Esikäsittelyosaston tuotantoprosessin parantaminen
Bibliographic record
Abstract
Toimintaympäristön jatkuva muutos vaatii organisaatioilta kykyä sopeutua ja kehittää toimintojaan kilpailukyvyn säilyttämiseksi. Tuotantoprosessin optimointi on tärkeää resurssien tehokkaan hyödyntämisen, laadun ja toimitusvarmuuden takaamiseksi sekä työntekijöiden hyvinvoinnin kannalta. Tässä opinnäytetyössä tarkasteltiin esikäsittelyosaston tuotantoprosessia ja keinoja sen parantamiseen CRS Laboratories Oy:n Kempeleen toimipisteessä. Opinnäytetyön tavoitteena oli kartoittaa tuotannon nykytila ja tunnistaa tekijät, jotka hidastavat tai haittaavat tuotannon sujuvuutta. Esikäsittelyosastolla työskentelevillä työntekijöillä on paras näkemys tuotannon nykytilasta. Tutkimus toteutettiin yhteistyössä heidän kanssaan, sillä heiltä saatu palaute koettiin ensiarvoisen tärkeäksi. Tutkimus toteutettiin keräämällä tietoa työpisteillä sijaitsevien havainnointilomakkeiden avulla niin, että lomakkeisiin tehtiin kirjauksia jokaisessa työvuorossa. Lomakkeiden havainnot koottiin ja näiden pohjalta suunniteltiin ryhmähaastattelut. Haastattelujen tarkoituksena oli saada aikaan dynaamista keskustelua ja laajempaa näkemystä tuotantoprosessin kokonaistilanteesta. Lomakkeiden ja haastattelujen perusteella eniten puutteita havaittiin tiedonkulkuun ja tehtävänjakoon liittyen. Työohjeiden sekä perehdyttämisen parantamiseen liittyen esiin nousi tärkeitä havaintoja. Siisteyden ja järjestyksen puute korostui molemmissa tiedonkeruun menetelmissä. Lisäksi kehittämistä toivottiin työsuojelun osalta niin ergonomiassa kuin pölynhallinnassa. Tiedonkeruun tulokset on koottu liitteeseen 2, joka on salattu. Opinnäytetyön tulokset osoittivat, että esikäsittelyosaston tuotantoprosessia voidaan parantaa. Toimenpiteistä osa on helposti toteutettavissa, esimerkiksi työvälineitä hankkimalla. Osa toimenpiteistä puolestaan vaativat perusteellisempaa analyysiä nykyisten toimintamallien osalta. Tuotantotilan layoutin tai toiminnanohjauksen laajemman tarkastelun avulla voidaan saavuttaa merkittäviä parannuksia. Lean-ajatteluun perustuen hukkaa poistamalla voidaan vähentää arvoa tuottamatonta työtä ja tehostaa tuotantoa
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".