Blog

2026.10.06

การนำ AI ตรวจเสียงผิดปกติมาใช้: RFP และการทดสอบรับมอบ

การนำ AI ตรวจเสียงผิดปกติมาใช้: RFP และการทดสอบรับมอบ

“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

ผู้ประกาศช่วงเวลาเนื้อหาตัวเลขและลักษณะของข้อมูล
NTT DATA CCS “Monone”กรกฎาคม 2026 (แนะนำในงานแสดงสินค้า)มุ่งทำให้การตรวจด้วยประสาทสัมผัสทางการได้ยินก่อนส่งมอบของผลิตภัณฑ์ที่ติดตั้งมอเตอร์ ฯลฯ เป็นอัตโนมัติ เก็บเสียงด้วยไมโครโฟนเฉพาะแบบสัมผัส (contact type) เพื่อลดผลกระทบจากเสียงรบกวนรอบข้าง และตัดสินจากระดับความเบี่ยงเบนจากเสียงปกติที่ลงทะเบียนไว้ล่วงหน้า เชื่อมต่อกับ PLC เพื่อติดตั้งเข้าในไลน์ได้ตามรายงานข่าว “ตัดสินความผิดปกติได้เร็วที่สุด 3 วินาที” ซึ่งเป็นค่าที่เร็วที่สุด บทความไม่ได้ระบุความแม่นยำ จำนวนข้อมูลที่ต้องใช้ และราคา
Hmcomm “FAST-D”เวอร์ชันเบตาปี 2018, Monitoring Edition ปี 2022การตรวจจับเสียงผิดปกติด้วย AI มีทั้ง edition สำหรับเฝ้าติดตามเครื่องจักรตลอดเวลา และ “edition ตัดสินดี/เสีย” สำหรับการตรวจคุณภาพผลิตภัณฑ์และเครื่องจักร ระบุการใช้งานว่า “ทำให้การตัดสินดี/เสียที่พึ่งพาช่างฝีมือมองเห็นได้และเป็นมาตรฐาน”ตรวจสอบไม่พบตัวเลขผลลัพธ์ในการตรวจก่อนส่งมอบ
Hitachi, Ltd.ประกาศเดือนตุลาคม 2020โซลูชันตรวจจับเสียงผิดปกติจากข้อมูลเสียง สำหรับการตรวจด้วยการเคาะ (hammering test) ของผลิตภัณฑ์และเสียงการทำงานของเครื่องจักร ส่วนสำหรับการตรวจผลิตภัณฑ์เริ่มให้บริการตั้งแต่เมษายน 2021ราคาเป็นการเสนอราคาเป็นรายกรณี 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 acousticsพฤศจิกายน 2024ระบบทดสอบ EOL ที่ผสาน measurement front-end “AQuire V4” เข้ากับซอฟต์แวร์วิเคราะห์ที่รองรับ AI “conTEST” ตัดสินผ่านหรือไม่ผ่านแบบเรียลไทม์จากการวัดการสั่นสะเทือนและเสียงไม่มีการระบุตัวเลขความแม่นยำ
FPT (เวียดนาม) “SoundAI”พฤศจิกายน 2025ได้รับสิทธิบัตรสหรัฐฯ สำหรับเทคโนโลยีโครงข่ายประสาทเทียมที่ใช้ตรวจจับความผิดปกติทางเสียง บริษัทระบุว่าได้นำไปใช้แล้วในอุตสาหกรรมการผลิตและยานยนต์ เช่น การตรวจสภาพความสมบูรณ์ของผลิตภัณฑ์ตามบทความที่รายงานการประกาศของบริษัท “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

มุมมองสิ่งที่คาดหวังได้สิ่งที่คาดหวังได้ยาก
ความสม่ำเสมอของการตัดสินให้ค่าความผิดปกติเท่าเดิมสำหรับเสียงเดียวกัน การตัดสินไม่เปลี่ยนตามความเหนื่อยล้าหรือสภาพร่างกายหากเงื่อนไขการบันทึกเสียงเปลี่ยน แม้เป็นชิ้นเดียวกันค่าความผิดปกติก็เปลี่ยน
ข้อมูลของเสียเริ่มเรียนรู้โดยเน้นเสียงปกติเป็นหลักได้พิสูจน์ว่า “ไม่ตรวจหลุด” โดยไม่มีผลิตภัณฑ์เสียที่ทราบอยู่แล้ว
ข้อบกพร่องที่ไม่เคยพบมีโอกาสจับได้ว่า “ต่างไปจากปกติ”ระบุโดยอัตโนมัติว่าเป็นข้อบกพร่องชนิดใด (แบริ่งหรือเกียร์)
การบันทึกเก็บรูปคลื่นและผลการตัดสินแยกตามหมายเลขซีเรียลได้ทำซ้ำเกณฑ์การตัดสินที่เคยพึ่งความจำของคนได้เอง 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)

