AI ตรวจจับความผิดปกติ 2026 | ตัดสินว่าควรเริ่มจากด้านใดใน 5 ด้าน

เมื่อค้นหาคำว่า AI ตรวจจับความผิดปกติ สิ่งที่เรียงอยู่ใต้คำเดียวกันมีทั้งการบำรุงรักษาเชิงพยากรณ์ของเครื่องจักร การตรวจสอบด้วยภาพ การเฝ้าระวังกระบวนการ การตรวจจับเสียงผิดปกติ และการวิเคราะห์การเคลื่อนไหว แต่ทั้งห้าด้านนี้ต้องการข้อมูลคนละแบบ ใช้เงินลงทุนคนละระดับ และคืนทุนในเวลาไม่เท่ากัน ยิ่งไปกว่านั้น ในเดือนตุลาคม 2026 บริการตรวจจับความผิดปกติบนคลาวด์รายใหญ่สองรายจะทยอยปิดตัวลง บทความนี้เสนอแบบจำลองที่ให้คะแนน 5 ด้านด้วย 4 แกนเพื่อชี้ว่าควรเริ่มจากด้านใด แล้วคำนวณส่วนต่างเมื่อเรียงลำดับผิด ด้วยแบบจำลองโรงงานญี่ปุ่นในประเทศไทย

คำว่า AI ตรวจจับความผิดปกติ หมายถึงห้าด้านที่ต่างกัน

เหตุผลใหญ่ที่สุดที่การพิจารณานำ AI ตรวจจับความผิดปกติมาใช้ไม่คืบหน้า คือทุกคนในองค์กรนั่งประชุมกันโดยนึกภาพคนละอย่าง ฝ่ายวิศวกรรมการผลิตนึกถึงการพยากรณ์การเสียของเครื่องจักร ฝ่ายประกันคุณภาพนึกถึงการคัดของเสีย ส่วนฝ่ายสารสนเทศนึกถึงการคัดเลือกบริการบนคลาวด์ ทั้งที่ใช้คำว่า AI ตรวจจับความผิดปกติ เหมือนกัน แต่ข้อมูลที่ต้องใช้ เงินลงทุน และระยะเวลากว่าจะเห็นผลนั้นต่างกันหมด

บทความอธิบายของ AI Souken ซึ่งเป็นสื่อเฉพาะทางด้าน AI ของญี่ปุ่น ระบุว่า AI ตรวจจับความผิดปกติในภาคการผลิตแบ่งได้เป็น 5 ด้านหลัก บทความนี้ใช้การจัดกลุ่มดังกล่าวเป็นจุดตั้งต้น

อนึ่ง ด้าน ⑤ ในแหล่งอ้างอิงเดิมใช้คำว่าการวิเคราะห์การทำงาน บทความนี้เลือกใช้คำว่าการวิเคราะห์การเคลื่อนไหวตลอดทั้งเรื่อง เพื่อให้ชัดเจนว่าเป็นด้านที่ดูการเคลื่อนไหวของคนและของจากภาพเคลื่อนไหว

บทความเดียวกันยังยกกรณีตัวอย่างไว้ด้วย มีรายงานว่า Daikin นำข้อมูลการทำงานของผลิตภัณฑ์มาใช้ในการตรวจจับความผิดปกติ และย่นวงรอบ PDCA ของการปรับปรุงผลิตภัณฑ์ลงได้มากกว่าหนึ่งปีเมื่อเทียบกับเดิม ส่วน Bridgestone นั้นระบุว่าวิเคราะห์ข้อมูลเซ็นเซอร์ 480 รายการต่อยางหนึ่งเส้นแบบเรียลไทม์ที่เครื่องขึ้นรูปยาง ทำให้ความกลมของยางดีขึ้นมากกว่า 15% เมื่อเทียบกับวิธีผลิตเดิม และเมื่อผสานกับวิธีผลิตแบบมัลติดรัมก็ได้ผลิตภาพราวสองเท่าของเดิม ขณะที่ JFE Steel มีรายงานว่าพัฒนาระบบ J-mAIster สำหรับช่วยกู้คืนความขัดข้องของระบบควบคุม และขยายผลครบทั้ง 6 แห่งของโรงถลุงเหล็กและโรงงานทั่วประเทศแล้ว

ทั้งสามกรณีล้วนเป็นโครงการขนาดใหญ่ ไม่ใช่สิ่งที่หยิบมาวางทับโรงงานของเราได้ตรง ๆ แต่เมื่อวางเรียงกันก็มองเห็นได้ว่า AI ตรวจจับความผิดปกติไม่ใช่เทคโนโลยีเดี่ยว และกลายเป็นคนละโครงการโดยสิ้นเชิงตามชนิดของข้อมูลที่จับ Daikin ใช้บันทึกการทำงานของผลิตภัณฑ์ Bridgestone ใช้อนุกรมเวลาจากเซ็นเซอร์ของเครื่องขึ้นรูป ส่วน JFE ใช้บันทึกความขัดข้องของระบบควบคุม จุดร่วมคือ ทุกรายเริ่มต้นจากการตัดสินก่อนว่าข้อมูลที่จะใช้อยู่ที่ไหน Daikin กับ JFE เข้าจากบันทึกที่มีอยู่ในมืออยู่แล้ว ส่วน Bridgestone เข้าจากการสร้างการวัดขึ้นมาในระบบขึ้นรูปเอง ทางเข้าจึงแยกเป็นบันทึกที่มีอยู่เดิมกับการติดตั้งการวัดขึ้นใหม่ แต่ทั้งสองทางถูกตัดสินก่อนการเลือกโมเดลหรือเลือกบริการเสมอ

ตุลาคม 2026 บริการตรวจจับความผิดปกติบนคลาวด์สองรายทยอยปิดตัว

ข้อเสนอที่ว่าควรเริ่มจากข้อมูลของตัวเอง มักถูกปัดตกด้วยคำโต้ที่ว่าถึงอย่างไรก็ลองใช้บริการบนคลาวด์ดูก่อนก็ได้ แต่ตั้งแต่เดือนตุลาคม 2026 เป็นต้นไป ทางเลือกที่เป็นบริการสำเร็จรูปแบบใช้ได้ทั่วไปจากผู้ให้บริการรายใหญ่สองรายจะหายไป

Azure AI Anomaly Detector ยุติการให้บริการวันที่ 1 ตุลาคม 2026

เอกสารทางการของ Microsoft ระบุไว้ชัดเจนว่าบริการ Anomaly Detector จะถูกยกเลิกในวันที่ 1 ตุลาคม 2026 และตั้งแต่วันที่ 20 กันยายน 2023 เป็นต้นมาก็ไม่สามารถสร้างทรัพยากร Anomaly Detector ใหม่ได้แล้ว ปลายทางที่แนะนำให้ย้ายไปคือ Microsoft Fabric หรือโครงการโอเพนซอร์ส anomaly-detector

