วิธีที่ภาคการผลิตของไทยเริ่มต้นใช้ AI สำหรับการบำรุงรักษาเชิงพยากรณ์และการควบคุมคุณภาพ

ในสายการผลิตของไทย ปัญหาสายการผลิตหยุดชะงักจากความเสียหายของอุปกรณ์โดยไม่คาดคิด และการตรวจสอบด้วยสายตาที่พึ่งพาทักษะเฉพาะบุคคล ยังคงกดดันผลกำไรอย่างต่อเนื่อง การบำรุงรักษาเชิงพยากรณ์ (Predictive Maintenance) และการตรวจสอบด้วยภาพ (Image Inspection) โดยใช้ AI ได้เข้าสู่ขั้นตอนการใช้งานจริงในฐานะแนวทางแก้ไขปัญหาทั้งสองนี้พร้อมกัน บทความนี้จะอธิบายขั้นตอนที่สามารถดำเนินการได้จริงในโรงงานของไทย ตั้งแต่การสร้างโครงสร้างพื้นฐานสำหรับเก็บรวบรวมข้อมูล Sensor, การทำ PoC สำหรับโมเดลตรวจจับความผิดปกติ ไปจนถึงการนำ AI Image Inspection มาใช้อย่างเป็นขั้นตอน โดยเน้นการกำหนดค่าที่สามารถเริ่มต้นแบบ Small Start ได้แม้ในสถานที่ที่มีผู้เชี่ยวชาญด้าน IT น้อย

ไทยเป็นหนึ่งในฐานการผลิตชั้นนำของเอเชียตะวันออกเฉียงใต้ แต่กำลังเผชิญกับแรงกดดันสามด้านพร้อมกัน ได้แก่ การสูงวัยของช่างเทคนิคผู้มีทักษะ ต้นทุนแรงงานที่เพิ่มสูงขึ้น และการแข่งขันระดับโลกที่ทวีความรุนแรง บทความนี้จะวิเคราะห์บริบทที่ทำให้การนำ AI มาใช้เปลี่ยนสถานะจาก "มีก็ดี" ไปสู่ "ไม่มีไม่ได้" โดยพิจารณาทั้งในมิติของความท้าทายและนโยบายที่เกี่ยวข้อง

ความเสื่อมสภาพของอุปกรณ์และการเสียหายแบบกะทันหัน คือปัญหาที่รุนแรงที่สุดในโรงงานของไทย สายการผลิตที่ดำเนินงานมากกว่า 10 ปี มักพึ่งพาประสบการณ์ของเจ้าหน้าที่ฝ่ายซ่อมบำรุงในการคาดการณ์ความเสื่อมสภาพของชิ้นส่วน ส่งผลให้ downtime ที่ไม่ได้วางแผนไว้ฉุดรั้งประสิทธิภาพการผลิต

อีกหนึ่งความท้าทายคือการตรวจสอบคุณภาพที่ขึ้นอยู่กับตัวบุคคล การตรวจสอบด้วยสายตาขึ้นอยู่กับทักษะความชำนาญของผู้ตรวจสอบ แต่ในภาคการผลิตของไทยที่ประสบปัญหาขาดแคลนแรงงานอย่างเรื้อรัง ปรากฏการณ์ที่อัตราการรั่วไหลของสินค้าบกพร่องเพิ่มสูงขึ้นทันทีหลังการเปลี่ยนผู้ตรวจสอบนั้นไม่ใช่เรื่องแปลก

นอกจากนี้ ความแตกแยกของข้อมูล ก็เป็นปัญหาที่ไม่อาจมองข้ามได้ โรงงานจำนวนมากจัดเก็บ log ของเซนเซอร์วัดการสั่นสะเทือน บันทึกคุณภาพ และประวัติการซ่อมบำรุงไว้ในระบบที่แตกต่างกัน แม้จะต้องการวิเคราะห์ความสัมพันธ์ระหว่างสภาพอุปกรณ์กับคุณภาพ แต่การที่ต้องรวบรวมข้อมูลด้วยตนเอง ทำให้ในความเป็นจริงแล้วส่วนใหญ่ไม่ได้ดำเนินการ

ความท้าทายเหล่านี้ล้วนเกิดจากโครงสร้างที่พึ่งพา "ประสบการณ์และการทำงานด้วยมือของมนุษย์" AI คือเครื่องมือที่ใช้งานได้จริงสำหรับการเปลี่ยนแปลงโครงสร้างการพึ่งพานี้

