การตรวจสอบด้วย AI ในโรงงานไทย: ค่าใช้จ่าย BOI และวิธีเริ่ม

โรงงานในไทยเจอโจทย์เดียวกันแทบทุกแห่ง ค่าจ้างขยับขึ้นทุกปี พนักงานตรวจสอบที่ฝึกจนชำนาญย้ายไปโรงงานข้างเคียง และเกณฑ์ตัดสินว่าชิ้นงาน “ผ่าน” หรือ “ไม่ผ่าน” ยังอยู่ในหัวของคนไม่กี่คน การตรวจสอบด้วย AI จึงถูกหยิบขึ้นมาพิจารณา แต่บทความที่หาอ่านได้ส่วนใหญ่เขียนจากบริบทของโรงงานในญี่ปุ่น บทความนี้เรียบเรียงใหม่ให้ตรงกับหน้างานในไทย ตั้งแต่โครงสร้างค่าแรง สิทธิประโยชน์ BOI ไปจนถึงการแยกค่าใช้จ่ายและการออกแบบทีมดูแลระบบ

โครงสร้างต้นทุนการตรวจสอบในโรงงานไทย: ทำไม “ใช้คนตรวจถูกกว่า” ถึงเริ่มไม่จริง

ผู้บริหารจากสำนักงานใหญ่มักมีภาพว่า “ค่าแรงในไทยยังถูก ตรวจด้วยสายตาไปก่อนได้” ภาพนี้เคยจริง แต่ถ้าคุณยืนอยู่หน้าไลน์ผลิตในชลบุรี ระยอง อยุธยา หรือปทุมธานี คุณจะเห็นว่าสมมติฐานนี้กำลังพังลงพร้อมกันหลายด้าน และพังในแบบที่ต่างจากโรงงานในญี่ปุ่น

การจะเสนอโครงการระบบตรวจสอบคุณภาพด้วย AI ให้ผ่านการอนุมัติ สิ่งแรกที่ต้องทำจึงไม่ใช่การเปรียบเทียบสเปกกล้อง แต่คือการอธิบายโครงสร้างต้นทุนของหน้างานจริงให้คนที่ถือเงินเข้าใจ

ค่าจ้างขั้นต่ำของไทยเป็น “รายวัน” ไม่ใช่รายชั่วโมง และยังแยกตามจังหวัด

จุดนี้ต้องพูดให้ชัดที่สุดก่อน เพราะเป็นที่มาของการคำนวณผิดพลาดที่พบบ่อยที่สุดในเอกสารขออนุมัติงบ

ค่าจ้างขั้นต่ำตามกฎหมายของไทยกำหนดแยกตามจังหวัด โดย ณ เดือนกรกฎาคม ค.ศ. 2026 (พ.ศ. 2569) อยู่ในช่วง 337–400 บาท ต่อวัน และยังไม่ได้ปรับเป็นอัตราเดียวกันทั่วประเทศ ตัวเลขนี้เป็นอัตรา “ต่อวัน” ไม่ใช่ “ต่อชั่วโมง” หากใครนำไปคำนวณเป็นค่าแรงรายชั่วโมง ต้นทุนแรงงานที่ได้จะสูงเกินความจริงหลายเท่า และระยะเวลาคืนทุนของโครงการจะเพี้ยนไปคนละหลัก ในทางกลับกัน ถ้าอธิบายให้สำนักงานใหญ่ที่ญี่ปุ่นฟังโดยไม่ระบุหน่วยให้ชัด ก็มีโอกาสที่ฝั่งโน้นจะเข้าใจผิดเช่นกัน ระบุคำว่า “ต่อวัน (บาท/วัน)” ทุกครั้งที่เขียนตัวเลขนี้ลงในเอกสาร

ประเด็นที่สองคือ เมื่ออัตราขั้นต่ำแยกตามจังหวัด บริษัทที่มีโรงงานมากกว่าหนึ่งแห่งจะมีฐานต้นทุนไม่เท่ากันตั้งแต่ต้น การทำตารางคำนวณผลตอบแทนการลงทุนเพียงตารางเดียวแล้วใช้กับทุกโรงงาน จะทำให้ผลลัพธ์บิดเบือน ควรแยกสมมติฐานตามจังหวัดที่ตั้งของแต่ละนิคมอุตสาหกรรม

ประเด็นที่สามคือ ค่าจ้างจริงของพนักงานตรวจสอบไม่เท่ากับค่าจ้างขั้นต่ำ งานตรวจสอบชิ้นงานที่ต้องอาศัยความชำนาญมักต้องจ้างในอัตราที่สูงกว่าขั้นต่ำ และเมื่อคิดต้นทุนต่อหัวจริง ต้องบวกรายการต่อไปนี้เข้าไปด้วย

• ค่าล่วงเวลา (OT) ซึ่งในไลน์ตรวจสอบมักเกิดเป็นประจำเมื่อมีงานเร่ง
• เงินสมทบประกันสังคมและสวัสดิการตามกฎหมาย
• ค่ารถรับส่งพนักงาน ค่าอาหาร ค่าหอพักหรือค่าเช่าที่พัก
• เบี้ยขยัน โบนัส และค่าใช้จ่ายในการสรรหาทดแทนคนที่ลาออก

เมื่อรวมทั้งหมดแล้ว ต้นทุนต่อหัวจริงจะสูงกว่าตัวเลขค่าจ้างพื้นฐานพอสมควร นี่คือตัวเลขที่ต้องใช้ในการคำนวณผลตอบแทน ไม่ใช่ค่าจ้างขั้นต่ำเปล่าๆ

สำหรับการวางแผนระยะยาว มีข้อมูลเปรียบเทียบจากประเทศเพื่อนบ้านที่น่าสนใจ รายงานของ Intralink ระบุว่าค่าจ้างในภาคการผลิตของเวียดนามเพิ่มขึ้นต่อเนื่องปีละ 7–10% (เป็นตัวเลขของประเทศเวียดนาม ไม่ใช่ของประเทศไทย บทความนี้ไม่ได้อ้างอิงอัตราการเพิ่มขึ้นของค่าจ้างในประเทศไทย) หลักคิดที่นำมาใช้ได้คือ รายจ่ายที่โตปีละ 7% จะเพิ่มขึ้นราวสองเท่าใน 10 ปี ดังนั้นการคำนวณคืนทุนโดยตรึงค่าแรงไว้ที่ระดับปัจจุบันตลอด 5 ปี เป็นการประเมินที่ระมัดระวังจนเกินไป และมักทำให้โครงการดูไม่คุ้มทั้งที่จริงคุ้ม สำหรับอัตราการเพิ่มขึ้นที่ควรใส่ในตารางคำนวณของโรงงานคุณเอง แนะนำให้ประมาณจากประวัติการปรับค่าจ้างย้อนหลัง 3–5 ปีของบริษัทเอง ซึ่งแม่นยำกว่าค่าเฉลี่ยจากภายนอก

คุณภาพการตรวจผูกกับตลาดแรงงาน ไม่ได้ผูกกับระบบ

ทุกครั้งที่มีโรงงานใหม่เปิดในนิคมเดียวกัน พนักงานตรวจสอบคือกลุ่มที่เคลื่อนย้ายเร็ว งานตรวจด้วยสายตาเป็นงานนั่งประจำที่และซ้ำเดิม เมื่อมีที่ทำงานใกล้บ้านที่ให้เงื่อนไขดีกว่า คนกลุ่มนี้จะย้ายก่อน

ผลที่ตามมาไม่ใช่แค่ตำแหน่งว่าง แต่คือช่วงเวลาที่การตัดสินไม่นิ่ง เพราะพนักงานใหม่ต้องใช้เวลาฝึกกว่าจะตัดสินได้ตรงกับคนเดิม พูดอีกแบบคือ คุณภาพของการตรวจสอบผูกอยู่กับสภาพตลาดแรงงานในพื้นที่ ซึ่งเป็นความเสี่ยงที่ฝ่ายประกันคุณภาพควบคุมไม่ได้เลย

ทักษะการตัดสินผูกอยู่กับตัวบุคคล

ในหลายโรงงาน การตัดสินชิ้นงานที่ก้ำกึ่งจริงๆ ตกอยู่กับคนเพียงไม่กี่คน อาจเป็นหัวหน้าฝ่ายประกันคุณภาพชาวญี่ปุ่นที่ประจำอยู่ หรือหัวหน้าไลน์คนไทยที่ทำงานมานาน เมื่อคนเหล่านั้นย้ายกลับประเทศหรือลาออก มาตรฐานจะเปลี่ยนทันที และลูกค้าจะรู้สึกได้ว่า “คุณภาพเปลี่ยนไป”

สภาพแบบนี้เป็นสัญญาณว่ายังมีการบ้านเรื่องการทำมาตรฐานให้เป็นเอกสารค้างอยู่ ก่อนจะไปถึงเรื่องระบบอัตโนมัติเสียอีก และนี่คือหัวข้อที่เราจะกลับมาลงรายละเอียดอีกครั้ง

แยก “ต้นทุนที่แท้จริง” ของการตรวจด้วยสายตาออกมาให้ครบ

ถ้าคำนวณผลประหยัดจากค่าจ้างพนักงานตรวจสอบเพียงอย่างเดียว โครงการส่วนใหญ่จะไม่ผ่านเกณฑ์คืนทุน แต่ถ้าตีมูลค่ารายการต่อไปนี้ให้ครบ ภาพจะเปลี่ยนไปมาก

• ค่าแรงทางตรง: จำนวนพนักงานตรวจ x ชั่วโมงทำงาน x ต้นทุนต่อชั่วโมง (รวมสวัสดิการแล้ว) โดยต้นทุนต่อชั่วโมงในที่นี้ให้คำนวณจากต้นทุนต่อหัวรายวัน หารด้วยจำนวนชั่วโมงทำงานปกติต่อวัน ไม่ใช่การนำตัวเลขค่าจ้างขั้นต่ำรายวันไปใช้เป็นอัตรารายชั่วโมงโดยตรง
• ค่าฝึกอบรม: เวลาที่ใช้กว่าพนักงานใหม่จะทำงานได้เอง เวลาที่ใช้ประชุมปรับเกณฑ์ให้ตรงกัน และค่าใช้จ่ายนี้จะเกิดซ้ำทุกปีตามอัตราการลาออก
• ค่าคัดแยกซ้ำและตรวจ 100% ฉุกเฉิน: เมื่อมีล็อตที่น่าสงสัย ต้องระดมคนคัดใหม่ ทำงานวันหยุด ยืมคนจากแผนกอื่น
• ค่าตอบสนองข้อร้องเรียนจากลูกค้า: การสอบสวนสาเหตุ การทำรายงาน 8D การประชุมมาตรการแก้ไข การเดินทางไปชี้แจง ส่วนลดหรือค่าชดเชย
• ค่าหยุดส่งของและค่าขนส่งทางเลือก: การเปลี่ยนจากเรือเป็นเครื่องบินเพื่อรักษากำหนดส่ง
• ของดีที่ถูกทิ้งเพราะตรวจเข้มเกินไป: การสูญเสียอัตราของดีจากพนักงานที่ตัดสินเข้มกว่ามาตรฐาน

รายการที่มีน้ำหนักเป็นพิเศษสำหรับโรงงานในไทยคือค่าขนส่งทางเลือก เพราะสินค้าจำนวนมากส่งออกไปญี่ปุ่น จีน ยุโรป หรืออเมริกา เมื่อเกิดปัญหาคุณภาพจนต้องคัดแยกใหม่และส่งไม่ทันเรือ ทางออกคือเปลี่ยนไปใช้เครื่องบิน ค่าใช้จ่ายจากการเปลี่ยนโหมดขนส่งเพียงครั้งเดียวอาจเทียบเท่าค่าจ้างพนักงานตรวจสอบหลายคนตลอดทั้งปี การนำรายการนี้เข้ามาอยู่ในฝั่งผลประหยัดจึงเปลี่ยนหน้าตาของเอกสารขออนุมัติได้อย่างมีนัยสำคัญ

เริ่มจากตัวเลข “ความเสียหายต่อของเสียที่หลุดออกไป 1 ครั้ง”

