“การตรวจเสียงผิดปกติก่อนส่งมอบ ตอนนี้ให้พนักงานตรวจที่มีประสบการณ์ใส่หูฟังฟังแล้วตัดสินว่าผ่านหรือไม่ผ่าน แต่ละคนตัดสินไม่เหมือนกัน และการให้ฟังทั้งวันในไลน์ที่มีเสียงดังก็ถึงขีดจำกัดแล้ว ทุกครั้งที่ลูกค้าร้องเรียนเรื่องเสียงผิดปกติ เราต้องเขียนรายงาน 8D” ช่วงหลังมานี้ เราได้รับคำปรึกษาลักษณะนี้จากผู้จัดการฝ่ายคุณภาพของโรงงานมอเตอร์และโรงงานชุดขับเคลื่อนไฟฟ้า (electric unit) ของบริษัทญี่ปุ่นในประเทศไทยบ่อยขึ้น และทางเลือกที่ถูกยกขึ้นมาพิจารณาก็คือการนำ AI ตรวจเสียงผิดปกติมาใช้
ขอสรุปก่อนเลยว่า สิ่งที่ชี้ขาดความสำเร็จของการนำ AI ตรวจเสียงผิดปกติมาใช้ ไม่ใช่ความฉลาดของโมเดล AI แต่คือ “เสียงที่บันทึกได้ภายใต้เงื่อนไขเดียวกัน” และ “ข้อมูลคำตอบที่ถูกต้อง (ground truth) ซึ่งการตัดสินของคนสอดคล้องกันแล้ว” ก่อนที่ AI จะเข้ามาแทนหูของคน ทางลัดคือการนำ AI เข้ามาเป็นเครื่องมือวัดความแปรปรวนของการตัดสินของคนก่อน สิ่งที่ต้องตัดสินใจในการนำมาใช้สรุปได้เป็น 3 ข้อ คือ (1) กำหนดวิธีเก็บเสียงให้แน่นอนก่อน (2) ให้คนตัดสินคำตอบที่ถูกต้องให้ตรงกัน และ (3) ตัดสินผ่านหรือไม่ผ่านด้วยการทดสอบรับมอบ
อนึ่ง ตัวเลขจำนวนการผลิต จำนวนคน จำนวนครั้ง จำนวนเงิน และระยะเวลาคืนทุนของโรงงานที่ปรากฏในบทความนี้ ทั้งหมดเป็นค่าประมาณการและค่าสมมติ (ค่าที่ตั้งไว้ชั่วคราว) ที่บทความนี้จัดทำขึ้นเอง โดยอิงโรงงานต้นแบบที่จะอธิบายในภายหลัง ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรมและไม่ใช่ค่าจากการสำรวจ บทความนี้ไม่ได้ใช้ข้อมูลปฐมภูมิด้านราคาหรือผลลัพธ์จากผู้ขาย (vendor) ขอให้อ่านเป็น “แบบแผนการคำนวณ” ที่นำไปแทนค่าด้วยผลการดำเนินงานจริงและใบเสนอราคาของบริษัทท่านเอง
ทำไมการนำ AI ตรวจเสียงผิดปกติมาใช้จึงเป็นประเด็นในโรงงานไทยตอนนี้
ทางเลือกที่อ้างว่าทำให้การตรวจด้วยการฟังเป็นอัตโนมัติมีมากขึ้น
ในการตรวจก่อนส่งมอบของผลิตภัณฑ์ที่มีมอเตอร์ เกียร์ ปั๊ม หรือพัดลมประกอบอยู่ ยังคงมีกระบวนการจำนวนมากที่ให้คนฟังด้วยหูแล้วตัดสินผ่านหรือไม่ผ่าน ในช่วงไม่กี่ปีที่ผ่านมา มีการประกาศผลิตภัณฑ์และงานวิจัยที่ทำให้ “การตรวจด้วยประสาทสัมผัสทางการได้ยิน (auditory sensory inspection)” นี้เป็นอัตโนมัติออกมาอย่างต่อเนื่อง ด้านล่างนี้คือตัวอย่างทางเลือกในตลาดเท่าที่เราตรวจสอบได้ ไม่ใช่การแนะนำหรือการเปรียบเทียบราคา ตัวเลขประสิทธิภาพ รวมถึงรายการที่มีระบุไว้ ทั้งหมดเป็นการประกาศของฝั่งผู้ขาย และไม่ได้หมายความว่าไลน์ของบริษัทท่านจะได้ค่าเดียวกัน
| ผู้ประกาศ | ช่วงเวลา | เนื้อหา | ตัวเลขและลักษณะของข้อมูล |
|---|---|---|---|
| NTT DATA CCS “Monone” | กรกฎาคม 2026 (แนะนำในงานแสดงสินค้า) | มุ่งทำให้การตรวจด้วยประสาทสัมผัสทางการได้ยินก่อนส่งมอบของผลิตภัณฑ์ที่ติดตั้งมอเตอร์ ฯลฯ เป็นอัตโนมัติ เก็บเสียงด้วยไมโครโฟนเฉพาะแบบสัมผัส (contact type) เพื่อลดผลกระทบจากเสียงรบกวนรอบข้าง และตัดสินจากระดับความเบี่ยงเบนจากเสียงปกติที่ลงทะเบียนไว้ล่วงหน้า เชื่อมต่อกับ PLC เพื่อติดตั้งเข้าในไลน์ได้ | ตามรายงานข่าว “ตัดสินความผิดปกติได้เร็วที่สุด 3 วินาที” ซึ่งเป็นค่าที่เร็วที่สุด บทความไม่ได้ระบุความแม่นยำ จำนวนข้อมูลที่ต้องใช้ และราคา |
| Hmcomm “FAST-D” | เวอร์ชันเบตาปี 2018, Monitoring Edition ปี 2022 | การตรวจจับเสียงผิดปกติด้วย AI มีทั้ง edition สำหรับเฝ้าติดตามเครื่องจักรตลอดเวลา และ “edition ตัดสินดี/เสีย” สำหรับการตรวจคุณภาพผลิตภัณฑ์และเครื่องจักร ระบุการใช้งานว่า “ทำให้การตัดสินดี/เสียที่พึ่งพาช่างฝีมือมองเห็นได้และเป็นมาตรฐาน” | ตรวจสอบไม่พบตัวเลขผลลัพธ์ในการตรวจก่อนส่งมอบ |
| Hitachi, Ltd. | ประกาศเดือนตุลาคม 2020 | โซลูชันตรวจจับเสียงผิดปกติจากข้อมูลเสียง สำหรับการตรวจด้วยการเคาะ (hammering test) ของผลิตภัณฑ์และเสียงการทำงานของเครื่องจักร ส่วนสำหรับการตรวจผลิตภัณฑ์เริ่มให้บริการตั้งแต่เมษายน 2021 | ราคาเป็นการเสนอราคาเป็นรายกรณี และผ่านมาหลายปีแล้วนับจากการประกาศ |
| HBK “Discom” | เมษายน 2026 (รายงานโดยนิตยสารอุตสาหกรรม) | รวมเครื่องมือทดสอบ NVH (เสียงรบกวนและการสั่นสะเทือน) ที่ปลายไลน์ (End-of-Line: EOL) เข้ากับการวัดแรงบิด ครอบคลุม e-drive, ระบบส่งกำลัง (transmission), เกียร์บ็อกซ์, แบริ่ง ฯลฯ รวมถึง “big data/AI interface” | ไม่มีการระบุตัวเลขความแม่นยำ |
| HEAD acoustics | พฤศจิกายน 2024 | ระบบทดสอบ EOL ที่ผสาน measurement front-end “AQuire V4” เข้ากับซอฟต์แวร์วิเคราะห์ที่รองรับ AI “conTEST” ตัดสินผ่านหรือไม่ผ่านแบบเรียลไทม์จากการวัดการสั่นสะเทือนและเสียง | ไม่มีการระบุตัวเลขความแม่นยำ |
| FPT (เวียดนาม) “SoundAI” | พฤศจิกายน 2025 | ได้รับสิทธิบัตรสหรัฐฯ สำหรับเทคโนโลยีโครงข่ายประสาทเทียมที่ใช้ตรวจจับความผิดปกติทางเสียง บริษัทระบุว่าได้นำไปใช้แล้วในอุตสาหกรรมการผลิตและยานยนต์ เช่น การตรวจสภาพความสมบูรณ์ของผลิตภัณฑ์ | ตามบทความที่รายงานการประกาศของบริษัท “อัตราการตรวจจับเกิน 95%” ไม่เปิดเผยเงื่อนไขการทดสอบ เช่น ผลิตภัณฑ์เป้าหมาย ปริมาณข้อมูล อัตราการแจ้งเตือนผิด |
ฝั่งงานวิจัยก็มีความเคลื่อนไหวเช่นกัน ในเดือนสิงหาคม 2026 มีงานวิจัยที่ตรวจจับความผิดปกติจากข้อมูลการสั่นสะเทือน EOL ของชุดประกอบ e-transaxle สำหรับ EV โดยแยกตามช่วงการทำงาน (operating stage) ถูกส่งขึ้น arXiv รายงานระบุว่าการระบุความผิดปกติให้แคบลงถึงเงื่อนไขการทำงานเฉพาะได้ ช่วยในการวิเคราะห์หาสาเหตุราก (root cause) อย่างไรก็ตาม งานนี้เป็นพรีปรินต์ (preprint) ที่ยังไม่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิ (peer review) และในบทคัดย่อ (abstract) ไม่มีตัวเลขความแม่นยำที่เป็นรูปธรรม
สิ่งที่ควรเข้าใจตรงนี้คือ ตัวเลขและคำอธิบายเหล่านี้ไม่สามารถเปรียบเทียบด้วยไม้บรรทัดเดียวกันได้ “เร็วที่สุด 3 วินาที” คือค่าที่เร็วที่สุดของเวลาในการตัดสิน ส่วน “เกิน 95%” คืออัตราการตรวจจับที่ไม่ได้เปิดเผยเงื่อนไข ไม่มีตัวเลขใดตอบคำถามว่า “สำหรับรหัสผลิตภัณฑ์นี้ของบริษัทเรา จะมีการตรวจหลุดกี่ตัว และตรวจจับเกินกี่ตัว” ด้วยเหตุนี้บริษัทจึงจำเป็นต้องสร้างไม้บรรทัดสำหรับเปรียบเทียบขึ้นเอง ไม้บรรทัดนั้นก็คือชุดประเมิน (evaluation set) และการทดสอบรับมอบที่จะอธิบายต่อไป
การผลิตรถยนต์ของไทยมีสัญญาณฟื้นตัว ขณะที่ข้อกำหนดเข้มงวดขึ้น
ตามข้อมูลของสภาอุตสาหกรรมแห่งประเทศไทย (FTI) การผลิตรถยนต์ของไทยในเดือนสิงหาคม 2026 อยู่ที่ 124,646 คัน เพิ่มขึ้น 10.93% เมื่อเทียบกับเดือนเดียวกันของปีก่อน ยอดขายในประเทศเพิ่มขึ้น 25.59% และการส่งออกลดลง 2.04% เมื่อเทียบกับเดือนเดียวกันของปีก่อน การผลิตเดือนกรกฎาคมก็อยู่ที่ 117,383 คัน เพิ่มขึ้น 6.12% เมื่อเทียบกับเดือนเดียวกันของปีก่อน พลิกกลับจากเดือนมิถุนายนที่ลดลง 7.55% เมื่อเทียบกับเดือนเดียวกันของปีก่อน ในอีกด้านหนึ่ง FTI คาดการณ์ว่าการผลิตตลอดปี 2026 จะลดลง 3.33% โดยให้เหตุผลว่าการส่งออกลดลงจากความขัดแย้งในตะวันออกกลาง
