치수 데이터 위의 공장 AI는 지루한 방식으로 실패한다. 모델은 지난달 로트에서 날카로워 보인다. 새 검사원이 시작한다. 예측 대 실측 플롯이 부채처럼 벌어진다. 재학습은 고치지 않는다. 레이블이 부품의 속성이 아니었기 때문이다. 측정 시스템의 속성이다.
Gauge R&R은 감사 전에 인쇄하는 품질 의식가 아니다. 관측 분산 중 얼마나 게이지, 치구, 사람인지를 말하는 진술이다. 그 분할을 알기 전에는 지도 학습 모델에 정직한 타깃이 없다.
연구가 실제로 나누는 것
핵심 치수의 교차 Gauge R&R은 같은 부품, 같은 작업자, 반복 측정을 쓴다. 반복성은 같은 사람, 같은 게이지, 같은 부품이다. 재현성은 작업자 간(또는 치구 간) 항이다. 둘이 공차의 큰 몫을 먹으면 모델링 문제가 아니다. 모델링이 거짓 공정 이야기로 세탁할 측정 문제다.
흔한 지름길은 MES 값이 이미 있으니 정답으로 삼는 것이다. MES 값은 모든 평가자, 닳은 앤빌, "충분하다"던 치구, 소프트웨어 반올림을 상속한다. 모델은 그다음 A조와 B조의 검사원 혼합을 배우고 공정 드리프트라 부른다.
학습을 막아야 할 숫자
ndc—구별 가능 범주 수—가 실용적 게이트다. 측정 시스템이 공정 산포에서 범주를 충분히 가르지 못하면 어떤 경사 하강도 레이블에 없던 부품 신호를 되살리지 못한다. ndc에 실패한 연구는 데이터셋 수집을 멈춰야 한다. 새 아키텍처를 시작하면 안 된다.
두 번째 게이트는 연구 자체의 통제다. 부품은 진짜 공정을 덮어야 한다. 골든 샘플 서랍이 아니다. 작업자는 생산 데이터를 만들 사람들이어야 한다. 연구에만 나타나는 계측 전문가가 아니다. 완벽한 열 개를 한 전문가가 재는 연구는 브로셔다.
연구가 통과한 뒤
연구가 쓴 게이지, 치구, 작업 지침을 잠근다. 생산이 같은 특성에 비전 셀로 바뀌면 그 셀은 새 측정 시스템이다. 옛 모델 가중치 이전이 아니라 기준 방법에 대한 자체 R&R이 필요하다.
짧은 말: 그 치수의 얼마가 부품인지 말할 수 있을 때까지 그 치수로 학습하지 마라. 나머지는 더 좋은 하드웨어로 노이즈에 맞추는 일이다.