ลำดับการคิดที่แนะนำคือ เริ่มจากความเสียหาย ไม่ใช่เริ่มจากค่าใช้จ่ายของระบบ สูตรตั้งต้นง่ายมาก

ความเสียหายคาดการณ์ต่อปีจากของเสียที่หลุดออกไป = อัตราการหลุด x จำนวนที่ส่งมอบต่อปี x ต้นทุนเฉลี่ยในการจัดการต่อ 1 เคส

ตัวแปรสุดท้ายคำนวณได้จากข้อมูลของบริษัทเอง โดยดูย้อนหลัง 2–3 ปีว่าแต่ละเคสใช้เวลาสอบสวนกี่ชั่วโมง มีค่าคัดแยกเท่าไร ค่าขนส่งด่วนเท่าไร ให้ส่วนลดไปเท่าไร เมื่อได้ตัวเลขนี้แล้ว การถกเถียงว่า “ควรลดอัตราการหลุดลงเหลือเท่าไร” จะเปลี่ยนจากการถกด้วยความรู้สึกเป็นการถกด้วยจำนวนเงิน และนี่คือจุดตั้งต้นที่ถูกต้องของการกำหนดความต้องการของระบบตรวจสอบด้วย AI

สำหรับภาพรวมของการทำระบบอัตโนมัติทั้งโรงงาน และการจัดลำดับความสำคัญว่าควรเริ่มจากกระบวนการใด สามารถอ่านเพิ่มเติมได้ที่ แนวทางการทำระบบอัตโนมัติในโรงงานที่ประเทศไทย เพราะในบางกรณี การทำเฉพาะจุดตรวจสอบให้เป็นอัตโนมัติ แต่ปล่อยให้การลำเลียงก่อนและหลังยังใช้คน จะทำให้ผลลัพธ์ตันอยู่แค่ครึ่งทาง

สิทธิประโยชน์ BOI สำหรับระบบอัตโนมัติ และจังหวะเวลาที่ต้องยื่นขอ

สำหรับการลงทุนเครื่องจักรในประเทศไทย การใช้สิทธิประโยชน์จากสำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) ได้หรือไม่ มีผลต่อการตัดสินใจโดยตรง แต่หัวข้อนี้มีความเข้าใจคลาดเคลื่อนมากที่สุด จึงต้องเรียบเรียงอย่างระมัดระวัง

ภาพรวมการขอส่งเสริมการลงทุนครึ่งแรกของปี ค.ศ. 2026 (พ.ศ. 2569)

มีรายงานว่าคำขอรับการส่งเสริมการลงทุนในไทยช่วงครึ่งแรกของปี ค.ศ. 2026 (พ.ศ. 2569) มีมูลค่า 43,600 ล้านดอลลาร์สหรัฐ จำนวน 1,299 โครงการ เพิ่มขึ้น 37% จากช่วงเดียวกันของปีก่อน (Thailand Business News / Asia News Network, เดือนกรกฎาคม ค.ศ. 2026 / พ.ศ. 2569)

เมื่อแยกดูเฉพาะส่วนที่เกี่ยวข้องกับหัวข้อของบทความนี้

• มาตรการ “Smart and Sustainable Industry” มี 132 โครงการ มูลค่า 507.6 ล้านดอลลาร์สหรัฐ
• กลุ่มเครื่องจักร ระบบอัตโนมัติ และหุ่นยนต์ มี 82 โครงการ มูลค่า 387.4 ล้านดอลลาร์สหรัฐ
• กลุ่มเครื่องใช้ไฟฟ้าและอิเล็กทรอนิกส์ มี 179 โครงการ มูลค่า 3,560 ล้านดอลลาร์สหรัฐ
• โครงการที่ได้รับอนุมัติทั้งหมดคาดว่าจะสร้างการจ้างงานมากกว่า 82,000 ตำแหน่ง

ต้องอ่านตัวเลขเหล่านี้อย่างมีสติ ชื่อมาตรการที่มีคำว่า smart มักถูกตีความว่าเป็นเรื่องของโรงงานอัจฉริยะขนาดใหญ่เท่านั้น แต่สิ่งที่ต้องดูจริงคือเงื่อนไขที่ระบุไว้ในประกาศ ไม่ใช่ภาพลักษณ์ของคำ และต้องตรวจสอบเป็นรายกรณีกับข้อมูลฉบับล่าสุดเสมอ นอกจากนี้ ภาพรวมที่โตขึ้น 37% ถูกดันด้วยการลงทุนขนาดใหญ่ในศูนย์ข้อมูลสำหรับ AI เป็นหลัก ส่วนกลุ่มเครื่องจักรและระบบอัตโนมัติ ซึ่งเป็นกลุ่มที่การลงทุนระบบตรวจสอบด้วยภาพอัตโนมัติจะเข้าไปอยู่ มีมูลค่าเป็นสัดส่วนเล็กเมื่อเทียบกับภาพรวม อย่างไรก็ตาม ตัวเลขนี้ใช้อธิบายบริบทได้ว่าการสนับสนุนเชิงนโยบายต่อการลงทุนด้านระบบอัตโนมัติยังดำเนินอยู่ต่อเนื่อง

“Smart and Sustainable Industry” ยกเว้นภาษี 50% เป็นพื้นฐาน ไม่ใช่ 100%

นี่คือจุดที่เข้าใจผิดกันมากที่สุดและต้องเขียนให้ตรง

มาตรการนี้ให้สิทธิยกเว้นภาษีเงินได้นิติบุคคลเป็นสัดส่วน 50% ของเงินลงทุนเป็นพื้นฐาน จะขยับขึ้นเป็น 100% ได้เฉพาะกรณีที่นำระบบอัตโนมัติหรือหุ่นยนต์เข้ามาใช้ในสายการผลิต และมีการจัดซื้อจากอุตสาหกรรมระบบอัตโนมัติภายในประเทศไทยไม่น้อยกว่า 30% ของมูลค่าเครื่องจักรที่ปรับปรุงใหม่ ดังนั้นคำอธิบายที่ว่า “ถ้าใช้ BOI แล้วการลงทุนระบบอัตโนมัติจะได้ยกเว้นภาษี 100%” เป็นคำอธิบายที่ผิด อย่านำไปเขียนในเอกสารภายในบริษัท เพราะเมื่อถึงเวลาจริงจะกลายเป็นปัญหาความน่าเชื่อถือของทั้งโครงการ

เงื่อนไข “จัดซื้อในประเทศไม่น้อยกว่า 30%” มีผลต่อวิธีออกแบบเครื่อง

เงื่อนไขข้อนี้มีความหมายในทางปฏิบัติมากกว่าที่คิด เพราะองค์ประกอบของระบบตรวจสอบด้วยภาพนั้นแยกออกได้ชัดเจน

• ส่วนที่มักต้องนำเข้า: กล้อง เลนส์ ไฟส่องสว่างเฉพาะทาง ซอฟต์แวร์ AI และไลเซนส์
• ส่วนที่มีโอกาสจัดซื้อในประเทศไทย: ระบบลำเลียง จิ๊กจับยึด โครงสร้างฐานเครื่อง ตู้ควบคุมไฟฟ้า งานเชื่อมประกอบ งานออกแบบกลไก งานติดตั้งหน้างาน

ประเทศไทยมีผู้ผลิตเครื่องจักรและผู้รับเหมาระบบอัตโนมัติในประเทศจำนวนไม่น้อย การออกแบบเครื่องโดยคำนึงถึงสัดส่วนการจัดซื้อในประเทศตั้งแต่ต้น จึงไม่ใช่แค่เรื่องต้นทุน แต่เกี่ยวข้องโดยตรงกับการเข้าเงื่อนไขสิทธิประโยชน์ ถ้าปล่อยให้ผู้รับเหมาออกแบบมาเป็นแพ็กเกจนำเข้าทั้งชุดโดยไม่ได้คุยเรื่องนี้ก่อน โอกาสที่จะปรับภายหลังจะแคบลงมาก

อนึ่ง หลักเกณฑ์และเงื่อนไขของ BOI มีการปรับปรุงเป็นระยะ ทั้งประเภทกิจการที่ยื่นได้ นิยามของเครื่องจักรที่เข้าข่าย เอกสารประกอบ และวิธีพิสูจน์สัดส่วนการจัดซื้อในประเทศ จึงควรตรวจสอบข้อมูลล่าสุดจากประกาศอย่างเป็นทางการ และปรึกษาที่ปรึกษาด้านภาษีหรือที่ปรึกษากฎหมายที่มีประสบการณ์ด้านการยื่นขอ BOI โดยตรง เนื้อหาในบทความนี้อธิบายโครงสร้างทั่วไปของมาตรการเท่านั้น ไม่ได้รับรองผลการพิจารณาของโครงการใดโครงการหนึ่ง

ต้องยื่นก่อนสั่งซื้อ ไม่ใช่หลังจากติดตั้งเสร็จ

โดยหลักทั่วไป การขอรับสิทธิประโยชน์ต้องยื่นก่อนการสั่งซื้อและนำเข้าเครื่องจักร รูปแบบความผิดพลาดที่พบบ่อยคือ ทดสอบระบบ (PoC) แล้วผลออกมาดี จึงรีบสั่งซื้อเครื่องจริงตามโมเมนตัมของโครงการ แล้วค่อยมานึกถึงเรื่อง BOI ทีหลัง ซึ่งตอนนั้นมักจะไม่ทันแล้ว

วิธีป้องกันในทางปฏิบัติคือ ตรวจสอบความเป็นไปได้และระยะเวลาที่ต้องใช้ในการยื่นตั้งแต่เฟสแรกของโครงการ ก่อนเริ่ม PoC ด้วยซ้ำ ข้อดีมีสองอย่าง หนึ่งคือไม่ทำให้ตารางการลงทุนทั้งหมดต้องเลื่อนออกไปเพื่อรอเอกสาร สองคือเมื่อรู้เงื่อนไขล่วงหน้า จะสามารถออกแบบสัดส่วนการจัดซื้อในประเทศเข้าไปในโครงสร้างของเครื่องได้ตั้งแต่ขั้นตอนออกแบบ ไม่ใช่มาแก้ทีหลังตอนที่แบบนิ่งแล้ว

ความจริงหน้างานในโรงงานไทย: เกณฑ์ตัดสิน ภาษา และคนที่จะดูแลระบบ

หัวข้อนี้คือส่วนที่บทความภาษาญี่ปุ่นและบทความจากผู้ขายทั่วไปแทบไม่พูดถึง แต่เป็นจุดที่โครงการในไทยติดขัดมากที่สุด

ตัวอย่างชิ้นงานมาตรฐานอยู่ที่ญี่ปุ่น ไม่ได้อยู่หน้าไลน์

ผู้ผลิตสัญชาติญี่ปุ่นส่วนใหญ่มีตัวอย่างชิ้นงานที่ตกลงกับลูกค้าไว้ว่าเป็นเส้นแบ่งระหว่างผ่านกับไม่ผ่าน (limit sample) แต่ในโรงงานที่ประเทศไทย สภาพที่พบบ่อยคือ

• ตัวอย่างตัวจริงอยู่ที่สำนักงานใหญ่ในญี่ปุ่น ที่ไทยมีแต่รูปถ่าย
• มีตัวอย่างที่ไทย แต่เป็นชิ้นที่ทำเลียนแบบขึ้นมาใหม่ ซึ่งต่างจากตัวจริงเล็กน้อย
• มีตัวอย่างตัวจริง แต่ผ่านการใช้งานมานานจนสีเปลี่ยน ผิวเปลี่ยน ใช้เทียบไม่ได้แล้ว

การนำการตรวจสอบด้วย AI เข้ามา คือการนิยามตัวอย่างชิ้นงานมาตรฐานเหล่านี้ใหม่ด้วยภาพและตัวเลข ในทางกลับกัน ถ้าทำระบบอัตโนมัติทั้งที่เส้นแบ่งยังคลุมเครือ ผลที่ได้จะแย่กว่าเดิม เพราะจะไม่มีใครอธิบายได้ว่าคำตัดสินของ AI ตรงกับเกณฑ์ที่ลูกค้าต้องการหรือไม่