เมื่อปริมาณการผลิตกลับมา บางครั้งการจัดหาพนักงานตรวจก็ตามไม่ทัน นอกจากนี้ กระแสการใช้ไฟฟ้าในยานยนต์ (electrification) ทำให้ข้อกำหนดด้านเสียงการทำงานของชิ้นส่วนเข้มงวดขึ้น บทความทางเทคนิคของ AISIN อธิบายภูมิหลังว่า การใช้ไฟฟ้าในรถยนต์ทำให้ห้องโดยสารเงียบลง จึงมีข้อกำหนดด้านเสียงการทำงานของชิ้นส่วนสูงขึ้น
รูปแบบการทำงานที่ “ให้คนฟัง” ในไลน์ที่มีเสียงดังกำลังถูกตั้งคำถาม
อีกเหตุผลหนึ่งคือสุขภาพของพนักงานตรวจ ประเทศไทยมีกฎกระทรวงและประกาศที่ควบคุมการสัมผัสเสียงดัง โดยมีเกณฑ์กำหนดให้ระดับเสียงเฉลี่ยตลอด 8 ชั่วโมงไม่เกิน 85 dB(A) (รายละเอียดอยู่ด้านล่าง) รูปแบบการทำงานที่ต้องใส่หูฟังฟังต่อเนื่องเป็นเวลานานในไลน์ที่มีเสียงดังจึงมีเหตุผลให้ทบทวนทั้งในด้านคุณภาพและด้านความปลอดภัยและอาชีวอนามัย
AI ตรวจเสียงผิดปกติคืออะไร: กลไกที่เรียนรู้เสียงปกติแล้วค้นหา “เสียงที่ต่างไปจากปกติ”
สมมติฐานที่ว่า เสียงของผลิตภัณฑ์เสียรวบรวมได้ยาก
แนวคิดพื้นฐานของ AI ตรวจเสียงผิดปกติมาจาก Task 2 ของการแข่งขันงานวิจัยด้านเสียง “DCASE” ใน Task 2 ปี 2020 “การตรวจจับเสียงผิดปกติแบบไม่มีผู้สอน (unsupervised) เพื่อการเฝ้าติดตามสภาพเครื่องจักร” ข้อมูลสำหรับการเรียนรู้ที่แจกให้มีเพียงเสียงปกติเท่านั้น เหตุผลคือเสียงผิดปกติจริง “เกิดขึ้นน้อยมากและยังมีหลากหลายชนิดมาก” ครั้งนั้นมีผลงานส่งเข้าร่วม 117 ชิ้นจาก 40 ทีม
การตรวจก่อนส่งมอบในโรงงานก็เช่นเดียวกัน แม้ข้อบกพร่องจะมีหลายชนิด เช่น รอยที่แบริ่ง รอยกระแทกที่เกียร์ สิ่งแปลกปลอมติดเข้าไป เสียงแปรงถ่านดัง (brush noise) แต่ผลิตภัณฑ์เสียของแต่ละชนิดแทบจะหาไม่ได้ AI จึงเรียนรู้เสียงของผลิตภัณฑ์ปกติเป็นหลักในปริมาณมาก แล้วแปลงเป็นตัวเลข (ค่าความผิดปกติ หรือ anomaly score) ว่าเสียงเบี่ยงเบนจาก “เสียงตามปกติ” มากเพียงใด หากค่าความผิดปกติเกินค่าเกณฑ์ (threshold) ก็ตัดสินว่า NG จุดที่ไม่ได้ให้ AI จดจำเสียงของผลิตภัณฑ์เสียทีละชนิด เป็นจุดที่ต่างจากการตรวจลักษณะภายนอกด้วยภาพซึ่งรวบรวมภาพผลิตภัณฑ์เสียมาให้เรียนรู้ แนวคิดฝั่งภาพได้สรุปไว้ใน “คู่มือการนำ AI ตรวจสอบลักษณะภายนอกมาใช้“
ชุดข้อมูลสำหรับงานวิจัยและเนื้อหาภายใน
งานวิจัยในสาขานี้ใช้ชุดข้อมูลสาธารณะมาโดยตลอด
- MIMII Dataset: ชุดข้อมูลเสียงเครื่องจักรอุตสาหกรรมที่นักวิจัยของ Hitachi, Ltd. เผยแพร่ ครอบคลุมเครื่องจักร 4 ประเภท ได้แก่ วาล์ว ปั๊ม พัดลม และรางเลื่อน (slide rail) มีเสียงปกติ 5000 ถึง 10000 วินาทีต่อหนึ่งรุ่น และเสียงผิดปกติประมาณ 1000 วินาที มีการผสมเสียงรบกวนพื้นหลังที่บันทึกจากโรงงานจริง และเตรียมเงื่อนไขอัตราส่วนสัญญาณต่อสัญญาณรบกวน (SNR) 3 แบบ คือ -6 dB, 0 dB และ 6 dB กล่าวคือ การ “แยกแยะเสียงผิดปกติท่ามกลางเสียงรบกวนในโรงงาน” นั้นเองเป็นโจทย์วิจัย
- ToyADMOS: ชุดข้อมูลที่เก็บเสียงผิดปกติโดยตั้งใจทำให้เครื่องจักรจำลองขนาดเล็กเสียหาย จากปัญหาที่ว่าการเก็บข้อมูลเสียงผิดปกติทำได้ยากและเป็นอุปสรรคต่อการสร้างชุดข้อมูลขนาดใหญ่ มีเสียงการทำงานปกติมากกว่า 180 ชั่วโมง และตัวอย่างเสียงผิดปกติมากกว่า 4,000 ตัวอย่าง
- ToyADMOS2: ชุดข้อมูลสำหรับประเมินการตรวจจับเสียงผิดปกติภายใต้เงื่อนไข “domain shift” ที่เกิดจากความแตกต่างของความเร็วการทำงาน ตำแหน่งไมโครโฟน และรุ่นของเครื่องจักร มีตัวอย่างเสียงปกติมากกว่า 27,000 ตัวอย่าง และเสียงผิดปกติมากกว่า 8,000 ตัวอย่าง
จุดเน้นของงานวิจัยคือ “เมื่อเงื่อนไขเปลี่ยน” และ “เครื่องจักรประเภทที่พบครั้งแรก”
Task 2 ของ DCASE เพิ่มเงื่อนไขที่ใกล้ความเป็นจริงในโรงงานมากขึ้นทุกปี ในปี 2023 มีการนำโจทย์แบบ “first-shot” มาใช้เป็นครั้งแรก ในปี 2024 กำหนดให้ระบบต้องทำงานได้ทั้งกรณีที่ใช้ข้อมูลคุณลักษณะ (attribute) เช่น เงื่อนไขการทำงานได้ และกรณีที่ข้อมูลดังกล่าวถูกซ่อนไว้โดยเจตนาสำหรับเครื่องจักรบางประเภท
Task 2 ปี 2025 วางสมมติฐานไว้อย่างชัดเจนว่า ในโรงงานความผิดปกติเกิดขึ้นน้อยและหลากหลาย จึงเรียนรู้โมเดลด้วยเสียงปกติเท่านั้น ข้อมูลสำหรับพัฒนาของแต่ละประเภทเครื่องจักรมีเพียงเสียงปกติภายใต้เงื่อนไขเดิม (source domain) 990 คลิป และเสียงปกติหลังเงื่อนไขเปลี่ยน (target domain) 10 คลิปเท่านั้น domain shift ระบุว่าเกิดจากความแตกต่างของความเร็วการทำงาน ชนิดของเสียงรบกวน ภาระ (load) ของเครื่องจักร และตำแหน่งไมโครโฟน เป็นต้น ส่วน “first-shot” คือการตั้งโจทย์ว่าอาจต้องเผชิญกับเครื่องจักรประเภทใหม่ทั้งหมด จึงไม่สามารถดูข้อมูลทดสอบแล้วปรับพารามิเตอร์ได้ รายชื่อผู้จัดมีนักวิจัยจาก Hitachi, Ltd. และ NTT เป็นต้น
เมื่อเทียบกับโรงงาน หมายความว่าทันทีที่ “เปลี่ยนรหัสผลิตภัณฑ์” “เปลี่ยนไมโครโฟน” หรือ “เครื่องจักรข้างเคียงเริ่มทำงาน” การตัดสินของ AI ก็อาจรวนได้ และไม่มีเวลามากพอที่จะเก็บเสียงปกติจำนวนมากใหม่ทุกครั้ง โจทย์ของงานวิจัยจึงเป็นโจทย์ของการใช้งานหลังนำมาใช้ด้วยเช่นกัน
ตัวชี้วัดของงานวิจัยไม่ใช่เกณฑ์ผ่านหรือไม่ผ่านของโรงงาน
ตัวชี้วัดการประเมินของ DCASE คือ AUC และ pAUC (AUC ในช่วงที่อัตราผลบวกลวง (false positive rate) ไม่เกิน 0.1) และคะแนนทางการตั้งแต่ปี 2023 เป็นต้นมาคือค่าเฉลี่ยฮาร์มอนิกของทั้งสอง นี่เป็นตัวชี้วัดของการแข่งขันงานวิจัยเพื่อเปรียบเทียบวิธีการต่าง ๆ สิ่งที่โรงงานต้องการรู้คือ “เมื่อตั้งค่าเกณฑ์ไว้ที่ตรงนี้ จะตรวจหลุดผลิตภัณฑ์เสียที่ทราบอยู่แล้วกี่ตัว และตัดสินผลิตภัณฑ์ดีเป็น NG กี่ตัว” ค่า AUC ที่สูงไม่ได้ตอบคำถามนี้ ในขั้นตอนการสั่งซื้อ ให้ตัดสินผ่านหรือไม่ผ่านด้วยจำนวนการตรวจหลุดและอัตราการตรวจจับเกินที่นับจากชุดประเมินของบริษัทเอง ไม่ใช่ด้วย AUC
สิ่งที่ AI ทำได้และทำไม่ได้
| มุมมอง | สิ่งที่คาดหวังได้ | สิ่งที่คาดหวังได้ยาก |
|---|---|---|
| ความสม่ำเสมอของการตัดสิน | ให้ค่าความผิดปกติเท่าเดิมสำหรับเสียงเดียวกัน การตัดสินไม่เปลี่ยนตามความเหนื่อยล้าหรือสภาพร่างกาย | หากเงื่อนไขการบันทึกเสียงเปลี่ยน แม้เป็นชิ้นเดียวกันค่าความผิดปกติก็เปลี่ยน |
| ข้อมูลของเสีย | เริ่มเรียนรู้โดยเน้นเสียงปกติเป็นหลักได้ | พิสูจน์ว่า “ไม่ตรวจหลุด” โดยไม่มีผลิตภัณฑ์เสียที่ทราบอยู่แล้ว |
| ข้อบกพร่องที่ไม่เคยพบ | มีโอกาสจับได้ว่า “ต่างไปจากปกติ” | ระบุโดยอัตโนมัติว่าเป็นข้อบกพร่องชนิดใด (แบริ่งหรือเกียร์) |
| การบันทึก | เก็บรูปคลื่นและผลการตัดสินแยกตามหมายเลขซีเรียลได้ | ทำซ้ำเกณฑ์การตัดสินที่เคยพึ่งความจำของคนได้เอง โดยไม่ต้องทำอะไรเลย |
ข้อจำกัดของการตรวจด้วยประสาทสัมผัสทางการได้ยิน และ “การวัดความสอดคล้องของการตัดสิน” ที่ต้องทำก่อนมี AI
ปัญหาของการตรวจที่พึ่งพาหูของผู้ชำนาญ
บทความทางเทคนิคของ AISIN เรื่อง “การพัฒนาวิธีตรวจเสียงการทำงานของผลิตภัณฑ์แบบใหม่” ระบุว่า ในการตรวจเสียงการทำงานของชิ้นส่วนยานยนต์ มีการใช้การตรวจด้วยประสาทสัมผัส (sensory inspection) โดยการฟังของพนักงานตรวจที่ชำนาญอย่างแพร่หลาย และเนื่องจากปัญหาด้านชั่วโมงงาน ภาระของพนักงานตรวจ และการถ่ายทอดทักษะ จึงต้องการการประเมินเชิงปริมาณและระบบอัตโนมัติ บทความดังกล่าวจำแนกเสียงผิดปกติออกเป็น 7 ชนิด และรายงานวิธีตรวจจับ “เสียงผิดปกติที่ความถี่ของเสียงการทำงานเปลี่ยนแปลง” ซึ่งตรวจจับได้ยากด้วยวิธีเดิม ด้วยการประมวลผลสัญญาณแบบการวิเคราะห์เซปสตรัม (cepstrum analysis) และการวิเคราะห์สันเวลา-ความถี่ (time-frequency ridge analysis) โปรดสังเกตว่าเนื้อหานี้ไม่ใช่การตรวจจับด้วย AI แบบการเรียนรู้ของเครื่อง (machine learning) ถึงกระนั้น ท่าทีที่ตัดสินใจก่อนว่า “จะจับเสียงอะไร และนิยามอย่างไร” ก็นำมาใช้อ้างอิงในการนำ AI มาใช้ได้โดยตรง