  1. เมื่อพนักงานตรวจคนเดิมตัดสินชิ้นเดิมหลายครั้ง ได้คำตอบเดิมหรือไม่ (ความสม่ำเสมอภายในพนักงานตรวจแต่ละคน)
  2. คำตอบระหว่างพนักงานตรวจแต่ละคนตรงกันหรือไม่ (ความสอดคล้องระหว่างพนักงานตรวจ)
  3. 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

การนำ AI ตรวจเสียงผิดปกติมาใช้: RFP และการทดสอบรับมอบ - figure 1

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

การนำ AI ตรวจเสียงผิดปกติมาใช้: RFP และการทดสอบรับมอบ - figure 2

จากนี้ไปเป็นการประมาณการด้วยโรงงานต้นแบบ ตัวเลขทั้งหมดต่อไปนี้เป็นค่าประมาณการและค่าสมมติ (ค่าที่ตั้งไว้ชั่วคราว) ที่บทความนี้จัดทำขึ้นเอง ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรมและไม่ใช่ค่าจากการสำรวจ บทความนี้ไม่ได้ใช้ข้อมูลปฐมภูมิด้านราคาหรือผลลัพธ์จากผู้ขาย

สมมติฐานร่วม (โรงงานต้นแบบ N)

สมมติเป็นโรงงานมอเตอร์ขนาดเล็กสำหรับยานยนต์ของบริษัทญี่ปุ่นในภาคตะวันออกของไทย (จังหวัดชลบุรี)

รายการค่าสมมติการคำนวณ
ไลน์ตรวจเสียงผิดปกติ2 ไลน์–
จำนวนการผลิต1,200,000 ตัวต่อปี (รวม 2 ไลน์)–
พนักงานตรวจด้วยการฟัง8 คน (2 ไลน์ × 2 กะ × 2 คน)–
ค่าแรงพนักงานตรวจ216,000 THB/คน/ปี (เดือนละ 18,000 THB × 12 รวมสวัสดิการ เป็นค่าที่ตั้งไว้ชั่วคราว)8 × 216,000 = 1,728,000 THB/ปี
ข้อร้องเรียนเรื่องเสียงผิดปกติจากลูกค้าปีละ 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/ตัว1,200,000 × 1.0% = 12,000 ตัว, 12,000 × 20 = 240,000 THB/ปี

จุดเริ่มต้นนี้ใช้ร่วมกันทั้งรูปแบบ A และรูปแบบ B

รูปแบบ A: ติดตั้ง AI ควบคู่ และคงการตรวจด้วยการฟังของคนไว้

ประเภทรายการจำนวนเงิน (THB)
เริ่มต้นบูธตรวจ (เก็บเสียงและป้องกันการสั่นสะเทือน) และจิ๊ก 400,000 + ไมโครโฟน ชุดวัด และ Edge PC 250,000 = 650,000 ต่อไลน์, × 2 ไลน์1,300,000
เริ่มต้นการเก็บเสียงปกติ ตัวอย่างขอบเขต และเสียงของเสีย และการเรียนรู้ (รวมการติดป้ายกำกับ)500,000
เริ่มต้นการสร้างชุดประเมินและ FAT/SAT การวัดความสอดคล้องของการตัดสินของคน200,000
เริ่มต้นรวมค่าเริ่มต้น (1,300,000 + 500,000 + 200,000)2,000,000
รายปีการใช้งาน (บำรุงรักษา สนับสนุนการเรียนรู้ใหม่ ตรวจเช็กไมโครโฟน)150,000
ผลลัพธ์ข้อร้องเรียนเรื่องเสียงผิดปกติลดลง 50%: 12 ครั้ง × 50% = 6 ครั้ง, 6 × 150,000900,000
ผลลัพธ์พนักงานตรวจยังคงเป็น 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

