课程总览
内容重点
- 引入：AI驱动的工业4.0革命-智能制造的时代机遇
- 从工业1.0到4.0，智能制造演进之路
- 大数据、算力与算法的突破与AI在生产中的应用
AI应用赋能解决复杂品质问题实战-从AI认知到质量工具融合，再到AI模型落地
认知准备篇—人工智能AI能力边界与品质问题分类、工具方法篇—AI+经典质量工具的融合应用和实战落地篇—复杂品质问题的AI深度分析及工作体…连成一组训练主线，减少课堂内容与岗位动作之间的断点
授课讲师：
李希 · 智能制造与精益数字化转型专家
补充工具基础、岗位场景和输出要求后，可把管理技能训练整理成更贴近现场的方案
适合对象
企业质量/生产/工艺管理人员、对AI应用感兴趣的管理者与技术人员等
课程定位与主要问题
AI办公试点、数字化流程优化或团队效率提升项目中，参训团队可以先看清问题所在，再设计可执行动作
核心收益
- 理解人工智能（AI）的核心能力、类型及在工业领域的典型应用场景
- 提示与校验更稳定：AI工具在品质问题分析中的定位与三种核心能力（信息整合、逻辑辅助、内容生成）
- 学会向AI提问的技巧，提升分析深度与答案质量
查看更多收益 收起更多收益
- 能够用AI辅助完成5Why、鱼骨图、8D、FMEA等质量工具落地
- 场景边界更清楚：信息不完整、多因素耦合等复杂场景下的AI深度分析策略
- 学习搭建企业内部AI问答知识库及提示词模板库
课程背景与交付信息
团队把AI能力接入日常工作时，最先卡住的是场景边界和结果复核。训练会串起认知准备篇—人工智能AI能力边界与品质问题分类、工具方法篇—AI+经典质量工具的融合应用和实战落地篇—复杂品质问题的AI深度分析及工作体…，先把可落地路径说清楚。
课程时间
2天
授课方式
理论讲解50%、 案例分析与实操演练50%
课程内容重点
01认知准备篇—人工智能AI能力边界与品质问题分类
02工具方法篇—AI+经典质量工具的融合应用
03实战落地篇—复杂品质问题的AI深度分析及工作体系建设
04仅知道某批次不良率异常上升时AI如何辅助
05温度、材料批次、人员变动同时发生时的AI分析
06进阶延展篇-企业定制化AI大模型基础流程、数据构建、实施路径搭建
课程大纲
认知准备篇—人工智能AI能力边界与品质问题分类
一、认知革命-什么是人工智能（AI）
- AI的通俗理解：让机器能听、看、理解、思考、行动的技术
- AI的核心能力
- 学习（Learning）
- 推理（Reasoning）
- 决策（Decision Making）
- 自然语言处理（NLP）
- 3. AI 的主要类型
- 4. AI在工业领域的典型应用场景
- 视觉识别：产品质检、安全行为识别
- 预测分析：设备故障预测、质量根因分析
二、AI能力边界与品质问题分类
- 1. AI工具在品质管理中的定位与价值
- AI在品质领域的三种能力
- 信息整合能力：快速检索标准、案例、历史数据
- 逻辑辅助能力：结构化拆解复杂问题
- 内容生成能力：撰写报告、对策、检查表
- 主流AI工具介绍（DeepSeek、豆包等）
- 界面与基本使用方式
- 模型特点与适用场景
- 提问与对话的基本技巧
- 2. 适合AI介入的复杂品质问题类型
工具方法篇—AI+经典质量工具的融合应用
一、AI辅助5Why与根因分析
- 5. Why提问的常见困境
- （1）停留表面原因
- （2）逻辑跳跃
- （3）无法验证
- AI如何辅助逐层深入
- （1）引导式提问模板
- （2）多路径根因假设生成
- （3）反向验证建议
- 演练：AI完成一个复杂不良品的5Why分析
二、AI辅助鱼骨图（因果图）构建
- 鱼骨图的人、机、料、法、环、测维度
- AI辅助生成可能性原因清单