พูดอีกอย่างคือบริการนี้หยุดรับผู้ใช้รายใหม่มาเกือบสามปีแล้ว ส่วนที่ยังเดินอยู่เพื่อผู้ใช้เดิมจะสิ้นสุดลงในวันที่ 1 ตุลาคม 2026

AWS Lookout for Equipment ยุติการให้บริการวันที่ 7 ตุลาคม 2026

บล็อกทางการของ AWS เขียนถึง Amazon Lookout for Equipment ว่าลูกค้าใหม่จะเข้าถึงบริการนี้ไม่ได้ตั้งแต่วันที่ 7 ตุลาคม 2025 แต่ลูกค้าเดิมยังใช้งานได้ตามปกติจนถึงวันที่ 7 ตุลาคม 2026 และบล็อกเดียวกันก็ประกาศว่าบริการนี้จะยุติการให้บริการในวันดังกล่าว ปลายทางที่แนะนำให้ย้ายไปคือ AWS IoT SiteWise ซึ่งเพิ่มความสามารถตรวจจับความผิดปกติแบบหลายตัวแปรเมื่อเดือนกรกฎาคม 2025 และรองรับการสร้างโมเดลแบบเดียวกับ Lookout for Equipment พร้อมมีสคริปต์ย้ายโมเดลเดิมให้บน GitHub

สิ่งที่ควรอ่านออกคือฐานยังอยู่ แต่ของสำเร็จรูปหายไป

การที่ทั้งสองรายปิดตัวห่างกันเพียง 6 วันเป็นเรื่องบังเอิญ แต่ความหมายนั้นเหมือนกัน นั่นคือ อย่างน้อยชั้นที่เป็น API ใช้งานทั่วไปแบบโยนข้อมูลเข้าไปแล้วได้ผลตรวจจับกลับมา ซึ่งผู้ให้บริการคลาวด์ระดับไฮเปอร์สเกลเลอร์เคยเสนอ ได้เลิกถูกดูแลในฐานะสินค้าเดี่ยวไปแล้ว ไม่ได้แปลว่าบริการของเจ้าอื่นจะหายไปทั้งหมด แต่ข้อเท็จจริงที่ตัวแทนหลักสองรายพับเก็บพร้อมกันก็เป็นเหตุผลเพียงพอให้ทบทวนการเดิมพันกับชั้นนี้

สิ่งที่สำคัญคือลักษณะของปลายทางที่ให้ย้ายไป ทั้ง Microsoft Fabric และ AWS IoT SiteWise ไม่ใช่ของสำเร็จรูปสำหรับการตรวจจับความผิดปกติ ทั้งคู่เป็นฐานที่ตั้งอยู่บนสมมติฐานว่าเราจะเอาข้อมูลของตัวเองเข้าไปแล้วประกอบขึ้นเอง ความสบายในการปล่อยมือจึงลดลงอย่างแน่นอน

ข้อสรุปเชิงปฏิบัติที่ได้จากตรงนี้คือ การพิจารณา AI ตรวจจับความผิดปกติต้องไม่เริ่มจากคำถามว่าจะซื้อบริการตัวไหน บริการนั้นมีวันสิ้นสุด แต่ข้อมูลของเราเองและนิยามว่าต้องการตรวจจับอะไรจากข้อมูลนั้นยังอยู่ต่อไป สิ่งที่ควรตัดสินเป็นอย่างแรกจึงเป็นคำถามว่า ในห้าด้านนั้น ข้อมูลของเราอยู่ที่ใดในตอนนี้

ให้คะแนนห้าด้านด้วยสี่แกน

เราจะให้คะแนนว่าควรเริ่มจากด้านใดด้วยแกน 4 แกน แต่ละแกนให้ตั้งแต่ 0 ถึง 3 คะแนน รวมแล้วแต่ละด้านจะได้ตั้งแต่ 0 ถึง 12 คะแนน เป็นแบบจำลองที่บอกเพียงว่า ให้เริ่มจากด้านที่ได้คะแนนสูงที่สุด

ต่อไปนี้คือเกณฑ์ให้คะแนนของแต่ละแกน เนื่องจากต้องให้คะแนน 4 ครั้งกับทั้ง 5 ด้าน รวมเป็นการตัดสิน 20 ครั้ง ใช้เวลาราวหนึ่งชั่วโมงก็เสร็จ

แกน A ความมีอยู่แล้วของข้อมูล

ให้วัดด้วย ข้อมูลที่เก็บได้อยู่ ณ วินาทีนี้ ไม่ใช่ข้อมูลที่วางแผนว่าจะเก็บ คำตอบว่าติดเซ็นเซอร์แล้วก็เก็บได้นั้นคือ 0 คะแนน เพราะเมื่อต้องมีงานติดตั้งและต้องตั้งงบประมาณ นั่นคือปัจจัยที่ลดความง่ายในการเริ่มลงทันที

ในทางปฏิบัติ ช่องว่างระหว่าง 2 คะแนนกับ 3 คะแนนคือช่องที่ใหญ่ที่สุด ระหว่างการมีข้อมูลอยู่ในตัวเครื่องกับการนำข้อมูลนั้นไปใช้เรียนรู้ได้จริง ยังมีอีกสามขั้นตอนคั่นอยู่ คือการเพิ่มการสื่อสาร การถอดรหัสรูปแบบข้อมูล และการจัดหาที่เก็บ แผนงานที่ประเมินตรงนี้ไว้เบาเกินไปแทบทุกครั้งจะล่าช้า

แกน B ประวัติเหตุการณ์ผิดปกติ

AI ตรวจจับความผิดปกติมีทั้งแบบที่เรียนรู้เฉพาะสภาพปกติแล้วชี้ค่าที่หลุดออกไป และแบบที่เรียนรู้ทั้งของปกติและของผิดปกติแล้วจำแนก แบบแรกดูเหมือนไม่ต้องใช้ฉลากคำตอบ แต่ ในขั้นตอนตรวจสอบว่าค่าที่หลุดออกมานั้นเป็นปัญหาจริงหรือไม่ สุดท้ายก็ยังต้องใช้บันทึกความผิดปกติในอดีตอยู่ดี ถ้าข้ามขั้นนี้ไป ทุกครั้งที่สัญญาณเตือนดัง หน้างานก็จะบอกว่านี่ไม่ใช่ความผิดปกติ และภายในสามเดือนก็จะไม่มีใครดูมันอีก

แกน C มูลค่าความสูญเสียต่อปี

ให้คิดเป็นเงินบาทและวางเป็นยอดต่อปี สิ่งสำคัญตรงนี้คือ ห้ามนับความสูญเสียก้อนเดียวกันซ้ำในสองด้าน การหยุดกะทันหันที่มีสาเหตุจากเสียงผิดปกติของตลับลูกปืน ให้นับเป็นความสูญเสียของด้าน ① การเฝ้าระวังเครื่องจักรเพียงครั้งเดียว ไม่ใช่ของด้าน ④ การตรวจจับเสียงผิดปกติ ถ้าปล่อยให้นับซ้ำได้ ทุกด้านจะได้คะแนนสูงจนจัดลำดับไม่ได้