รัฐบาลไทยกำลังผลักดันการเปลี่ยนผ่านสู่ดิจิทัลในภาคการผลิตในฐานะยุทธศาสตร์แห่งชาติ ภายใต้นโยบาย Thailand 4.0 โดยมี เขตพัฒนาพิเศษภาคตะวันออก (EEC: Eastern Economic Corridor) เป็นแกนกลางสำคัญ

แผนงาน EEC ปี 2022–2026 ตั้งเป้าดึงดูดการลงทุนมูลค่าราว 2.2 ล้านล้านบาท สำหรับอุตสาหกรรมเป้าหมาย ได้แก่ ดิจิทัล อิเล็กทรอนิกส์ ยานยนต์ และ BCG (เศรษฐกิจชีวภาพ หมุนเวียน และสีเขียว) นับตั้งแต่ก่อตั้ง EEC ในช่วง 5 ปีแรก สามารถดึงดูดการลงทุนโดยตรงจากต่างประเทศได้ราว 1.92 ล้านล้านบาท ซึ่งแสดงให้เห็นว่าแผนงานดำเนินไปอย่างมั่นคง

ภายใต้กรอบนโยบายนี้ บริษัทที่นำเทคโนโลยี AI และ IoT มาใช้จะได้รับสิทธิประโยชน์ทางภาษีและการสนับสนุนด้านโครงสร้างพื้นฐาน มาตรการส่งเสริมการลงทุนสำหรับ Smart Factory ของ BOI (สำนักงานคณะกรรมการส่งเสริมการลงทุน) อาจครอบคลุมสิทธิประโยชน์ต่าง ๆ รวมถึงการยกเว้นภาษีเงินได้นิติบุคคล สำหรับโครงการที่ใช้ AI และ IoT เพื่อเพิ่มประสิทธิภาพการผลิต (สำหรับเงื่อนไขเฉพาะ โปรดตรวจสอบประกาศล่าสุดของ BOI)

กล่าวได้ว่า การนำระบบบำรุงรักษาเชิงพยากรณ์ (Predictive Maintenance) และการตรวจสอบด้วยภาพ AI มาใช้งาน ไม่เพียงแต่ช่วยเพิ่มประสิทธิภาพด้านต้นทุนเท่านั้น แต่ยังเป็นจังหวะที่สามารถใช้ประโยชน์จากแรงสนับสนุนเชิงนโยบายได้อีกด้วย สำหรับภาพรวมของการเริ่มต้นนำ AI มาใช้ในธุรกิจในประเทศไทย สามารถอ่านเพิ่มเติมได้ที่ "วิธีที่บริษัทไทยนำ AI มาใช้ในการดำเนินงาน"

การบำรุงรักษาเชิงพยากรณ์ (Predictive Maintenance) คือแนวทางที่ AI ตรวจจับสัญญาณความเสื่อมสภาพหรือความผิดปกติของอุปกรณ์จากข้อมูลเซนเซอร์ แล้วดำเนินการบำรุงรักษาในช่วงเวลาที่เหมาะสมที่สุด เมื่อเปรียบเทียบกับการบำรุงรักษาเชิงแก้ไข (Corrective Maintenance) ที่ "ซ่อมหลังเกิดความเสียหาย" หรือการบำรุงรักษาตามกำหนดเวลา (Time-Based Maintenance) ที่ "เปลี่ยนชิ้นส่วนตามรอบระยะเวลา" แนวทางนี้สามารถลด Downtime และเพิ่มประสิทธิภาพต้นทุนการบำรุงรักษาได้พร้อมกัน ต่อไปนี้จะอธิบายขั้นตอนการนำไปใช้งานใน 3 ขั้นตอน

ความแม่นยำของโมเดล AI นั้นขึ้นอยู่กับคุณภาพและปริมาณของข้อมูลโดยตรง ขั้นตอนแรกคือการสร้างรากฐานสำหรับการเก็บรวบรวมข้อมูลจากอุปกรณ์เป้าหมายอย่างมีเสถียรภาพ

เกณฑ์การคัดเลือกอุปกรณ์เป้าหมาย

ไม่จำเป็นต้องติดตั้งเซ็นเซอร์กับทุกสายการผลิต ให้กำหนดลำดับความสำคัญตามเกณฑ์ต่อไปนี้