สำหรับวิธีการประเมินด้วยประสาทสัมผัสของคน มีมาตรฐาน JIS Z 9080:2004 “การวิเคราะห์การประเมินด้วยประสาทสัมผัส – วิธีการ” ซึ่งกำหนดวิธีการต่าง ๆ เช่น การทดสอบแบบคู่ (paired comparison test) การทดสอบแบบสามตัวอย่าง (triangle test) และวิธีการจัดลำดับ (ranking method) และในการแก้ไขปี 2004 ได้ปรับให้สอดคล้องกับมาตรฐานสากลโดยอิงมาตรฐาน ISO อย่างไรก็ตาม มาตรฐานนี้เป็นมาตรฐาน “วิธีการประเมิน” ที่มุ่งเน้นการประเมินด้วยประสาทสัมผัสของอาหารเป็นหลัก ไม่ได้กำหนดเกณฑ์ผ่านหรือไม่ผ่านของการตรวจเสียงผิดปกติ
เกณฑ์ที่การตัดสินของคนยังไม่สอดคล้องกัน AI ก็ทำซ้ำไม่ได้
นี่คือประเด็นที่บทความนี้ต้องการสื่อมากที่สุด เมื่อให้ AI เรียนรู้หรือประเมิน AI ป้ายกำกับคำตอบที่ถูกต้องว่า “ชิ้นนี้ OK ชิ้นนี้ NG” นั้นคนเป็นผู้ติดให้ แต่หากการตัดสินของคนแตกต่างกันไปตามพนักงานตรวจ หรือแม้แต่คนเดียวกันก็ตัดสินต่างกันในแต่ละวัน AI ก็ไม่รู้ว่าควรยึดตามฝั่งไหน การวัดความแม่นยำของ AI ในสภาพที่คำตอบที่ถูกต้องยังไม่นิ่ง ตัวเลขที่ได้ก็ไม่มีความหมาย
อนึ่ง เราไม่พบตัวเลขที่น่าเชื่อถือซึ่งอ้างอิงเป็นค่าตัวแทนของอุตสาหกรรมได้ สำหรับอัตราการตรวจหลุดของการตรวจด้วยการฟังของคน หรืออัตราความสอดคล้องระหว่างพนักงานตรวจ ด้วยเหตุนี้ จึงไม่มีทางอื่นนอกจากบริษัทต้องวัดตัวเลขของตนเอง
วัดการตรวจในปัจจุบันด้วยการวิเคราะห์ความสอดคล้องเชิงคุณลักษณะ (ค่าสัมประสิทธิ์แคปปา)
วิธีวัดที่ใช้ได้คือ “การวิเคราะห์ความสอดคล้องเชิงคุณลักษณะ (Attribute Agreement Analysis)” ที่ใช้ในงานควบคุมคุณภาพ ซึ่งประเมิน 3 ด้านต่อไปนี้สำหรับการตัดสินแบบ OK/NG (ข้อมูลเชิงคุณลักษณะ)
- เมื่อพนักงานตรวจคนเดิมตัดสินชิ้นเดิมหลายครั้ง ได้คำตอบเดิมหรือไม่ (ความสม่ำเสมอภายในพนักงานตรวจแต่ละคน)
- คำตอบระหว่างพนักงานตรวจแต่ละคนตรงกันหรือไม่ (ความสอดคล้องระหว่างพนักงานตรวจ)
- คำตอบตรงกับมาตรฐาน (คำตอบที่ถูกต้อง) หรือไม่ (ความสอดคล้องกับมาตรฐาน)
ระดับความสอดคล้องแสดงด้วยค่าสัมประสิทธิ์แคปปา (Kappa) ค่าแคปปาอยู่ระหว่าง -1 ถึง +1 โดย 1 คือสอดคล้องกันสมบูรณ์ และ 0 คือสอดคล้องกันในระดับเดียวกับความบังเอิญ หน้าช่วยเหลือของซอฟต์แวร์สถิติ Minitab อธิบายว่า AIAG (องค์กรของอุตสาหกรรมยานยนต์สหรัฐฯ) ระบุว่า “ค่าแคปปาตั้งแต่ 0.75 ขึ้นไปแสดงถึงความสอดคล้องที่ดี และค่าที่สูงกว่านั้น เช่น 0.90 เป็นที่พึงประสงค์” หน้าช่วยเหลือเดียวกันยังเตือนด้วยว่า แม้การตัดสินจะสม่ำเสมอ ก็ไม่ได้หมายความว่าการตัดสินนั้นถูกต้องเสมอไป
IATF 16949 กำหนดให้ทำการวิเคราะห์ระบบการวัด (MSA) สำหรับระบบการตรวจ การวัด และการทดสอบที่ระบุอยู่ใน control plan แนวคิดของบทความนี้คือ หากการตรวจเสียงผิดปกติด้วยหูของคนเป็นการตรวจที่อยู่ใน control plan ก็อาจเป็นเป้าหมายของ MSA เชิงคุณลักษณะ (attribute MSA) ได้เช่นกัน กล่าวอีกนัยหนึ่ง การเตรียมนำ AI มาใช้เริ่มต้นจาก MSA ของการตรวจด้วยการฟัง ซึ่งโดยหลักแล้วควรทำอยู่แล้ว ขั้นตอนที่เป็นรูปธรรมมีดังนี้
- เตรียมตัวอย่างที่ผสมผลิตภัณฑ์ปกติ ตัวอย่างขอบเขต (limit sample หรือชิ้นที่อยู่บนเส้นแบ่งผ่านหรือไม่ผ่าน) และผลิตภัณฑ์เสียที่ทราบอยู่แล้ว
- ให้พนักงานตรวจ 3 คนฟังคนละ 2 ถึง 3 รอบโดยสลับลำดับ แล้วบันทึกผล OK/NG
- คำนวณความสอดคล้องภายในพนักงานตรวจ ระหว่างพนักงานตรวจ และกับมาตรฐาน ด้วยค่าสัมประสิทธิ์แคปปา นำชิ้นที่ตัดสินไม่ตรงกันมาให้ทุกคนฟังใหม่ แล้วนิยามเกณฑ์ใหม่ด้วยถ้อยคำและตัวอย่างจริง
งานนี้ทำให้ได้ข้อมูลคำตอบที่ถูกต้องว่า “จะให้ AI เรียนรู้อะไร และประเมินด้วยอะไร” เป็นครั้งแรก ขั้นตอนการสร้างป้ายกำกับคำตอบที่ถูกต้องในการตรวจด้วยภาพได้อธิบายไว้ใน “ขั้นตอนการทำ annotation สำหรับการตรวจลักษณะภายนอก” แนวคิดสำหรับเสียงก็เหมือนกัน
วิธีเก็บเสียงคือ 90% ของงาน: บูธตรวจ จิ๊ก ไมโครโฟน และเงื่อนไขการทำงาน

ความแม่นยำของ AI ตรวจเสียงผิดปกติส่วนใหญ่ถูกกำหนดตั้งแต่ขั้น “บันทึกเสียงอย่างไร” ก่อนการเลือกโมเดล เนื่องจาก AI ค้นหาความเบี่ยงเบนจากเสียงปกติ แม้สาเหตุของความเบี่ยงเบนจะไม่ได้มาจากผลิตภัณฑ์ แต่มาจากเสียงรบกวนรอบข้างหรือวิธีวางที่ต่างกัน AI ก็จะตัดสินว่า “ต่างไปจากปกติ” เช่นเดียวกัน
บูธตรวจ: ไม่ให้เสียงรบกวนในโรงงานเข้ามา
เสียงรบกวนในโรงงาน เช่น เครื่องเพรสข้างเคียง การเป่าลม สายพานลำเลียง หรือเสียงเตือนของรถยก (โฟล์คลิฟท์) บางครั้งดังกว่าเสียงผิดปกติเล็ก ๆ ของผลิตภัณฑ์มาก หลักพื้นฐานคือใส่ผลิตภัณฑ์ไว้ในบูธตรวจที่เก็บเสียงและป้องกันการสั่นสะเทือน เพื่อไม่ให้เสียงจากภายนอกเข้ามาในการบันทึก ควรตรวจสอบการเปิดปิดประตูและการสั่นสะเทือนที่ส่งผ่านจากพื้นบูธด้วย ผลิตภัณฑ์ของผู้ขายบางรายใช้แนวทางลดผลกระทบจากเสียงรบกวนรอบข้างด้วยไมโครโฟนแบบสัมผัส ไม่ว่าจะใช้วิธีใด ต้องตรวจสอบในการทดสอบรับมอบให้ได้ว่า “เมื่อเปลี่ยนเงื่อนไขเสียงรบกวนแล้ว การตัดสินเปลี่ยนไปอย่างไร”
จิ๊ก: วางชิ้นงานแบบเดียวกันทุกครั้ง
เสียงจะเปลี่ยนไปตามตำแหน่ง ทิศทาง และแรงที่ใช้ยึดผลิตภัณฑ์ ใช้จิ๊ก (jig) กำหนดตำแหน่งและแรงยึดให้เท่ากัน เพื่อให้บันทึกได้ในสภาพเดียวกันแม้ผู้ปฏิบัติงานจะเปลี่ยนคน เสียงอาจเปลี่ยนเพราะจิ๊กสึกหรอหรือยางเสื่อมสภาพ จึงควรกำหนดรอบการตรวจเช็กไว้ด้วย
ไมโครโฟนและเซนเซอร์: กำหนดตำแหน่งและชนิดให้คงที่ และสอบเทียบ
กำหนดชนิดไมโครโฟน (ไมโครโฟนรับเสียงที่ส่งผ่านอากาศ แบบสัมผัส หรือเซนเซอร์วัดการสั่นสะเทือน) ระยะห่างจากผลิตภัณฑ์ และทิศทางให้คงที่ โดยถือว่าเมื่อเปลี่ยนไมโครโฟนแล้วคุณลักษณะของเสียงจะเปลี่ยน และกำหนดขั้นตอนการตรวจสอบหลังเปลี่ยนไว้ แนวคิดในการเลือกเซนเซอร์สามารถดูเพิ่มเติมได้ที่ “วิธีเลือกเซนเซอร์ตรวจจับความผิดปกติ (การสั่นสะเทือน เสียง กระแสไฟฟ้า)“
เงื่อนไขการทำงาน: กำหนดความเร็วรอบ ภาระ และทิศทางการหมุน
แม้เป็นมอเตอร์ตัวเดียวกัน เสียงก็เปลี่ยนไปมากตามความเร็วรอบ ภาระ และการหมุนตามทิศหรือหมุนกลับทิศ กำหนดรูปแบบการเดินเครื่องสำหรับการตรวจ (เช่น ช่วงเริ่มเดิน ความเร็วคงที่ ลดความเร็ว และหมุนกลับทิศ) แล้วเดินเครื่องด้วยรูปแบบเดิมทุกครั้ง เมื่อดูแยกตามช่วง จะรู้ว่าความผิดปกติเกิดขึ้นในเงื่อนไขใด ซึ่งช่วยในการวิเคราะห์สาเหตุด้วย แนวคิดนี้สอดคล้องกับงานวิจัย e-transaxle ที่กล่าวถึงก่อนหน้า สำหรับผลิตภัณฑ์อย่างเกียร์ทดรอบ (reducer) ที่เสียงจากการขบกันของเฟืองเป็นปัญหา ได้สรุปด้านโครงสร้างไว้ใน “คู่มือการเลือกเกียร์ทดรอบ“
เขียนเงื่อนไขการบันทึกเสียงให้เป็น “ข้อกำหนด”
