Controllo qualità con l’IA: che cosa sappiamo dei casi non segnalati?
Quando l’IA aiuta a selezionare i pezzi da esaminare, il manager non decide soltanto dove concentrare le risorse: influenza anche i dati disponibili per l’apprendimento successivo. La domanda è precisa: come valutare questo sistema se i pezzi non segnalati vengono raramente riesaminati?
Che cosa stabilisce la letteratura
Jerker Denrell (2003, Organization Science) mostra, attraverso un’analisi teorica, come la sottorappresentazione degli insuccessi nell’esperienza osservabile possa distorcere l’apprendimento e la valutazione delle pratiche. Una pratica può apparire favorevole perché le situazioni in cui fallisce sono meno visibili. Questo lavoro non riguarda l’IA industriale, ma stabilisce un problema pertinente alla sua valutazione: i casi osservati non rappresentano necessariamente tutti i casi trattati.
Imparare richiede anche di capire come i casi diventano visibili
James March, Lee Sproull e Michal Tamuz (1991, Organization Science) analizzano le possibilità di apprendimento quando l’esperienza disponibile è scarsa e sottolineano il ruolo della sua interpretazione. Accumulare eventi non basta quindi a definire che cosa un’organizzazione possa imparare da essi. Applicato a un controllo orientato dall’IA, questo ragionamento invita a documentare perché un pezzo è stato esaminato, non soltanto l’esito dell’esame.
La conclusione troppo rapida
Si potrebbe dedurre che occorra controllare tutti i pezzi allo stesso modo o rinunciare a selezionare gli esami. Questi lavori non giustificano nessuna delle due conclusioni: concentrare le risorse può restare opportuno, nel rispetto dei requisiti di qualità applicabili. La distinzione necessaria è tra la selezione operativa dei controlli e il campionamento richiesto per valutare tale selezione. (i nostri percorsi di formazione per quadri e collaboratori)
Che cosa non permettono di concludere i risultati correnti
Il tasso di difetti tra i pezzi segnalati informa su quella selezione, non sui difetti rimasti al di fuori di essa. Se soltanto quei pezzi alimentano le correzioni del sistema, l’organizzazione rischia di perpetuare un’osservazione selettiva senza misurarne le conseguenze. I due articoli citati non stabiliscono tuttavia né l’entità di questo rischio per una determinata IA, né una dimensione del campione adatta a un’officina neocastellana.
Una verifica pratica a Neuchâtel
In un’officina di microtecnica, orologeria o microelettronica di precisione a Neuchâtel, mantenere i controlli obbligatori e aggiungere, per un periodo definito in anticipo, un esame casuale di pezzi non segnalati dall’IA, secondo un protocollo approvato dalla funzione qualità. Registrare la popolazione interessata, la regola di estrazione, il numero di pezzi esaminati e le non conformità confermate secondo i criteri abituali. La misura da seguire è la proporzione di non conformità nel campione, con la relativa incertezza: nessun difetto osservato non significa rischio nullo. Nel programma SHR « Manager à l'ère de l'intelligence artificielle », questo protocollo costituisce un esercizio manageriale concreto: organizzare l’osservazione prima di trarre conclusioni sulle prestazioni. Per approfondire: scoprite la formazione Gestire nell'era dell'intelligenza artificiale a Neuchâtel nel cantone di Neuchâtel, oppure sfogliate i nostri percorsi di formazione per quadri e collaboratori in Svizzera.
In Bildern: Gestire nell'era dell'intelligenza artificiale in Neuchâtel
- gestire nell'era dell'intelligenza artificiale
- Neuchâtel
- ricerca
- Weiterbildung neuchâtel