• อุปกรณ์ที่มีความถี่ในการเสียสูง — ระบุอุปกรณ์ที่หยุดทำงานบ่อยที่สุดโดยอ้างอิงจากบันทึก Downtime ในช่วง 1 ปีที่ผ่านมา
• อุปกรณ์ที่เมื่อเสียแล้วส่งผลกระทบรุนแรง — อุปกรณ์ที่อยู่ในกระบวนการต้นน้ำหรือจุด Bottleneck ของสายการผลิต หากหยุดทำงานเพียงครั้งเดียวก็จะส่งผลกระทบต่อภาพรวมทั้งหมด
• อุปกรณ์ที่มีเซ็นเซอร์ติดตั้งอยู่แล้ว — สามารถหลีกเลี่ยงต้นทุนการติดตั้งเซ็นเซอร์ใหม่ และช่วยลดการลงทุนเริ่มต้นสำหรับ PoC ได้

ประเภทข้อมูลที่ควรเก็บรวบรวม

ประเด็นปฏิบัติในการเก็บรวบรวมข้อมูล

วิธีที่ประหยัดและเป็นจริงที่สุดในการลดการลงทุนเพิ่มเติม คือการดึงข้อมูลจาก PLC (Programmable Logic Controller) ที่มีอยู่เดิมผ่าน OPC-UA หรือ Modbus สำหรับอุปกรณ์รุ่นเก่าที่ PLC ไม่มีฟังก์ชันส่งออกข้อมูล สามารถเสริมด้วย IoT Gateway แบบติดตั้งภายหลังได้

สำหรับที่จัดเก็บข้อมูล แนะนำให้ใช้โครงสร้างที่สะสมข้อมูลไว้ที่ Edge Server ก่อน แล้วจึงถ่ายโอนแบบ Batch ไปยัง Cloud เนื่องจากโรงงานในประเทศไทยหลายแห่งมีแบนด์วิดท์เครือข่ายที่จำกัด การผนวกการบีบอัดข้อมูลและการประมวลผลล่วงหน้าที่ฝั่ง Edge จึงช่วยให้การดำเนินงานเป็นไปอย่างราบรื่น

เมื่อโครงสร้างพื้นฐานการเก็บข้อมูลมีความเสถียรแล้ว ก็เข้าสู่ขั้นตอนการสร้างโมเดลตรวจจับความผิดปกติ สิ่งสำคัญในที่นี้คือ อย่ามุ่งหวังความสมบูรณ์แบบตั้งแต่เริ่มต้น

แนวทางการเลือกโมเดล

AI โมเดลสำหรับการบำรุงรักษาเชิงพยากรณ์มีแนวทางหลักอยู่ 2 แบบ

ในช่วงเริ่มต้นของ PoC แนะนำให้เริ่มจากวิธีการเชิงสถิติก่อน แม้เพียงค่าเฉลี่ยเคลื่อนที่และส่วนเบี่ยงเบนมาตรฐานของข้อมูลการสั่นสะเทือน ก็สามารถตรวจพบสัญญาณเตือนล่วงหน้าของความเสียหายในตลับลูกปืนได้ในหลายกรณี ไม่จำเป็นต้องรีบร้อนคิดว่า "ต้องใช้โมเดลที่ซับซ้อนกว่านี้" — การสร้าง Baseline ด้วยวิธีเชิงสถิติก่อน แล้วค่อยเปลี่ยนไปใช้ Machine Learning-based อย่างเป็นขั้นตอนเมื่อความแม่นยำยังไม่เพียงพอ ถือเป็นแนวทางที่รอบคอบและมั่นคง

การออกแบบ PoC

สำหรับรายละเอียดขั้นตอนการดำเนิน PoC สามารถอ่านเพิ่มเติมได้ที่ "PoC คืออะไร? ตั้งแต่พื้นฐานของการพิสูจน์แนวคิดจนถึงค่าใช้จ่ายและขั้นตอนการดำเนินงาน"

เมื่อยืนยันความถูกต้องได้จาก PoC แล้ว ก็เข้าสู่ขั้นตอนการนำไปใช้งานในไลน์การผลิตจริง จุดสำคัญในขั้นตอนนี้คือ อย่าขยายไปทุกไลน์พร้อมกันในคราวเดียว

แนวทางการขยายผลแบบเป็นขั้นตอน

1. Pilot Line (1–2 ไลน์) — นำโมเดลเดียวกับที่ใช้ใน PoC มาปรับใช้กับอุปกรณ์จริงในการผลิต แล้วติดตามอัตรา False Positive และอัตราการตรวจไม่พบ (Miss Rate) ในการใช้งานจริงเป็นเวลา 2–4 สัปดาห์
2. การขยายในแนวราบ (อุปกรณ์ประเภทเดียวกัน) — เมื่อการปรับ Threshold ใน Pilot เสร็จสมบูรณ์แล้ว ให้ขยายไปยังอุปกรณ์ที่มีรุ่นเดียวกันทีละขั้น หากเป็นอุปกรณ์รุ่นเดียวกัน ส่วนใหญ่สามารถนำโมเดลไปใช้ได้โดยไม่ต้อง Re-train ใหม่
3. การขยายไปยังอุปกรณ์ต่างประเภท — หากเป็นอุปกรณ์ต่างประเภทกัน จำเป็นต้องวนรอบการเก็บข้อมูลและสร้างโมเดลใหม่อีกครั้ง