เงื่อนไขทั้งหมดข้างต้นจะอยู่ได้ไม่นานหากเป็นเพียงข้อตกลงด้วยวาจา ให้เขียนข้อกำหนดของบูธ แบบของจิ๊ก รุ่นและตำแหน่งของไมโครโฟน รูปแบบการเดินเครื่อง และเงื่อนไขการสุ่มตัวอย่างสัญญาณ (sampling rate ฯลฯ) ไว้ทั้งในมาตรฐานการปฏิบัติงานและข้อกำหนดการสั่งซื้อ ใน RFP 12 หัวข้อที่จะกล่าวถึงภายหลัง มี 3 หัวข้อที่เกี่ยวกับ “วิธีเก็บเสียง” นี้
การออกแบบการตัดสิน: การตัดสินขั้นแรกโดย AI และการตัดสินซ้ำโดยคน แนวคิดเรื่องการตรวจหลุดและการตรวจจับเกิน
นับการตรวจหลุดและการตรวจจับเกินแยกกัน
ความผิดพลาดของการตรวจเสียงผิดปกติมี 2 ชนิด คือ “การตรวจหลุด (miss)” ที่ตัดสินผลิตภัณฑ์เสียเป็น OK และ “การตรวจจับเกิน (over-detection)” ที่ตัดสินผลิตภัณฑ์ดีเป็น NG การตรวจหลุดนำไปสู่ข้อร้องเรียนจากลูกค้าและปัญหาในตลาด ส่วนการตรวจจับเกินเพิ่มภาระการตรวจซ้ำและการถอดชิ้นส่วนตรวจสอบ หากลดค่าเกณฑ์ของค่าความผิดปกติของ AI การตรวจหลุดจะลดลงแต่การตรวจจับเกินจะเพิ่มขึ้น หากเพิ่มค่าเกณฑ์ก็จะเป็นในทางกลับกัน ตัวเลขเดียวอย่าง “ความแม่นยำ xx%” ไม่แสดงให้เห็น trade-off นี้ จึงต้องนับทั้งสองค่าแยกกันเสมอ
คิดบทบาทของ AI เป็น 2 ขั้น
รูปแบบการนำมาใช้แบ่งได้กว้าง ๆ เป็น 2 แบบ
- รูปแบบ A (การตัดสินซ้อนสองชั้น): คงการตรวจด้วยการฟังของคนไว้ตามเดิม แล้วติดตั้ง AI ควบคู่เพื่อป้องกันการตรวจหลุด แม้คนจะตัดสินว่า OK แต่หาก AI ตัดสินว่า NG ก็หยุดชิ้นนั้นไว้
- รูปแบบ B (การตัดสินขั้นแรก): AI ตัดสินขั้นแรกทุกชิ้น (100%) และคนตัดสินซ้ำเฉพาะชิ้นที่ AI ตัดสินว่า NG เนื่องจากคนไม่ได้ฟังทุกชิ้นอีกต่อไป รูปแบบ B เพียงลำพังจึงมีความเสี่ยงต่อการตรวจหลุดสูงกว่ารูปแบบ A ดังนั้นการผ่านเกณฑ์ด้วยชุดประเมินจึงเป็นเงื่อนไขเบื้องต้น
รูปแบบ B ลดชั่วโมงงานของคนได้มาก แต่การตรวจหลุดของ AI จะกลายเป็นการหลุดรอดออกไปโดยตรง ดังนั้นการเปลี่ยนไปใช้รูปแบบ B ควรทำหลังจากผ่านเกณฑ์ด้วยชุดประเมิน และใช้งานรูปแบบ A ไประยะหนึ่งเพื่อยืนยันผลจริงแล้ว หากถอนคนออกทันทีก่อนผ่านเกณฑ์ การตรวจหลุดอาจเพิ่มขึ้น
ต้องคงเส้นทางการตัดสินซ้ำโดยคนไว้เสมอ
ไม่ว่ารูปแบบใด ให้จัดเตรียม “สถานีตัดสินซ้ำ (re-judgment station)” และหน้าจอที่คนสามารถฟังชิ้นที่ AI ตัดสินว่า NG ใหม่ และดูรูปคลื่นหรือสเปกตรัมประกอบการตัดสินได้ เมื่อคนกลับคำตัดสินของ AI ให้บันทึกเหตุผล แล้วนำไปใช้ในการเรียนรู้ใหม่ (retraining) หรือการทบทวนค่าเกณฑ์ หากไม่มีบันทึกนี้ หน้างานจะไม่เชื่อถือการตัดสินของ AI และในที่สุดก็จะเพิกเฉยต่อมัน
เก็บรูปคลื่นและผลการตัดสินโดยผูกกับหมายเลขซีเรียล
เมื่อลูกค้าร้องเรียนเรื่องเสียงผิดปกติ หากดึงเสียงและผลการตัดสินขณะส่งมอบของผลิตภัณฑ์ชิ้นนั้นออกมาได้ ความเร็วในการสืบหาสาเหตุจะเปลี่ยนไปมาก ให้เก็บรูปคลื่น ค่าความผิดปกติ ผลการตัดสิน และผลการตัดสินซ้ำแยกตามหมายเลขซีเรียล และเชื่อมกับ MES หรือระบบข้อมูลคุณภาพ การออกแบบการจัดเก็บดูเพิ่มเติมได้ที่ “วิธีเลือกระบบบริหารข้อมูลคุณภาพ” ส่วนบทบาทในฐานะด่านสุดท้ายก่อนส่งมอบ ได้กล่าวไว้ใน “การป้องกันของเสียหลุดรอดและด่านตรวจก่อนส่งมอบ“
ต้นทุนและ ROI ของ AI ตรวจเสียงผิดปกติ: การประมาณการด้วยโรงงานต้นแบบ

จากนี้ไปเป็นการประมาณการด้วยโรงงานต้นแบบ ตัวเลขทั้งหมดต่อไปนี้เป็นค่าประมาณการและค่าสมมติ (ค่าที่ตั้งไว้ชั่วคราว) ที่บทความนี้จัดทำขึ้นเอง ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรมและไม่ใช่ค่าจากการสำรวจ บทความนี้ไม่ได้ใช้ข้อมูลปฐมภูมิด้านราคาหรือผลลัพธ์จากผู้ขาย
สมมติฐานร่วม (โรงงานต้นแบบ N)
สมมติเป็นโรงงานมอเตอร์ขนาดเล็กสำหรับยานยนต์ของบริษัทญี่ปุ่นในภาคตะวันออกของไทย (จังหวัดชลบุรี)
| รายการ | ค่าสมมติ | การคำนวณ |
|---|---|---|
| ไลน์ตรวจเสียงผิดปกติ | 2 ไลน์ | – |
| จำนวนการผลิต | 1,200,000 ตัวต่อปี (รวม 2 ไลน์) | – |
| พนักงานตรวจด้วยการฟัง | 8 คน (2 ไลน์ × 2 กะ × 2 คน) | – |
| ค่าแรงพนักงานตรวจ | 216,000 THB/คน/ปี (เดือนละ 18,000 THB × 12 รวมสวัสดิการ เป็นค่าที่ตั้งไว้ชั่วคราว) | 8 × 216,000 = 1,728,000 THB/ปี |
| ข้อร้องเรียนเรื่องเสียงผิดปกติจากลูกค้า | ปีละ 12 ครั้ง ครั้งละ 150,000 THB (รวมการคัดแยก การจัดทำ 8D และค่าขนส่งด่วน เป็นค่าที่ตั้งไว้ชั่วคราว) | 12 × 150,000 = 1,800,000 THB/ปี |
| การตรวจจับเกิน (ตัดสินชิ้นดีเป็น NG แล้วส่งตรวจซ้ำหรือถอดตรวจสอบ) | 1.0% ค่าตรวจซ้ำ 20 THB/ตัว | 1,200,000 × 1.0% = 12,000 ตัว, 12,000 × 20 = 240,000 THB/ปี |
จุดเริ่มต้นนี้ใช้ร่วมกันทั้งรูปแบบ A และรูปแบบ B
รูปแบบ A: ติดตั้ง AI ควบคู่ และคงการตรวจด้วยการฟังของคนไว้
| ประเภท | รายการ | จำนวนเงิน (THB) |
|---|---|---|
| เริ่มต้น | บูธตรวจ (เก็บเสียงและป้องกันการสั่นสะเทือน) และจิ๊ก 400,000 + ไมโครโฟน ชุดวัด และ Edge PC 250,000 = 650,000 ต่อไลน์, × 2 ไลน์ | 1,300,000 |
| เริ่มต้น | การเก็บเสียงปกติ ตัวอย่างขอบเขต และเสียงของเสีย และการเรียนรู้ (รวมการติดป้ายกำกับ) | 500,000 |
| เริ่มต้น | การสร้างชุดประเมินและ FAT/SAT การวัดความสอดคล้องของการตัดสินของคน | 200,000 |
| เริ่มต้น | รวมค่าเริ่มต้น (1,300,000 + 500,000 + 200,000) | 2,000,000 |
| รายปี | การใช้งาน (บำรุงรักษา สนับสนุนการเรียนรู้ใหม่ ตรวจเช็กไมโครโฟน) | 150,000 |
| ผลลัพธ์ | ข้อร้องเรียนเรื่องเสียงผิดปกติลดลง 50%: 12 ครั้ง × 50% = 6 ครั้ง, 6 × 150,000 | 900,000 |
| ผลลัพธ์ | พนักงานตรวจยังคงเป็น 8 คน (คนฟังทุกชิ้น) และการตรวจจับเกินยังคงเป็น 1.0% | 0 |
ผลประโยชน์สุทธิต่อปีคือ 900,000 – 150,000 = 750,000 THB/ปี ระยะเวลาคืนทุนอย่างง่ายคือ 2,000,000 ÷ 750,000 = 2.666… หรือ ประมาณ 2.7 ปี
รูปแบบ B: รูปแบบ A + AI ตัดสินขั้นแรก และคนตัดสินซ้ำเฉพาะชิ้นที่ AI ตัดสินว่า NG
| ประเภท | รายการ | จำนวนเงิน (THB) |
|---|---|---|
| เริ่มต้น | ชุดอุปกรณ์ทั้งหมดของรูปแบบ A | 2,000,000 |
| เริ่มต้น | สถานีตัดสินซ้ำ 200,000 + การเชื่อมต่อ MES (เก็บรูปคลื่นและผลการตัดสินแยกตามหมายเลขซีเรียล) 300,000 + การประเมินเพิ่มเติม (รวมการวิเคราะห์ความสอดคล้องเชิงคุณลักษณะของพนักงานตรวจ 3 คน × ชุดประเมิน) 100,000 | 600,000 |
| เริ่มต้น | รวมค่าเริ่มต้น (2,000,000 + 600,000) | 2,600,000 |
| รายปี | การใช้งาน | 200,000 |
| ผลลัพธ์ | ข้อร้องเรียนเรื่องเสียงผิดปกติลดลง 75% (รวม 50% ของรูปแบบ A แล้ว): 12 ครั้ง × 75% = 9 ครั้ง, 9 × 150,000 | 1,350,000 |
| ผลลัพธ์ | พนักงานตรวจด้วยการฟัง 8 คน → 4 คน (อีก 4 คนย้ายไปทำงานในกระบวนการอื่น ไม่ใช่การเลิกจ้าง): 4 × 216,000 | 864,000 |
| ผลลัพธ์ | การตรวจจับเกิน 1.0% → 0.5%: 1,200,000 × 0.5% = 6,000 ตัว, 6,000 × 20 | 120,000 |
| ผลลัพธ์ | รวมผลลัพธ์ (1,350,000 + 864,000 + 120,000) | 2,334,000 |
ผลประโยชน์สุทธิต่อปีคือ 2,334,000 – 200,000 = 2,134,000 THB/ปี ระยะเวลาคืนทุนอย่างง่ายคือ 2,600,000 ÷ 2,134,000 = 1.218… หรือ ประมาณ 1.2 ปี
