Plus de 25 suggestions d'IA pour Lean Six Sigma

Les 30 consignes suivantes sont conçues comme des outils pratiques permettant aux ceintures jaunes, vertes et noires d'accélérer l'exécution des projets directement en atelier. Elles fournissent des éléments structurés pour réaliser des tâches Lean et Six Sigma spécifiques et à forte valeur ajoutée, telles que la création d'une cartographie complète de la chaîne de valeur à partir de données de production brutes, l'analyse des causes profondes d'un ensemble de données de défauts complexes ou la rédaction d'un document détaillé. AMDEC pour un nouveau processus. L'objectif est de s'affranchir des tâches manuelles et chronophages de compilation et de communication des données, permettant ainsi aux praticiens de se concentrer immédiatement sur l'interprétation des résultats, la prise de décisions et la mise en œuvre d'améliorations visant à réduire le gaspillage et la variabilité du processus.

The scope of these prompts spans the critical functions of modern fabrication 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 Contrôle statistique des processus (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.

En complément de ces invites, vous serez sans doute également intéressé par le pur IA manufacturière des outils :

Voir aussiPlus de 25 suggestions d'IA pertinentes pour les ingénieurs et les gestionnaires de production

►

Analyse et optimisation des processus

[prompt_formatter title=”Générateur automatisé de cartographie de la chaîne de valeur (VSM)” description=”Analyse les données de processus au format CSV pour générer une VSM au format Mermaid, en identifiant les goulets d'étranglement et les domaines à améliorer. Cette invite met en évidence les activités sans valeur ajoutée et calcule l'efficacité du processus et le délai d'exécution sur la base des données fournies.” temperature=”0.3″ thinking=”high”]**CONTEXT**⸻You are an AI assisting expert-level Lean Six Sigma (Ceinture noire) 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=”Simulation dynamique de processus pour l'analyse des goulets d'étranglement” description=”Crée un modèle de simulation d'événements discrets d'un processus de fabrication basé sur des étapes, des ressources et des temps de traitement définis par l'utilisateur. Il exécute ensuite plusieurs itérations pour prédire le débit, l'utilisation des ressources et les goulets d'étranglement potentiels dans diverses conditions.” temperature=”0.7″ thinking=”high”]**TASK OVERVIEW**⸻Créer un modèle de simulation à événements discrets pour analyser un processus de fabrication à la recherche de goulets d'étranglement. Utilisez des étapes, des ressources et des temps de traitement définis par l'utilisateur pour prédire le débit, l'utilisation des ressources et les goulots d'étranglement potentiels.⸻⸻**INPUTS**⸻1. Étapes du processus : Fournir une chaîne CSV des étapes du processus dans l'ordre, par exemple “{étape1,étape2,étape3}”.⸻2. Ressources : Fournir une chaîne CSV des ressources disponibles pour chaque étape, par exemple “{resource1,ressource2,ressource3}”.⸻3. Délais de traitement : Fournir une chaîne CSV des temps de traitement pour chaque étape en minutes, par exemple “{time1,time2,time3}”.⸻⸻**INSTRUCTIONS**⸻1. Analyser les données de l'utilisateur pour créer une liste structurée des étapes du processus, des ressources et des temps de traitement.⸻2. Développer un modèle de simulation à événements discrets en utilisant les données fournies.⸻3. Effectuer plusieurs itérations de la simulation pour évaluer différents scénarios.⸻4. Calculer et produire les éléments suivants:⸻⸻ a. Débit : Déterminer le nombre moyen d'unités traitées par unité de temps.⸻ b. Utilisation des ressources : Calculer le pourcentage de temps pendant lequel chaque ressource est activement utilisée.⸻ c. Identification des goulets d'étranglement : Identifier les étapes où les retards sont les plus fréquents et où les ressources sont surutilisées.⸻⸻**Format des résultats**⸻Fournir les résultats sous le format suivant:⸻⸻- **Débit:** 1TP10Débit_valeur unités/temps⸻- **Utilisation des ressources :**⸻ - Ressource 1 : $utilization1%⸻ - Ressource 2 : $utilization2%⸻ - Ressource 3 : $utilization3%⸻- **Analyse des goulots d'étranglement:**⸻ - Étape 1 : $bottleneck1⸻ - Étape 2 : $bottleneck2⸻ - Étape 3 : $bottleneck3⸻⸻Assurer la clarté et la précision des résultats pour faciliter la prise de décision en matière d'amélioration des processus de fabrication.[/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 méthode 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 normes.⸻⸻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= ”Générateur d'idées et hiérarchiseur d'événements Kaizen” description=”Prend un énoncé de problème et des données de processus comme données d'entrée pour faire un remue-méninges sur une liste d'idées potentielles pour l'événement Kaizen. Kaizen des idées d'événements. Il priorise ensuite ces idées en fonction de l'impact estimé, de l'effort et de l'alignement avec les objectifs de l'entreprise.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻Vous êtes une IA qui assiste les ingénieurs Lean 6 Sigma (Black Belt) de niveau expert dans la fabrication ou l'amélioration de la production. Votre tâche consiste à générer et à hiérarchiser des idées d'événements Kaizen sur la base d'un énoncé de problème donné et de données de processus.⸻⸻**INPUTS**⸻1. Énoncé du problème : “{problem_statement}”⸻2. Données du processus (format CSV) : “{process_data_csv}”⸻3. Objectifs commerciaux (format CSV) : “{business_objectives_csv}”⸻⸻**TÂCHES**⸻1. Analyser l'énoncé du problème et les données du processus afin d'identifier les domaines clés à améliorer.⸻2. Générer une liste d'idées d'événements Kaizen potentiels qui abordent les domaines identifiés.⸻3. Pour chaque idée, estimer l'impact potentiel, l'effort requis et l'alignement sur les objectifs opérationnels fournis.⸻4. Classer les idées par ordre de priorité sur la base d'un système de notation pondéré tenant compte de l'impact, de l'effort et de l'alignement.⸻⸻**FORMAT DE SORTIE**⸻Fournir la sortie dans un tableau markdown avec les colonnes suivantes :⸻- Idée d'événement Kaizen⸻- Impact estimé (élevé/moyen/faible)⸻- Effort requis (élevé/moyen/faible)⸻- Alignement avec les objectifs de l'entreprise (élevé/moyen/faible)⸻- Score de priorité (valeur numérique)⸻⸻**INSTRUCTIONS**⸻- Utiliser l'énoncé du problème pour orienter le processus de brainstorming.⸻- Analyser les données du processus pour découvrir les inefficacités ou les goulets d'étranglement.⸻- Prendre en compte les objectifs de l'entreprise pour assurer l'alignement avec les objectifs stratégiques.⸻- Utiliser une méthode cohérente pour estimer l'impact, l'effort et l'alignement.⸻- Calculer le score de priorité à l'aide d'une formule : Note de priorité = (Poids de l'impact * Impact) + (Poids de l'effort * (1 - Effort)) + (Poids de l'alignement * Alignement), où les poids sont prédéfinis selon les besoins.⸻- Présenter les idées dans l'ordre décroissant du score de priorité.[/prompt_formatter]

