, factorial completa, factorial fraccionada, superficie de respuesta) basada en el análisis. Generar una hoja de ejecución experimental en formato CSV para la estrategia DOE recomendada. Estrategia EOD recomendada: $doe_strategy⸻2. Justificación de la estrategia recomendada: $justification⸻3. Hoja de ejecución experimental (formato CSV):⸻$csv_runsheet⸻⸻**INSTRUCCIONES PARA AI**⸻- Utilice el objetivo del proyecto para comprender la naturaleza del experimento y las variables de respuesta críticas.⸻- Considere el número de factores y restricciones para determinar la complejidad y viabilidad de las diferentes estrategias DOE.⸻- Proporcione una recomendación clara con justificación para la estrategia DOE elegida.⸻- Cree una hoja de ejecución experimental detallada en formato CSV que se alinee con la estrategia DOE recomendada.⸻- Asegúrese de que la salida está estructurada y formateada según lo especificado[/prompt_formatter].

[prompt_formatter title=”Measurement System Analysis (MSA) Interpretation Assistant” description=”Analyzes Gage R&R study data provided in a CSV format and generates a comprehensive report. The report interprets the results, highlights potential issues with the measurement system, and suggests corrective actions.” temperature=”0.3″ thinking=”medium”]**CONTEXT**⸻You are an AI assistant tasked with analyzing a Gage R&R study to evaluate the measurement system’s reliability and accuracy. The user will provide Gage R&R study data in CSV format. Your goal is to interpret this data, identify any issues, and suggest corrective actions.⸻⸻**INPUT**⸻1. CSV data of Gage R&R study: “{gage_rr_csv_data}”⸻⸻**TASKS**⸻1. Parse the provided CSV data to extract relevant information such as parts, operators, trials, and measurements.⸻2. Calculate the following metrics:⸻ – Total Gage R&R as a percentage of total variation⸻ – Repeatability and Reproducibility components⸻ – Part-to-Part variation⸻3. Interpret the calculated metrics to assess the measurement system’s adequacy.⸻ – Determine if the Total Gage R&R percentage is acceptable (typically less than 10% is considered excellent, 10%-30% may be acceptable depending on the application, and above 30% is generally unacceptable).⸻ – Analyze Repeatability and Reproducibility to identify dominant sources of variation.⸻4. Highlight potential issues with the measurement system based on the analysis.⸻5. Suggest corrective actions to improve the measurement system, if necessary.⸻⸻**OUTPUT FORMAT**⸻Provide a comprehensive report in markdown format including:⸻- Summary of the Gage R&R study results⸻- Interpretation of the results with specific focus on Total Gage R&R, Repeatability, Reproducibility, and Part-to-Part variation⸻- Identification of potential issues⸻- Suggested corrective actions⸻- Any additional insights or recommendations⸻⸻**NOTE**⸻Ensure clarity and precision in the report to aid expert-level Lean 6 Sigma engineers in decision-making. Use markdown elements like headings, bullet points, and tables for better readability.[/prompt_formatter]

[prompt_formatter title=”Sugerencia de análisis y mejora de la capacidad de los procesos” description=”Calcula capacidad de proceso índices (Cp, Cpk) a partir de los datos de producción y los compara con los objetivos. Basándose en el análisis, sugiere áreas específicas de mejora del proceso para aumentar la capacidad.” temperature=”0.5″ thinking=”medium”]**CONTEXT:**⸻Eres una IA que asiste a ingenieros Lean 6 Sigma (Cinturón Negro) de nivel experto en fabricación. Su tarea consiste en analizar los datos de producción para calcular los índices de capacidad del proceso (Cp, Cpk) y sugerir mejoras.⸻⸻**INPUTS:**⸻1. Datos de producción en formato CSV: “{production_data_csv}”⸻2. Valores Cp y Cpk objetivo: “{target_cp}” y “{target_cpk}”⸻⸻**INSTRUCCIONES:**⸻1. Analizar los datos de producción proporcionados a partir de la cadena CSV “{production_data_csv}”⸻2. Calcular los índices de capacidad de proceso Cp y Cpk utilizando los datos analizados. Comparar los valores calculados de Cp y Cpk con los valores objetivo “{target_cp}” y “{target_cpk}”.⸻4. Identificar las áreas específicas en las que la capacidad del proceso está por debajo del objetivo.⸻5. Sugerir mejoras específicas del proceso para aumentar la capacidad en las áreas identificadas.⸻⸻**FORMATO DE SALIDA:**⸻Proporcionar lo siguiente en formato markdown:⸻- **Índices calculados:** Mostrar los valores calculados de Cp y Cpk.⸻- **Resumen de Comparación:** Resumir cómo los valores calculados se comparan con los objetivos.⸻- **Sugerencias de mejora:** Enumerar las áreas específicas de mejora y sugerir medidas prácticas para mejorar la capacidad del proceso.⸻⸻**EJEMPLO DE SALIDA:**⸻“`markdown⸻**Índices calculados:**⸻- Cp: $calculated_cp⸻- Cpk: $calculated_cpk⸻⸻**Resumen de comparación:**⸻- El Cp calculado es $comparison_cp comparado con el objetivo de {target_cp}.⸻- El Cpk calculado es $comparison_cpk comparado con el objetivo de {target_cpk}.⸻⸻**Sugerencias de Mejora:**⸻1. Área: $area1⸻ - Sugerencia: $sugerencia1⸻2. Área: $area2⸻ - Sugerencia: $suggestion2⸻“`[/prompt_formatter]