สี่ขั้นตอนแปลงเกณฑ์ตัดสินด้วยความรู้สึกให้เป็นเกณฑ์ที่เขียนได้

1. ทำให้สภาพปัจจุบันมองเห็นได้ นำชิ้นงานชุดเดียวกัน 20–30 ชิ้น ให้พนักงานตรวจสอบหลายคนตัดสินแยกกันโดยไม่ปรึกษากัน แล้วแยกออกเป็นกลุ่มที่ทุกคนเห็นตรงกันกับกลุ่มที่เห็นไม่ตรงกัน ถ้าสัดส่วนที่เห็นไม่ตรงกันสูง แปลว่าจริงๆ แล้วยังไม่มีเกณฑ์อยู่เลย
2. อธิบายเป็นคำพูดว่าทำไมถึงเห็นไม่ตรงกัน เพราะความยาวของรอย ความลึกของรอย หรือตำแหน่งที่เกิด (อยู่บนผิวที่มองเห็นหรือผิวที่ถูกประกอบปิด) ขั้นตอนนี้คือจุดที่จะพบแกนที่นำไปทำเป็นตัวเลขได้
3. แปลงเป็นตัวเลขและเขียนเป็นคู่มือเกณฑ์ ระบุความยาวกี่มิลลิเมตรขึ้นไป พื้นที่กี่ตารางมิลลิเมตรขึ้นไป นิยามของผิวที่มองเห็นอ้างอิงกับแบบชิ้นงานหน้าไหน และกฎการรวมคะแนนเมื่อมีตำหนิหลายจุดในชิ้นเดียว ต้องมีรูปถ่ายประกอบเสมอ คู่มือที่มีแต่ข้อความจะไม่ถูกใช้จริง
4. ตกลงกับลูกค้า ถ้าข้ามขั้นตอนนี้แล้วเดินหน้าทำระบบอัตโนมัติ ภายหลังจะเจอคำว่า “เกณฑ์นี้ไม่ตรงกับที่เราตกลงกันไว้” อย่างแน่นอน โดยเฉพาะกรณีที่การใช้ AI ทำให้การตัดสินเข้มขึ้นกว่าเดิม ซึ่งกระทบอัตราของดีโดยตรง จึงต้องได้รับความเห็นชอบภายในองค์กรด้วย

ควรบอกไว้ตรงนี้ว่า งานทำคู่มือเกณฑ์นี้มีคุณค่าในตัวเอง แม้สุดท้ายโครงการ AI จะถูกเลื่อนออกไปเพราะงบประมาณ เพราะมันย่นระยะเวลาฝึกพนักงานใหม่ และลดความผันผวนของคุณภาพเวลามีคนลาออก การเริ่มจากตรงนี้จึงไม่ใช่การถ่วงเวลา แต่เป็นลำดับที่สมเหตุสมผล

คู่มือเกณฑ์สองภาษา: ปัญหาไม่ได้อยู่ที่คุณภาพการแปล แต่อยู่ที่โครงสร้าง

ในโรงงานที่มีผู้บริหารชาวญี่ปุ่นและพนักงานชาวไทยทำงานร่วมกัน คู่มือเกณฑ์ควรมีอย่างน้อยภาษาไทยและภาษาญี่ปุ่น และเพิ่มภาษาอังกฤษหากต้องส่งให้ลูกค้าต่างชาติ แต่สิ่งที่ชี้ขาดว่าคู่มือจะถูกใช้จริงหรือไม่ ไม่ใช่ความสละสลวยของคำแปล หากเป็นโครงสร้างของเอกสาร

• ใช้รูปเป็นหลัก ข้อความเป็นรอง วางตัวอย่างที่ผ่านกับไม่ผ่านคู่กัน และต้องมีตัวอย่างที่อยู่ตรงเส้นแบ่งด้วยเสมอ
• แยกหน้าตามแกนการตัดสิน หน้าหนึ่งสำหรับรอยขีดข่วน หน้าหนึ่งสำหรับคราบสกปรก หน้าหนึ่งสำหรับการแตกบิ่น หน้าหนึ่งสำหรับงานพิมพ์
• แสดงตัวเลขด้วยภาพ ใช้รูปถ่ายที่มีไม้บรรทัดหรือสเกลอยู่ในเฟรม
• ตัดข้อความครอบจักรวาลออกให้หมด ประโยคทำนอง “หรือกรณีอื่นใดที่มีลักษณะภายนอกบกพร่องอย่างเห็นได้ชัด” ไม่ใช่เกณฑ์ แต่คือการโยนการตัดสินใจกลับไปให้พนักงาน ซึ่งเป็นต้นตอของความไม่สม่ำเสมอตั้งแต่แรก

จุดที่ควรระวังเป็นพิเศษในบริบทไทย–ญี่ปุ่น คือคำที่แปลตรงตัวได้แต่ความหมายในหน้างานไม่ตรงกัน เช่น คำที่หมายถึง “เล็กน้อย” “ยอมรับได้” “ชัดเจน” ล้วนเป็นคำที่แต่ละคนตีความต่างกัน ทางแก้ที่ได้ผลที่สุดคือแทนคำเหล่านี้ด้วยตัวเลขและรูปถ่าย ไม่ใช่หาคำแปลที่ดีกว่า

โซนสีเทา: ตัดสินสามระดับ แทนที่จะบังคับให้เหลือสองระดับ

ในความเป็นจริง ชิ้นงานแบ่งได้เป็นสามกลุ่ม คือของดีชัดเจน ของเสียชัดเจน และกลุ่มที่ตัดสินยาก การออกแบบการใช้งานระบบตรวจสอบคุณภาพด้วย AI ควรกำหนดกลุ่มที่สามให้ชัดเจนว่า “ส่งต่อให้คนตัดสิน”

ถ้าบังคับให้ระบบตอบแค่ผ่านหรือไม่ผ่าน การตั้งค่าเส้นแบ่งจะกลายเป็นประเด็นการเมืองภายในองค์กรทันที ฝ่ายผลิตอยากให้ผ่อน ฝ่ายคุณภาพอยากให้เข้ม แต่ถ้าใช้สามระดับ เป้าหมายจะเปลี่ยนเป็นตัวเลขที่บริหารได้ เช่น “ควบคุมสัดส่วนที่ตกลงมาในโซนสีเทาให้ไม่เกินกี่เปอร์เซ็นต์” ซึ่งเป็นเป้าหมายที่ทั้งสองฝ่ายคุยกันได้

ออกแบบทีมโดยตั้งสมมติฐานว่าไม่มีคนทำ AI ภาพอยู่ในโรงงาน

โรงงานในไทยที่มีวิศวกรซึ่งจัดการโมเดล AI ด้านภาพได้ประจำอยู่ในไซต์นั้นมีไม่มาก และถ้าจะรับสมัคร ก็ต้องแข่งกับบริษัทไอทีในกรุงเทพฯ ที่ให้ฐานเงินเดือนคนละโครงสร้างกับโรงงาน ความจริงข้อนี้ควรเป็นจุดตั้งต้นของการออกแบบระบบ ไม่ใช่ปัญหาที่ค่อยไปแก้ทีหลัง

เมื่อยอมรับสมมติฐานว่า “ไม่มีผู้เชี่ยวชาญประจำที่ไซต์” ทางเลือกจะเหลือสามแบบ หรือใช้ผสมกัน

• เลือกเครื่องมือที่เทรนโมเดลใหม่ได้แบบไม่ต้องเขียนโค้ด ให้เจ้าหน้าที่ประกันคุณภาพเพิ่มรูปเข้าไปแล้วกดปุ่มเดียวจบ แลกกับความยืดหยุ่นเชิงเทคนิคที่ลดลง แต่ได้ระบบที่หมุนต่อได้เองจริง
• ทำสัญญาบำรุงรักษาระยะไกลกับผู้ขาย ฝั่งโรงงานมีหน้าที่ส่งรูปเท่านั้น การอัปเดตโมเดลทำจากฝั่งผู้ขาย ข้อสำคัญคือต้องระบุในสัญญาว่าทำจากระยะไกลได้ ไม่ต้องเดินทางมาทุกครั้ง
• รวมศูนย์ไว้ที่สำนักงานใหญ่หรือสำนักงานภูมิภาค บริษัทที่มีหลายโรงงานสามารถรวมการจัดการโมเดลไว้ที่เดียว ให้แต่ละไซต์โฟกัสที่การใช้งาน วิธีนี้ได้เปรียบเมื่อจะขยายไปโรงงานอื่นในภายหลัง

มีข้อมูลที่สนับสนุนแนวคิดนี้ ผลสำรวจของ Cognex ที่เผยแพร่เมื่อเดือนมีนาคม ค.ศ. 2026 (พ.ศ. 2569) ซึ่งสำรวจผู้ผลิต ผู้รับเหมาระบบ และผู้ผลิตเครื่องจักรกว่า 500 บริษัทในอเมริกาเหนือ ยุโรป และเอเชีย พบว่ากลุ่มที่มีประสบการณ์ใช้ AI vision มากกว่า 3 ปี ตอบว่า “ขยายไปยังไซต์อื่นได้ง่าย” ถึง 86.1% เทียบกับกลุ่มที่มีประสบการณ์น้อยกว่า 3 ปีซึ่งอยู่ที่ 75.3% (ต่างกัน 10.9 จุด) และตอบว่า “พัฒนาและติดตั้งได้เร็ว” 81.2% เทียบกับ 72.1% (ต่างกัน 9.1 จุด) นอกจากนี้ยังพบว่าแรงจูงใจในการเริ่มใช้งานช่วงแรกคือความแม่นยำในการตรวจจับตำหนิที่เล็กและซับซ้อน แต่เมื่อใช้งานนานขึ้น น้ำหนักจะย้ายไปที่ความง่ายในการใช้งาน นั่นคือหน้างานหมุนระบบเองได้หรือไม่

แปลเป็นภาษาของการตัดสินใจคือ คำถามที่ควรถามไม่ใช่ “เครื่องแรกจะเลือกยี่ห้อไหน” แต่คือ “เครื่องที่สองและที่สาม เราตั้งขึ้นเองได้ไหม” ถ้าไม่ได้ตั้งใจจะจบแค่ไลน์เดียว ควรใส่เกณฑ์ “หน้างานใช้งานเองได้” ลงไปในตารางเปรียบเทียบผู้ขายตั้งแต่รอบแรก

การตรวจสอบด้วย AI ทำอะไรได้จริง และอะไรที่ยังยาก

คำว่าการตรวจสอบด้วย AI กว้างเกินกว่าจะใช้ตัดสินใจได้ทันที เพราะความสามารถในการตรวจจับของเสียด้วย AI ต่างกันมากตามชนิดของตำหนิ ถ้าไม่แยกตรงนี้ก่อนขอใบเสนอราคา จะได้ราคาที่ตั้งอยู่บนสมมติฐานคนละแบบจากแต่ละเจ้า และเปรียบเทียบกันไม่ได้เลย

ระดับความยากตามประเภทของตำหนิ

ตารางด้านล่างเป็นแนวโน้มทั่วไป ผลจริงขึ้นอยู่กับวัสดุ สภาพผิว และการออกแบบแสง จึงต้องทดสอบด้วยชิ้นงานจริงของตนเองเสมอ แต่ใช้จัดระเบียบความคิดก่อนขอใบเสนอราคาได้ดี

แถวที่สำคัญที่สุดคือแถวสุดท้าย พื้นที่ที่ “คนชำนาญรู้สึกได้แต่บอกไม่ถูก” ไม่ใช่ข้อจำกัดทางเทคนิคของ AI แต่คือการที่ไม่มีข้อกำหนดความต้องการอยู่จริง สิ่งที่มนุษย์อธิบายด้วยคำพูดและภาพไม่ได้ ก็สอน AI ไม่ได้เช่นกัน มองอีกด้าน ถ้าใช้จังหวะการนำ AI เข้ามาเป็นโอกาสในการเขียนเกณฑ์ให้ชัด สิ่งที่ได้จะกลายเป็นสินทรัพย์ของฝ่ายประกันคุณภาพไปเลย

machine vision แบบกำหนดกฎ กับ AI ต่างกันอย่างไร และควรใช้อะไรเมื่อไร

ถ้าปล่อยให้สองอย่างนี้ปนกันตลอดการพิจารณา ทั้งงบประมาณและกำหนดเวลาจะบานปลาย หลักการแบ่งมีดังนี้