สิ่งที่ต้องระวังตรงนี้คือ ผลลัพธ์ของรูปแบบ B เป็นค่าที่ใช้แทนผลลัพธ์ของรูปแบบ A ไม่ใช่ค่าที่บวกเพิ่มจากรูปแบบ A การลดข้อร้องเรียน 75% เป็นค่าที่รวม 50% ของรูปแบบ A ไว้แล้ว หากนำ 900,000 ของรูปแบบ A ไปบวกกับ 1,350,000 ของรูปแบบ B จะเป็นการนับซ้ำ นอกจากนี้ ในรูปแบบ A คนยังคงฟังทุกชิ้น จึงถือว่าผลลัพธ์ด้านค่าแรงและการตรวจจับเกินเป็น 0
ความอ่อนไหว: หากการย้ายพนักงานตรวจไปกระบวนการอื่นไม่เกิดขึ้นจริง
ในผลลัพธ์ของรูปแบบ B ค่าแรง 864,000 จะเกิดขึ้นจริงก็ต่อเมื่อ “สามารถย้ายพนักงาน 4 คนไปทำงานในกระบวนการอื่นได้” เท่านั้น หากไม่มีตำแหน่งงานให้ย้ายไป และให้ผลลัพธ์ด้านค่าแรงเป็นศูนย์ จะได้ผลดังนี้
- ผลประโยชน์สุทธิต่อปี: 1,350,000 + 120,000 – 200,000 = 1,270,000 THB/ปี
- ระยะเวลาคืนทุนอย่างง่าย: 2,600,000 ÷ 1,270,000 = 2.047… → ประมาณ 2.0 ปี
แม้ไม่มีผลลัพธ์ด้านค่าแรง ระยะเวลาคืนทุนของรูปแบบ B (ประมาณ 2.0 ปี) ก็ยังสั้นกว่ารูปแบบ A (ประมาณ 2.7 ปี)
ประเด็นที่ควรอ่าน 1: ส่วนที่ลงทุนเพิ่มคืนทุนเร็ว แต่ต้องตรวจสอบองค์ประกอบของผลลัพธ์
เปรียบเทียบด้วยยอดสะสม 5 ปี
- รูปแบบ A: 750,000 × 5 – 2,000,000 = 3,750,000 – 2,000,000 = 1,750,000 THB
- รูปแบบ B: 2,134,000 × 5 – 2,600,000 = 10,670,000 – 2,600,000 = 8,070,000 THB
หากดูเฉพาะส่วนที่ลงทุนเพิ่มของรูปแบบ B เงินลงทุนเริ่มต้นเพิ่มเติมคือ 600,000 THB และผลประโยชน์สุทธิต่อปีที่เพิ่มขึ้นคือ 2,134,000 – 750,000 = 1,384,000 THB/ปี ระยะเวลาคืนทุนของส่วนที่ลงทุนเพิ่มคือ 600,000 ÷ 1,384,000 = 0.433… หรือ ประมาณ 0.43 ปี (ประมาณ 5 เดือน) ส่วนต่างของยอดสะสม 5 ปีคือ 1,384,000 × 5 – 600,000 = 6,320,000 THB ซึ่งตรงกับ 8,070,000 – 1,750,000
สิ่งที่ซื้อด้วยเงินเพิ่ม 600,000 คือ สถานีตัดสินซ้ำ การจัดเก็บรูปคลื่นและผลการตัดสิน และการประเมินความสอดคล้องของการตัดสินระหว่างพนักงานตรวจ 3 คนกับ AI กล่าวคือ เป็นการลงทุนใน “กลไกที่ทำให้การตัดสินสอดคล้องกัน มีการบันทึก และคนสามารถตัดสินซ้ำได้”
อย่างไรก็ตาม เมื่อดูองค์ประกอบของผลประโยชน์สุทธิต่อปีที่เพิ่มขึ้น 1,384,000 THB จะพบว่าประกอบด้วย ผลการลดข้อร้องเรียนส่วนที่เพิ่มขึ้นจากรูปแบบ A 1,350,000 – 900,000 = 450,000 การย้ายพนักงานตรวจไปกระบวนการอื่น 864,000 และการลดการตรวจจับเกินลงครึ่งหนึ่ง 120,000 แล้วหักค่าใช้งานที่เพิ่มขึ้น 200,000 – 150,000 = 50,000 (450,000 + 864,000 + 120,000 – 50,000 = 1,384,000) ผลลัพธ์ของส่วนที่ลงทุนเพิ่มมากกว่า 60% เล็กน้อยมาจากการย้ายพนักงานตรวจไปกระบวนการอื่น หากการย้ายนี้ไม่เกิดขึ้นจริง ผลประโยชน์สุทธิต่อปีที่เพิ่มขึ้นจะเป็น 1,270,000 – 750,000 = 520,000 THB/ปี และระยะเวลาคืนทุนของส่วนที่ลงทุนเพิ่มจะเป็น 600,000 ÷ 520,000 = 1.15… หรือ ประมาณ 1.2 ปี
ยังมีข้อควรระวังอีกข้อหนึ่ง ในรูปแบบ B คนไม่ได้ฟังทุกชิ้นอีกต่อไป หากดูเพียงรูปแบบการใช้งาน จึงไม่มีเหตุผลที่การตรวจหลุดจะน้อยกว่ารูปแบบ A ที่การประมาณการนี้ตั้งการลดข้อร้องเรียนไว้ที่ 75% เป็นเพราะสมมติว่าจะเกิดผลสะสมจากการนิยามเกณฑ์การตัดสินใหม่โดยใช้ผลการวัดความสอดคล้องของการตัดสิน การเรียนรู้ใหม่จากบันทึกการตัดสินซ้ำ และการสืบย้อนสาเหตุด้วยการจัดเก็บรูปคลื่นและผลการตัดสินแยกตามหมายเลขซีเรียล การถอนคนออกจากการตรวจทุกชิ้นในตัวเองไม่ได้ทำให้การตรวจหลุดลดลง ทั้งนี้ รูปแบบ B มีเงื่อนไขเบื้องต้นว่าต้องมีการใช้งานที่คนตัดสินซ้ำชิ้นที่ AI ตัดสินว่า NG และต้องผ่านเกณฑ์ด้วยชุดประเมิน หากถอนคนออกก่อนผ่านเกณฑ์ การประมาณการนี้จะใช้ไม่ได้
ประเด็นที่ควรอ่าน 2: หากตัดบูธตรวจออก (รูปแบบ A′)
บางครั้งอาจมีข้อเสนอให้ตัดบูธตรวจออกเพื่อลดค่าใช้จ่ายเริ่มต้น หากตัดบูธ (ไลน์ละ 400,000) ออกจากรูปแบบ A ค่าใช้จ่ายเริ่มต้นจะเป็น 2,000,000 – 400,000 × 2 = 2,000,000 – 800,000 = 1,200,000 THB
ในที่นี้สมมติสถานการณ์ที่เสียงรบกวนจากเครื่องเพรสข้างเคียง การพ่นลม และสายพานลำเลียงเข้ามาในการบันทึก ทำให้ AI ตัดสินว่า NG บ่อยครั้ง หน้างานเริ่มเพิกเฉยต่อการตัดสินของ AI และผลการลดข้อร้องเรียนกลายเป็น 0 ผลลัพธ์ทางการเงินต่อปีจึงเป็น 0 – 150,000 = -150,000 THB/ปี และ ไม่สามารถคืนทุนได้
ผลจากการตัดลด 800,000 คือผลประโยชน์สุทธิต่อปีลดลงจาก 750,000 เป็น -150,000 ยิ่งไปกว่านั้น การประมาณการนี้ยังไม่รวมค่าตรวจซ้ำของชิ้นที่ถูกหยุดไว้เพราะ AI ตัดสินว่า NG อย่างผิดพลาด ผลทางการเงินจริงจะแย่กว่านี้ อนึ่ง การที่รูปแบบ A ตั้งการตรวจจับเกินไว้ที่ 1.0% ตามเดิม ก็เป็นเพราะค่าตรวจซ้ำที่เกิดจากการตัดสิน NG ของ AI ถูกวางไว้นอกโมเดล ตราบใดที่ยังบันทึกเสียงภายใต้เงื่อนไขเดียวกันไม่ได้ ไม่ว่าจะเลือก AI ตัวไหน ผลก็เหมือนกัน
สรุปการประมาณการ
| รูปแบบ | ค่าเริ่มต้น (THB) | ผลประโยชน์สุทธิต่อปี (THB/ปี) | ระยะเวลาคืนทุนอย่างง่าย | ยอดสะสม 5 ปี (THB) |
|---|---|---|---|---|
| A (การตัดสินซ้อนสองชั้น) | 2,000,000 | 750,000 | ประมาณ 2.7 ปี | 1,750,000 |
| B (การตัดสินขั้นแรก + การตัดสินซ้ำโดยคน) | 2,600,000 | 2,134,000 | ประมาณ 1.2 ปี | 8,070,000 |
| B (ความอ่อนไหว กรณีไม่มีการย้ายพนักงาน) | 2,600,000 | 1,270,000 | ประมาณ 2.0 ปี | – |
| A′ (ไม่มีบูธ) | 1,200,000 | -150,000 | ไม่สามารถคืนทุนได้ | – |
เมื่อคำนวณด้วยตนเอง ขอให้แทนค่าอย่างน้อย 4 รายการด้วยผลการดำเนินงานจริง ได้แก่ “จำนวนการผลิต” “จำนวนและค่าแรงของพนักงานตรวจ” “จำนวนข้อร้องเรียนเรื่องเสียงผิดปกติและค่าใช้จ่ายต่อครั้ง” และ “อัตราการตรวจจับเกินและค่าตรวจซ้ำ” สำหรับค่าใช้จ่ายต่อข้อร้องเรียนหนึ่งครั้ง หากรวบรวมแยกเป็นค่าแรงในการคัดแยก ชั่วโมงงานในการจัดทำ 8D และค่าขนส่งด่วน การหารือจะตรงประเด็นมากขึ้น
12 หัวข้อที่ต้องเขียนใน RFP ของ AI ตรวจเสียงผิดปกติ
เมื่อขอใบเสนอราคาจากผู้ขาย หากเขียนเพียงว่า “ต้องการนำ AI ตรวจเสียงผิดปกติมาใช้” ขอบเขตของข้อเสนอจะกระจัดกระจายจนเปรียบเทียบกันไม่ได้ ให้เขียน 12 หัวข้อต่อไปนี้เป็นข้อกำหนด เพื่อให้ข้อเสนออยู่บนเงื่อนไขเดียวกัน แนวทางการสั่งซื้ออุปกรณ์ตรวจโดยรวมได้สรุปไว้ใน “ระบบอัตโนมัติของอุปกรณ์ตรวจในไทย การสั่งซื้อและการรับมอบ“
| ลำดับ | หัวข้อ | ตัวอย่างเนื้อหาที่ต้องเขียน |
|---|---|---|
| 1 | รหัสผลิตภัณฑ์เป้าหมายและรูปแบบข้อบกพร่อง | รหัสผลิตภัณฑ์เป้าหมาย ชนิดของเสียงผิดปกติที่ทราบอยู่แล้ว (รอยที่แบริ่ง รอยกระแทกที่เกียร์ สิ่งแปลกปลอมติดเข้าไป เสียงแปรงถ่านดัง ฯลฯ) และการมีหรือไม่มีตัวอย่างของเสียของแต่ละชนิด |
| 2 | เงื่อนไขการทำงานและแท็กต์ไทม์ | ความเร็วรอบ ภาระ ทิศทางการหมุน รูปแบบการเดินเครื่อง และเวลาตรวจสูงสุดต่อหนึ่งตัว |
| 3 | ขอบเขตของบูธตรวจและจิ๊ก | บูธและจิ๊กรวมอยู่ในขอบเขตของผู้ขายหรือไม่ ข้อกำหนดด้านการเก็บเสียงและป้องกันการสั่นสะเทือน วิธียึดผลิตภัณฑ์ |
| 4 | ชนิดของไมโครโฟนและเซนเซอร์ ขั้นตอนการสอบเทียบและการเปลี่ยน | วิธีการ (รับเสียงผ่านอากาศหรือแบบสัมผัส) ตำแหน่งติดตั้ง วิธีและรอบการสอบเทียบ ขั้นตอนตรวจสอบหลังเปลี่ยน |
| 5 | การเก็บข้อมูลสำหรับการเรียนรู้และกรรมสิทธิ์ | ใครเก็บเสียงปกติและเสียงของเสียเท่าใด กรรมสิทธิ์และขอบเขตการใช้ข้อมูลและโมเดลที่เรียนรู้แล้ว |