การถือตัวเลขเป็นช่วงแบบนี้มีเหตุผล การประมาณมูลค่าความสูญเสียขยับได้ง่าย ๆ ถึง 20% เพียงเพราะวางสมมติฐานต่างกัน การเทียบกันในระดับหนึ่งบาทจึงไม่มีความหมาย เราจึงตัดช่วงไว้ที่ 1,000,000 บาท 3,000,000 บาท และ 10,000,000 บาท ซึ่งห่างกันตั้งแต่สามเท่าขึ้นไป และให้มีผลต่อลำดับเฉพาะเมื่อข้ามช่วงเท่านั้น

แกน D มาตรการหลังตรวจพบ

แกนนี้มักถูกมองข้าม แต่สิ่งที่ฆ่าโครงการจริง ๆ คือแกนนี้ ต่อให้ตรวจพบความผิดปกติ ถ้าไม่มีเครื่องจักรสำรอง ไม่มีอะไหล่ และไม่มีคนที่ตัดสินใจสั่งหยุดได้อยู่หน้างาน สิ่งที่เหลืออยู่ก็มีแค่ข้อเท็จจริงว่าตรวจพบแล้วเท่านั้น

วิธีอ่านคะแนนและกฎยกเว้น

ให้เริ่มจากด้านที่ได้คะแนนรวมของทั้งสี่แกนสูงที่สุด หากคะแนนเท่ากัน ให้ด้านที่แกน D สูงกว่ามาก่อน เพราะด้านที่ลงมือแก้ได้ในวันเดียวกับที่ตรวจพบจะทำให้ผลงานเห็นชัดกว่าในสายตาคนในองค์กร

การตัดสินนี้มีกฎยกเว้นเพียงข้อเดียว คือ ด้านที่แกน D ได้ 0 คะแนน จะไม่เริ่มลงมือ ไม่ว่าคะแนนรวมจะเป็นเท่าใด ต่อให้อีกสามแกนได้เต็ม ถ้าหลังตรวจพบแล้วทำอะไรไม่ได้ เงินลงทุนก็ไม่คืนกลับมา กรณีที่พบบ่อยในโรงงานที่ประเทศไทยคือเครื่องจักรพิเศษที่นำเข้าจากญี่ปุ่นและมีอยู่เครื่องเดียว การจัดหาอะไหล่ใช้เวลาสองสัปดาห์ และไม่มีไลน์ทดแทน สำหรับเครื่องแบบนี้ สิ่งที่ต้องทำก่อนคือมีอะไหล่สำรองหรือหาวิธีทดแทนให้ได้ แล้ว AI จึงค่อยตามมาทีหลัง

ลองให้คะแนนกับโรงงานตัวอย่าง

พูดนามธรรมต่อไปก็ไม่ได้อะไร จึงขอตั้งโรงงานที่น่าจะมีอยู่จริงขึ้นมาหนึ่งแห่งเพื่อให้คะแนน

เป็นผู้ผลิตชิ้นส่วนอิเล็กทรอนิกส์สัญชาติญี่ปุ่นในจังหวัดระยอง ทำงานขึ้นรูป ปั๊ม และชุบผิว สำหรับคอนเนกเตอร์และเทอร์มินัลที่ใช้ในยานยนต์ มีพนักงาน 450 คน ทำงานสองกะ

ก่อนอื่นขอคำนวณกำไรส่วนเกินที่สูญไปต่อการหยุดหนึ่งชั่วโมง นำ 780,000,000 บาท หารด้วย 250 วัน ได้วันละ 3,120,000 บาท แล้วหารด้วย 16 ชั่วโมง ได้ชั่วโมงละ 195,000 บาท คูณด้วยอัตรากำไรส่วนเกิน 28% จึงเท่ากับ 54,600 บาทต่อชั่วโมง

ห้าด้านนี้ทำให้สูญเงินปีละเท่าใด

เราจะรวมมูลค่าความสูญเสียของแต่ละด้าน โดยตัดสินก่อนว่าความสูญเสียแต่ละก้อนสังกัดด้านใด เพื่อไม่ให้เกิดการนับซ้ำ

① การเฝ้าระวังเครื่องจักรและการบำรุงรักษาเชิงพยากรณ์ จากการหยุดนอกแผน 340 ชั่วโมง สมมติว่า 25% เป็นส่วนที่ตามคืนด้วยการทำล่วงเวลาหรือทำงานวันหยุดไม่ทันจนกระทบการส่งมอบ ได้ 340 คูณ 25% เท่ากับ 85 ชั่วโมง คูณด้วย 54,600 บาท เป็น 4,641,000 บาท ส่วนที่เหลืออีก 255 ชั่วโมงตามคืนด้วยการทำล่วงเวลา จึงเกิดค่าจ้างส่วนเพิ่ม โดยใช้พนักงานล่วงเวลา 8 คน ที่อัตราค่าจ้างต่อชั่วโมงรวมส่วนเพิ่มแล้ว 210 บาท ซึ่งอัตรานี้ยังไม่ได้บวกค่าใช้จ่ายทางอ้อม ได้ 255 คูณ 8 คูณ 210 เท่ากับ 428,400 บาท บวกกับค่าจ้างซ่อมภายนอกกรณีฉุกเฉินและค่าอะไหล่ด่วนอีกปีละ 620,000 บาท รวมเป็น 5,689,400 บาท

② การตรวจสอบด้วยภาพและคุณภาพ จากปริมาณการส่งมอบต่อปี 42,000,000 ชิ้น สมมติว่าอัตราของเสียที่สายตาหยุดไม่อยู่และหลุดไปถึงลูกค้าอยู่ที่ 0.05% เท่ากับ 21,000 ชิ้น ปรากฏออกมาเป็นเคลม 24 กรณีต่อปี โดยแต่ละกรณีมีค่าคัดแยก เรียกคืน ขนส่ง จัดทำรายงาน และผลิตทดแทนแบบเร่งด่วน เฉลี่ยกรณีละ 165,000 บาท ได้ 24 คูณ 165,000 เท่ากับ 3,960,000 บาท นอกจากนี้ยังมีค่าแรงของการตรวจสอบด้วยสายตาแบบเต็มร้อย คือ 14 คน คูณ 2,000 ชั่วโมง คูณ 165 บาท เท่ากับ 4,620,000 บาท โดย 165 บาทคืออัตราภาระต้นทุนภายในที่บวกสวัสดิการตามกฎหมายและค่าใช้จ่ายทางอ้อมเข้ากับค่าจ้างแล้ว ไม่ใช่อัตราค่าจ้างต่อชั่วโมงล้วน ๆ และประเมินว่าราว 30% ของยอดนี้มีช่องให้แทนที่ด้วยการตรวจจับอัตโนมัติ เท่ากับ 1,386,000 บาท รวมเป็น 5,346,000 บาท