• ลักษณะที่ปรากฏของชิ้นงานคงที่ และเขียนเงื่อนไขการตัดสินเป็นตัวเลขได้ เช่น พื้นที่กี่ตารางมิลลิเมตรขึ้นไป ความต่างของความสว่างเท่าไร มีชิ้นส่วนหรือไม่มี กรณีนี้ใช้ machine vision โรงงานแบบกำหนดกฎก็เพียงพอ เร็วกว่า ถูกกว่า อธิบายง่ายกว่า และให้ผลซ้ำเดิมได้แน่นอนกว่า
• ความแปรปรวนของงานดีสูง ตำหนิปรากฏไม่เหมือนกันสักครั้ง เขียนเงื่อนไขเป็นตัวเลขไม่ได้ กรณีนี้จึงเป็นงานของ AI แบบ deep learning
• มีทั้งสองแบบปนกัน ซึ่งคือสภาพจริงของโรงงานส่วนใหญ่ ให้ใช้แบบผสม โดยให้กฎเกณฑ์รับผิดชอบการหาตำแหน่ง การเตรียมภาพ และตำหนิที่ชัดเจน แล้วส่งเฉพาะส่วนที่ตัดสินยากไปให้ AI

ในทางปฏิบัติ แบบผสมมักเป็นคำตอบที่ใช้ได้จริงที่สุด เหตุผลอยู่ที่การใช้งานระยะยาว ส่วนที่เป็นกฎเกณฑ์นั้นวิศวกรในโรงงานปรับค่าเกณฑ์เองได้ ส่วนที่เป็น AI ต้องอาศัยการเทรน ยิ่งจำกัดขอบเขตที่มอบให้ AI ให้แคบเท่าไร ขอบเขตที่ทีมในไทยดูแลเองได้ก็ยิ่งกว้างขึ้นเท่านั้น

ความสามารถในการบอกว่า “ส่วนนี้ไม่ต้องใช้ AI” ยังเป็นตัวชี้วัดคุณภาพของผู้รับเหมาระบบได้ดีด้วย ข้อเสนอที่จะใช้ AI แก้ทุกอย่างอาจไม่ได้สะท้อนความมั่นใจทางเทคนิค แต่สะท้อนว่าผู้เสนอไม่อยากเสียเวลาแยกแยะความต้องการ ผู้ขายที่กล้าพูดตอนนำเสนอราคาว่า “กระบวนการนี้ใช้กฎเกณฑ์ก็พอแล้ว” มักทำให้ต้นทุนรวมของคุณต่ำกว่าในระยะยาว

ตัวเลขตลาดโลกใช้อย่างไรให้เป็นประโยชน์ในเอกสารขออนุมัติ

ในระดับสากล การใช้ AI ร่วมกับ machine vision กลายเป็นกระแสหลักไปแล้ว ผลสำรวจของ Cognex เดือนมีนาคม ค.ศ. 2026 (พ.ศ. 2569) ระบุว่า 57% ของบริษัทที่ตอบแบบสอบถามใช้ AI ร่วมกับ machine vision อยู่แล้ว และอีก 30% วางแผนจะนำมาใช้ในอนาคตอันใกล้ เมื่อแยกตามอุตสาหกรรม อัตราการใช้งานอยู่ที่โลจิสติกส์ 72% อิเล็กทรอนิกส์ 61% และยานยนต์ 60% (เป็นตัวเลขจากการสำรวจระดับสากล ไม่ใช่ตัวเลขเฉพาะประเทศไทย) ซึ่งสองกลุ่มหลังคืออุตสาหกรรมหลักของนิคมอุตสาหกรรมในไทย

ในมุมขนาดตลาด รายงานของ The Business Research Company เดือนกรกฎาคม ค.ศ. 2026 (พ.ศ. 2569) คาดการณ์ว่าตลาดระบบตรวจสอบด้วยภาพที่ใช้ AI ทั่วโลกจะมีมูลค่า 29,820 ล้านดอลลาร์สหรัฐในปี ค.ศ. 2025 (พ.ศ. 2568) เพิ่มเป็น 36,840 ล้านดอลลาร์สหรัฐในปี ค.ศ. 2026 (พ.ศ. 2569) และ 85,240 ล้านดอลลาร์สหรัฐในปี ค.ศ. 2030 (พ.ศ. 2573) คิดเป็นอัตราการเติบโตเฉลี่ยต่อปี 23.3% ภูมิภาคที่ใหญ่ที่สุดคืออเมริกาเหนือ ส่วนภูมิภาคที่เติบโตเร็วที่สุดคือเอเชียแปซิฟิก

ตัวเลขเหล่านี้ใช้ประกอบเอกสารขออนุมัติได้ แต่ต้องใช้ให้ถูกที่ เหตุผลว่า “บริษัทอื่นเขาทำกันแล้ว” เป็นเหตุผลที่อ่อนที่สุดในการขออนุมัติงบลงทุน และเป็นจุดที่จะถูกซักมากที่สุดในห้องประชุม ข้อมูลตลาดควรอยู่ในส่วนของบริบทเท่านั้น ส่วนแกนหลักของการตัดสินใจต้องเป็นตัวเลขความเสียหายจากของเสียที่หลุดออกไปและต้นทุนการตรวจสอบของบริษัทคุณเอง ตามที่คำนวณไว้ในหัวข้อแรก

แยกค่าใช้จ่ายระบบตรวจสอบ AI ออกเป็น 6 หมวด

ค่าใช้จ่ายระบบตรวจสอบ AI ที่เสนอมาเป็นราคาเหมารวมก้อนเดียวนั้นเปรียบเทียบไม่ได้ ควรกำหนดให้ทุกเจ้าแยกรายการมาในระดับความละเอียดเดียวกัน 6 หมวดตามนี้ ซึ่งจะช่วยได้ทั้งการต่อรองราคาและการประเมินเชิงเทคนิค

หกหมวดที่ต้องแยกให้ออก

1. ระบบถ่ายภาพ (กล้อง เลนส์ ไฟส่องสว่าง) ต้องกำหนดความละเอียด ขอบเขตการมองเห็น ระยะชัดลึก และรูปแบบการให้แสง เช่น แสงร่วมแกน แสงโดม แสงมุมต่ำ หรือแสงส่องทะลุ หมวดนี้คำนวณย้อนกลับจากความละเอียดที่ต้องการตรวจจับ และเป็นหมวดที่ควรทุ่มเวลาทางเทคนิคมากที่สุด ถ้าประหยัดด้วยการลดความละเอียดลง จะไม่มีทางไปแก้ด้วย AI ในขั้นตอนถัดไปได้
2. ระบบลำเลียง จิ๊ก และกลไก คือกลไกที่พาชิ้นงานมาถึงตำแหน่งถ่ายภาพในท่าเดิม ความเร็วเดิม ทุกครั้ง หมวดนี้บ่อยครั้งเป็นหมวดที่แพงที่สุดในทั้งโครงการ โดยเฉพาะไลน์ที่ผลิตหลายรุ่นครั้งละไม่มาก เพราะการเปลี่ยนรุ่นทำให้ความยากในการออกแบบจิ๊กสูงขึ้นมาก
3. ซอฟต์แวร์ AI และไลเซนส์ มีทั้งค่าไลเซนส์เริ่มต้นและค่าบำรุงรักษารายปี ต้องดูว่าคิดตามจำนวนไลน์ ตามจำนวนกล้อง หรือคิดเป็นรายไซต์ เพราะมีผลต่อต้นทุนระยะยาวมาก ถ้าตั้งใจจะขยายไปไลน์อื่น ต้องถามราคาของเครื่องที่สองเป็นต้นไปตั้งแต่รอบแรก
4. ค่าออกแบบและรวมระบบ ครอบคลุมการกำหนดความต้องการ การออกแบบทัศนศาสตร์ การออกแบบกลไก การเชื่อมต่อกับ PLC การเชื่อมต่อกับระบบชั้นบน การติดตั้ง และการทดสอบต่อหน้าผู้ว่าจ้าง สำหรับโรงงานในไทย ถ้าผู้ขายส่งทีมมาจากต่างประเทศ จะมีค่าเดินทาง ค่าที่พัก และค่าจัดทีมสนับสนุนหน้างานเพิ่มเข้ามาในหมวดนี้
5. การจัดทำข้อมูลสำหรับเทรนโมเดล คือการติดป้ายกำกับภาพว่าจุดใดคือตำหนิ ต้องกำหนดตั้งแต่ตอนทำใบเสนอราคาว่าใครเป็นคนทำ ใช้คู่มือเกณฑ์ฉบับภาษาใด และใช้เวลากี่ชั่วโมง ถ้าปล่อยให้คลุมเครือแล้วเซ็นสัญญาไป จะมีปัญหาเรื่องค่าใช้จ่ายเพิ่มเติมแน่นอน
6. การบำรุงรักษา การเทรนใหม่ และการเปลี่ยนอะไหล่ ครอบคลุมการเสื่อมของหลอด LED คราบสกปรกบนกล้อง เลนส์คลายตัว การเปลี่ยนเครื่องคอมพิวเตอร์ และการเทรนโมเดลใหม่เมื่อเพิ่มรุ่นสินค้า ต้องมองเป็นยอดรวม 5 ปี ไม่เช่นนั้นจะตัดสินใจผิด

ผู้ขายในญี่ปุ่นมักเผยแพร่ช่วงราคาโดยประมาณของการนำระบบมาใช้ ในโครงสร้าง “ซอฟต์แวร์ AI + กล้อง + ไฟส่องสว่าง + เครื่องคอมพิวเตอร์ + ค่ารวมระบบ” (NTT Communications, ปี ค.ศ. 2025 / พ.ศ. 2568) ตัวเลขดังกล่าวเป็นตัวเลขของประเทศญี่ปุ่น ไม่ใช่ราคาของประเทศไทย และที่สำคัญกว่านั้นคือ โครงสร้างนี้มักไม่รวมหมวดที่ 2 คือระบบลำเลียงและจิ๊ก ซึ่งเป็นสิ่งที่ต้องมีเสมอถ้าจะให้เครื่องเดินจริงในไลน์ผลิต การคัดลอกช่วงราคาของญี่ปุ่นมาตั้งเป็นงบประมาณของโรงงานในไทยจึงมีโอกาสสูงมากที่งบจะไม่พอ

หมวดไหนแพงขึ้น หมวดไหนถูกลง เมื่อทำที่โรงงานในไทย

สิ่งที่อยากให้อ่านออกจากตารางนี้คือ ตัวแปรที่กำหนดต้นทุนของโรงงานในไทยไม่ใช่ “ราคาอุปกรณ์” แต่คือ “ใครที่ตอบสนองได้ในประเทศ” อุปกรณ์ชุดเดียวกันเป๊ะ แต่ถ้าผู้ขายมีวิศวกรประจำในไทยกับผู้ขายที่ส่งคนมาจากต่างประเทศทุกครั้ง ต้นทุนรวม 5 ปีจะต่างกันอย่างมีนัยสำคัญ การเลือกโดยดูแค่ราคาเริ่มต้นที่ถูกที่สุด จะทำให้ส่วนต่างนี้ย้อนกลับมาในภายหลัง

เปรียบเทียบด้วยต้นทุนรวมตลอด 5 ปี

รูปแบบตารางเปรียบเทียบที่ได้ผลคือ ให้ผู้ขายทุกรายกรอกช่องเดียวกันนี้

• ค่าใช้จ่ายเริ่มต้น (รวมหมวด 1 ถึง 5)
• ค่าไลเซนส์และค่าบำรุงรักษารายปี x 5 ปี
• จำนวนครั้งที่คาดว่าจะต้องเทรนโมเดลใหม่ x ค่าใช้จ่ายต่อครั้ง x 5 ปี
• ค่าอะไหล่สำรอง
• ชั่วโมงที่คาดว่าเครื่องจะหยุดต่อปี x ความเสียหายต่อชั่วโมง