| 6 | การจัดเก็บผลการตัดสินและรูปคลื่น | การเชื่อมโยงกับหมายเลขซีเรียล การส่งออกไปยัง MES ระยะเวลาจัดเก็บ วิธีค้นหา |
| 7 | เส้นทางการตัดสินซ้ำโดยคนและหน้าจอ | สถานีตัดสินซ้ำ การแสดงรูปคลื่นและสเปกตรัม การบันทึกเหตุผลที่กลับคำตัดสิน |
| 8 | ชุดประเมินและเกณฑ์การผ่าน | องค์ประกอบของชุดประเมิน เส้นเกณฑ์ผ่านของการตรวจหลุด การตรวจจับเกิน ความสามารถในการทำซ้ำ และความสอดคล้องกับคน (โรงงานเป็นผู้กำหนด) |
| 9 | ขั้นตอนและค่าใช้จ่ายในการเพิ่มรหัสผลิตภัณฑ์และการเรียนรู้ใหม่ | ปริมาณเสียงปกติที่ต้องใช้ในการเพิ่มรหัสผลิตภัณฑ์ใหม่ การแบ่งงาน ค่าใช้จ่ายต่อครั้ง |
| 10 | เครือข่าย ความปลอดภัย และบันทึก (log) | วิธีเชื่อมต่อกับเครือข่ายโรงงาน การมีหรือไม่มีการเชื่อมต่อภายนอก บันทึกการใช้งาน ประวัติการอัปเดตโมเดล |
| 11 | หน้าจอและมาตรฐานการปฏิบัติงานภาษาไทย | การรองรับภาษาไทยของหน้าจอใช้งาน การแสดงสัญญาณเตือน มาตรฐานการปฏิบัติงาน และเอกสารฝึกอบรม |
| 12 | ระบบบำรุงรักษาในพื้นที่ | ผู้รับผิดชอบการบำรุงรักษาและการเรียนรู้ใหม่ในประเทศไทย เวลาเข้าถึงหน้างาน อะไหล่สำรอง |
โดยเฉพาะข้อ 5 และข้อ 9 เป็นหัวข้อที่มักมีข้อพิพาทภายหลัง ให้ตรวจสอบว่าไม่ได้อยู่ในรูปแบบที่บริษัทเป็นผู้เก็บเสียงปกติ แต่โมเดลที่เรียนรู้แล้วเป็นของผู้ขาย และมีค่าใช้จ่ายทุกครั้งที่เพิ่มรหัสผลิตภัณฑ์ นอกจากนี้ การจะให้การตัดสินจบที่ Edge PC หรือประมวลผลที่เซิร์ฟเวอร์ระดับบนก็เกี่ยวข้องกับข้อ 10 วิธีวางระบบในหน้างานดูเพิ่มเติมได้ที่ “การนำ Edge AI มาใช้ในโรงงาน“
สิ่งที่ต้องตรวจสอบใน FAT/SAT ของ AI ตรวจเสียงผิดปกติ

สร้างชุดประเมินก่อน
ก่อนการทดสอบรับมอบ ให้เตรียมชุดผลิตภัณฑ์ที่ใช้ในการประเมิน จำนวนเป็นเพียงตัวอย่างเป้าหมาย ไม่ใช่ค่าตามมาตรฐาน
- ผลิตภัณฑ์ปกติ 300 ตัว
- ตัวอย่างขอบเขต (ชิ้นที่อยู่บนเส้นแบ่งผ่านหรือไม่ผ่าน) 30 ตัว
- ผลิตภัณฑ์เสียที่มีเสียงผิดปกติซึ่งทราบอยู่แล้ว 30 ตัว (รอยที่แบริ่ง รอยกระแทกที่เกียร์ สิ่งแปลกปลอมติดเข้าไป เสียงแปรงถ่านดัง ฯลฯ เป็นของจริงหรือสินค้าที่ถูกส่งคืน)
อนึ่ง สิ่งที่รู้ได้จากชุดประเมินขนาดนี้มีขีดจำกัด สำหรับผลิตภัณฑ์ปกติ 300 ตัว 1 ตัวคิดเป็นประมาณ 0.33% ดังนั้น “การตรวจจับเกินไม่เกิน 0.5%” ในทางปฏิบัติจึงหมายถึง “NG ได้ไม่เกิน 1 ตัว” และแม้ไม่มีการตรวจหลุดเลยในผลิตภัณฑ์เสีย 30 ตัว ขอบเขตที่รับประกันได้ทางสถิติก็แคบ ให้ถือว่าชุดประเมินเป็นเส้นขั้นต่ำของการผ่านหรือไม่ผ่าน และยืนยันต่อเนื่องด้วยผลจริงหลังเริ่มใช้งาน
ให้รันชุดนี้แบบเดียวกันทั้งใน FAT (การทดสอบรับมอบที่โรงงานของผู้ขาย) และ SAT (การทดสอบรับมอบที่ไลน์ของบริษัท) เพราะแม้ผ่าน FAT แล้ว ผลก็อาจรวนใน SAT ซึ่งมีเสียงรบกวน แหล่งจ่ายไฟ และวิธีจัดการของผู้ปฏิบัติงานในไลน์ของบริษัทเพิ่มเข้ามา
ตัวชี้วัดที่ต้องดู
| ลำดับ | ตัวชี้วัด | วิธีตรวจสอบ (เป้าหมายเป็นตัวอย่าง โรงงานเป็นผู้กำหนด) |
|---|---|---|
| 1 | อัตราการตรวจจับผลิตภัณฑ์เสียที่ทราบอยู่แล้ว | ผลิตภัณฑ์เสีย 30 ตัว ตัดสินเป็น NG ได้กี่ตัว ตัวอย่างเป้าหมายคือไม่มีการตรวจหลุดเลย และบันทึกสาเหตุของชิ้นที่ตรวจหลุด |
| 2 | อัตราการตรวจจับเกินของผลิตภัณฑ์ปกติ | สัดส่วนที่ตัดสินเป็น NG จากผลิตภัณฑ์ปกติ 300 ตัว ตัวอย่างเป้าหมายคือไม่เกิน 0.5% |
| 3 | ความแปรปรวนของการตัดสินกับตัวอย่างขอบเขต | รันชิ้นเดียวกัน 3 ครั้ง แล้วดูว่าได้ผลการตัดสินเดิมหรือไม่ |
| 4 | ความสอดคล้องกับการตัดสินของคน | การวิเคราะห์ความสอดคล้องเชิงคุณลักษณะระหว่างพนักงานตรวจ 3 คนกับ AI สำหรับค่าสัมประสิทธิ์แคปปา ให้อ้างอิงเกณฑ์ของ AIAG (ตามคำอธิบายของ Minitab คือตั้งแต่ 0.75 ขึ้นไป และที่พึงประสงค์กว่าคือ 0.90) แล้วโรงงานเป็นผู้กำหนดเส้นเกณฑ์ผ่าน |
| 5 | การตัดสินภายในแท็กต์ไทม์ | การตัดสินเสร็จภายในแท็กต์ไทม์หรือไม่ |
| 6 | พฤติกรรมเมื่อเปลี่ยนเงื่อนไขเสียงรบกวน | การตัดสินเปลี่ยนอย่างไรภายใต้เงื่อนไข เช่น เปิดประตูบูธ หรือเครื่องจักรข้างเคียงทำงาน |
| 7 | ขั้นตอนการเรียนรู้ใหม่หลังเปลี่ยนไมโครโฟนหรือเปลี่ยนรหัสผลิตภัณฑ์ | กลับสู่สภาพเดิมได้ตามคู่มือขั้นตอนหรือไม่ ใช้เสียงปกติกี่ตัวจึงกลับสู่สภาพเดิม และใช้เวลาเท่าใด |
การจัดการเมื่อมีผลิตภัณฑ์เสียที่มีเสียงผิดปกติน้อย
แม้การเรียนรู้จะเริ่มได้โดยเน้นเสียงปกติเป็นหลัก แต่การทดสอบรับมอบจำเป็นต้องมีผลิตภัณฑ์เสียที่ทราบอยู่แล้ว เพราะ “ไม่ตรวจหลุด” นั้นจะยืนยันไม่ได้หากไม่ได้ลองรันผลิตภัณฑ์เสียจริง เสริมชุดประเมินด้วยวิธีต่าง ๆ เช่น เก็บรักษาสินค้าที่ถูกส่งคืนหรือชิ้นที่เคยถูกร้องเรียนในอดีตไว้ หรือสร้างผลิตภัณฑ์สำหรับประเมินที่ประกอบชิ้นส่วนที่ตั้งใจทำให้เป็นรอยไว้ ประเด็นที่ว่าเสียงของผลิตภัณฑ์เสียที่สร้างขึ้นโดยเจตนาอาจต่างจากของเสียที่เกิดขึ้นจริงในตลาด ให้บันทึกไว้ในบันทึกการประเมิน แนวคิดในการชดเชยการขาดข้อมูลของเสียได้กล่าวไว้ใน “การใช้ข้อมูลสังเคราะห์สำหรับ AI ในภาคการผลิต” ด้วย
หลังเริ่มใช้งาน ใช้ชุดเดิมเฝ้าดูการเสื่อมประสิทธิภาพ
แม้จะผ่านการรับมอบแล้ว การตัดสินก็จะค่อย ๆ คลาดเคลื่อนจากการสึกหรอของจิ๊ก การเสื่อมสภาพของไมโครโฟน หรือการเพิ่มรหัสผลิตภัณฑ์ หลังเริ่มใช้งาน ให้รันชุดประเมินเป็นระยะ เพื่อตรวจสอบว่าอัตราการตรวจจับและอัตราการตรวจจับเกินไม่ได้เปลี่ยนไปจากตอนรับมอบ เกณฑ์การตัดสินใจย้ายจากการทดลองใช้งานไปสู่การใช้งานจริงดูเพิ่มเติมได้ที่ “เกณฑ์การสิ้นสุด AI PoC“
ประเด็นเฉพาะของไทยและอาเซียน
1. เสียงดังและสุขภาพของพนักงานตรวจ
กฎกระทรวงของกระทรวงแรงงานไทย “กฎกระทรวงกำหนดมาตรฐานในการบริหาร จัดการ และดำเนินการด้านความปลอดภัย อาชีวอนามัย และสภาพแวดล้อมในการทำงานเกี่ยวกับความร้อน แสงสว่าง และเสียง พ.ศ. 2559 (ค.ศ. 2016)” ห้ามการสัมผัสเสียงกระแทกที่มีระดับความดันเสียงสูงสุด (peak) เกิน 140 dB และเสียงดังต่อเนื่องคงที่เกิน 115 dB(A) และกำหนดให้ควบคุมค่าเฉลี่ยตลอดเวลาการทำงานในหนึ่งวันไม่ให้เกินเกณฑ์ตามประกาศของอธิบดี และยังกำหนดว่าในสถานที่ทำงานที่ระดับเสียงเฉลี่ยตลอด 8 ชั่วโมงตั้งแต่ 85 dB(A) ขึ้นไป ต้องดำเนินมาตรการปกป้องการได้ยินตามประกาศ และประกาศกรมสวัสดิการและคุ้มครองแรงงาน พ.ศ. 2561 (ค.ศ. 2018) กำหนดระดับเสียงเฉลี่ยตลอดเวลาการทำงาน 8 ชั่วโมงไว้ไม่เกิน 85 dB(A)
รูปแบบการทำงานที่ “ให้ฟัง” เป็นเวลานานในไลน์ที่มีเสียงดังนั้น ในตัวเองก็เป็นเหตุผลให้ต้องทบทวน บูธตรวจจึงมีความหมายไม่เพียงเพื่อคุณภาพของการบันทึกเสียง แต่ยังเพื่อสภาพแวดล้อมของพนักงานตรวจด้วย เนื้อหาของบทบัญญัติที่กล่าวถึงในที่นี้เป็นการสรุป สำหรับการบังคับใช้กับสถานที่ทำงานของบริษัทท่าน ขอให้ตรวจสอบกับหน่วยงานที่รับผิดชอบหรือผู้เชี่ยวชาญเป็นรายกรณี
2. ภาษาของเกณฑ์การตัดสิน
คำเลียนเสียงภาษาญี่ปุ่นอย่าง “kiin” “goro-goro” หรือ “shaa” ไม่สื่อความหมายกับพนักงานตรวจชาวไทย ให้จัดทำคำอธิบายตัวอย่างขอบเขตและมาตรฐานการปฏิบัติงานเป็นภาษาไทย และนิยามเสียงผิดปกติด้วยรูปคลื่น ย่านความถี่ และตัวอย่างของจริง การนำ AI มาใช้ยังเป็นโอกาสที่จะผลักดันงาน “นิยามด้วยตัวอย่างและรูปคลื่น ไม่ใช่ด้วยถ้อยคำ” นี้ให้คืบหน้าด้วย