Analyse des données et contrôle statistique des processus (SPC)

[prompt_formatter title= ”Reconnaissance intelligente des schémas de cartes de contrôle” description=”Analyse les données chronologiques d'un processus et identifie automatiquement les schémas non aléatoires dans les cartes de contrôle (par exemple, les décalages, les tendances, les cycles). Il fournit une interprétation statistique de ces modèles, suggérant des causes spéciales potentielles de variation.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Vous êtes un ingénieur Lean 6 Sigma (Black Belt) de niveau expert travaillant sur l'amélioration de la fabrication ou de la production. Votre tâche consiste à analyser les données de séries temporelles d'un processus afin d'identifier des modèles non aléatoires dans les cartes de contrôle et de fournir des interprétations statistiques et des causes spéciales potentielles de variation.⸻⸻**INPUTS**⸻1. Données de séries temporelles au format CSV : “{time_series_data}”⸻2. Type de carte de contrôle (par exemple, X-bar, R, S) : “{control_chart_type}”⸻⸻**INSTRUCTIONS**⸻1. Charger les données de séries temporelles fournies “{time_series_data}” et identifier le type de carte de contrôle “{control_chart_type}”.⸻2. Analyser les données pour détecter les modèles non aléatoires tels que les changements, les tendances et les cycles.⸻3. Pour chaque modèle identifié, fournir une interprétation statistique et suggérer des causes spéciales potentielles de variation.⸻4. Résumer les résultats dans un format structuré.⸻⸻**Format de sortie**⸻Fournir l'analyse dans le format suivant:⸻⸻- **Modèles détectés**:⸻ - Type de modèle : $pattern_type⸻ - Description : $pattern_description⸻ - Interprétation statistique : $statistical_interpretation⸻ - Causes spéciales suggérées : $special_causes⸻⸻Repetez la structure ci-dessus pour chaque modèle identifié.⸻⸻**ADDITIONAL NOTES**⸻Assurez-vous que l'analyse est concise et axée sur la fourniture d'informations exploitables pour l'amélioration du processus.[/prompt_formatter].

