AQL — 'Kabul Edilebilir Kalite Seviyesi' — her gün kullanılan bir terim; ama içinde sessiz bir itiraf saklı: belli bir hatayı baştan kabul ediyoruz. Bu ders, örnekleme kontrolünün gizli pazarlığını, üretici/tüketici risklerini ve Yalın'ın 'kaliteyi denetleyerek üretemezsin' felsefesini açar.
HİKÂYE AKIŞI
Ağdan Geçen Parti
1
Ağ ve delikler
Parti parçaları ağdan geçiyor: ağ bazı kusurları yakalıyor (kırmızı), bazıları gözlerden kaçıyor. AQL = ağın göz büyüklüğü. 'Kabul' damgalı parti içinde hâlâ kabul edilmiş kusur barındırır.
2
İki risk, iki taraf
İyi parti tesadüfen reddediliyor (üretici riski, amber israf); kötü parti tesadüfen kabul ediliyor (tüketici riski, koyu kırmızı). Terazi ikisini dengeliyor — AQL bir garanti değil, risk dengesidir.
3
Musluk mu, paspas mı?
Yerdeki suyu sonsuza kadar paspaslamak (denetim) yerine musluğu kapatmak (iyileştirme). Kontrol hatayı yakalar ama hata zaten olmuştur; asıl çözüm hatayı kaynağında kesmektir.
GİZLİ İTİRAF
AQL = 1.5 Ne Anlama Gelir?
AQL 1.5 = "Hata oranı %1.5 ve altında olan lotları kabul etmek istiyoruz"
Ancak bu, her lotu kontrol etmeden belirli bir örneklem büyüklüğüyle karar vermenin risk dengesini tanımlar. 'Kabul' damgası asla 'sıfır hata' anlamına gelmez — kabul edilen bir parti içinde hâlâ kabul edilmiş bir miktar hata barındırır.
α Üretici Riski
İyi bir lotu yanlışlıkla reddetme olasılığı. "Temiz malı geri gönderdik". Üretici zarara uğrar.
β Tüketici Riski
Kötü bir lotu yanlışlıkla kabul etme olasılığı. "Hatalı mal içeri girdi". Müşteri zarara uğrar.
ÖRNEKLEME PLANLARI
Örnekleme Planı Türleri
1️⃣
Tek Örnekleme
Bir kez örnekle, karar ver. En basit. n örnekten Ac veya daha az hata → kabul. Hızlı ve pratik.
2️⃣
Çift Örnekleme
İlk örnek belirsiz sonuç verirse ikinci örnekle. Ortalama daha küçük örneklem. Karar zaman alır.
🔢
Çoklu Örnekleme
Aşamalı olarak örnekle, her adımda karar ver. En az örnekle en güçlü karar. Uygulama karmaşık.
İNTERAKTİF
AQL Tablosu Okuyucu
Lot büyüklüğü ve AQL seviyesini gir; ISO 2859 mantığıyla örnekleme planını (örneklem n, kabul Ac, red Re) gör. Dene: 250 lot + AQL 1.0.
Lot Büyüklüğü:
AQL Seviyesi:
Örneklem (n)
Kabul (Ac)
Red (Re)
Bu lot büyüklüğü veya AQL için tablo verisi yok. (51–1200 arası lot, AQL 0.4 / 1.0 / 2.5 dene)
KRİTİK BAĞ
AQL Güvenilir Veri Gerektirir
AQL tablosu istatistiksel olarak kurgulanmıştır — ancak temel varsayımı şudur: ölçüm sistemi güvenilirdir ve muayene kararları tutarlıdır. Eğer denetçi kappa değeri düşükse, AQL planı hesaplandığı riski sağlamaz.
⚠️ Denetçi kappa = 0.4 → AQL 1.5 uygulanırsa
Gerçek hata oranı AQL'in çok üzerinde olabilir; tüketici riski inanılmaz yükselir.
