Quality 品質

1/ 💉 安瓿上有藥名、濃度、批號、瓶身形狀。抽進針筒後，只剩下一張你自己貼的紙。這一步叫資訊消滅。此後所有核對，核對的都是那張紙。 2/ 🔍 HFMEA 決策樹只問三題：① 單一弱點——後面還有人接得住嗎？ ② 現有管控有效嗎？ ③ 偵測性夠嗎？ 本案三題全是最壞答案。 3/ ⏱️ 靜脈給錯鉀，你有心律監測、急救、透析——有窗口。椎管內給錯鉀，沒有拮抗劑、沒有沖洗、病人麻醉中不會說話。 偵測窗口 = 0。 4/ 🧀 瑞士乳酪不是片數越多越安全。如果那些洞是同一個上游原因造成的，它們會排成一直線。 一次錯四個人＝共模失效的證據，不是四次獨立手滑。 5/ 📊 RPN 試算：鉀離子 10×1×10 …

📉 一份資料，兩個相反的結論。98,451 個新生兒，男嬰比例 0.5036。p = 0.024，顯著，拒絕虛無假設。同一組數字用貝氏方法算：虛無假設的後驗機率 95%。🔍 這就是 Jeffreys–Lindley 悖論。p 值只問「離 H₀ 幾個標準誤」，卻從不問「在 H₁ 之下，這個結果有多罕見」。當 n 大到讓標準誤縮成一條縫，這個沒被問的問題會反過來吞掉你的結論。⚠️ 而在健保資料庫、UK Biobank 這種百萬級樣本裡，真正的問題還更早一步：主導誤差來源早就從隨機誤差變成系統性偏誤了。這時候爭論 0.05 還是 0.005，是搞錯戰場。我把三個故事、一條公式，和五個反方論點寫成一篇 …

1979 年，Sony 兩座工廠用同一份規格書造同一款電視。 美國廠：不良率 0% 日本廠：不良率 0.3% 輸的是 0% 的那一邊。 而且可以算出來輸多少——它每出一台，替公司背的隱性成本是對手的 3 倍。任何一張品管報表都看不到這件事。為什麼？🧵 In 1979, two Sony plants built the same TV from the same spec sheet. San Diego: 0% out of spec. Japan: 0.3% out of spec. The 0% plant lost — and you can compute by how much. …

做完實驗算出的「最佳組合」，通常一次都沒被做出來過。它是預測值，不是實測值——所以田口方法規定你必須再跑一次確認實驗。這一步是推論與事實的分界線，卻是中文教材裡最常被跳過的一段。寫了一篇直交表入門，用一個起司蛋糕從頭走到尾。The “optimal setting” you compute from a designed experiment has usually not been run. It’s a prediction, not a measurement. Taguchi’s method says: go run it. That …

🔄 多數人用 AI 的方式是最慢的：問 → 等 → 改 → 再問。你是引擎，AI 只是工具。高手寫的是「循環指令」：目標給一次，AI 自己跑完整個 PDCA，直到達標 ✅ 但最難的一格是 C——因為 AI 永遠是自己最寬容的閱卷者 📝 品管 70 年踩過的坑，AI 循環正在重踩一遍： 🚪 Gate 檢核點｜🧠 State 記憶｜🛑 Stop 停止條件｜📐 SDCA 標準化 用 PDCA 重新理解 AI 循環指令 AI 工作流 × 品質管理 Rethinking AI Loop Engineering Through PDCA — Writing Loops Is Management Thin …