KPI สำหรับการวัดผลลัพธ์

หากไม่สามารถแสดงผลลัพธ์ของการนำไปใช้งานในเชิงปริมาณได้ การได้รับการอนุมัติจากผู้บริหารเพื่อขยายผลในวงกว้างจะเป็นเรื่องยาก ควรกำหนด KPI ดังต่อไปนี้

การบำรุงรักษาเชิงพยากรณ์ (Predictive Maintenance) ไม่ใช่เรื่องที่ "นำไปใช้แล้วจบ" เนื่องจากการกระจายตัวของข้อมูล Sensor จะเกิด Drift หลังจากเริ่มใช้งานจริง จึงจำเป็นต้องออกแบบการดำเนินงานให้มีรอบการ Re-train โมเดลทุกไตรมาส

การตรวจสอบคุณภาพเป็นอีกหนึ่งจุดเจ็บปวดของสายการผลิต การตรวจสอบด้วยภาพ AI ช่วยขจัดความแปรปรวนที่เกิดจากการพึ่งพาบุคคลในการตรวจสอบด้วยสายตา พร้อมทั้งยกระดับทั้งความเร็วและความแม่นยำในการตรวจสอบไปพร้อมกัน รายงานของ Google Cloud ระบุว่ามีกรณีที่การนำ Visual Inspection AI มาใช้งานช่วยเพิ่มความแม่นยำได้สูงสุดถึง 10 เท่า เมื่อเทียบกับแนวทาง Machine Learning อเนกประสงค์แบบเดิม บทความนี้จะอธิบายขั้นตอนการเปลี่ยนผ่านจากการตรวจสอบด้วยสายตาไปสู่การตรวจสอบด้วย AI รวมถึงกลไกในการรักษาระดับความแม่นยำอย่างต่อเนื่อง

เมื่อต้องการแทนที่การตรวจสอบด้วยสายตาด้วยการตรวจสอบภาพด้วย AI สิ่งแรกที่ควรทำคือการจำแนกประเภทและจัดลำดับความสำคัญของสิ่งที่ต้องตรวจสอบ

Step 1: การสำรวจรายการตรวจสอบ

จัดทำรายการสิ่งที่ตรวจสอบในการตรวจสอบด้วยสายตาในปัจจุบัน ไม่ว่าจะเป็น "รอยขีดข่วน" "สิ่งสกปรก" "ความคลาดเคลื่อนของขนาด" "สีไม่สม่ำเสมอ" "ชิ้นส่วนขาดหาย" "สิ่งแปลกปลอมปนเปื้อน" เป็นต้น โดยจัดระเบียบข้อมูลต่อไปนี้สำหรับแต่ละรายการตรวจสอบ

• ความถี่ในการเกิดของเสีย (จำนวนต่อเดือน)
• ระดับผลกระทบหากพลาดการตรวจพบ (การร้องเรียนจากลูกค้า, การเรียกคืนสินค้า, ต้นทุนการแก้ไข)
• อัตราการตรวจพบในปัจจุบัน (ผู้ตรวจสอบสามารถตรวจจับได้มากน้อยเพียงใดด้วยสายตา)

หลักการสำคัญคือให้เริ่มต้นจากรายการที่มีผลกระทบสูงและมีความแปรปรวนในอัตราการตรวจพบ

Step 2: การเลือกและติดตั้งกล้องและแสงสว่าง

ความแม่นยำของการตรวจสอบภาพด้วย AI ไม่ได้ขึ้นอยู่กับประสิทธิภาพของโมเดลเพียงอย่างเดียว แต่ยังขึ้นอยู่กับสภาพแวดล้อมในการถ่ายภาพเป็นอย่างมาก ความผิดพลาดที่พบบ่อยในสถานที่จริงคือการละเลยเงื่อนไขแสงสว่างและติดตั้งเพียงแค่กล้อง ทำให้ AI ไม่สามารถตัดสินได้เนื่องจากเงาและแสงสะท้อน ในความเป็นจริง ไม่ใช่เรื่องแปลกที่จะพบโรงงานที่ระบบกล้องที่ติดตั้งไปแล้วถูกทิ้งไว้โดยไม่ใช้งาน เพราะ "มุมของแสงไม่ดีจนใช้งานไม่ได้" — การออกแบบสภาพแวดล้อมในการถ่ายภาพไม่ควรถูกเลื่อนออกไป