จากนั้นในฝั่งผลประหยัด ให้ใส่ค่าแรงพนักงานตรวจสอบ (รวมสวัสดิการ) x 5 ปี ส่วนที่ลดลงของความเสียหายจากของเสียที่หลุดออกไป และส่วนที่ลดลงของค่าขนส่งทางเลือก การเปรียบเทียบในรูปแบบนี้จะทำให้ข้อเสนอที่ราคาเริ่มต้นสูงแต่ภาระการดูแลต่ำได้รับการประเมินอย่างเป็นธรรม ในทางกลับกัน ตารางเปรียบเทียบที่ดูแค่ราคาเริ่มต้นจะเข้าทางข้อเสนอที่ซ่อนภาระการดูแลไว้ข้างหลัง

ต้องพูดตรงๆ ว่าสถิติสาธารณะที่น่าเชื่อถือเกี่ยวกับค่าใช้จ่ายระบบตรวจสอบ AI ในประเทศไทยแทบไม่มี การพยายามตอบคำถามว่า “ราคากลางอยู่ที่เท่าไร” ด้วยตัวเลขลอยๆ จึงเป็นสิ่งที่ควรหลีกเลี่ยง วิธีเดียวที่ใช้ได้จริงคือแยกเป็นหมวดตามที่อธิบายไว้แล้วขอราคาจากหลายเจ้าในระดับความละเอียดเดียวกัน และในทางกลับกัน ถ้าเจอข้อเสนอที่ฟันธงราคากลางโดยไม่บอกที่มา ก็คุ้มที่จะถามกลับว่าอ้างอิงจากอะไร

เมื่อไม่มีชิ้นงานเสียพอให้ AI เรียนรู้: สามกลยุทธ์

กำแพงที่โครงการ AI ตรวจสอบชิ้นงานเกือบทุกโครงการต้องเจอคือเรื่องนี้ และที่น่าปวดหัวคือ ยิ่งโรงงานที่ควบคุมคุณภาพได้ดี ปัญหายิ่งหนัก เพราะอัตราของเสียต่ำแปลว่าไม่มีตัวอย่างของเสียให้เก็บไปเทรนโมเดล ความย้อนแย้งข้อนี้ถูกชี้ไว้อย่างชัดเจนในบทความของ Nsight (ผู้ให้บริการในประเทศญี่ปุ่น) การเข้าใจเรื่องนี้ตั้งแต่ต้นจะเปลี่ยนวิธีวางแผนโครงการไปเลย

กลยุทธ์ที่ 1 สะสม: สร้างระบบถ่ายเก็บไว้ก่อน

วิธีนี้ช้าที่สุดแต่แน่นอนที่สุด หัวใจคือเริ่มถ่ายเก็บตั้งแต่ก่อนตัดสินใจว่าจะซื้อระบบด้วยซ้ำ

• วางสถานีถ่ายภาพอย่างง่ายไว้ข้างจุดตรวจด้วยสายตาที่มีอยู่เดิม
• ชิ้นงานที่ถูกตัดสินว่าไม่ผ่าน ต้องถ่ายภาพก่อนเสมอ ก่อนนำไปทิ้งหรือซ่อม
• บันทึกข้อมูลกำกับพร้อมภาพ ได้แก่ วันที่ ล็อต หมายเลขเครื่องจักร ชนิดของตำหนิ และผู้ตัดสิน
• ถ่ายชิ้นงานดีด้วยเงื่อนไขเดียวกันด้วย การรู้ขอบเขตความแปรปรวนของงานดีคือสิ่งที่สำคัญที่สุดจริงๆ

สิ่งที่ต้องระวังคือเงื่อนไขการถ่ายภาพ ภาพที่เก็บด้วยแสง กล้อง และมุมที่ต่างจากของจริงที่จะใช้ในไลน์ จะมีคุณค่าในการนำไปเทรนลดลงมาก ทางที่ดีที่สุดคือกำหนดเงื่อนไขทางแสงคร่าวๆ ก่อนเลือกผู้ขาย ซึ่งในความเป็นจริงทำได้ยาก ทางประนีประนอมคือถ่ายเก็บไว้หลายเงื่อนไขแสง หรืออย่างน้อยที่สุดคือบันทึกไว้ว่าถ่ายด้วยเงื่อนไขใด

ผลพลอยได้ของกลยุทธ์นี้ที่มักถูกมองข้ามคือ สภาพการเกิดของเสียจะถูกมองเห็นเป็นข้อมูล เมื่อถ่ายเก็บต่อเนื่องราวครึ่งปี มักจะพบข้อเท็จจริงทำนองว่า “สาเหตุของข้อร้องเรียนจากลูกค้าจริงๆ มาจากตำหนิเพียงชนิดเดียว” ซึ่งถ้าเป็นเช่นนั้น ขอบเขตของระบบที่ต้องซื้อจะแคบลงและถูกลงกว่าที่คิดไว้ตอนแรกมาก

กลยุทธ์ที่ 2 สร้างขึ้นมา: ทำของเสียโดยตั้งใจ และเพิ่มจำนวนภาพ

เป็นการสร้างตัวอย่างของเสียขึ้นมาเอง

• ทำให้ชิ้นงานจริงเสียโดยตั้งใจ เช่น ใช้จิ๊กกดให้เกิดรอยบุบ จงใจไม่ใส่ชิ้นส่วน วางสิ่งแปลกปลอมลงไป วิธีนี้ได้ผลดีกับตำหนิที่ทำซ้ำได้ง่าย
• เพิ่มจำนวนภาพด้วยการประมวลผลภาพ เช่น หมุน กลับด้าน ปรับความสว่างและคอนทราสต์ เติมสัญญาณรบกวน ช่วยลดปัญหาโมเดลจำข้อมูลเทรนมากเกินไป
• สร้างภาพสังเคราะห์ เช่น นำส่วนที่เป็นตำหนิไปวางรวมกับภาพงานดี หรือใช้โมเดลสร้างภาพตำหนิขึ้นมา

แต่วิธีนี้มีขีดจำกัด รอยบุบที่ทำขึ้นเองกับรอยบุบที่เกิดจากกระบวนการผลิตจริงอาจมีลักษณะที่ปรากฏต่างกันเล็กน้อย โมเดลที่เทรนด้วยข้อมูลสังเคราะห์ล้วนแล้วทำงานไม่ได้ตามคาดในไลน์จริง เป็นรูปแบบความล้มเหลวที่พบบ่อย ควรถือว่าข้อมูลสังเคราะห์เป็นเพียงตัวช่วยเสริม และการเก็บตัวอย่างของเสียจริงจำนวนหนึ่งเป็นสิ่งที่หลีกเลี่ยงไม่ได้ ในเชิงสัญญาก็ไม่ควรตั้งสมมติฐานว่า “ใช้ข้อมูลสังเคราะห์ทดแทนได้ทั้งหมด”

กลยุทธ์ที่ 3 ออกแบบให้เลี่ยงปัญหา: ใช้การเรียนรู้จากงานดีและการตรวจจับความผิดปกติ

ถ้าเก็บตัวอย่างของเสียไม่ได้ ก็เปลี่ยนวิธี ให้โมเดลเรียนรู้เฉพาะงานดี แล้วตรวจจับสิ่งที่ “ไม่เหมือนงานดี” เรียกกันว่าแบบตรวจจับความผิดปกติ หรือแบบเรียนรู้จากงานดี

ข้อดีคือแทบไม่ต้องใช้ตัวอย่างของเสียเลย และงานดีมีอยู่มหาศาลอยู่แล้ว จึงเริ่มต้นได้เร็ว ข้อเสียคือไม่สามารถแยกประเภทของตำหนิได้ และมีแนวโน้มที่จะตัดสินงานดีเป็นของเสียบ่อย โดยเฉพาะในกระบวนการที่งานดีมีความแปรปรวนสูง ระบบจะจับความแปรปรวนที่ปกติมาเป็นความผิดปกติไปด้วย

วิธีใช้งานที่สมจริงจึงเป็นแบบสองจังหวะ เริ่มด้วยแบบตรวจจับความผิดปกติเพื่อคัด “ของที่น่าสงสัย” ส่งให้คนดูต่อ แล้วระหว่างที่ใช้งานไปก็จะมีตัวอย่างของเสียสะสมขึ้นเรื่อยๆ เมื่อระบุชนิดของตำหนิได้แล้ว จึงค่อยย้ายชนิดนั้นไปใช้โมเดลแบบจำแนกประเภททีละชนิด โครงสร้างแบบนี้ทำให้ได้ทั้งความเร็วในการเริ่มต้นและความแม่นยำในระยะยาว

เลือกกลยุทธ์อย่างไร

สิ่งที่เหมือนกันในทุกกลยุทธ์คือ ข้อมูลที่ใช้ตรวจรับต้องเป็นตัวอย่างของเสียจริงเสมอ การใช้ข้อมูลสังเคราะห์ในการเทรนนั้นยอมรับได้ แต่การใช้ข้อมูลสังเคราะห์ในการทดสอบเพื่อตรวจรับนั้นไม่มีความหมายใดๆ

อ่านตัวเลขความแม่นยำให้ถูก และออกแบบการใช้งานในไลน์ตรวจ 100%

เมื่อได้รับข้อเสนอที่เขียนว่า “ความแม่นยำ 99%” ควรตรวจสอบอะไรต่อ คำตอบของคำถามนี้แทบจะชี้ขาดความสำเร็จของโครงการทั้งโครงการ

“ความแม่นยำ 99%” แทบไม่ได้บอกอะไรเลย

ลองคิดถึงกระบวนการที่มีอัตราของเสีย 1% โมเดลที่ตอบว่า “ผ่าน” กับทุกชิ้นโดยไม่ต้องดูอะไรเลย จะได้ความแม่นยำ 99% ทันที ทั้งที่หาของเสียไม่เจอสักชิ้นเดียว สิ่งที่ต้องดูจึงไม่ใช่อัตราความถูกต้องโดยรวม แต่คือสองตัวเลขนี้

• อัตราการปล่อยของเสียหลุด (false negative) คือสัดส่วนที่ระบบตัดสินของเสียเป็นของดี เชื่อมโยงตรงกับการหลุดไปถึงลูกค้า ต้องกดให้เข้าใกล้ศูนย์
• อัตราการตัดสินของดีเป็นของเสีย (false positive) คือการตัดสินเกินจริง เชื่อมโยงตรงกับอัตราของดีและชั่วโมงงานตรวจซ้ำ ต้องกดให้ต่ำเช่นกัน

สองตัวนี้สวนทางกันเมื่อขยับเส้นแบ่ง ถ้าตั้งเข้มขึ้นเพื่อลดการปล่อยหลุด การตัดสินเกินจริงจะเพิ่ม ไม่มีทางทำให้เป็นศูนย์ได้พร้อมกันทั้งคู่

การเลือกตำแหน่งของเส้นแบ่งพอสรุปได้สามแนวทาง

• ตั้งเข้ม (สงสัยเมื่อไรตัดสินเป็นของเสียไว้ก่อน) อัตราการปล่อยหลุดต่ำ แต่การตัดสินเกินจริงสูง เหมาะกับงานที่ต้นทุนของการหลุดสูงมาก เช่น ชิ้นส่วนที่เกี่ยวกับความปลอดภัย เครื่องมือแพทย์ หรืออาหาร แต่ต้องใช้คนตรวจซ้ำมากขึ้น
• ตั้งกลาง ทั้งสองค่าอยู่ระดับปานกลาง เป็นจุดลงตัวของชิ้นส่วนทั่วไปที่ยังจัดกำลังคนตรวจซ้ำได้จำนวนหนึ่ง
• ตั้งผ่อน อัตราการปล่อยหลุดสูง แต่การตัดสินเกินจริงต่ำ เลือกได้เฉพาะกรณีที่ผลกระทบเมื่อหลุดจำกัด หรือมีกระบวนการถัดไปและการตรวจรับของลูกค้าที่ยังจับได้อยู่

ตำแหน่งของเส้นแบ่งไม่ใช่เรื่องที่ตัดสินด้วยเทคนิค แต่เป็นการตัดสินใจเชิงบริหาร จึงต้องกำหนดให้ชัดก่อนเริ่มใช้งานจริงว่าใครมีอำนาจตัดสินใจเรื่องนี้ ถ้าฝ่ายผลิตปรับให้ผ่อนเองตามใจ ของเสียจะหลุดมากขึ้น ถ้าฝ่ายคุณภาพตั้งเข้มฝ่ายเดียว ผลประหยัดที่ตั้งใจไว้จะหายไปหมด