③ การเฝ้าระวังกระบวนการ เกิดล็อตเสียจากการคุมความเข้มข้นและอุณหภูมิของน้ำยาชุบไม่ดีปีละ 18 ล็อต แต่ละล็อตมีค่าวัสดุ ค่าแรง และการชุบซ้ำเฉลี่ย 96,000 บาท ได้ 18 คูณ 96,000 เท่ากับ 1,728,000 บาท

④ การตรวจจับเสียงผิดปกติ คือค่าไฟฟ้าส่วนเกินจากลมรั่วในระบบคอมเพรสเซอร์ ค่าไฟฟ้าต่อปีในส่วนของคอมเพรสเซอร์อยู่ที่ 2,400,000 บาท ประเมินอัตราลมรั่วไว้ที่ 20% ได้ 2,400,000 คูณ 20% เท่ากับ 480,000 บาท ส่วนการหยุดกะทันหันที่มีสาเหตุจากเสียงผิดปกติของตลับลูกปืนนั้นรวมอยู่ในด้าน ① แล้ว จึงไม่นับซ้ำในที่นี้

⑤ การวิเคราะห์การเคลื่อนไหว มีงานแก้ไขซ้ำที่เกิดจากการเบี่ยงเบนจากขั้นตอนการทำงานปีละ 310 กรณี กรณีละ 2,900 บาท ได้ 310 คูณ 2,900 เท่ากับ 899,000 บาท

รวมทั้งห้าด้านเป็น 14,142,400 บาท ตรวจทานแล้วได้ 5,689,400 บวก 5,346,000 บวก 1,728,000 บวก 480,000 บวก 899,000 เท่ากับ 14,142,400 ซึ่งตรงกัน

ผลการให้คะแนน

นำสภาพปัจจุบันของโรงงานแห่งนี้มาใส่ในทั้งสี่แกน

ขอเสริมเหตุผลของการให้คะแนนไว้ด้วย

ด้าน ① นั้น เครื่องฉีดขึ้นรูปเก็บอุณหภูมิและความดันไว้ในตัวคอนโทรลเลอร์ แต่ดึงออกมาข้างนอกไม่ได้และถูกเขียนทับจนหายไป แกน A จึงได้ 2 คะแนน บันทึกการหยุดมีอยู่เป็นข้อความในสมุดบันทึกงานซ่อมบำรุงแต่ไม่มีเวลาระดับนาที แกน B จึงได้ 1 คะแนน ส่วนมาตรการนั้นตัดสินได้ที่หน้างาน แต่การใส่เข้าไปในแผนหยุดเครื่องต้องผ่านการประชุมรายเดือน แกน D จึงได้ 2 คะแนน

ด้าน ② นั้น โรงงานติดตั้งเครื่องตรวจสอบด้วยภาพไว้แล้ว มีการเขียนผลการตัดสินและภาพที่ถ่ายออกไปยังไฟล์เซิร์ฟเวอร์เป็นรายวัน และมีภาพของดีกับของเสียพร้อมเวลากำกับย้อนหลังเกิน 12 เดือน อย่างละมากกว่า 1,000 ภาพอยู่หลายเท่า แกน A และแกน B จึงได้ 3 คะแนนทั้งคู่ ส่วนของที่ตัดสินว่าไม่ผ่านก็เพียงคัดออกจากไลน์ตรงนั้นโดยไม่ต้องใช้ชิ้นส่วนหรือขั้นตอนใด แกน D จึงได้ 3 คะแนน

ด้าน ③ นั้น ความเข้มข้นของน้ำยาชุบใช้การวิเคราะห์ด้วยมือวันละ 2 ครั้งแล้วจดลงกระดาษ ส่วนอุณหภูมิและกระแสไฟฟ้าก็เพียงอ่านจากเกจ แกน A จึงได้ 1 คะแนน แม้จะรู้วันที่เกิดล็อตเสีย แต่ระบุเวลาของกระบวนการต้นเหตุไม่ได้ แกน B จึงได้ 1 คะแนน ส่วนการปรับน้ำยาทำได้ด้วยการตัดสินที่หน้างานภายในวันเดียวกัน แกน D จึงได้ 3 คะแนน

ด้าน ④ ไม่มีการติดตั้งไมโครโฟนแม้แต่ตัวเดียว แกน A จึงได้ 0 คะแนน และไม่มีบันทึกวันเวลาที่เกิดเสียงผิดปกติหรือลมรั่วเช่นกัน แกน B จึงได้ 0 คะแนน ส่วนลมรั่วนั้นซ่อมท่อให้เสร็จได้ในวันเดียวกัน แกน D จึงได้ 3 คะแนน ด้าน ⑤ มีกล้องเพดานสำหรับงานรักษาความปลอดภัยอยู่ แต่ภาพเพียงขึ้นจอโดยไม่มีเครื่องบันทึกเก็บไว้ แกน A จึงได้ 1 คะแนน และมีการรวบรวมจำนวนงานแก้ไขซ้ำ แต่ไม่มีเวลาที่ผูกกับภาพเคลื่อนไหว แกน B จึงได้ 0 คะแนน ส่วนการแก้ไขขั้นตอนทำได้ที่หน้างาน แต่การอบรมซ้ำจัดเป็นรายเดือน แกน D จึงหยุดอยู่ที่ 2 คะแนน

ผลตัดสินชัดเจน คือ ด้านที่ควรเริ่มลงมือคือ ② การตรวจสอบด้วยภาพและคุณภาพ

สิ่งที่อยากให้สังเกตคือเนื้อในของการจัดลำดับ ด้านที่มีมูลค่าความสูญเสียต่อปีสูงที่สุดคือ ① การเฝ้าระวังเครื่องจักรที่ 5,689,400 บาท ซึ่งมากกว่าด้าน ② ที่ 5,346,000 บาท แต่ด้าน ② ยังชนะ เพราะแกน C เป็นการตัดสินแบบเป็นช่วง ทั้งสองด้านจึงได้ 2 คะแนนเท่ากัน และส่วนต่างความสูญเสีย 343,400 บาทไม่มีผลต่อลำดับ สิ่งที่ทำให้เกิดความต่างคืออีกสามแกนที่เหลือ คือแกน A กับแกน B ต่างกัน 3 คะแนน และแกน D ต่างอีก 1 คะแนน รวมเป็น 11 คะแนนต่อ 7 คะแนน หรือห่างกัน 4 คะแนน ถ้าตัดสินว่าจะเริ่มจากด้านใดโดยดูขนาดของความสูญเสียอย่างเดียว เครื่องจักรจะถูกเลือกแทบทุกครั้ง และเครื่องจักรก็คือด้านที่โรงงานส่วนใหญ่มีข้อมูลน้อยที่สุด