[prompt_formatter title=”Modélisateur de contrôle qualité prédictif” description=”Développe un modèle prédictif basé sur les données historiques du processus pour prévoir la qualité du produit en temps réel.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Vous êtes une IA qui assiste les ingénieurs Lean 6 Sigma (Ceinture Noire) de niveau expert dans le secteur de la fabrication. Votre tâche consiste à développer un modèle prédictif utilisant les données historiques du processus pour prévoir la qualité du produit en temps réel. Ce modèle permettra d'ajuster de manière proactive les paramètres du processus afin de prévenir les défauts.⸻⸻**INPUTS**⸻1. Données historiques du processus au format CSV : “{historical_process_data_csv}”⸻2. Liste des paramètres clés du processus à surveiller : “{key_process_parameters}”⸻3. Période de prédiction souhaitée (par exemple, en temps réel, toutes les heures, tous les jours) : “{prediction_time_frame}”⸻⸻**INSTRUCTIONS**⸻1. **Prétraitement des données**:⸻- Charger les données historiques du processus à partir de “{historical_process_data_csv}”.⸻- Nettoyer les données en traitant les valeurs manquantes et les valeurs aberrantes.⸻- Normaliser ou standardiser les données si nécessaire.⸻⸻2. **Sélection des caractéristiques**:⸻- Identifier et extraire les caractéristiques liées aux “{paramètres_clés_du_processus}”.⸻- Déterminer les caractéristiques les plus significatives ayant un impact sur la qualité du produit en utilisant des méthodes statistiques ou des techniques d'apprentissage automatique.⸻⸻3. **Développement du modèle**:⸻- Sélectionner les algorithmes d'apprentissage automatique appropriés pour la prédiction de séries temporelles.⸻- Entraîner le modèle en utilisant les données prétraitées et les caractéristiques sélectionnées.⸻- Valider le modèle en utilisant des techniques de validation croisée pour assurer la précision et la fiabilité.⸻⸻4. **Configuration de la prédiction en temps réel**:⸻- Configurer le modèle pour faire des prédictions basées sur le “{prediction_time_frame}”.⸻- Mettre en place un système pour mettre à jour le modèle avec de nouvelles données en continu.⸻- Mettre en place des alertes ou des notifications pour les écarts significatifs dans la qualité prédite.⸻⸻5. **Sorties**:⸻- Fournir un résumé des mesures de performance du modèle (par ex, exactitude, précision, rappel).⸻- Générer un tableau de bord de prédiction en temps réel au format HTML pour visualiser les prévisions de qualité du produit et les tendances des paramètres du processus.⸻- Inclure des recommandations pour des ajustements proactifs du processus basés sur les résultats de la prédiction.⸻⸻**OUTPUT FORMAT**⸻- Résumé des métriques de performance : $performance_summary⸻- Tableau de bord de prédiction en temps réel (HTML) : $prediction_dashboard_html⸻- Recommandations pour l'ajustement des processus : $process_adjustments_recommendations[/prompt_formatter]

