Wady produkcyjne: AI robi analizę Pareto 24/7, identyfikuje topowe przyczyny

Sytuacja przed wdrożeniem

Producent kosmetyków (kremy, balsamy), 180 osób. Linia produkcyjna z 6 stanowiskami. Wady (puste opakowania, źle skręcone, brak etykiety, contamination, kolor poza tolerancją): 3.2%. Quality manager robił analizę Pareto raz na miesiąc — wnioski "powinniśmy poprawić X", ale do następnej analizy już było inaczej.

Co zrobiliśmy

• Każda wada (operator wykrywa lub AI z kamery — patrz osobne case) jest tagowana w systemie z metadata: typ, czas, stanowisko, operator, partia surowca, temperatura, wilgotność.
• AI prowadzi analizę ciągłą:
• 1. Top 5 typów wad z trendem.
• 2. Korelacja: które stanowisko, który operator, która partia surowca, która godzina dnia, która zmiana ma więcej wad.
• 3. Root cause: "wady X są o 320% wyższe na stanowisku 4 w II zmianie, gdy temperatura w hali przekracza 26°C".
• Generuje codzienny briefing dla quality managera: 3 najpilniejsze obszary do działania.
• Alert real-time: "stanowisko 3 zaczęło produkować z wadą Y od 10 min — sprawdź teraz, nie czekaj do końca zmiany".
• Sugestie naprawcze na bazie korelacji + best practices z bazy.

Rezultat

Wady produkcyjne: z 3.2% na 1.15% (-64%). Czas reakcji na problem: z 2 dni na 25 min. Quality manager: 1 osoba (zamiast 3 planowanych). Roczna oszczędność (mniej wycofań, retoolingu, korekt): 880 tys. zł.