การเจาะลึกด้านเครื่องจักรอยู่นอกขอบเขตของบทความนี้ หากอยากรู้ว่าเงื่อนไขแบบไหนที่การบำรุงรักษาเชิงพยากรณ์ได้ผลและแบบไหนที่ไม่ได้ผล อ่านได้ที่ บทความที่จัดกลุ่มกรณีศึกษาการบำรุงรักษาเชิงพยากรณ์เป็นแบบที่ได้ผลกับไม่ได้ผล และหากอยากรู้ว่าสัญญาณการสั่นสะเทือนวัดอะไรได้และวัดอะไรไม่ได้ อ่านได้ที่ บทความว่าด้วยการวินิจฉัยเครื่องจักรด้วยเซ็นเซอร์วัดการสั่นสะเทือน การจะให้คะแนนแกน A และแกน B ได้อย่างถูกต้อง ต้องอาศัยเนื้อหาของสองบทความนี้เป็นพื้นฐาน

คำนวณว่าเรียงลำดับผิดแล้วเสียเงินเท่าใด

คุณค่าของแบบจำลองตัดสินใจวัดกันที่ว่าถ้าพลาดแล้วจะเสียหายเท่าใด เราจะเทียบสามสถานการณ์ โดยการประเมินผลได้นั้นวางใหม่อย่างระมัดระวังให้เหลือเฉพาะส่วนที่เก็บได้จริง แยกออกจากตัวเลขความสูญเสียแบบหยาบที่ใช้ตัดสินช่วงของแกน C

สถานการณ์ A เริ่มที่ ② การตรวจสอบด้วยภาพตามผลตัดสิน

ค่าดำเนินการต่อปีสำหรับการบำรุงรักษาและการเรียนรู้ใหม่อยู่ที่ 290,000 บาท ส่วนผลได้วางไว้ดังนี้

พนักงานตรวจสอบด้วยสายตาลดจาก 14 คนเหลือ 10 คน แต่การลงค่าแรงของ 4 คนเต็มจำนวน 1,320,000 บาทนั้นไม่ซื่อตรงนัก ในประเทศไทยตามปกติแล้วคนที่ลดลงจะถูกโยกไปกระบวนการอื่นแทนการเลิกจ้าง สิ่งที่มีผลต่อการเงินจริง ๆ จึงมีเพียงส่วนของการลดการทำล่วงเวลาและการเลี่ยงการเพิ่มคน ในที่นี้จึงคิดไว้ที่ 60% เท่ากับ 792,000 บาท

ผลได้สุทธิต่อปีคือ 2,442,000 ลบ 290,000 เท่ากับ 2,152,000 บาท ระยะคืนทุนอย่างง่ายคือ 2,230,000 หารด้วย 2,152,000 เท่ากับ 1.04 ปี

อย่างไรก็ตาม ปีแรกยังอยู่ในช่วงตั้งลำ จึงวางผลได้ไว้ที่ 60% ของยอดเต็ม และคิดค่าดำเนินการเพียงครึ่งปี ผลประกอบการปีแรกจึงเท่ากับ 1,465,200 ลบ 145,000 ลบ 2,230,000 เท่ากับ −909,800 บาท และเนื่องจากปีที่สองจะมี 2,152,000 บาทเข้ามา จุดที่ยอดสะสมพลิกเป็นบวกจึงอยู่ราว 1 ปี 5 เดือน

ยอดสะสมคือปีแรก −909,800 ปีที่สอง 1,242,200 และปีที่สาม 3,394,200 บาท

สถานการณ์ B เริ่มที่ ① เครื่องจักรซึ่งสูญเสียมากที่สุด

เป็นกรณีที่เสียงในที่ประชุมซึ่งบอกว่าเราเสียหายจากเครื่องจักรมากที่สุดเป็นฝ่ายชนะ

ค่าดำเนินการต่อปีอยู่ที่ 380,000 บาท จุดชี้ขาดตรงนี้คือ ปีแรกแทบไม่มีผลได้เลย เพราะแกน B ได้เพียง 1 คะแนน กล่าวคือไม่มีบันทึกที่ระบุได้ในระดับนาทีว่าความผิดปกติเกิดขึ้นเมื่อใด จึงฝึกโมเดลพยากรณ์การเสียไม่ได้ สิ่งที่ทำได้ในปีแรกมีเพียงการสะสมข้อมูลกับการส่งสัญญาณเตือนด้วยค่าขีดแบ่งต่อการเบี่ยงเบนที่เห็นชัดเท่านั้น

ผลได้ปีแรกวางไว้ว่าป้องกันการหยุดนอกแผนได้ 8% จาก 340 ชั่วโมง ได้ 340 คูณ 8% เท่ากับ 27.2 ชั่วโมง ในจำนวนนี้ส่วนที่กระทบการส่งมอบ 25% คือ 6.8 ชั่วโมง ได้ 6.8 คูณ 54,600 เท่ากับ 371,280 บาท ส่วนที่เคยตามคืนด้วยการทำล่วงเวลา 20.4 ชั่วโมง ได้ 20.4 คูณ 8 คน คูณ 210 เท่ากับ 34,272 บาท และการลดค่าซ่อมคือ 620,000 คูณ 8% เท่ากับ 49,600 บาท รวมเป็น 455,152 บาท เมื่อหักค่าดำเนินการแล้วเหลือเพียง 75,152 บาทเท่านั้น

ตั้งแต่ปีที่สองเป็นต้นไป ประวัติพร้อมเวลากำกับครบ 12 เดือนจะสะสมพอให้ตั้งโมเดลพยากรณ์ได้ เมื่อยกอัตราการลดขึ้นเป็น 22% จะได้ 340 คูณ 22% เท่ากับ 74.8 ชั่วโมง ในจำนวนนี้ส่วนที่กระทบการส่งมอบ 25% คือ 18.7 ชั่วโมง ได้ 18.7 คูณ 54,600 เท่ากับ 1,021,020 บาท ส่วนที่เคยตามคืนด้วยการทำล่วงเวลา 56.1 ชั่วโมง ได้ 56.1 คูณ 8 คน คูณ 210 เท่ากับ 94,248 บาท และการลดค่าซ่อมคือ 620,000 คูณ 22% เท่ากับ 136,400 บาท รวมเป็น 1,251,668 บาท หักค่าดำเนินการแล้วเหลือ 871,668 บาท

ยอดสะสมคือปีแรก −2,714,848 ปีที่สอง −1,843,180 และปีที่สาม −971,512 บาท ผ่านไปสามปีก็ยังไม่คืนทุน จุดพลิกเป็นบวกอยู่ราว 4 ปี 1 เดือน คือเพิ่งเข้าปีที่ห้าได้ไม่นาน

ส่วนต่างของยอดสะสมสามปีเทียบกับสถานการณ์ A คือ 3,394,200 ลบ (−971,512) เท่ากับ 4,365,712 บาท