[prompt_formatter title=”Recommander un plan d'expériences (DOE)” description=”Recommander une stratégie de plan d'expériences appropriée en fonction de l'objectif du projet de l'utilisateur, du nombre de facteurs et des contraintes, et générer la feuille d'exécution expérimentale au format CSV.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻Vous êtes une IA qui aide les ingénieurs Lean 6 Sigma (Black Belt) de niveau expert à sélectionner une stratégie de plans d'expériences (DOE) appropriée pour l'amélioration de la fabrication ou de la production.⸻Le but est de recommander une stratégie DOE et de générer une feuille d'exécution expérimentale basée sur l'objectif du projet de l'utilisateur, le nombre de facteurs et les contraintes.⸻⸻**INPUTS**⸻1. Objectif du projet : “{project_goal}”⸻2. Nombre de facteurs : “{nombre_de_facteurs}”⸻3. Contraintes (par exemple, budget, temps, ressources) : “{contraintes}”⸻⸻**TÂCHES**⸻1. Analyser l'objectif du projet pour déterminer le type de variable de réponse et le résultat souhaité.⸻2. Évaluer le nombre de facteurs et de contraintes pour identifier les stratégies d'EOD réalisables.⸻3. Recommander la stratégie DOE la plus appropriée (par exemple, factorielle complète, factorielle fractionnée, surface de réponse) sur la base de l'analyse.⸻4. Générer une feuille d'exécution expérimentale au format CSV pour la stratégie DOE recommandée.⸻⸻**OUTPUT FORMAT**⸻1. Stratégie DOE recommandée : $doe_strategy⸻2. Justification de la stratégie recommandée : $justification⸻3. Feuille d'exécution expérimentale (format CSV):⸻$csv_runsheet⸻⸻**INSTRUCTIONS POUR L'IA**⸻- Utiliser l'objectif du projet pour comprendre la nature de l'expérience et les variables de réponse critiques.⸻- Tenir compte du nombre de facteurs et de contraintes pour déterminer la complexité et la faisabilité des différentes stratégies d'EOD.⸻- Fournir une recommandation claire avec une justification pour la stratégie DOE choisie.⸻- Créer une feuille d'exécution expérimentale détaillée au format CSV qui s'aligne sur la stratégie DOE recommandée.⸻- S'assurer que la sortie est structurée et formatée comme spécifié.[/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= ”Analyse de la capacité des processus et proposition d'amélioration” description=”Calcule capacité du processus Il analyse les indices de qualité (Cp, Cpk) à partir des données de production et les compare aux objectifs. Sur la base de l'analyse, il suggère des domaines spécifiques pour l'amélioration des processus afin de renforcer la capacité.” temperature=”0.5″ thinking=”medium”]**CONTEXT:**⸻Vous êtes une IA qui assiste les ingénieurs Lean 6 Sigma (Black Belt) de niveau expert dans le secteur de la fabrication. Votre tâche consiste à analyser les données de production pour calculer les indices de capacité des processus (Cp, Cpk) et suggérer des améliorations.⸻⸻**INPUTS:**⸻1. Données de production au format CSV : “{production_data_csv}”⸻2. Valeurs Cp et Cpk cibles : “{target_cp}” et “{target_cpk}”⸻⸻**INSTRUCTIONS:**⸻1. Analyser les données de production fournies à partir de la chaîne CSV “{production_data_csv}”.⸻2. Calculer les indices de capabilité du processus Cp et Cpk en utilisant les données analysées.⸻3. Comparer les valeurs Cp et Cpk calculées aux valeurs cibles “{target_cp}” et “{target_cpk}”.⸻4. Identifier les domaines spécifiques où la capacité du processus est inférieure à l'objectif.⸻5. Proposer des améliorations ciblées du processus pour renforcer la capacité dans les domaines identifiés.⸻⸻**Format de sortie:**⸻Fournir les éléments suivants au format markdown:⸻- **Indices calculés:** Afficher les valeurs calculées de Cp et de Cpk.⸻- **Résumé de la comparaison:** Résumer la comparaison entre les valeurs calculées et les cibles.⸻- **Suggestions d'amélioration:** Énumérer les domaines spécifiques à améliorer et suggérer des mesures réalisables pour renforcer la capacité du processus.⸻⸻**EXEMPLE DE SORTIE:**⸻“`markdown⸻**Indices calculés:**⸻- Cp : $calculé_cp⸻- Cpk : $calculé_cpk⸻⸻**Résumé de la comparaison:**⸻- Le Cp calculé est $comparaison_cp par rapport à la cible de {target_cp}.⸻- Le Cpk calculé est de $comparaison_cpk par rapport à l'objectif de {target_cpk}.⸻⸻**Suggestions d'amélioration:**⸻1. Zone : $area1⸻ - Suggestion : $suggestion1⸻2. Zone : $area2⸻ - Suggestion : $suggestion2⸻“`[/prompt_formatter]