⚠️ Sınır örnekler belirsiz → muayene sonuçları tutarsız
Aynı lot farklı operatörle farklı kabul/ret kararı alabilir.
⚠️ MSA tamamlanmadan AQL tablosu uygulanırsa
Örnekleme planı matematiksel olarak doğru ama pratik olarak güvenilmez.
YALIN FELSEFENİN DORUĞU
Musluk mu, Paspas mı?
AQL ve örnekleme kontrolü hataları yakalamaya çalışır — ama hata zaten olmuştur. Kontrol, yerde akan suyu paspaslamaktır: musluk açık kaldıkça su akmaya devam eder. Süreç %2 hata üretiyorsa, dünyanın en iyi kontrolü bile bu hatayı önlemez; sadece bir kısmını yakalar. Üstelik yakaladığın her hata zaten harcanmış malzeme, zaman ve paradır.
Denetim, hatayı bulur; iyileştirme, hatayı yok eder. Green Belt 'kontrolü artıralım' demek yerine 'hatayı kaynağında neden üretiyoruz?' diye sorar — yani musluğu kapatır.
SAHADAN
Kabul Damgalı Ama Gevşeyen Vidalar
'Kabul' damgası içinde gizli kalan zayıf vidalar; çözüm kaynakta.
Bir mobilya üreticisi, bir vida tedarikçisinden gelen partileri AQL ile kontrol ediyor; partiler "kabul" alıyor, herkes rahat. Ama montaj hattında ara ara gevşeyen vidalar yüzünden ürünler iade geliyor. Nasıl olur, partiler kabul edilmişti?
İşte AQL'in itirafı: "kabul", sıfır hata demek değildi; her partide kabul edilmiş bir miktar zayıf vida vardı ve örnekleme onların hepsini yakalayamıyordu.
Ekip iki şey yapıyor. Kısa vadede, kritik bir parça olduğu için örnekleme planını sıkılaştırıyor — ama bunun maliyeti artırdığını ve hâlâ garanti olmadığını biliyorlar. Asıl çözüm uzun vadede: tedarikçiyle birlikte vidaların üretim sürecindeki değişkenliği azaltmak — yani hatayı kaynağında kesmek. Kontrolü artırmak yarayı sardı; süreci düzeltmek yarayı iyileştirdi.
Örnek: AQL ile kontrol edilen vida partileri; 'kabul' damgasının içinde kalan zayıf vidalar → iade. Denetim değil, kaynakta iyileştirme çözdü.
SIK YAPILAN HATALAR
AQL Verisini Okurken Tuzaklar
"Kabul" damgasını 'sıfır hata' sanmak
Kabul edilen parti içinde hâlâ kabul edilmiş bir miktar kusur barındırır.
Kabul-ret kararını 'kesin gerçek' gibi okumak
Örneklem hatasına tabidir; 200 parçada 3 hata bir tahmindir, başka 200'de belki 1, belki 5 çıkardı.
Sorunu daima 'daha sıkı kontrol' ile çözmeye çalışmak
Kontrol filtredir, süreci düzeltmez; asıl çözüm hatayı kaynağında üretmemektir.
Kabul-ret'i süreç iyileştirme metriği yapmak
Kaba, derece taşımayan bir veridir; hata tipi/şiddeti/eğilimi (sürekli veri) çok daha zengindir.
MSA tamamlamadan AQL tablosu uygulamak
Ölçüm/muayene güvenilir değilse plan matematiksel doğru ama pratikte güvenilmezdir.
DMAIC İÇİNDE YERİ
AQL, MEASURE'ın Bir Aracı
Örnekleme kontrolü partiyi kabul/ret eder; ama gerçek gücü, verinin güvenilir olduğu ve iyileştirmeye yön verdiği yerdedir.
Measure
AQL/örnekleme planı ve kabul-ret verisi bir ölçüm kararıdır — ama önce ölçüm sistemi (MSA/kappa) güvenilir olmalı.