3. แนวโน้มการผลิตรถยนต์และการตรวจประเมิน (audit) โดยลูกค้า
ดังที่กล่าวไปแล้ว การผลิตรถยนต์ของไทยพลิกกลับมาเพิ่มขึ้นเมื่อเทียบกับเดือนเดียวกันของปีก่อนในเดือนกรกฎาคม 2026 และเดือนสิงหาคมก็เพิ่มขึ้นเช่นกัน แต่ FTI คาดการณ์ทั้งปีว่าจะลดลง 3.33% ยิ่งช่วงที่คาดการณ์ปริมาณได้ยาก วิธีรับมือด้วยการเพิ่มหรือลดพนักงานตรวจก็ยิ่งลำบาก ท่ามกลางข้อกำหนดด้านเสียงการทำงานที่สูงขึ้นจากการใช้ไฟฟ้าในยานยนต์ คาดว่าในการตรวจประเมินโดยลูกค้าจะมีกรณีที่ถูกถามมากขึ้นว่า เกณฑ์การตัดสินของการตรวจเสียงผิดปกติคืออะไร และควบคุมความแปรปรวนของการตัดสินนั้นอย่างไร บันทึกการวิเคราะห์ความสอดคล้องเชิงคุณลักษณะก็ใช้เป็นเอกสารประกอบการชี้แจงได้
4. สิทธิประโยชน์พิเศษด้านระบบอัตโนมัติและหุ่นยนต์ของ BOI
ประกาศคณะกรรมการส่งเสริมการลงทุน (BOI) ที่ 4/2569 (ประกาศในราชกิจจานุเบกษาเมื่อ 31 มีนาคม 2026) ระบุว่า เพื่อส่งเสริมเทคโนโลยีการผลิตยานยนต์ขั้นสูง การลงทุนในระบบอัตโนมัติและหุ่นยนต์จะได้รับการยกเว้นอากรขาเข้าเครื่องจักร และการยกเว้นภาษีเงินได้นิติบุคคล 3 ปี โดยมีวงเงินสูงสุด 50% ของเงินลงทุน (ไม่รวมค่าที่ดินและทุนหมุนเวียน) หากเครื่องจักรตั้งแต่ 30% ของมูลค่าเครื่องจักรทั้งหมดเกี่ยวข้องหรือสนับสนุนอุตสาหกรรมเครื่องจักรอัตโนมัติในประเทศ วงเงินจะขยายเป็น 100% เงินลงทุนขั้นต่ำคือ 1,000,000 บาท (1 ล้านบาท) และกำหนดยื่นคำขอภายในสิ้นปี 2027
อย่างไรก็ตาม ขอบเขตจำกัดเฉพาะประเภทกิจการ 3.6 (การผลิตยานยนต์ทั่วไป) และ 3.8 (การผลิต PHEV และ HEV) เท่านั้น ไม่ใช้กับโรงงานเครื่องใช้ไฟฟ้าหรือเครื่องจักรทั่วไป นอกจากนี้ อุปกรณ์ตรวจเสียงผิดปกติจะอยู่ในขอบเขตของสิทธิประโยชน์นี้หรือไม่ จำเป็นต้องตรวจสอบกับ BOI หรือผู้เชี่ยวชาญเป็นรายกรณี
5. PDPA และร่างกฎหมาย AI
ไมโครโฟนในบูธตรวจอาจบันทึกเสียงพูดหรือบทสนทนาของพนักงานตรวจเข้าไปด้วย คณะกรรมการคุ้มครองข้อมูลส่วนบุคคลของไทย (PDPC) ได้เริ่มรับฟังความคิดเห็นต่อร่างแนวปฏิบัติรายภาคส่วนตามพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA, 2019) แล้ว แต่เรายังไม่พบข้อความที่กำหนดเรื่องการบันทึกเสียงในภาคการผลิตหรือการเฝ้าติดตามพนักงานไว้อย่างเป็นรูปธรรม การจัดการเรื่องขอบเขตการบันทึก การแจ้งให้ทราบ ระยะเวลาจัดเก็บ และการจำกัดการเข้าถึง ขอให้ตรวจสอบกับผู้เชี่ยวชาญเป็นรายกรณี
นอกจากนี้ ในเดือนกรกฎาคม 2026 สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์ (ETDA) ได้เผยแพร่ร่างกฎหมาย AI และเปิดรับฟังความคิดเห็น เป็นการกำกับดูแลตามระดับความเสี่ยง (risk-based) ที่อ้างอิงกฎหมาย AI ของสหภาพยุโรป (EU AI Act) บางส่วน และระบุว่าอาจใช้เวลา 6 ถึง 24 เดือนกว่าจะประกาศใช้และมีผลบังคับ ณ เดือนตุลาคม 2026 ยังอยู่ในขั้นร่างกฎหมายและยังไม่ได้ประกาศใช้ ความเคลื่อนไหวต่อจากนี้ขอให้ตรวจสอบกับหน่วยงานที่รับผิดชอบหรือผู้เชี่ยวชาญ
6. ระบบบำรุงรักษา
ควรกำหนดไว้ว่าใครเป็นผู้ตรวจเช็กไมโครโฟน ตรวจสอบการเสื่อมสภาพของประตูบูธและวัสดุป้องกันการสั่นสะเทือน และทำการเรียนรู้ใหม่เมื่อเพิ่มรหัสผลิตภัณฑ์ในประเทศไทย หากวิศวกรของผู้ขายอยู่แต่ในญี่ปุ่นหรือยุโรป ทุกครั้งที่เปลี่ยนรหัสผลิตภัณฑ์ก็จะต้องรอ สิ่งสำคัญคือการขีดเส้นตั้งแต่ขั้น RFP ว่าวิศวกรชาวไทยของบริษัทจะรับผิดชอบถึงตรงไหน และตั้งแต่ตรงไหนจะพึ่งผู้ขาย
แผน 90 วันสำหรับการนำ AI ตรวจเสียงผิดปกติมาใช้
| ช่วงเวลา | สิ่งที่ต้องทำ | ผลงานเมื่อเสร็จสิ้น |
|---|---|---|
| วันที่ 0-30 | วัดความสอดคล้องของการตัดสินของการตรวจด้วยการฟังในปัจจุบัน (พนักงานตรวจ 3 คน การวิเคราะห์ความสอดคล้องเชิงคุณลักษณะ) รวบรวมผลข้อร้องเรียนเรื่องเสียงผิดปกติและการตรวจจับเกินในอดีต รวบรวมและเก็บรักษาตัวอย่างของเสียและสินค้าที่ถูกส่งคืน | ผลค่าสัมประสิทธิ์แคปปา รายการชิ้นที่ตัดสินไม่ตรงกัน จำนวนข้อร้องเรียนและค่าใช้จ่ายต่อครั้ง อัตราการตรวจจับเกิน รายการตัวอย่างของเสีย |
| วันที่ 31-60 | เลือกรหัสผลิตภัณฑ์ตัวแทน 1 รายการ สร้างบูธตรวจต้นแบบและบันทึกเสียง เก็บเสียงปกติ แล้วลองคำนวณค่าความผิดปกติด้วยโมเดลต้นแบบ | ร่างข้อกำหนดเงื่อนไขการบันทึกเสียง ข้อมูลเสียงปกติ การกระจายของค่าความผิดปกติจากโมเดลต้นแบบ |
| วันที่ 61-90 | กำหนด RFP 12 หัวข้อ ชุดประเมินและเกณฑ์การผ่านของ FAT/SAT แล้วตัดสินใจสั่งซื้อว่าจะเป็นรูปแบบ A หรือ B | RFP องค์ประกอบของชุดประเมิน เกณฑ์การผ่าน และการประมาณการที่แทนค่าด้วยตัวเลขของบริษัท |
สิ่งสำคัญที่สุดใน 30 วันแรกคือการดูความแปรปรวนของการตัดสินของคนเป็นตัวเลขก่อนจะแตะ AI หากความสอดคล้องต่ำ งานจัดเกณฑ์และตัวอย่างให้เรียบร้อยต้องมาก่อน AI ในทางกลับกัน หากเกณฑ์สอดคล้องกันแล้วในขั้นนี้ ก็เท่ากับว่ามีข้อมูลคำตอบที่ถูกต้องสำหรับการเรียนรู้และการประเมินของ AI อยู่ในมือแล้ว ความแตกต่างระหว่างการตรวจจับความผิดปกติฝั่งเครื่องจักร (การเฝ้าติดตามเครื่องจักรขณะทำงาน) กับการตรวจก่อนส่งมอบ ได้อธิบายไว้ใน “แนวทางทำ PoC ตรวจจับความผิดปกติของเครื่องจักร” และแนวคิดการทำให้การตรวจทุกชิ้น (100%) เป็นอัตโนมัติได้อธิบายไว้ใน “ระบบอัตโนมัติสำหรับการตรวจทุกชิ้น“
คำถามที่พบบ่อย (FAQ)
การตรวจเสียงผิดปกติทำเป็นอัตโนมัติด้วย AI ได้ทั้งหมดหรือไม่?
เราไม่แนะนำให้ถอนคนออกทั้งหมดในทันที เริ่มจากติดตั้ง AI ควบคู่กับการตรวจด้วยการฟังของคน (รูปแบบ A ในบทความนี้) แล้วสะสมผลจริงในฐานะการตัดสินซ้อนสองชั้นเพื่อป้องกันการตรวจหลุด แม้จะผ่านเกณฑ์ด้วยชุดประเมินและเปลี่ยนไปใช้งานแบบที่คนตัดสินซ้ำชิ้นที่ AI ตัดสินว่า NG (รูปแบบ B) แล้ว ก็ยังต้องคงเส้นทางการตัดสินซ้ำไว้ การตัดสินของคนยังจำเป็นเพื่อรับมือกับรูปแบบข้อบกพร่องใหม่และการเปลี่ยนรหัสผลิตภัณฑ์
หากแทบไม่มีตัวอย่างของเสียที่มีเสียงผิดปกติเลย จะสร้าง AI ได้หรือไม่?
การเรียนรู้สามารถเริ่มได้โดยเน้นเสียงปกติเป็นหลัก แม้แต่ในการแข่งขันงานวิจัย DCASE ก็ตั้งโจทย์โดยมีสมมติฐานว่าเรียนรู้ด้วยเสียงปกติเท่านั้น อย่างไรก็ตาม การทดสอบรับมอบจำเป็นต้องมีผลิตภัณฑ์เสียที่ทราบอยู่แล้ว “ไม่ตรวจหลุด” นั้นจะยืนยันไม่ได้หากไม่ได้ลองรันผลิตภัณฑ์เสียจริง จึงควรเก็บรักษาสินค้าที่ถูกส่งคืนหรือชิ้นที่เคยถูกร้องเรียนในอดีตไว้ และสร้างชุดประเมินเตรียมไว้
AI ตรวจเสียงผิดปกติใช้กับไลน์ในโรงงานที่มีเสียงดังได้หรือไม่?
หากเสียงรบกวนในโรงงานเข้ามาในการบันทึก AI จะจับเสียงนั้นเป็น “เสียงที่ต่างไปจากปกติ” และการตัดสินผิดจะเพิ่มขึ้น หลักพื้นฐานคือใช้บูธตรวจที่เก็บเสียงและป้องกันการสั่นสะเทือน และจิ๊ก เพื่อให้บันทึกได้ภายใต้เงื่อนไขเดียวกันทุกครั้ง มีผลิตภัณฑ์บางรายการที่ใช้ไมโครโฟนแบบสัมผัสเพื่อลดผลกระทบจากเสียงรบกวนรอบข้าง แต่ไม่ว่าจะเป็นวิธีใด ขอให้ทดสอบโดยเปลี่ยนเงื่อนไขเสียงรบกวน เช่น เปิดประตู หรือให้เครื่องจักรข้างเคียงทำงาน ในตอนรับมอบ
ค่าใช้จ่ายในการนำ AI ตรวจเสียงผิดปกติมาใช้และระยะเวลาคืนทุนโดยประมาณคือเท่าใด?