- 对原因进行优先级排序与交叉验证
- 演练：AI生成某工序良率波动的鱼骨图
三、AI辅助8D报告撰写
- D2问题描述：AI帮助标准化描述
- D4根因分析：多假设对比
- D5/D6对策制定：AI检索类似案例与有效措施
- D7预防再发：AI辅助生成控制计划要点
- 演练：AI辅助完成一份8D报告主体内容
四、AI辅助FMEA（失效模式与影响分析）
- 历史失效模式的AI检索与分类
- AI建议潜在失效模式与发生频率评估
- AI辅助生成改进建议与探测措施
- 课堂
- 每组分配一个质量案例（投诉/内部异常）
- 分别使用5Why、鱼骨图、8D三种方式，AI全程辅助
- 输出结构化的分析版本
实战落地篇—复杂品质问题的AI深度分析及工作体系建设
一、信息不完整场景下的AI提问策略
- 信息缺失时的补充提问技巧
- （1）要求AI提出需补充的关键信息
- （2）使用假设条件下的分析
- 利用AI反向提问挖掘隐性条件
- 案例分析：仅知道某批次不良率异常上升时AI如何辅助
二、多因素耦合问题的AI拆解
- 多因素问题的认知负荷挑战
- AI辅助构建因素-结果矩阵
- AI建议隔离与验证顺序
- 案例分析：温度、材料批次、人员变动同时发生时的AI分析
三、经验与数据结合的分析方式
- 企业内部经验的AI结构化录入
- AI辅助检索同类历史问题
- 用AI生成验证方案与数据采集建议
四、AI生成的结论的可信度判断
- AI答案的常见局限性
- 如何要求AI给出依据与逻辑链条
- 品质工程师的验证职责
五、搭建企业内部AI问答知识库
- 历史品质案例的AI可读化整理
- 常见品质问题的提示词模板库
- （1）5Why提示词模板
- （2）8D各步骤提示词模板
- （3）不良现象分析提示词模板
- 案例库的持续更新与维护机制
六、AI使用规范与边界
- 什么情况下不建议依赖AI
- 数据安全与保密注意事项
- AI辅助+人工决策的职责分工
七、团队AI能力建设
- 品质团队AI提问能力的培训计划
- 内部AI分析案例分享机制
- AI辅助品质问题的效率指标设计
- 课堂
- 评审维度：问题拆解质量、提问技巧与AI利用深度、结论合理性、可落地性
- 讲师点评与答疑
进阶延展篇-企业定制化AI大模型基础流程、数据构建、实施路径搭建
一、AI模型建立基础流程、数据构建
- 1. 制造业常见的AI模型类型简介
- 监督学习
- 分类模型：用于好坏品判断、故障类型分类
- 回归模型：用于设备剩余寿命预测、能耗预测
- 无监督学习（自学成才）：用于异常检测、客户/设备分群
- 2. 业务流程梳理、搭建
- 智能质量管控运营流程、规则梳理
- 3. 基础数据构建
- 智能质量管控基础数据搭建
二、从概念到实践—AI项目
- 第一步：识别业务痛点与场景选择
- 第二步：数据准备与治理
- 第三步：模型开发、验证与部署
- 第四步：组织与人才挑战
- AI+制造的复合型人才需求
- 如何与内外部团队协作
- 常见陷阱与成功要素
- 避免为了AI而AI，确保业务价值导向
- 小组任务：选择一个场景，设计AI解决方案并发表
- 课程总结、回顾：快速回顾AI在制造各环节的核心价值
讲师介绍
李希
智能制造与精益数字化转型专家
李希，资深高级咨询师，智能制造与精益数字化转型专家。拥有近20年实战经验，擅长智能工厂规划、精益运营及AI赋能质量管理。累计服务800+企业，开展1000多场培训，致力于通过数智化手段推动制造企业降本增效与转型升级
查看讲师主页课程差异说明
本课程页面围绕《AI应用赋能解决复杂品质问题实战-从，训练AI认知到质量工具融合，再到AI模型落地》重点呈现课程定位、适合对象、核心收益和 5 个主要模块，便于快速判断培训匹配度
