Mens, Machine, Methode: Hoe AI de echte oorzaken van productiestilstanden onderscheidt

Het Ishikawa-framework (Mens, Machine, Methode, Materiaal, Meting — ook bekend als 5M) is een van de oudste tools in industriële root-cause analyse. Het stamt uit het Toyota Production System-werk uit de jaren 60 en wordt onderwezen in elk continu-verbeteringsprogramma. Het framework is solide; het praktische probleem is dat mensen onbetrouwbaar zijn in het in real-time classificeren van stilstandsgebeurtenissen in deze categorieën.

AI root-cause analyse kan de 5M-categorieën onderscheiden met 85%+ nauwkeurigheid door operator-ingevoerde codes te correleren met machine-sensordata, productcontext, ploegcontext en historische patronen.

Waarom menselijke 5M-categorisering onbetrouwbaar is

Drie structurele redenen waarom menselijke categorisering faalt. Zichtbaarheidsbias: operators zien de directe trigger maar niet de onderliggende oorzaak. Cognitieve shortcuts: onder tijdsdruk kiezen operators bekende oorzaakcodes in plaats van analytische categorisering. Procesvooringenomenheid: operators zijn terughoudend om Mens- (operatorfout) of Methode-categorieën (procesprobleem) te registreren.

Hoe AI 5M-categorisering werkt

AI-categorisering gebruikt meerdere databronnen om de werkelijke oorzaak te triangulieren. De inputs omvatten: operator-ingevoerde oorzaakcode, machine-sensordata 60 seconden voor de gebeurtenis, draaiend product, ploeg, dienst-doende operator, tijd sinds laatste onderhoud, recente kwaliteitsdata.

De output is een waarschijnlijkheidsverdeling over 5M-categorieën in plaats van een enkel label. Een typische gebeurtenis kan worden geclassificeerd als „Machine 35 %, Methode 40 %, Materiaal 20 %, Mens 5 %”.

Wat AI 5M-categorisering in de praktijk onthult

Over 450+ implementaties was de kloof consistent. Operator-geregistreerde verdeling (typisch): Machine 55 %, Materiaal 15 %, Overig 15 %, Methode 10 %, Mens 5 %. AI-bepaalde verdeling (typisch): Machine 28 %, Methode 35 %, Materiaal 18 %, Mens 12 %, Meting 7 %.

De verschuiving is operationeel significant. Fabrieken die „Machine”-problemen verbeteren op basis van operator-data investeren in onderhoud en apparatuur, maar de werkelijke oorzaak is vaak Methode.

De drie specifieke patronen die AI vangt en mensen missen

Patroon 1: Methode-fouten gemaskeerd als Machine-fouten. Patroon 2: Materiaalvariatie zich uitend als kwaliteitsverliezen. Patroon 3: Operator-workflow problemen verborgen in omsteltijden.

Wat AI 5M niet kan doen

Eerlijke grenzen. AI-categorisering werkt goed voor gebeurtenissen die eerder in vergelijkbare contexten zijn opgetreden; ze worstelt met werkelijk nieuwe gebeurtenissen. AI-categorisering is statistisch; ze maakt probabilistische uitspraken, niet deterministische.