Step 3: การเก็บข้อมูลสำหรับการเรียนรู้และการสร้างโมเดล

เก็บรวบรวมคู่ภาพของสินค้าดีและสินค้าเสีย ข้อควรระวังในขั้นตอนนี้คือภาพของสินค้าเสียมีจำนวนน้อยมาก หากอัตราของเสียอยู่ที่ 0.1% สำหรับสินค้า 10,000 ชิ้นที่ดี จะมีสินค้าเสียเพียงประมาณ 10 ชิ้นเท่านั้น

แนวทางหลักในการรับมือกับความไม่สมดุลนี้มีอยู่ 3 วิธี

• โมเดลตรวจจับความผิดปกติ (Anomaly Detection) — เรียนรู้จากสินค้าดีเท่านั้น และตัดสินว่า "สิ่งที่แตกต่างจากสินค้าดี" คือของเสีย สามารถนำไปใช้ได้แม้มีภาพสินค้าเสียน้อย
• การเพิ่มข้อมูล (Data Augmentation) — เพิ่มจำนวนภาพสินค้าเสียด้วยการหมุน พลิก และเพิ่ม Noise
• การเก็บข้อมูลแบบค่อยเป็นค่อยไป — สะสมภาพสินค้าเสียระหว่างการใช้งานจริง และทำการ Re-train โมเดลเป็นระยะ

Step 4: การดำเนินงานแบบคู่ขนาน (มนุษย์ + AI)

การเปลี่ยนไปใช้การตัดสินด้วย AI ทั้งหมดในทันทีมีความเสี่ยงสูง ในช่วงแรกควรให้ AI ทำงานควบคู่ไปกับการตรวจสอบด้วยสายตาของมนุษย์ และกำหนดช่วงเวลาสำหรับการเปรียบเทียบผลการตัดสิน ในช่วงการดำเนินงานแบบคู่ขนานนี้ (โดยทั่วไป 2–4 สัปดาห์) จะสามารถระบุรูปแบบการตัดสินผิดพลาดของ AI และปรับค่า Threshold รวมถึงโมเดลได้

สำหรับการออกแบบการทำงานร่วมกันระหว่างมนุษย์และ AI โปรดดูที่ "Human-in-the-Loop (HITL) คืออะไร?" ด้วย

การตรวจสอบภาพด้วย AI มีแนวโน้มที่จะมีความแม่นยำสูงสุดทันทีหลังการติดตั้ง และความแม่นยำจะลดลงตามกาลเวลา สาเหตุมาจากการเปลี่ยนแปลงทั้งในสภาพแวดล้อมการถ่ายภาพและตัวผลิตภัณฑ์เอง ไม่ว่าจะเป็นการเปลี่ยนแปลงข้อกำหนดของผลิตภัณฑ์ การเปลี่ยน lot ของวัตถุดิบ การเสื่อมสภาพของแสงไฟตามอายุการใช้งาน หรือเลนส์กล้องที่สกปรก

เพื่อรักษาระดับความแม่นยำ ควรผนวก feedback loop ดังต่อไปนี้เข้าไปในระบบ

1. การติดตามผลการตรวจสอบ

ทำการเปรียบเทียบผลการตัดสินของ AI (OK/NG) กับข้อมูลคุณภาพจากกระบวนการถัดไปหรือหลังการจัดส่งเป็นประจำ โดยมีตัวชี้วัดสำคัญ 2 ประการที่ต้องให้ความสนใจเป็นพิเศษ ได้แก่

• อัตราการตรวจจับเกิน (False Positive Rate) — สัดส่วนที่ตัดสินผลิตภัณฑ์ดีว่าเป็น NG โดยผิดพลาด หากสูงเกินไปจะทำให้ต้นทุนการตรวจสอบซ้ำเพิ่มขึ้น
• อัตราการตรวจพลาด (False Negative Rate) — สัดส่วนที่ตัดสินผลิตภัณฑ์บกพร่องว่าเป็น OK โดยผิดพลาด ส่งผลโดยตรงต่อการร้องเรียนของลูกค้าและอุบัติเหตุด้านคุณภาพ