ขอเขียนไว้ตรงนี้กันเข้าใจผิด สถานการณ์ B ไม่ใช่ความล้มเหลวทางเทคนิค ตั้งแต่ปีที่ห้าเป็นต้นไปมันคืนทุนแน่นอน และการบำรุงรักษาเชิงพยากรณ์ของเครื่องจักรก็เป็นการลงทุนที่ถูกต้อง ปัญหาอยู่คนละที่ นั่นคือ โครงการที่ไม่ให้ผลอะไรเลยในปีแรกจะไปต่อในองค์กรไม่ได้ โรงงานในประเทศไทยมีการรายงานประจำปีต่อสำนักงานใหญ่ในญี่ปุ่น และโครงการที่รายงานผลการลงทุนปีแรกโดยไม่มีตัวเลขให้ดูจะถูกตัดงบในปีที่สอง การหยุดลงตอนที่ข้อมูลเรียนรู้ใกล้จะสะสมครบพอดี คือรูปแบบการจบที่พบบ่อยที่สุดในด้านนี้

สถานการณ์ C ทำ ② ให้เห็นผลก่อน แล้วค่อยไป ①

เป็นวิธีเดินที่สมจริง คือรักษาลำดับตามผลตัดสินไว้ แล้วเริ่มลงมือด้านเครื่องจักรในปีที่สอง

เมื่อเริ่มด้าน ① ในปีที่สอง ค่าเริ่มต้นในส่วนฐานข้อมูล 620,000 บาทใช้ของที่สร้างไว้แล้วในด้าน ② ร่วมกันได้ ค่าเริ่มต้นจึงลดลงเหลือ 2,790,000 ลบ 620,000 เท่ากับ 2,170,000 บาท เพราะถึงจะข้ามด้านของการตรวจจับความผิดปกติ ที่เก็บข้อมูลอนุกรมเวลาและกลไกการแสดงผลก็ยังเป็นของร่วมกัน

ตรวจทานแล้ว ปีที่สองคือ 2,152,000 ลบ 2,170,000 บวก 455,152 ลบ 380,000 เท่ากับ 57,152 ปีที่สามคือ 2,152,000 บวก 871,668 เท่ากับ 3,023,668 และยอดสะสมคือ −909,800 บวก 57,152 บวก 3,023,668 เท่ากับ 2,171,020

เปรียบเทียบสามสถานการณ์

สิ่งที่อ่านออกมาได้มีสามข้อ

ข้อแรก เมื่อดูที่จุดสามปี ส่วนต่างระหว่าง A กับ B คือ 4,365,712 บาท โรงงานเดียวกัน ขนาดงบประมาณเท่ากัน เพียงเปลี่ยนด้านที่เริ่มลงมือก็เกิดส่วนต่างเท่านี้

ข้อที่สอง C แพ้ A ไปจนถึงปีที่สี่ ณ สิ้นปีที่สี่ยังห่างกันอยู่ 351,512 บาท และจุดที่ C แซงอยู่ราว 4 ปี 5 เดือน การลงทุนเพิ่มในด้านเครื่องจักรนั้น ต่อให้ทำตามลำดับที่ถูกต้อง ยอดสะสมก็ยังใช้เวลากว่าสี่ปีจึงจะไล่ทัน นี่หมายความว่า ① การเฝ้าระวังเครื่องจักรเป็นการลงทุนที่ควรทำ แต่ไม่ใช่การลงทุนที่ต้องรีบ ถ้างบประมาณของปีนั้นตึงตัว จะหยุดไว้แค่ด้าน ② ก็ไม่เป็นไร

ข้อที่สาม ถึงอย่างนั้น ผลได้สุทธิต่อปีในปีปกติของ C ก็ยังสูงที่สุด หากบริหารโรงงานด้วยสายตาที่ยาวกว่าห้าปี C คือคำตอบที่ถูกต้อง แบบจำลองนี้ไม่ได้บอกว่าอย่าทำด้าน ① แต่บอกว่าอย่าวางด้าน ① ไว้เป็นลำดับแรก

การวิเคราะห์ความอ่อนไหว ข้อสรุปเปลี่ยนหรือไม่หากการลดเคลมเหลือครึ่งเดียว

ในผลได้ 2,442,000 บาทของสถานการณ์ A นั้น 1,650,000 บาทมาจากการลดเคลม เท่ากับสมมติฐานเดียวรองรับอยู่ถึง 68% ของทั้งหมด เราจึงขอขยับตรงนี้เพื่อตรวจสอบ

ลองดูกรณีที่การลดเคลมทำได้เพียง 5 กรณีแทนที่จะเป็น 10 กรณี ส่วนการลดชั่วโมงงานตรวจสอบด้วยสายตา 792,000 บาทนั้นไม่ได้ขึ้นกับสมมติฐานนี้ จึงวางไว้ตามเดิมโดยไม่คูณสัมประสิทธิ์ใด

ผลได้สุทธิต่อปีคือ 1,617,000 ลบ 290,000 เท่ากับ 1,327,000 บาท ปีแรกคือ 970,200 ลบ 145,000 ลบ 2,230,000 เท่ากับ −1,404,800 ยอดสะสมปีที่สองคือ −77,800 และยอดสะสมปีที่สามคือ 1,249,200 บาท จุดพลิกเป็นบวกเลื่อนออกไปอยู่ราว 2 ปี 1 เดือน

ส่วนต่างกับยอดสะสมสามปีของสถานการณ์ B ที่ −971,512 บาท คือ 2,220,712 บาท ข้อสรุปไม่พลิก ต่อให้ลดการลดเคลมลงเหลือครึ่งเดียว การเริ่มจากด้าน ② ก็ยังได้เปรียบเกิน 2,000,000 บาทในสามปี

พูดกลับกันคือ น้ำหนักของการคำนวณชุดนี้ไม่ได้วางอยู่บนรายการที่ไม่แน่นอนอย่างการลดเคลม แต่วางอยู่บนฝั่งที่เกิดขึ้นทุกวันคือชั่วโมงงานตรวจสอบด้วยสายตา 792,000 บาท หากจะเขียนเอกสารขออนุมัติ การยกฝั่งชั่วโมงงานที่ลดได้ขึ้นเป็นตัวเอกน่าจะผ่านง่ายกว่า

ขอดูอีกเงื่อนไขหนึ่งด้วย คือเงื่อนไขที่ทำให้ผลตัดสินเองขยับ หากแกน B ของด้าน ① ขึ้นจาก 1 คะแนนเป็น 3 คะแนน และแกน A ขึ้นจาก 2 คะแนนเป็น 3 คะแนน คะแนนรวมของด้าน ① จะเป็น 3 บวก 3 บวก 2 บวก 2 เท่ากับ 10 คะแนน ยังไม่ถึง 11 คะแนนของด้าน ② อยู่ 1 คะแนน แต่ระยะห่างจากด้าน ③ ④ และ ⑤ จะกลายเป็นขาด วิธียกสองแกนนี้จะกล่าวถึงในบทถัดไป

