AI는 학습하는 데이터만큼만 우수하며, 품질 데이터는众所周知로 복잡하고 정리되지 않은 경우가 많습니다. 검사 결과는 한 시스템에, 불만 사항은 다른 시스템에, 공급업체 기록은 또 다른 시스템에 저장되며, 실제 상황의 절반은 서둘러 입력된 자유 형식의 텍스트 댓글에 묻혀 있습니다.
어떤 모델을 훈련하기 전에, 팀은 연결되고 신뢰할 수 있는 데이터 레이어를 구축해야 합니다. 이는 공통 정의에 동의하고 공유 식별자를 통해 시스템 간 레코드를 연결하는 것을 의미합니다. 또한 잘못된 데이터가 입력 시점에 발견되도록 기본 검사를 마련하여 몇 달 후에 발견되는 것을 방지해야 합니다.
핵심 개념
신뢰할 수 있는 자율 품질 경영 시스템(QMS)은 깨끗하고, 연결되며, 일관되게 정의된 품질 데이터에서 시작됩니다. 왜냐하면 불량 데이터는 조용히 자신감 있지만 잘못된 AI 결정을 내리기 때문입니다.
실제 사례
한 공장은 한 라인에서는 '결함'을 불합격 부품으로, 다른 라인에서는 재작업 부품으로 정의하고 있음을 발견하고, 모델을 훈련하기 전에 정의를 표준화하여 AI가 서로 다른 레코드를 비교하지 않도록 방지했습니다.
표준 절차
- 1품질 관련 데이터를 보유한 모든 소스를 매핑합니다.
- 2제품, 로트, 공정에 대한 공통 용어와 고유 식별자를 정의합니다.
- 3데이터 입력 시점에 유효성 검사 규칙을 추가합니다.
- 4모든 소스를 단일 접근 가능한 데이터 레이어로 연결합니다.
- 5각 데이터 스트림의 정확성에 대한 책임을 지는 소유자를 지정합니다.
수업 요약
- ✓산재되고 일관성 없는 데이터는 초기 가장 큰 장애물입니다.
- ✓기술적 통합만큼 공유 정의도 중요합니다.
- ✓데이터 소유권은 시간이 지나도 품질 데이터를 신뢰할 수 있게 유지합니다.