การออกแบบใช้งานจริงในไลน์ที่ต้องตรวจทุกชิ้น

ในไลน์ที่มี tact time กำหนดไว้และต้องตรวจทุกชิ้น คำตอบในทางปฏิบัติแทบจะมีทางเดียว คือให้ AI ทำหน้าที่ตัดสินขั้นแรก และให้คนตรวจซ้ำเฉพาะชิ้นที่ AI ตัดสินว่าไม่ผ่านหรือตกอยู่ในโซนสีเทา

จุดสำคัญของการออกแบบนี้คือ วิธีคำนวณการลดกำลังคนจะเปลี่ยนไป จากเดิมที่พนักงานดูทุกชิ้น กลายเป็นดูเฉพาะที่ AI คัดออกมา ผลประหยัดจึงเป็นดังนี้

ชั่วโมงงานที่ลดได้ = ชั่วโมงงานตรวจเดิม x (1 − สัดส่วนที่ถูกส่งไปตรวจซ้ำ)

แปลว่ายิ่งสัดส่วนที่ถูกส่งไปตรวจซ้ำสูงเท่าไร ผลประหยัดก็ยิ่งหดลงเท่านั้น ถ้าสัดส่วนที่ถูกส่งไปตรวจซ้ำอยู่ที่ 20% งานของพนักงานตรวจจะลดลงได้ 80% ไม่ใช่ 100% และถ้าสัดส่วนนี้ขึ้นไปถึง 50% ผลประหยัดที่คาดไว้ก็จะหายไปครึ่งหนึ่ง รูปแบบความล้มเหลวที่พบบ่อยมากคือ “ตั้งเส้นแบ่งเข้มเพื่อไล่ให้การปล่อยหลุดเป็นศูนย์ สุดท้ายลดคนไม่ได้เลย”

ดังนั้นสิ่งที่ต้องกำหนดในขั้นตอนออกแบบความต้องการ ไม่ใช่ “ความแม่นยำกี่เปอร์เซ็นต์” แต่คือสองตัวเลขนี้

• เพดานของอัตราการปล่อยของเสียหลุดที่ยอมรับได้ คำนวณย้อนกลับจากความเสียหายต่อเคสที่คำนวณไว้ในหัวข้อแรก
• เพดานของสัดส่วนที่ถูกส่งไปตรวจซ้ำ คำนวณย้อนกลับจากเป้าหมายการลดกำลังคน

การจะผ่านสองเงื่อนไขนี้ได้หรือไม่ คือเกณฑ์ตัดสินผ่านหรือไม่ผ่านของ PoC

ตรวจรับอย่างไร วัดอะไร และวัดในสภาพแวดล้อมแบบไหน

วิธีการวัดต้องตกลงกันก่อนเซ็นสัญญา

• ชิ้นงานที่ใช้ประเมินต้องไม่ใช่ชิ้นที่นำไปใช้เทรนโมเดล ฟังดูเป็นเรื่องพื้นฐาน แต่ในทางปฏิบัติมักถูกละเลย
• ชุดประเมินต้องมีของเสียจริงรวมอยู่ด้วย การประเมินด้วยข้อมูลสังเคราะห์ถือเป็นโมฆะ
• ต้องวัดบนไลน์จริงที่ tact time จริง และเดินต่อเนื่อง การประเมินภาพนิ่งแบบออฟไลน์อย่างเดียวไม่เพียงพอ
• ระยะเวลาประเมินอย่างน้อยหลายวันถึงหนึ่งสัปดาห์ เพื่อให้ครอบคลุมความแตกต่างระหว่างล็อตและระหว่างกะ
• ต้องครอบคลุมการเปลี่ยนแปลงของสภาพแวดล้อม

หัวข้อสุดท้ายมีความสำคัญเป็นพิเศษสำหรับโรงงานในไทย และเป็นสิ่งที่บทความจากญี่ปุ่นแทบไม่พูดถึงเลย

• แสงธรรมชาติ โรงงานที่มีหน้าต่างหรือมีประตูม้วนที่เปิดระหว่างวัน สภาพแสงจะเปลี่ยนไปตามช่วงเวลา และต่างกันชัดเจนระหว่างกะกลางวันกับกะกลางคืน
• ฤดูกาล ความชื้นและสภาพการควบแน่นในโรงงานต่างกันมากระหว่างฤดูฝนกับฤดูแล้ง ซึ่งส่งผลต่อสภาพผิวชิ้นงานและเลนส์
• ระบบปรับอากาศ ในพื้นที่ที่ไม่ได้ควบคุมอุณหภูมิเต็มรูปแบบ อุณหภูมิช่วงบ่ายกับช่วงเช้าต่างกันจนกระทบสัญญาณรบกวนของกล้องได้
• ฝุ่นและละอองน้ำมัน ระยะเวลาที่เลนส์และกระจกครอบไฟจะสกปรกจนกระทบภาพ ควรวัดไว้ตั้งแต่ช่วงประเมิน เพื่อกำหนดรอบการทำความสะอาดในคู่มือ

ถ้าทดสอบ PoC เฉพาะกะกลางวันในฤดูแล้งแล้วผ่าน แต่พอถึงกะกลางคืนในฤดูฝนความแม่นยำตก นั่นแปลว่าปัญหาอยู่ที่การออกแบบช่วงเวลาการประเมินตั้งแต่แรก ไม่ใช่ที่ตัวโมเดล

จาก PoC ถึงการผลิตจริง: สี่เฟส สัญญา และเกณฑ์ตรวจรับ

สี่เฟสและเงื่อนไขการจบของแต่ละเฟส

เฟส 0 นิยามปัญหา (1–2 เดือน) เลือกกระบวนการเป้าหมาย คำนวณมูลค่าความเสียหายจากของเสียที่หลุด วัดความไม่สม่ำเสมอของการตัดสินในปัจจุบัน และจัดทำคู่มือเกณฑ์ เงื่อนไขการจบคือ มีเอกสารระบุชนิดของตำหนิเป้าหมาย เพดานอัตราการปล่อยหลุดที่ยอมรับได้ และเพดานสัดส่วนที่ส่งไปตรวจซ้ำ

เฟส 1 ทดสอบการถ่ายภาพและความเป็นไปได้ (1–3 เดือน) นำชิ้นงานจริงไปทดสอบ หรือถ่ายที่โรงงาน เพื่อยืนยันว่าตำหนิปรากฏในภาพจริงหรือไม่ ถ้าตำหนิไม่ขึ้นในภาพ ปัญหาอยู่ที่ระบบแสงและทัศนศาสตร์ ไม่ใช่ที่ AI เงื่อนไขการจบคือ ได้ภาพที่มนุษย์มองเห็นตำหนิเป้าหมายได้ชัดเจน

เฟส 2 PoC (2–4 เดือน) เก็บข้อมูลเทรน สร้างโมเดล และวัดความแม่นยำ เงื่อนไขการจบคือผ่านสองตัวเลขในหัวข้อก่อนหน้า ถ้าไม่ผ่าน ต้องเลือกระหว่างลดขอบเขต (จำกัดชนิดของตำหนิให้แคบลง) ทบทวนระบบทัศนศาสตร์ใหม่ หรือยุติโครงการ

เฟส 3 สร้างระบบจริงและเริ่มใช้งาน (3–6 เดือน) ออกแบบและผลิตระบบลำเลียงกับจิ๊ก เชื่อมต่อ PLC เชื่อมต่อระบบชั้นบน ติดตั้ง ทดลองเดินเครื่อง และเปลี่ยนผ่านสู่การผลิตจริง เงื่อนไขการจบคือผ่านการประเมินการเดินเครื่องต่อเนื่องบนไลน์จริง

ระยะเวลาข้างต้นเป็นเพียงแนวทาง เปลี่ยนแปลงได้มากตามชนิดชิ้นงานและความยากของตำหนิ แต่โดยรวมควรเผื่อไว้ราวหนึ่งปี แผนที่ตั้งไว้ว่า “ใช้งบปีนี้แล้วให้เห็นผลภายในปีนี้” ไม่สมจริง และเมื่อจะใช้สิทธิประโยชน์ BOI ร่วมด้วย ต้องแจ้งกรอบเวลานี้ให้ผู้เกี่ยวข้องทราบแต่เนิ่นๆ เพราะการยื่นขอต้องเสร็จก่อนสั่งซื้อเครื่องจักร

หลุมพรางของ PoC

• ส่งเฉพาะชิ้นงานสภาพดีให้ผู้ขาย การคัดเลือกชิ้นงานที่สวยที่สุดไปให้ด้วยความเกรงใจ จะทำให้ PoC ผ่านแต่ของจริงไม่ผ่าน สิ่งที่ควรส่งคือชิ้นที่อยู่ตรงเส้นแบ่งซึ่งพนักงานตัดสินไม่ตรงกัน
• เริ่ม PoC โดยไม่กำหนดเกณฑ์ความสำเร็จ PoC ที่เริ่มด้วยคำว่า “ลองดูก่อน” จะจบด้วยคำว่า “ก็พอใช้ได้อยู่” และนำไปตัดสินใจอะไรไม่ได้
• สภาพแวดล้อมของ PoC ต่างจากของจริง ภาพที่ถ่ายในห้องแล็บของผู้ขายกับภาพที่ถ่ายในโรงงานจริงเป็นคนละเรื่องกัน ควรทำที่หน้างานให้มากที่สุดเท่าที่ทำได้
• ต่อรองค่า PoC จนต่ำเกินไป ถ้าให้ทำฟรีหรือราคาต่ำมาก ผู้ขายจะลงแรงได้จำกัด และคุณภาพของข้อมูลที่ใช้ตัดสินใจจะแย่ลงตามไปด้วย

สิ่งที่ต้องเขียนให้ชัดในสัญญา

หัวข้อ “การเพิ่มรุ่นสินค้า” มีน้ำหนักเป็นพิเศษสำหรับโรงงานในไทย เพราะโรงงานที่ผลิตตามคำสั่งของบริษัทแม่มักมีการโยกย้ายรุ่นที่ผลิตตามนโยบายจากต่างประเทศ ถ้าตอนทำสัญญาไม่ได้ตกลงต้นทุนของการเพิ่มรุ่นไว้ ทุกครั้งที่มีการเพิ่มกำลังผลิตหรือเปลี่ยนรุ่น จะต้องกลับมาทำเรื่องขออนุมัติงบลงทุนใหม่ทั้งกระบวนการ

หลังระบบเดินแล้ว: ตัวชี้วัดที่ต้องเฝ้าดู และการแบ่งบทบาท

เฟสนี้คือเฟสที่มีการพูดถึงน้อยที่สุด แต่เป็นจุดที่ความล้มเหลวกระจุกตัวมากที่สุด รูปแบบที่พบซ้ำๆ คือ ระบบเดินได้ดีอยู่ครึ่งปี แล้ววัตถุดิบเปลี่ยนล็อต ไฟส่องสว่างเสื่อม มีรุ่นใหม่เข้ามา ความแม่นยำตก ไม่มีใครแก้ได้ สุดท้ายกลับไปใช้คนตรวจทุกชิ้นเหมือนเดิม

สัญญาณของความแม่นยำที่กำลังเสื่อม

การเสื่อมของโมเดลไม่ได้เกิดขึ้นในวันเดียว แต่ค่อยๆ คืบคลาน จึงต้องสร้างกลไกตรวจสอบรายวันหรือรายสัปดาห์ไว้ตั้งแต่ตอนติดตั้ง