วิธีที่เร็วที่สุดในการยกอันดับไม่ใช่การซื้อ AI

ขอต่อจากเรื่องการยกแกน A และแกน B ของด้าน ① ที่ทิ้งท้ายไว้ในบทก่อน ตรงนี้คือส่วนที่ใช้งานได้จริงที่สุดของบทความนี้

สิ่งที่ต้องใช้เพื่อยกแกน B จาก 1 คะแนนเป็น 3 คะแนน ไม่ใช่ AI และไม่ใช่เซ็นเซอร์ แต่คือ การเพิ่มสี่ช่องลงในสมุดบันทึกงานซ่อมบำรุง ได้แก่ เวลาที่เริ่มหยุด เวลาที่กลับมาเดินเครื่อง อาการ และการจัดการ เพียงเพิ่มกฎการปฏิบัติงานข้อเดียวว่าให้เขียนในระดับนาที อีกหนึ่งปีถัดมาก็จะมีเหตุการณ์ผิดปกติพร้อมเวลากำกับสะสมได้ตั้งแต่ 10 ครั้งต่อปีขึ้นไป ค่าใช้จ่ายเกือบเป็นศูนย์

ส่วนการยกแกน A จาก 2 คะแนนเป็น 3 คะแนนนั้นต้องมีงานติดตั้ง แต่ก็ไม่จำเป็นต้องทำรวดเดียวทั้งหมด ให้เลือกเฉพาะ 3 เครื่องที่มีเวลาหยุดยาวที่สุดในช่วงสองปีที่ผ่านมา จากเครื่องฉีดขึ้นรูปทั้ง 12 เครื่อง แล้วดึงข้อมูลออกจากคอนโทรลเลอร์มาจัดเก็บ ขนาดเท่านี้ใช้เงินระดับหลักแสนบาทก็พอ ไม่มีเหตุผลใดที่ต้องเชื่อมต่อทั้ง 12 เครื่องพร้อมกัน

พูดอีกอย่างคือ การลงทุนที่ถูกต้องสำหรับปีแรกในด้านเครื่องจักร ไม่ใช่ตัว AI ตรวจจับความผิดปกติ แต่คือ งานที่ยกคะแนนของการให้คะแนน และเมื่อเริ่มลงมือในปีที่สองด้วยคะแนนที่ยกขึ้นแล้ว ช่วงเวลาที่ไม่ให้ผลอะไรเลยในปีแรกซึ่งเกิดขึ้นในสถานการณ์ B ก็จะหายไป อนึ่ง สถานการณ์ C ในบทก่อนเป็นการคำนวณแบบระมัดระวัง โดยไม่ได้คิดการเร่งนี้เข้าไป และคงอัตราการลดของปีแรกในด้าน ① ไว้ที่ 8% ตามเดิม หากเพิ่มสี่ช่องในสมุดบันทึกไว้ก่อน ปีที่สองของสถานการณ์ C จะดีขึ้นกว่านี้อีกเล็กน้อย

แนวคิดนี้ใช้กับฝั่งคุณภาพได้ตรง ๆ เช่นกัน โรงงานที่ไม่มีเครื่องตรวจสอบด้วยภาพจะเริ่มจากด้าน ② ไม่ได้หรือ คำตอบคือไม่ใช่ ให้เริ่มจากการวางการปฏิบัติงานที่ไม่ทิ้งภาพซึ่งถ่ายไว้ในกระบวนการตรวจสอบเสียก่อน ประเด็นที่ว่าความแม่นยำของการตัดสินถูกกำหนดด้วยสัดส่วนของข้อมูลที่ตรวจสอบเทียบกันได้นั้น อธิบายไว้อย่างละเอียดใน บทความว่าด้วยการวิเคราะห์ข้อมูลการตรวจสอบคุณภาพด้วย AI

ประเด็นเฉพาะเมื่อดำเนินการในโรงงานที่ประเทศไทย

มีโอกาสใช้สิทธิประโยชน์ BOI ด้านการยกระดับเทคโนโลยี

สำนักงานคณะกรรมการส่งเสริมการลงทุน หรือ BOI มีประเภทกิจการที่เรียกว่า Activity 10.1 การส่งเสริมการยกระดับเทคโนโลยี หากผู้ผลิตที่ได้รับสิทธิประโยชน์ BOI อยู่แล้วลงทุนในเครื่องจักรและอุปกรณ์สำหรับระบบบำรุงรักษาเชิงพยากรณ์ เช่น เซ็นเซอร์ IoT ฐานข้อมูล และโมเดล AI พยากรณ์การเสียของเครื่องจักร หรือลงทุนใน AI ตรวจสอบด้วยภาพที่ใช้การรู้จำภาพและการเรียนรู้เชิงลึก ก็จะเข้าข่ายได้รับการยกเว้นภาษีเงินได้นิติบุคคลเพิ่มอีก 3 ปี และได้รับการยกเว้นอากรขาเข้าสำหรับเครื่องจักรใหม่และอุปกรณ์ที่เกี่ยวข้องกับ AI การลงทุนยกระดับเทคโนโลยีนี้เองไม่มีการกำหนดวงเงินลงทุนขั้นต่ำ เงื่อนไขที่ต้องมีคือการได้รับสิทธิประโยชน์จากกิจการฐานอยู่ก่อนแล้วเท่านั้น

หากพูดด้วยสถานการณ์ A ของบทความนี้ ในค่าเริ่มต้น 2,230,000 บาทนั้น ส่วนของคอมพิวเตอร์อุตสาหกรรมและเครื่องอนุมานเอดจ์ 340,000 บาทอาจเข้าข่ายได้รับการยกเว้นอากรขาเข้า อัตราภาษีเปลี่ยนไปตามพิกัดสินค้า จำนวนเงินจริงจึงควรตรวจสอบเป็นรายกรณี

ด้านบุคลากรก็มีสิทธิประโยชน์เช่นกัน ค่าใช้จ่ายในการอบรมบุคลากรด้าน AI หักเป็นรายจ่ายได้ 200% และบริษัทที่ทุ่มงบอบรมด้าน AI คิดเป็น 1% ถึง 3% ของค่าใช้จ่ายด้านบุคลากรต่อปี จะได้ขยายเวลายกเว้นภาษีเงินได้นิติบุคคลเพิ่มอีก 1 ปีถึง 3 ปีตามสัดส่วนที่ลงทุน โครงสร้างคือ 1% ได้ 1 ปี 2% ได้ 2 ปี และ 3% ได้ 3 ปี