ตัวชี้วัดใดจะมีความสำคัญมากกว่านั้นขึ้นอยู่กับผลิตภัณฑ์ สำหรับชิ้นส่วนที่เกี่ยวกับความปลอดภัย ให้ให้ความสำคัญสูงสุดกับการลดอัตราการตรวจพลาด ส่วนผลิตภัณฑ์ทั่วไปให้พิจารณาสมดุลระหว่างอัตราการตรวจพลาดกับอัตราการตรวจจับเกิน

2. การ re-training อย่างสม่ำเสมอ

เพื่อนำรูปแบบข้อบกพร่องใหม่และการเปลี่ยนแปลงของภาพอันเนื่องมาจากการเปลี่ยนแปลงของสภาพแวดล้อมเข้าสู่ model ควรกำหนดรอบการ re-training เป็นรายเดือนหรือรายไตรมาส พร้อมทั้งจัดการ version ของ model ในทุกครั้งที่มีการ re-training และเตรียมระบบให้สามารถ rollback ได้หากความแม่นยำลดลง

3. การบำรุงรักษาแสงไฟและกล้อง

แม้จะเป็นเรื่องที่มักถูกมองข้ามได้ง่าย แต่การลดลงของความเข้มแสงและเลนส์กล้องที่สกปรกจะค่อยๆ ทำให้คุณภาพของภาพเสื่อมลงอย่างเงียบๆ ควรบรรจุการทำความสะอาดและการ calibration อุปกรณ์ตรวจสอบเป็นรายเดือนไว้ในขั้นตอนการบำรุงรักษา

อุปสรรคในการนำ AI มาใช้งานไม่ได้มีเพียงแค่ด้านเทคนิคเท่านั้น ในสายการผลิตของไทย ปัญหาด้านบุคลากรและปัญหาด้านอุปกรณ์มักพันกันอย่างซับซ้อน ในที่นี้จะกล่าวถึง 2 รูปแบบที่ทำให้โครงการนำ AI มาใช้งานมักล้มเหลว พร้อมแนวทางรับมือ

ในโรงงานของไทย มักพบกรณีที่พนักงานในสายการผลิตมีความกังวลว่า "งานของตัวเองจะถูกแทนที่หรือไม่" เมื่อมีการนำ AI เข้ามาใช้งาน ความต้านทานทางอารมณ์เช่นนี้มีแนวโน้มที่จะทำให้โครงการหยุดชะงักได้ง่ายกว่าปัญหาทางเทคนิคเสียอีก

ในโรงงานแห่งหนึ่งของบริษัทญี่ปุ่น ทันทีที่ประกาศนำระบบ Predictive Maintenance มาใช้งาน เจ้าหน้าที่ฝ่ายซ่อมบำรุงที่มีประสบการณ์สูงก็แสดงการต่อต้านว่า "ไม่มีทางที่เครื่องจักรจะเหนือกว่าประสบการณ์ของตัวเอง" และปฏิเสธที่จะให้ความร่วมมือในการติดตั้ง Sensor — แม้จะไม่ใช่เรื่องที่เกิดขึ้นเฉพาะในไทย แต่หากละเลยอุปสรรคทางจิตวิทยาของคนในสายการผลิต โครงการก็จะล่าช้าอย่างแน่นอน

มาตรการที่ได้ผล

• อธิบายว่าเป็น "ตัวช่วย" ไม่ใช่ "ตัวแทน" — วางตำแหน่ง AI ว่าไม่ได้มาปฏิเสธประสบการณ์ของผู้เชี่ยวชาญ แต่เป็น "สายตาอีกคู่" ที่คอยเฝ้าระวังตลอด 24 ชั่วโมง 365 วัน ในความเป็นจริง Workflow มาตรฐานคือให้มนุษย์เป็นผู้ตัดสินใจขั้นสุดท้ายต่อ Alert ที่ AI แจ้งเตือน
• ดึงพนักงานในสายการผลิตเข้ามามีส่วนร่วมในโครงการ — นำความรู้จากหน้างานมาสะท้อนในการกำหนดตำแหน่งติดตั้ง Sensor และการตั้งค่า Threshold ของ Alert เพื่อสร้างความรู้สึกว่านี่คือ "เครื่องมือของพวกเรา"
• แสดงให้เห็นความสำเร็จเล็กๆ ในระยะแรก — นำผลลัพธ์ที่สามารถตรวจจับความผิดปกติก่อนเกิดเหตุได้จริงใน PoC มาแบ่งปันในการประชุมหน้างาน ตัวอย่างที่จับต้องได้อย่าง "ตรวจพบความเสียหายนี้ล่วงหน้าได้" มีพลังในการโน้มน้าวมากกว่าคำอธิบายเชิงนามธรรมอย่างมาก
• จัดเตรียมเอกสารฝึกอบรมเป็นภาษาไทย — หากมีเพียงเอกสารภาษาญี่ปุ่นหรือภาษาอังกฤษ การเผยแพร่สู่หน้างานจะล่าช้า ควรดึง Engineer ชาวไทยเข้ามามีส่วนร่วมในการจัดทำคู่มือการใช้งานและ FAQ เป็นภาษาไทย