• แนวโน้มอัตราการตัดสินว่าไม่ผ่าน ถ้าสูงขึ้นหรือต่ำลงผิดปกติจากค่าเดิม ต้องตรวจสอบทันที
• สัดส่วนที่ “AI ตัดสินว่าไม่ผ่าน แต่คนตรวจซ้ำแล้วเป็นของดี” ตัวเลขนี้ชี้ว่าการตัดสินเกินจริงกำลังเพิ่ม
• การเกิดข้อร้องเรียนจากลูกค้า เป็นตัวชี้วัดที่แย่ที่สุดที่บอกว่าการปล่อยหลุดเพิ่มขึ้น การมารู้ตัวตอนนี้คือสิ่งที่ต้องหลีกเลี่ยงให้ได้
• ค่าสถิติของความสว่างและคอนทราสต์ในภาพ ช่วยตรวจจับการเสื่อมของไฟและคราบบนเลนส์ก่อนที่ความแม่นยำจะตก
• การเปลี่ยนแปลงสัดส่วนรุ่นที่ผลิต ต้องบันทึกจังหวะที่มีรุ่นใหม่เข้ามาหรือเปลี่ยนวัตถุดิบไว้เสมอ

หัวข้อสุดท้ายเป็นเรื่องของกฎการทำงาน ไม่ใช่เรื่องเทคนิค คำถามคือ เมื่อมีการเปลี่ยนวัตถุดิบ เปลี่ยนเงื่อนไขการฉีดขึ้นรูป เปลี่ยนแม่พิมพ์ หรือเปลี่ยนวิธีชุบผิว มีกลไกที่ทำให้ข้อมูลนี้ไปถึงผู้ดูแลระบบตรวจสอบหรือไม่ ถ้าสายนี้ขาด จะเกิดอาการความแม่นยำตกโดยไม่ทราบสาเหตุ ควรใส่ผู้ดูแลระบบตรวจสอบเข้าไปในกระบวนการควบคุมการเปลี่ยนแปลง 4M ตั้งแต่แรก

ตารางแบ่งบทบาท ต้องไม่มีช่องว่างในแถวสำคัญ

ตารางนี้เป็นเพียงตัวอย่าง แต่สิ่งที่สำคัญคือ แถว “เทรนโมเดลใหม่” ต้องมีชื่อคนรับผิดชอบอยู่จริง โครงการที่เริ่มเดินเครื่องทั้งที่แถวนี้ยังว่างอยู่ มีโอกาสสูงมากที่จะหยุดใช้งานภายในหนึ่งปี

แนวคิดเรื่องการนำ AI เข้ามาใช้ในงานโรงงานในภาพกว้างกว่านี้ เราได้เรียบเรียงไว้ที่ แนวทางการนำ generative AI มาใช้ให้เกิดผลจริง แม้เทคโนโลยีของ AI ด้านภาพกับ AI ด้านงานเอกสารจะต่างกัน แต่หลักการที่ว่า “ต้องออกแบบให้หน้างานหมุนต่อเองได้” เป็นหลักการเดียวกัน

ใช้ข้อมูลผลตรวจให้คุ้ม: เชื่อมกับระบบผลิตและการสอบกลับ

ถ้าจะอธิบายความคุ้มค่าของการลงทุนด้วยการลดจำนวนพนักงานตรวจสอบเพียงอย่างเดียว โครงการส่วนใหญ่จะไม่ผ่าน มูลค่าของการที่ผลการตรวจถูกเก็บไว้เป็นข้อมูล ควรถูกนำมานับรวมในการประเมินอย่างเป็นธรรม พูดอีกแบบคือ การใช้ AI ควบคุมคุณภาพไม่ได้จบที่การคัดของเสียออกจากไลน์ แต่ต่อยอดไปถึงการลดการเกิดของเสียตั้งแต่ต้นทาง

ออกแบบให้ “ไม่ทิ้ง” ผลการตรวจ

ในการตรวจด้วยสายตา การตัดสินเกิดขึ้นในหัวของพนักงาน สิ่งที่เหลือเป็นบันทึกมีเพียงผลผ่านหรือไม่ผ่าน และอย่างมากก็คือชนิดของตำหนิ แต่ในการตรวจสอบด้วย AI ทุกชิ้นงานจะมีภาพและเหตุผลของการตัดสินเก็บไว้ ความต่างตรงนี้ใหญ่กว่าที่คิด

• วิเคราะห์แนวโน้มการเกิดของเสียแยกตามเวลา เครื่องจักร ล็อต และผู้ปฏิบัติงานได้
• ตรวจจับจังหวะที่อัตราของเสียเริ่มขยับขึ้น แล้วส่งข้อมูลย้อนกลับไปที่กระบวนการผลิตได้
• เมื่อมีข้อร้องเรียนจากลูกค้า สามารถย้อนกลับไปดึงภาพของล็อตนั้นมาแสดงได้
• ในการรับการตรวจประเมิน สามารถพิสูจน์ได้อย่างเป็นรูปธรรมว่ามีการตรวจสอบเกิดขึ้นจริง

สองข้อหลังมีมูลค่าสูงเป็นพิเศษสำหรับโรงงานในไทยที่ต้องรายงานต่อลูกค้าต่างประเทศหรือบริษัทแม่ เมื่อถูกขอคำอธิบายเรื่องปัญหาคุณภาพ การตอบว่า “พนักงานตรวจสอบแล้ว” กับการเปิดภาพของทุกชิ้นในล็อตนั้นให้ดู เป็นการสนทนาคนละแบบโดยสิ้นเชิง และช่วยลดเวลาที่ทีมในไทยต้องใช้ไปกับการชี้แจงได้อย่างมาก

กำหนดคีย์ที่ใช้เชื่อมโยงข้อมูลตั้งแต่ตอนออกแบบ

การจะใช้ข้อมูลการตรวจให้เกิดประโยชน์ ต้องตัดสินใจตั้งแต่ขั้นออกแบบว่าจะผูกภาพและผลการตัดสินไว้กับอะไร

• หมายเลขซีเรียลของผลิตภัณฑ์ (ดีที่สุด หากมีการจัดการรายชิ้นอยู่แล้ว)
• หมายเลขล็อตหรือหมายเลขใบสั่งผลิต
• หมายเลขเครื่องจักร หมายเลขแม่พิมพ์ หมายเลขคาวิตี้
• วันเวลาที่ผลิต กะการทำงาน และรหัสพนักงาน
• หมายเลขล็อตของวัตถุดิบ

สิ่งที่เพิ่มทีหลังได้ยากที่สุดคือการระบุตัวตนรายชิ้น ถ้าไม่มีระบบให้หมายเลขซีเรียลรายชิ้น จะไม่สามารถย้อนกลับจากของเสียไปยังชิ้นงานเฉพาะได้ ในทางกลับกัน ถ้าการจัดการระดับล็อตทำงานได้ดีอยู่แล้ว การเริ่มจากการผูกข้อมูลระดับล็อตก่อนก็ใช้งานได้จริงในระดับที่น่าพอใจ

สำหรับวิธีจัดเก็บข้อมูลในภาพรวมของทั้งโรงงานและการออกแบบการเก็บผลการผลิต สามารถอ้างอิงได้จาก แนวคิดการนำระบบบริหารการผลิตมาใช้ในโรงงานที่ประเทศไทย เพราะการเลือกว่าจะติดตั้งระบบตรวจสอบแบบเดี่ยวๆ หรือจะเชื่อมกับระบบบริหารการผลิต มีผลต่อปริมาณงานที่ต้องพัฒนาเพิ่มอย่างมีนัยสำคัญ

ในอุตสาหกรรมที่มีข้อกำหนดการสอบกลับเข้มงวด เช่น อาหารและยา ภาพจากการตรวจสอบจะกลายเป็นส่วนหนึ่งของบันทึกการสอบกลับ ระดับข้อกำหนดในกลุ่มนี้เราเรียบเรียงไว้ที่ การวางระบบสอบกลับสำหรับโรงงานอาหาร และหากกำลังพิจารณาใช้ RFID เป็นวิธีระบุตัวตนของชิ้นงานหรือพาเลท สามารถดูได้ที่ การนำ RFID มาใช้ในโรงงานและวิธีคิดเรื่องค่าใช้จ่าย มูลค่าของข้อมูลการตรวจสอบจะสูงสุดก็ต่อเมื่อระบุได้ว่าข้อมูลนั้นเป็นของชิ้นงานใด

ออกแบบให้ข้อมูลย้อนกลับเข้าสู่กระบวนการผลิต

ในอุดมคติ ผลการตรวจสอบควรถูกส่งกลับไปยังกระบวนการผลิต ถ้าของเสียกระจุกอยู่ที่คาวิตี้ใดคาวิตี้หนึ่ง ก็ปิดคาวิตี้นั้น ถ้าของเสียเพิ่มขึ้นในบางช่วงเวลาของวัน ก็ไปดูความสัมพันธ์กับอุณหภูมิและความชื้น การทำแบบนี้ได้ต้องอาศัยข้อมูลที่มีโครงสร้างเสียก่อน

ในภูมิภาคนี้ มีรายงานจาก Intralink ว่าเวียดนามก็กำลังลงทุนในหุ่นยนต์ ระบบตรวจสอบ และการควบคุมคุณภาพที่ขับเคลื่อนด้วยข้อมูลเช่นกัน โดยนำโดยกลุ่มอิเล็กทรอนิกส์และเครื่องใช้ไฟฟ้า (เป็นตัวเลขและข้อมูลของประเทศเวียดนาม ไม่ใช่ของประเทศไทย) ข้อสรุปเชิงแนวคิดที่นำมาใช้ได้คือ การผสมผสานระหว่างหุ่นยนต์ machine vision ระบบบริหารการผลิต และ IIoT ช่วยลดเวลาหยุดเครื่อง ทำให้คุณภาพนิ่งขึ้น และทำให้มองเห็นสถานะได้ การมองระบบตรวจสอบไม่ใช่เครื่องจักรเดี่ยวๆ แต่เป็นประตูทางเข้าของฐานข้อมูลโรงงาน จะช่วยยกระดับคุณภาพของการตัดสินใจลงทุนได้มาก

คำถามที่พบบ่อย

ค่าใช้จ่ายระบบตรวจสอบ AI อยู่ที่ประมาณเท่าไร

ช่วงราคาโดยประมาณที่ผู้ขายเผยแพร่มักอยู่ในโครงสร้าง ซอฟต์แวร์ AI กล้อง ไฟส่องสว่าง เครื่องคอมพิวเตอร์ และค่ารวมระบบ (NTT Communications, ปี ค.ศ. 2025 / พ.ศ. 2568) ซึ่งเป็นตัวเลขของประเทศญี่ปุ่น ไม่ใช่ของประเทศไทย และโครงสร้างดังกล่าวมักไม่รวมระบบลำเลียงกับจิ๊ก ซึ่งจำเป็นเสมอถ้าจะเดินเครื่องจริง สำหรับประเทศไทยยังไม่มีสถิติสาธารณะที่น่าเชื่อถือเกี่ยวกับค่าใช้จ่ายด้านนี้ วิธีที่แนะนำจึงเป็นการแยกเป็น 6 หมวดตามที่อธิบายในบทความ แล้วขอใบเสนอราคาจากหลายเจ้าในระดับความละเอียดเดียวกัน และเปรียบเทียบด้วยยอดรวม 5 ปี

จะทดแทนการตรวจสอบด้วยสายตาได้ทั้งหมดเลยไหม

ในปัจจุบันยังไม่แนะนำให้วางแผนโดยตั้งเป้าเลิกใช้คนทั้งหมด โครงสร้างที่สมจริงคือ AI ตัดสินขั้นแรก แล้วให้คนตรวจซ้ำเฉพาะชิ้นที่ถูกตัดสินว่าไม่ผ่านหรืออยู่ในโซนสีเทา แม้เป็นแบบนี้ ถ้าสัดส่วนที่ต้องส่งไปตรวจซ้ำต่ำ ก็ลดกำลังคนได้มาก ในทางกลับกัน ถ้าอัตราการตัดสินของดีเป็นของเสียยังสูงอยู่ ผลประหยัดจะไม่เกิด จึงต้องใส่ทั้ง “เพดานอัตราการปล่อยหลุด” และ “เพดานสัดส่วนที่ส่งไปตรวจซ้ำ” ลงในข้อกำหนด นอกจากนี้ การตรวจจับความรู้สึกว่าผิดปกติและการรับมือกับตำหนิที่ไม่ได้คาดไว้ ยังเป็นบทบาทของคนไปอีกระยะ