ประเภทรายการจำนวนเงิน (THB)
เริ่มต้นชุดอุปกรณ์ทั้งหมดของรูปแบบ A2,000,000
เริ่มต้นสถานีตัดสินซ้ำ 200,000 + การเชื่อมต่อ MES (เก็บรูปคลื่นและผลการตัดสินแยกตามหมายเลขซีเรียล) 300,000 + การประเมินเพิ่มเติม (รวมการวิเคราะห์ความสอดคล้องเชิงคุณลักษณะของพนักงานตรวจ 3 คน × ชุดประเมิน) 100,000600,000
เริ่มต้นรวมค่าเริ่มต้น (2,000,000 + 600,000)2,600,000
รายปีการใช้งาน200,000
ผลลัพธ์ข้อร้องเรียนเรื่องเสียงผิดปกติลดลง 75% (รวม 50% ของรูปแบบ A แล้ว): 12 ครั้ง × 75% = 9 ครั้ง, 9 × 150,0001,350,000
ผลลัพธ์พนักงานตรวจด้วยการฟัง 8 คน → 4 คน (อีก 4 คนย้ายไปทำงานในกระบวนการอื่น ไม่ใช่การเลิกจ้าง): 4 × 216,000864,000
ผลลัพธ์การตรวจจับเกิน 1.0% → 0.5%: 1,200,000 × 0.5% = 6,000 ตัว, 6,000 × 20120,000
ผลลัพธ์รวมผลลัพธ์ (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

รูปแบบค่าเริ่มต้น (THB)ผลประโยชน์สุทธิต่อปี (THB/ปี)ระยะเวลาคืนทุนอย่างง่ายยอดสะสม 5 ปี (THB)
A (การตัดสินซ้อนสองชั้น)2,000,000750,000ประมาณ 2.7 ปี1,750,000
B (การตัดสินขั้นแรก + การตัดสินซ้ำโดยคน)2,600,0002,134,000ประมาณ 1.2 ปี8,070,000
B (ความอ่อนไหว กรณีไม่มีการย้ายพนักงาน)2,600,0001,270,000ประมาณ 2.0 ปี–
A′ (ไม่มีบูธ)1,200,000-150,000ไม่สามารถคืนทุนได้–

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“

ลำดับหัวข้อตัวอย่างเนื้อหาที่ต้องเขียน
1รหัสผลิตภัณฑ์เป้าหมายและรูปแบบข้อบกพร่องรหัสผลิตภัณฑ์เป้าหมาย ชนิดของเสียงผิดปกติที่ทราบอยู่แล้ว (รอยที่แบริ่ง รอยกระแทกที่เกียร์ สิ่งแปลกปลอมติดเข้าไป เสียงแปรงถ่านดัง ฯลฯ) และการมีหรือไม่มีตัวอย่างของเสียของแต่ละชนิด
2เงื่อนไขการทำงานและแท็กต์ไทม์ความเร็วรอบ ภาระ ทิศทางการหมุน รูปแบบการเดินเครื่อง และเวลาตรวจสูงสุดต่อหนึ่งตัว
3ขอบเขตของบูธตรวจและจิ๊กบูธและจิ๊กรวมอยู่ในขอบเขตของผู้ขายหรือไม่ ข้อกำหนดด้านการเก็บเสียงและป้องกันการสั่นสะเทือน วิธียึดผลิตภัณฑ์
4ชนิดของไมโครโฟนและเซนเซอร์ ขั้นตอนการสอบเทียบและการเปลี่ยนวิธีการ (รับเสียงผ่านอากาศหรือแบบสัมผัส) ตำแหน่งติดตั้ง วิธีและรอบการสอบเทียบ ขั้นตอนตรวจสอบหลังเปลี่ยน
5การเก็บข้อมูลสำหรับการเรียนรู้และกรรมสิทธิ์ใครเก็บเสียงปกติและเสียงของเสียเท่าใด กรรมสิทธิ์และขอบเขตการใช้ข้อมูลและโมเดลที่เรียนรู้แล้ว
6การจัดเก็บผลการตัดสินและรูปคลื่นการเชื่อมโยงกับหมายเลขซีเรียล การส่งออกไปยัง MES ระยะเวลาจัดเก็บ วิธีค้นหา
7เส้นทางการตัดสินซ้ำโดยคนและหน้าจอสถานีตัดสินซ้ำ การแสดงรูปคลื่นและสเปกตรัม การบันทึกเหตุผลที่กลับคำตัดสิน
8ชุดประเมินและเกณฑ์การผ่านองค์ประกอบของชุดประเมิน เส้นเกณฑ์ผ่านของการตรวจหลุด การตรวจจับเกิน ความสามารถในการทำซ้ำ และความสอดคล้องกับคน (โรงงานเป็นผู้กำหนด)
9ขั้นตอนและค่าใช้จ่ายในการเพิ่มรหัสผลิตภัณฑ์และการเรียนรู้ใหม่ปริมาณเสียงปกติที่ต้องใช้ในการเพิ่มรหัสผลิตภัณฑ์ใหม่ การแบ่งงาน ค่าใช้จ่ายต่อครั้ง
10เครือข่าย ความปลอดภัย และบันทึก (log)วิธีเชื่อมต่อกับเครือข่ายโรงงาน การมีหรือไม่มีการเชื่อมต่อภายนอก บันทึกการใช้งาน ประวัติการอัปเดตโมเดล
11หน้าจอและมาตรฐานการปฏิบัติงานภาษาไทยการรองรับภาษาไทยของหน้าจอใช้งาน การแสดงสัญญาณเตือน มาตรฐานการปฏิบัติงาน และเอกสารฝึกอบรม
12ระบบบำรุงรักษาในพื้นที่ผู้รับผิดชอบการบำรุงรักษาและการเรียนรู้ใหม่ในประเทศไทย 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