ในการประมาณการด้วยโรงงานต้นแบบของบทความนี้ ผลที่ได้คือ รูปแบบ A ค่าเริ่มต้น 2,000,000 THB คืนทุนประมาณ 2.7 ปี และรูปแบบ B ค่าเริ่มต้น 2,600,000 THB คืนทุนประมาณ 1.2 ปี (กรณีที่การย้ายพนักงานตรวจไปกระบวนการอื่นไม่เกิดขึ้นจริงคือประมาณ 2.0 ปี) อย่างไรก็ตาม ตัวเลขเหล่านี้เป็นค่าที่ตั้งไว้ชั่วคราวซึ่งบทความนี้จัดทำขึ้นเอง ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรมหรือใบเสนอราคา ขอให้คำนวณโดยแทนค่าจำนวนการผลิต จำนวนและค่าแรงของพนักงานตรวจ จำนวนและค่าใช้จ่ายของข้อร้องเรียนเรื่องเสียงผิดปกติ และอัตราการตรวจจับเกิน ด้วยผลการดำเนินงานจริงของบริษัท
ใน RFP และการทดสอบรับมอบ (FAT/SAT) ของ AI ตรวจเสียงผิดปกติ ควรตรวจสอบอะไร?
ใน RFP ให้เขียน 12 หัวข้อ ได้แก่ รหัสผลิตภัณฑ์เป้าหมายและรูปแบบข้อบกพร่อง เงื่อนไขการทำงานและแท็กต์ไทม์ ขอบเขตของบูธและจิ๊ก ขั้นตอนการสอบเทียบและการเปลี่ยนไมโครโฟน กรรมสิทธิ์ของข้อมูลสำหรับการเรียนรู้ การจัดเก็บรูปคลื่นและผลการตัดสิน เส้นทางการตัดสินซ้ำโดยคน ชุดประเมินและเกณฑ์การผ่าน ขั้นตอนและค่าใช้จ่ายในการเรียนรู้ใหม่ ความปลอดภัย การรองรับภาษาไทย และการบำรุงรักษาในพื้นที่ ใน FAT/SAT ให้รันชุดประเมินเดียวกัน นับการตรวจหลุดและการตรวจจับเกินแยกกัน และตรวจสอบความสามารถในการทำซ้ำ ความสอดคล้องกับคน และพฤติกรรมเมื่อเปลี่ยนเงื่อนไขเสียงรบกวน
เมื่อนำมาใช้ในโรงงานไทย ต้องระวังอะไรเกี่ยวกับกฎหมายและ BOI?
ประเด็นที่เกี่ยวข้อง ได้แก่ เกณฑ์การสัมผัสเสียงดัง (เฉลี่ย 8 ชั่วโมง 85 dB(A)) สิทธิประโยชน์พิเศษด้านระบบอัตโนมัติและหุ่นยนต์ของ BOI (จำกัดเฉพาะสาขายานยนต์) การจัดการตามพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) กรณีที่เสียงของพนักงานตรวจถูกบันทึกเข้าไป และร่างกฎหมาย AI ที่ยังอยู่ในขั้นร่าง คำอธิบายในบทความนี้ทั้งหมดเป็นการสรุปหรือหลักการทั่วไป สำหรับการบังคับใช้กับบริษัทท่าน ขอให้ตรวจสอบกับหน่วยงานที่รับผิดชอบหรือผู้เชี่ยวชาญเป็นรายกรณี
สรุป
- สิ่งที่ชี้ขาดความสำเร็จของการนำ AI ตรวจเสียงผิดปกติมาใช้ ไม่ใช่ความฉลาดของโมเดล AI แต่คือ “เสียงที่บันทึกได้ภายใต้เงื่อนไขเดียวกัน” และ “ข้อมูลคำตอบที่ถูกต้องซึ่งการตัดสินของคนสอดคล้องกันแล้ว”
- AI ตรวจเสียงผิดปกติเรียนรู้เสียงปกติเป็นหลักแล้วค้นหา “เสียงที่ต่างไปจากปกติ” ตัวชี้วัดของการแข่งขันงานวิจัย (AUC/pAUC) เป็นคนละเรื่องกับเกณฑ์ผ่านหรือไม่ผ่านของโรงงาน
- ก่อนมี AI ให้วัดความสอดคล้องของการตัดสินของการตรวจด้วยการฟังในปัจจุบันด้วยการวิเคราะห์ความสอดคล้องเชิงคุณลักษณะ (ค่าสัมประสิทธิ์แคปปา) เกณฑ์ที่คนยังตัดสินไม่ตรงกัน AI ก็ทำซ้ำไม่ได้
- กำหนดบูธตรวจ จิ๊ก ไมโครโฟน และเงื่อนไขการทำงานให้แน่นอนเป็นข้อกำหนด ในการประมาณการด้วยโรงงานต้นแบบ หากตัดบูธออก ผลประโยชน์สุทธิต่อปีลดลงจาก 750,000 THB เป็น -150,000 THB และไม่สามารถคืนทุนได้
- เริ่มจากรูปแบบ A (การตัดสินซ้อนสองชั้น) และเปลี่ยนไปเป็นรูปแบบ B (การตัดสินขั้นแรกโดย AI + การตัดสินซ้ำโดยคน) หลังผ่านเกณฑ์ด้วยชุดประเมิน ในการประมาณการด้วยโรงงานต้นแบบ ส่วนที่ลงทุนเพิ่ม 600,000 THB คำนวณได้ว่าคืนทุนในประมาณ 5 เดือน แต่ผลลัพธ์ส่วนใหญ่มาจากการย้ายพนักงานตรวจไปกระบวนการอื่น หากการย้ายนี้ไม่เกิดขึ้นจริง ระยะเวลาคืนทุนของส่วนที่ลงทุนเพิ่มจะเป็นประมาณ 1.2 ปี (ทั้งหมดเป็นค่าที่ตั้งไว้ชั่วคราว)
- ใช้ RFP 12 หัวข้อเพื่อให้ข้อเสนออยู่บนเงื่อนไขเดียวกัน และใน FAT/SAT ให้ใช้ชุดประเมินเดียวกันนับการตรวจหลุดและการตรวจจับเกินแยกกัน
- ประเด็นเฉพาะของไทย เช่น กฎระเบียบด้านเสียงดัง การจัดทำเกณฑ์การตัดสินเป็นภาษาไทย BOI, PDPA และร่างกฎหมาย AI และการบำรุงรักษาในพื้นที่ ให้ดำเนินการไปพร้อมกับตรวจสอบกับหน่วยงานที่รับผิดชอบและผู้เชี่ยวชาญเป็นรายกรณี
แม้จะอยู่ในขั้นที่อยากลองวัดความสอดคล้องของการตัดสินของการตรวจด้วยการฟังในปัจจุบัน หรืออยากเริ่มจากการจัดระเบียบตัวอย่างของเสียและสินค้าที่ถูกส่งคืนก็ไม่เป็นไร สำหรับท่านที่กำลังพิจารณานำ AI ตรวจเสียงผิดปกติมาใช้ในโรงงานในประเทศไทย เราสามารถช่วยจัดระเบียบร่วมกันได้ตั้งแต่จุดเริ่มต้นของการพิจารณา ปรึกษาได้อย่างสบายใจผ่านติดต่อเรา
ข้อมูลอ้างอิง
- บทความแนะนำ “Monone” ของ NTT DATA CCS (EE Times Japan, 27 กรกฎาคม 2026): https://eetimes.itmedia.co.jp/ee/articles/2607/27/news063.html
- เว็บไซต์ทางการของ Hmcomm “FAST-D”: https://fast-d.hmcom.co.jp/
- ประวัติความเป็นมาของ Hmcomm (EDINET DB): https://edinetdb.jp/company/E40058/history
- ข่าวประชาสัมพันธ์ของ Hitachi, Ltd. (22 ตุลาคม 2020): https://www.hitachi.com/ja-jp/press/articles/2020/10/1022/
- HBK รวมการทดสอบแรงบิดและ NVH (Automotive Powertrain Technology International, 21 เมษายน 2026): https://www.automotivepowertraintechnologyinternational.com/news/testing/hbk-integrates-torque-and-nvh-testing-to-enhance-end-of-line-automotive-quality-control.html
- ข่าวประชาสัมพันธ์ของ HEAD acoustics (6 พฤศจิกายน 2024): https://www.head-acoustics.com/news-events/press-releases/press-details/efficient-end-of-line-testing-with-head-acoustics-quality-assurance-at-the-highest-level/
- FPT ได้รับสิทธิบัตรสหรัฐฯ ด้านเทคโนโลยีตรวจจับความผิดปกติทางเสียง (Viet Nam News / Bizhub, 10 พฤศจิกายน 2025): https://bizhub.vietnamnews.vn/fpt-secures-us-patent-for-breakthrough-neural-network-technology-in-acoustic-anomaly-detection-post390252.html
- AISIN “การพัฒนาวิธีตรวจเสียงการทำงานของผลิตภัณฑ์แบบใหม่” (AISIN TECHNICAL REVIEW VOL.28): https://www.aisin.com/jp/technology/technicalreview/28/pdf/10.pdf
- Stagewise Anomaly Detection for E-Transaxle Quality Monitoring (arXiv, พรีปรินต์ที่ยังไม่ผ่าน peer review, 27 สิงหาคม 2026): https://arxiv.org/abs/2609.22172
- DCASE 2020 Task 2: https://dcase.community/challenge2020/task-unsupervised-detection-of-anomalous-sounds
- DCASE 2023 Task 2: https://dcase.community/challenge2023/task-first-shot-unsupervised-anomalous-sound-detection-for-machine-condition-monitoring
- DCASE 2024 Task 2: https://dcase.community/challenge2024/task-first-shot-unsupervised-anomalous-sound-detection-for-machine-condition-monitoring
- DCASE 2025 Task 2: https://dcase.community/challenge2025/task-first-shot-unsupervised-anomalous-sound-detection-for-machine-condition-monitoring
- MIMII Dataset (Zenodo): https://zenodo.org/records/3384388
- ToyADMOS (arXiv): https://arxiv.org/abs/1908.03299
- ToyADMOS2 (arXiv): https://arxiv.org/abs/2106.02369
- JIS Z 9080:2004 การวิเคราะห์การประเมินด้วยประสาทสัมผัส – วิธีการ (ตัวอย่างเอกสารจาก Japanese Standards Association): https://webdesk.jsa.or.jp/preview/pre_jis_z_09080_000_000_2004_j_ed10_ch.pdf
- Minitab การตีความผลการวิเคราะห์ความสอดคล้องเชิงคุณลักษณะ: https://support.minitab.com/en-us/minitab/help-and-how-to/quality-and-process-improvement/measurement-system-analysis/how-to/attribute-agreement-analysis/attribute-agreement-analysis/interpret-the-results/key-results/
- สำเนาราชกิจจานุเบกษา กฎกระทรวง พ.ศ. 2559 (ความร้อน แสงสว่าง และเสียง): https://ams.medsci.nu.ac.th/wp-content/uploads/2022/07/LAW2022/S14-%20กฎกระทรวงกำหนดมาตรฐานในการบริหาร%20จัดการ%20แสงสว่าง%20เสียง%202559.pdf
- บทความวิชาการเกี่ยวกับเกณฑ์เสียงดังของไทย (Journal of SciTech-ASEAN): https://li01.tci-thaijo.org/index.php/STJS/article/view/260269
- ภาพรวมกฎระเบียบด้านความปลอดภัยและอาชีวอนามัยของไทย (Enviliance ASIA): https://enviliance.com/regions/southeast-asia/th/th-osh
- การผลิตรถยนต์ของไทย สิงหาคม 2026 (Capital.com): https://capital.com/en-gb/news/thailand-s-august-car-production-rises-10-9-on-year
- การผลิตรถยนต์ของไทย กรกฎาคม 2026 (New Straits Times): https://www.nst.com.my/amp/business/economy/2026/08/1518403/thailand-car-production-rises-61pct-year-july
- สิทธิประโยชน์ใหม่ของ BOI สำหรับยานยนต์และ HEV/PHEV (Tilleke & Gibbins): https://www.tilleke.com/insights/thailand-unveils-new-incentives-for-automotive-and-hev-phev-manufacturing/8/
- ร่างกฎหมาย AI ของไทย (Rajah & Tann Asia): https://www.rajahtannasia.com/viewpoints/thailands-proposed-ai-law-moving-towards-a-risk-based-regulatory-framework/
- ร่างกฎหมาย AI ของไทย (Tilleke & Gibbins): https://www.tilleke.com/insights/thailand-releases-new-draft-artificial-intelligence-act/
- การรับฟังความคิดเห็นต่อร่างแนวปฏิบัติ PDPA รายภาคส่วน (HLC): https://hlc.com/en/publications/thailand-pdpc-consults-on-sectorspecific-pdpa-guidelines