ถ้ามีตัวอย่างชิ้นงานเสียน้อยมาก จะนำระบบมาใช้ได้ไหม

เป็นไปได้ แต่ต้องเปลี่ยนวิธี ถ้าใช้แบบเรียนรู้จากงานดีแล้วตรวจจับสิ่งที่ไม่เหมือนงานดี ก็เริ่มต้นได้แม้แทบไม่มีตัวอย่างของเสีย ข้อจำกัดคือแยกประเภทของตำหนิไม่ได้ และมีแนวโน้มตัดสินเกินจริงมากขึ้น อนึ่ง ความย้อนแย้งที่ว่ายิ่งควบคุมคุณภาพได้ดี อัตราของเสียยิ่งต่ำ และยิ่งเก็บตัวอย่างของเสียได้ยาก เป็นเรื่องที่ถูกชี้ไว้อย่างกว้างขวาง (Nsight) จึงไม่ใช่สถานการณ์ที่ผิดปกติแต่อย่างใด แนวทางที่ใช้ได้จริงคือเริ่มด้วยแบบตรวจจับความผิดปกติ สะสมตัวอย่างของเสียไประหว่างใช้งาน แล้วค่อยย้ายไปใช้แบบจำแนกประเภทเมื่อระบุชนิดได้แล้ว

ความแม่นยำต้องได้กี่เปอร์เซ็นต์ถึงจะถือว่าผ่าน

อย่าตัดสินด้วยอัตราความถูกต้องโดยรวม เพราะกระบวนการที่มีอัตราของเสีย 1% เพียงตอบว่าผ่านทุกชิ้นก็ได้ 99% แล้ว สิ่งที่ต้องดูคืออัตราการปล่อยของเสียหลุดและอัตราการตัดสินของดีเป็นของเสีย โดยกำหนดเพดานของแต่ละตัวจากเงื่อนไขของบริษัทเอง เพดานของอัตราการปล่อยหลุดคำนวณจากระดับที่ทำให้ “ความเสียหายต่อเคส x จำนวนที่ส่งมอบ” ยังอยู่ในวงเงินที่ยอมรับได้ ส่วนเพดานของสัดส่วนที่ส่งไปตรวจซ้ำคำนวณจากเป้าหมายการลดกำลังคน การเขียนสองตัวเลขนี้ลงในเกณฑ์ตรวจรับในสัญญาได้หรือไม่ คือสิ่งที่ชี้ขาดความสำเร็จของโครงการ

ควรเลือก machine vision แบบกำหนดกฎ หรือ AI

ถ้าเขียนเงื่อนไขการตัดสินเป็นตัวเลขได้ ใช้แบบกำหนดกฎก็เพียงพอ เพราะเร็วกว่า ถูกกว่า อธิบายง่ายกว่า และวิศวกรในโรงงานปรับค่าเกณฑ์เองได้ ส่วน AI จะจำเป็นเมื่องานดีมีความแปรปรวนสูง ตำหนิปรากฏไม่ซ้ำเดิม และเขียนเงื่อนไขไม่ได้ ในโรงงานส่วนใหญ่มีทั้งสองแบบปนกัน จึงมักลงเอยที่โครงสร้างผสม โดยใช้กฎเกณฑ์จัดการการหาตำแหน่งและตำหนิที่ชัดเจน แล้วส่งเฉพาะส่วนที่ตัดสินยากให้ AI ยิ่งจำกัดขอบเขตที่มอบให้ AI แคบเท่าไร ทีมในไทยก็ยิ่งดูแลระบบเองได้มากเท่านั้น

ตั้งแต่เริ่มจนใช้งานจริง ต้องเผื่อเวลาเท่าไร

แบ่งเป็นสี่เฟส คือนิยามปัญหา ทดสอบความเป็นไปได้ PoC และสร้างระบบจริง โดยรวมควรเผื่อไว้ประมาณหนึ่งปี ระยะเวลาผันแปรมากตามชนิดชิ้นงานและความยากของตำหนิ แต่แผนที่ตั้งว่า “ใช้งบปีนี้และเห็นผลภายในปีนี้” ไม่สมจริง โดยเฉพาะกรณีที่จะใช้สิทธิประโยชน์ BOI ซึ่งต้องยื่นขอให้เสร็จก่อนสั่งซื้อเครื่องจักร จึงต้องตรวจสอบตารางเวลาตั้งแต่เฟสแรกๆ

ถ้าในโรงงานไม่มีคนที่ทำ AI ด้านภาพเป็น จะใช้งานได้ไหม

ควรออกแบบโดยตั้งสมมติฐานตั้งแต่ต้นว่าไม่มี มีทางเลือกสามทาง หนึ่งคือเลือกเครื่องมือแบบไม่ต้องเขียนโค้ด ให้เจ้าหน้าที่ประกันคุณภาพเพิ่มรูปแล้วกดปุ่มเพื่อเทรนใหม่ได้เอง สองคือทำสัญญาบำรุงรักษาระยะไกลกับผู้ขาย โดยฝั่งโรงงานมีหน้าที่ส่งรูปเท่านั้น สามคือรวมศูนย์การจัดการโมเดลไว้ที่สำนักงานใหญ่หรือสำนักงานภูมิภาค ไม่ว่าเลือกทางใด ต้องระบุในตารางแบ่งบทบาทว่าใครเป็นผู้เทรนโมเดลใหม่ และกำหนดจำนวนครั้งต่อปีกับวิธีดำเนินการไว้ในสัญญาให้ชัดเจน

ถ้าใช้ BOI จะได้ยกเว้นภาษี 100% ใช่ไหม

คำถามที่ได้รับบ่อยที่สุดเกี่ยวกับ BOI ระบบอัตโนมัติคือข้อนี้ และคำตอบคือไม่ใช่ มาตรการ Smart and Sustainable Industry ให้สิทธิยกเว้นภาษีเงินได้นิติบุคคลเป็นสัดส่วน 50% ของเงินลงทุนเป็นพื้นฐาน จะเป็น 100% ได้เฉพาะกรณีที่นำระบบอัตโนมัติหรือหุ่นยนต์เข้ามาใช้ในสายการผลิต และจัดซื้อจากอุตสาหกรรมระบบอัตโนมัติในประเทศไทยไม่น้อยกว่า 30% ของมูลค่าเครื่องจักรที่ปรับปรุงใหม่ นอกจากนี้หลักเกณฑ์มีการปรับปรุงเป็นระยะ จึงควรตรวจสอบประกาศฉบับล่าสุดและปรึกษาที่ปรึกษาด้านภาษีหรือที่ปรึกษากฎหมายที่มีประสบการณ์ด้านการยื่นขอ BOI ก่อนตัดสินใจ

ถ้าหลังติดตั้งแล้วมีรุ่นสินค้าเพิ่ม จะเกิดอะไรขึ้น

ทุกครั้งที่เพิ่มรุ่น จะต้องเก็บภาพของรุ่นนั้นและเทรนโมเดลใหม่ สัญญาที่ไม่ได้คาดการณ์เรื่องนี้ไว้คือต้นตอของปัญหาในภายหลัง ควรระบุไว้ตั้งแต่ตอนทำสัญญาว่าค่าใช้จ่ายต่อการเพิ่ม 1 รุ่นเป็นเท่าไร ต้องใช้ภาพกี่ภาพ และใช้เวลาดำเนินการนานแค่ไหน สำหรับโรงงานในไทยที่รับคำสั่งผลิตจากบริษัทแม่ ซึ่งรุ่นที่ผลิตมีการโยกย้ายบ่อย ข้อสัญญาข้อนี้มีผลต่อต้นทุนระยะยาวอย่างมาก

สรุป: ลำดับการตัดสินใจสำคัญกว่าการเลือกเทคโนโลยี

ความผิดพลาดที่พบบ่อยที่สุดในการพิจารณาการตรวจสอบด้วย AI คือการเริ่มจากการเปรียบเทียบเทคโนโลยี ลำดับที่บทความนี้เสนอสรุปได้ดังนี้

1. คำนวณความเสียหายต่อของเสียที่หลุดออกไป 1 เคส จากข้อมูลจริงของบริษัทเอง
2. แยกต้นทุนรวมของการตรวจด้วยสายตาให้ครบ ไม่ใช่แค่ค่าแรงทางตรง โดยระบุให้ชัดว่าค่าจ้างขั้นต่ำเป็นอัตราต่อวันและแยกตามจังหวัด
3. ตรวจสอบความเป็นไปได้และจังหวะการยื่นขอสิทธิประโยชน์ BOI ตั้งแต่ก่อนสั่งซื้อเครื่องจักร และออกแบบสัดส่วนการจัดซื้อในประเทศเข้าไปในโครงสร้างของเครื่อง
4. เขียนเกณฑ์การตัดสินให้เป็นตัวเลขและภาพ จัดทำคู่มือสองภาษาที่ใช้ได้จริงหน้างาน
5. กำหนดผู้รับผิดชอบการเทรนโมเดลใหม่ โดยตั้งสมมติฐานว่าไม่มีผู้เชี่ยวชาญ AI ด้านภาพประจำที่โรงงาน
6. จำกัดชนิดของตำหนิเป้าหมาย และแยกให้ชัดว่าส่วนใดต้องใช้ AI ส่วนใดใช้กฎเกณฑ์ก็พอ
7. กำหนดเพดานอัตราการปล่อยของเสียหลุดและเพดานสัดส่วนที่ส่งไปตรวจซ้ำเป็นตัวเลข
8. ขอใบเสนอราคาที่แยกเป็น 6 หมวดจากหลายเจ้า และเปรียบเทียบด้วยยอดรวม 5 ปี
9. เลือกกลยุทธ์การได้มาซึ่งตัวอย่างของเสีย ระหว่างสะสม สร้างขึ้นมา และออกแบบให้เลี่ยง
10. กำหนดคีย์เชื่อมโยงข้อมูลการตรวจ และออกแบบการเชื่อมต่อกับระบบบริหารการผลิตและการสอบกลับ

ในบรรดาข้อเหล่านี้ ข้อ 4 เรื่องการเขียนเกณฑ์ให้เป็นเอกสาร และข้อ 5 เรื่องทีมที่จะดูแลระบบ คือสองข้อที่บทความจากต่างประเทศแทบไม่เน้น แต่กลับเป็นตัวชี้ขาดในโรงงานที่ประเทศไทย และทั้งสองข้อนี้มีคุณค่าในตัวเอง แม้สุดท้ายการลงทุนจะถูกเลื่อนออกไป การเริ่มจากสองข้อนี้จึงไม่ใช่การผัดผ่อนการตัดสินใจ แต่เป็นลำดับการทำงานที่สมเหตุสมผล

ตลาดระบบตรวจสอบด้วยภาพที่ใช้ AI ทั่วโลกถูกคาดการณ์ว่าจะเติบโตเฉลี่ยปีละ 23.3% และมีมูลค่า 85,240 ล้านดอลลาร์สหรัฐในปี ค.ศ. 2030 (พ.ศ. 2573) โดยเอเชียแปซิฟิกเป็นภูมิภาคที่เติบโตเร็วที่สุด (The Business Research Company, เดือนกรกฎาคม ค.ศ. 2026 / พ.ศ. 2569) อย่างไรก็ตาม การที่ตลาดโตไม่ใช่เหตุผลที่โรงงานของคุณต้องลงทุน เหตุผลที่แท้จริงอยู่ในตัวเลขความเสียหายและโครงสร้างต้นทุนของโรงงานคุณเอง

หากกำลังอยู่ในขั้นพิจารณาว่าจะนำ AI มาใช้กับการตรวจสอบชิ้นงาน และยังไม่แน่ใจว่าควรเริ่มจากตรงไหน หรือกระบวนการที่มีอยู่เข้าข่ายหรือไม่ ยินดีให้คำปรึกษาตั้งแต่ขั้นตอนการจัดระเบียบประเด็น โดยไม่จำเป็นต้องขอใบเสนอราคาก็ได้ ในฐานะผู้ให้บริการที่สนับสนุนการนำระบบบริหารการผลิตและงานไอทีสำหรับโรงงานมาใช้ในประเทศไทยและอาเซียน เรายินดีช่วยเรียบเรียงประเด็นบนพื้นฐานของสภาพหน้างานจริง ติดต่อได้ที่ แบบฟอร์มติดต่อสอบถาม