การนำ AI ตรวจเสียงผิดปกติมาใช้: RFP และการทดสอบรับมอบ - figure 3

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

ลำดับตัวชี้วัดวิธีตรวจสอบ (เป้าหมายเป็นตัวอย่าง โรงงานเป็นผู้กำหนด)
1อัตราการตรวจจับผลิตภัณฑ์เสียที่ทราบอยู่แล้วผลิตภัณฑ์เสีย 30 ตัว ตัดสินเป็น NG ได้กี่ตัว ตัวอย่างเป้าหมายคือไม่มีการตรวจหลุดเลย และบันทึกสาเหตุของชิ้นที่ตรวจหลุด
2อัตราการตรวจจับเกินของผลิตภัณฑ์ปกติสัดส่วนที่ตัดสินเป็น NG จากผลิตภัณฑ์ปกติ 300 ตัว ตัวอย่างเป้าหมายคือไม่เกิน 0.5%
3ความแปรปรวนของการตัดสินกับตัวอย่างขอบเขตรันชิ้นเดียวกัน 3 ครั้ง แล้วดูว่าได้ผลการตัดสินเดิมหรือไม่
4ความสอดคล้องกับการตัดสินของคนการวิเคราะห์ความสอดคล้องเชิงคุณลักษณะระหว่างพนักงานตรวจ 3 คนกับ AI สำหรับค่าสัมประสิทธิ์แคปปา ให้อ้างอิงเกณฑ์ของ AIAG (ตามคำอธิบายของ Minitab คือตั้งแต่ 0.75 ขึ้นไป และที่พึงประสงค์กว่าคือ 0.90) แล้วโรงงานเป็นผู้กำหนดเส้นเกณฑ์ผ่าน
5การตัดสินภายในแท็กต์ไทม์การตัดสินเสร็จภายในแท็กต์ไทม์หรือไม่
6พฤติกรรมเมื่อเปลี่ยนเงื่อนไขเสียงรบกวนการตัดสินเปลี่ยนอย่างไรภายใต้เงื่อนไข เช่น เปิดประตูบูธ หรือเครื่องจักรข้างเคียงทำงาน
7ขั้นตอนการเรียนรู้ใหม่หลังเปลี่ยนไมโครโฟนหรือเปลี่ยนรหัสผลิตภัณฑ์กลับสู่สภาพเดิมได้ตามคู่มือขั้นตอนหรือไม่ 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

ช่วงเวลาสิ่งที่ต้องทำผลงานเมื่อเสร็จสิ้น
วันที่ 0-30วัดความสอดคล้องของการตัดสินของการตรวจด้วยการฟังในปัจจุบัน (พนักงานตรวจ 3 คน การวิเคราะห์ความสอดคล้องเชิงคุณลักษณะ) รวบรวมผลข้อร้องเรียนเรื่องเสียงผิดปกติและการตรวจจับเกินในอดีต รวบรวมและเก็บรักษาตัวอย่างของเสียและสินค้าที่ถูกส่งคืนผลค่าสัมประสิทธิ์แคปปา รายการชิ้นที่ตัดสินไม่ตรงกัน จำนวนข้อร้องเรียนและค่าใช้จ่ายต่อครั้ง อัตราการตรวจจับเกิน รายการตัวอย่างของเสีย
วันที่ 31-60เลือกรหัสผลิตภัณฑ์ตัวแทน 1 รายการ สร้างบูธตรวจต้นแบบและบันทึกเสียง เก็บเสียงปกติ แล้วลองคำนวณค่าความผิดปกติด้วยโมเดลต้นแบบร่างข้อกำหนดเงื่อนไขการบันทึกเสียง ข้อมูลเสียงปกติ การกระจายของค่าความผิดปกติจากโมเดลต้นแบบ
วันที่ 61-90กำหนด RFP 12 หัวข้อ ชุดประเมินและเกณฑ์การผ่านของ FAT/SAT แล้วตัดสินใจสั่งซื้อว่าจะเป็นรูปแบบ A หรือ BRFP 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