Analyze
Kabul-ret'i hata tipi/şiddeti/eğilimine çevir; 'kabul' partilerin içinde kalan kusuru ve örneklem belirsizliğini görünür kıl.
Yapay zekâ üretici ve tüketici riskini hesaplar, kabul-ret verisini daha zengin bir analize çevirir ve 'denetim mi, kaynak mı' karşılaştırmasını sunar. Ama hangi riskin senin için kabul edilebilir olduğunu — müşteriye/güvenliğe bağlı dengeyi — insan belirler.
AI Asistanı
Örnekleme/kabul planını ver; iki riski yorumlayayım, 'kabul' partilerin içinde kalan kusuru açıklayayım ve 'kontrol mü, kaynak mı' sorusuna yön vereyim. Risk dengesini sen kararlaştırırsın.
Bir Yalın Altı Sigma kalite mentoru gibi davran. Planım: Parti 10.000 vida, örneklem 200, AQL %1 (~4 kusura kadar kabul). Son 20 parti çoğu kabul edildi ama montajda gevşeyen vida iadeleri var. (1) Bu plan üretici ve tüketici riski açısından nasıl? (2) 'Kabul' damgalı partilerin içinde hâlâ ne kadar kusur olabilir, neden 'kabul' sıfır hata değildir? (3) Örneklem belirsizliği nedeniyle kabul-ret ne kadar güvenilir?
Devam et: (4) Bu kabul-ret verisini süreç iyileştirme için daha zengin bir metriğe (hata tipi/şiddeti/eğilimi) nasıl çeviririm? (5) En önemlisi: bu problemi 'daha sıkı kontrol' ile mi yoksa 'süreci hatayı üretmeyecek hale getirmek' ile mi çözmeliyim — her iki yolun maliyet/etkisini karşılaştır. (6) Hangi kararları işin kritikliğine göre benim vermem gerektiğini belirt.
AI riskleri açar — dengeyi ve felsefeyi bedelleri bilen sen belirlersin.
KENDİNİ SINA
Hızlı Kontrol
AQL (Acceptable Quality Level / Kabul Edilebilir Kalite Seviyesi), örneklemeli kontrolde bir partinin kabul edilebileceği hata düzeyidir — sıfır hata değil, katlanılabilir hata oranıdır.
Yanlış/yanlı örnek, iyi partiyi reddetme (üretici riski) veya kötü partiyi kabul etme (tüketici riski) riskine yol açar; AQL planı hesaplandığı riski sağlamaz.
Kaliteyi denetleyerek üretemezsin. Denetim hatayı bulur ama hata zaten olmuştur; asıl çözüm daha sıkı kontrol değil, hatayı kaynağında üretmeyen bir süreçtir.
ÖZET
▸
AQL = Acceptable Quality Level: lotu kabul için maksimum tolere edilen hata oranı — 'kabul' asla sıfır hata değildir.
▸
ISO 2859 / MIL-STD-1916 standartlarına dayalı örnekleme tabloları (lot + AQL → n, Ac, Re).
▸
α (üretici riski): iyi lotu reddetme; β (tüketici riski): kötü lotu kabul etme — AQL bir risk dengesidir.
▸
Tek / çift / çoklu örnekleme planları farklı hız-güven dengesi sunar.
▸
AQL tablosu sadece güvenilir ölçüm sistemi ve tutarlı muayeneyle çalışır; asıl kaldıraç kaynakta iyileştirmedir.
Kaliteyi denetleyerek üretemezsin — denetim hatayı bulur, iyileştirme onu yok eder.
Bir dahaki sefere 'parti kabul edildi' damgasını gördüğünde sor: içinde hâlâ ne kadar kusur olabilir, ve bu hatayı yakalamak yerine üretmemek için ne yapabilirim? Sıradaki ders — DERS-103: Yanlış veriyle doğru karar verememe riski (M5 finali).