โรงงานในภาคการผลิตของไทยหลายแห่งยังคงใช้งานเครื่องจักรรุ่นเก่าที่มีอายุการใช้งานมากกว่า 20 ปี เครื่องจักรเหล่านี้มักไม่มีพอร์ตเอาต์พุตดิจิทัล ทำให้การเก็บรวบรวมข้อมูลซึ่งเป็นข้อกำหนดเบื้องต้นสำหรับการนำ AI มาใช้งานกลายเป็นอุปสรรคแรกที่ต้องเผชิญ

การรับมือด้วยเซนเซอร์ติดตั้งภายหลัง

สำหรับการทำให้เครื่องจักรรุ่นเก่าเป็นดิจิทัล เซนเซอร์แบบ non-invasive ที่ไม่ต้องดัดแปลงตัวเครื่องจักรถือเป็นทางเลือกที่มีประสิทธิภาพ

เนื่องจากไม่จำเป็นต้องดัดแปลงเครื่องจักร จึงช่วยลดแรงต้านจากฝ่ายซ่อมบำรุงของโรงงานได้ง่ายขึ้น

การจัดเตรียมโครงสร้างพื้นฐานด้านการสื่อสาร

สภาพแวดล้อมเครือข่ายภายในโรงงานก็มักเป็นปัญหาเช่นกัน โดยเฉพาะในนิคมอุตสาหกรรมของไทย ที่มักพบปัญหา Wi-Fi ภายในอาคารโรงงานไม่เสถียร สำหรับการเก็บรวบรวมข้อมูลจากเซนเซอร์ มาตรฐานการสื่อสารสำหรับ Industrial IoT อย่าง LoRaWAN และ LTE-M อาจมีความน่าเชื่อถือสูงกว่า Wi-Fi ในบางกรณี เนื่องจากความเสถียรของการสื่อสารส่งผลโดยตรงต่อคุณภาพข้อมูล จึงควรรวมการตรวจสอบรูปแบบการสื่อสารไว้ในขั้นตอน PoC ด้วย

แนวทางการผสานรวมแบบค่อยเป็นค่อยไป

การผสานรวมกับระบบบริหารการผลิต (MES) หรือ ERP ที่มีอยู่เดิมนั้น ไม่จำเป็นต้องดำเนินการในระยะแรก ควรเริ่มต้นด้วยการแสดงผลข้อมูลจากเซนเซอร์บน dashboard แบบอิสระก่อน แล้วจึงพิจารณาการเชื่อมต่อกับ MES หลังจากยืนยันผลลัพธ์ได้แล้ว หากมุ่งสู่การผสานรวมแบบเต็มรูปแบบตั้งแต่เริ่มต้น อาจใช้เวลากว่าครึ่งปีเพียงแค่ในขั้นตอนการกำหนดความต้องการ และมีความเสี่ยงที่โครงการโดยรวมจะหยุดชะงัก

Q1: การนำ AI Predictive Maintenance มาใช้มีค่าใช้จ่ายเท่าไร?

ในช่วง PoC สามารถเริ่มต้นได้ด้วยงบประมาณตั้งแต่หลักแสนถึงประมาณ 2 ล้านเยน โดยใช้ Sensor แบบติดตั้งเพิ่มภายหลัง, Edge Server และบริการ Cloud การขยายไปยังสายการผลิตทั้งหมดจะมีค่าใช้จ่ายที่ Scale ตามจำนวนอุปกรณ์ แต่สิ่งสำคัญคือต้องคำนวณ ROI โดยเปรียบเทียบกับผลประหยัดจากการลด Unplanned Downtime หากอุปกรณ์ที่มีอยู่มี PLC อยู่แล้ว ก็สามารถลดการเพิ่ม Sensor ให้เหลือน้อยที่สุด ซึ่งจะช่วยลดเงินลงทุนเริ่มต้นได้อีก

Q2: ภายในองค์กรไม่มีผู้เชี่ยวชาญด้าน AI สามารถนำมาใช้ได้หรือไม่?

ทำได้ หากใช้การตรวจจับความผิดปกติแบบ Statistical-based (เช่น Moving Average หรือ Z-score) ก็สามารถ Implement ได้โดยไม่จำเป็นต้องมีความเชี่ยวชาญด้าน Machine Learning มีทักษะ Python ขั้นพื้นฐานก็เพียงพอแล้ว เมื่อถึงขั้นที่ต้องการ Model ที่ซับซ้อนมากขึ้น ยังมีทางเลือกในการร่วมมือกับ AI Consulting Partner ภายนอกได้ สำหรับการสนับสนุนการนำ AI มาใช้ในประเทศไทย สามารถอ่านเพิ่มเติมได้ที่ "AI Consulting คู่มือการนำไปใช้ในไทย-กรุงเทพฯ"

Q3: มีผลกระทบจากกฎระเบียบคุ้มครองข้อมูลส่วนบุคคลอย่าง PDPA หรือไม่?

ข้อมูลที่ใช้ใน Predictive Maintenance ส่วนใหญ่เป็น Sensor Data ของอุปกรณ์ (เช่น การสั่นสะเทือน อุณหภูมิ กระแสไฟฟ้า ฯลฯ) ซึ่งในกรณีส่วนใหญ่ไม่ถือเป็นข้อมูลส่วนบุคคล อย่างไรก็ตาม หากการตรวจสอบด้วย AI Camera มีการบันทึกภาพมือของผู้ปฏิบัติงาน หรือมีการวิเคราะห์เส้นทางการเคลื่อนที่ของพนักงานผ่านกล้อง อาจเข้าข่ายการบังคับใช้ PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย) สำหรับการตรวจสอบ Compliance ก่อนการนำไปใช้งาน สามารถอ้างอิงได้จาก "Checklist สำหรับการรับมือ PDPA ของไทยและการใช้ AI ควบคู่กัน"

สรุปประเด็นสำคัญสำหรับภาคการผลิตในไทยที่ต้องการนำ AI มาใช้ในการบำรุงรักษาเชิงพยากรณ์และการควบคุมคุณภาพ

การบำรุงรักษาเชิงพยากรณ์สามารถนำไปใช้ได้แม้ในสถานที่ที่มีบุคลากรด้าน IT จำกัด โดยดำเนินการตามขั้นตอน ได้แก่ การสร้างโครงสร้างพื้นฐานสำหรับเก็บรวบรวมข้อมูลเซนเซอร์ → การพัฒนาโมเดลตรวจจับความผิดปกติด้วยสถิติสำหรับ PoC → การทดสอบในสายการผลิตนำร่อง → การขยายผลในวงกว้าง การตรวจสอบคุณภาพด้วยภาพ AI ก็เช่นเดียวกัน กุญแจสู่ความสำเร็จคือการเริ่มต้นด้วยการสำรวจรายการตรวจสอบและออกแบบกล้องและระบบแสงสว่างอย่างเหมาะสม จากนั้นดำเนินการควบคู่กับมนุษย์ก่อน แล้วค่อยๆ เพิ่มระดับการทำงานอัตโนมัติ

สิ่งสำคัญคือไม่ควรพยายามสร้างระบบที่สมบูรณ์แบบตั้งแต่ต้น ให้เริ่มต้นเล็กๆ จากเครื่องจักรเพียงหนึ่งเครื่องหรือรายการตรวจสอบเพียงหนึ่งรายการ พิสูจน์ผลลัพธ์ก่อน แล้วจึงขยายขอบเขต การใช้ประโยชน์จากนโยบาย EEC และมาตรการส่งเสริมการลงทุนของ BOI ยังช่วยลดอุปสรรคด้านต้นทุนการนำไปใช้งานได้อีกด้วย

ขอแนะนำให้เริ่มต้นด้วยการสำรวจบันทึก Downtime และกระบวนการตรวจสอบคุณภาพในโรงงานของคุณ จากนั้นเลือกเครื่องจักรหรือกระบวนการที่คาดว่าจะได้รับประโยชน์สูงสุดเพียงหนึ่งรายการ บริษัทของเรารับให้คำปรึกษาด้านการนำ AI ไปใช้สำหรับภาคการผลิตในไทย ตั้งแต่การออกแบบ PoC ไปจนถึงการสนับสนุนแบบ Hands-on สามารถดูรายละเอียดเพิ่มเติมได้ที่ "คู่มือการนำ AI Consulting ไปใช้ในไทย บางกอก"