แต่นี่ไม่ใช่จำนวนเงินเล็ก ๆ โรงงานตัวอย่างมีพนักงาน 450 คน หากวางเงินเดือนต่อปีต่อคนรวมภาระนายจ้างไว้ที่เฉลี่ย 240,000 บาท ค่าใช้จ่ายด้านบุคลากรต่อปีที่ใช้เป็นเกณฑ์ตัดสินสิทธิประโยชน์จะเท่ากับ 108,000,000 บาท และ 1% ของยอดนี้คือ 1,080,000 บาท เท่ากับต้องทุ่มเงินเกือบครึ่งหนึ่งของค่าเริ่มต้นในสถานการณ์ A ไปกับการอบรมทุกปีอย่างต่อเนื่อง จึงไม่ใช่จำนวนเงินที่ควรกระโดดเข้าใส่เพียงเพราะเห็นจำนวนปีของสิทธิประโยชน์ ควรตัดสินจากการไล่นับจำนวนคนและหลักสูตรที่ต้องการพัฒนาจริง

การจะได้รับสิทธิประโยชน์หรือไม่นั้นเปลี่ยนไปตามลักษณะกิจการและประเภทที่ยื่นขอ จึงควรตรวจสอบเป็นรายกรณีเสมอ

ทำให้ตัดสินใจเรื่องการตรวจพบได้ที่หน้างาน

ความต่างระหว่าง 1 คะแนนกับ 2 คะแนนของแกน D คือความต่างระหว่างการรออนุมัติจากสำนักงานใหญ่หลายวันกับการตัดสินได้ที่หน้างาน ซึ่งในประเทศไทยเป็นปัญหาที่หนักกว่าในญี่ปุ่น สัญญาณเตือนของการตรวจจับความผิดปกติจะหมดความหมายหากไม่มีการตัดสินภายในไม่กี่ชั่วโมงหลังจากดังขึ้น ถ้าอำนาจตัดสินใจสั่งหยุดเครื่องอยู่ที่บริษัทแม่ในญี่ปุ่น และต้องใช้เวลาสามวันเพราะมีทั้งเวลาที่ต่างกันและกระบวนการขออนุมัติคั่นอยู่ การตรวจจับความผิดปกติในด้านนั้นต่อให้ลงทุนไปก็ไม่ได้ผล

นี่ไม่ใช่ปัญหาของเทคโนโลยี แต่เป็นปัญหาของโครงสร้างองค์กร อย่างไรก็ตาม ถ้าโครงสร้างไม่เปลี่ยน แกน D ก็จะอยู่ที่ 1 คะแนนต่อไป และลำดับในแบบจำลองก็จะลดลงอย่างถูกต้อง สิ่งที่ได้คือข้อสรุปว่าอย่าฝืนลงทุน เท่านั้นเอง

ตัดสินใจล่วงหน้าว่าจะนำข้อมูลออกไปไว้ที่ใด

เรื่องบริการตรวจจับความผิดปกติบนคลาวด์ที่จะปิดตัวซึ่งพูดถึงตอนต้นบทความ ส่งผลมาถึงตรงนี้ด้วย การกำหนดว่าจะวางข้อมูลเรียนรู้และที่ประมวลผลการอนุมานไว้ที่ใด คือการออกแบบที่แก้ทีหลังได้ยาก หากออกแบบให้ส่งภาพไปยังรีเจียนในต่างประเทศ เมื่อถูกลูกค้าขอคำอธิบายในการตรวจประเมิน ต้นทุนของการเปลี่ยนแปลงจะสูงมาก

หากใช้โครงสร้างที่ประมวลผลการอนุมานที่ฝั่งเอดจ์ และทำเฉพาะการเรียนรู้ในสภาพแวดล้อมอื่น ประเด็นนี้จะเบาลงมาก เหตุผลที่สถานการณ์ A รวมเครื่องอนุมานเอดจ์ไว้ในค่าเริ่มต้นก็เพราะเรื่องนี้

คำถามที่พบบ่อย

AI ตรวจจับความผิดปกติคืออะไร

เป็นคำเรียกรวมของกลไกที่เรียนรู้รูปแบบของสภาพปกติ แล้วค้นหาสภาพที่หลุดออกไปโดยอัตโนมัติ ในการจัดกลุ่มของบทความนี้ จะแบ่งเป็น 5 ด้านตามชนิดของข้อมูลที่จับ ได้แก่ การเฝ้าระวังเครื่องจักรและการบำรุงรักษาเชิงพยากรณ์ การตรวจสอบด้วยภาพและคุณภาพ การเฝ้าระวังกระบวนการ การตรวจจับเสียงผิดปกติ และการวิเคราะห์การเคลื่อนไหว เนื่องจากไม่ใช่หมวดผลิตภัณฑ์เดี่ยว การพูดเพียงว่าจะนำ AI ตรวจจับความผิดปกติมาใช้ จึงยังกำหนดความต้องการไม่ได้ ให้ตกลงก่อนว่ากำลังพูดถึงด้านใด

AI ตรวจจับความผิดปกติต่างจาก AI บำรุงรักษาเชิงพยากรณ์อย่างไร

AI บำรุงรักษาเชิงพยากรณ์คือชื่อเรียกของส่วนที่ตรงกับด้าน ① การเฝ้าระวังเครื่องจักร ในห้าด้านของ AI ตรวจจับความผิดปกติ จึงมีความสัมพันธ์แบบส่วนหนึ่งของทั้งหมด อย่างไรก็ตาม คำว่าการบำรุงรักษาเชิงพยากรณ์มีนัยของแกนเวลาอยู่ด้วย คือการพยากรณ์ว่าจะเสียเมื่อใดแล้วเปลี่ยนชิ้นส่วนก่อนที่จะเสีย ข้อกำหนดจึงสูงขึ้นอีกขั้นเมื่อเทียบกับการตรวจจับความผิดปกติที่เพียงบอกว่าตอนนี้ผิดปกติ การจะประมาณเวลาที่เหลือก่อนเสียได้นั้น ต้องมีข้อมูลของกรณีที่เสียจริงหลายครั้ง สำหรับโรงงานที่คะแนนแกน B ต่ำ การเข้าจากการตรวจจับความผิดปกติก่อน แล้วค่อยขยับไปสู่การพยากรณ์เมื่อสะสมกรณีได้แล้ว จึงเป็นลำดับที่เหมาะสม

AI พยากรณ์การเสียของเครื่องจักร ต้องมีข้อมูลมากแค่ไหนจึงจะสร้างได้

ไม่มีคำตอบตายตัว แต่เกณฑ์ให้คะแนนของบทความนี้วางคะแนนเต็มของแกน B ไว้ที่เหตุการณ์ผิดปกติที่ระบุได้พร้อมเวลากำกับตั้งแต่ 10 ครั้งต่อปีขึ้นไป ซึ่งเป็นเพียงหลักไว้เทียบหนึ่งอัน พูดกลับกันคือ เราไม่สามารถสร้างโมเดลพยากรณ์การเสียของเครื่องที่เสียปีละครั้งเดียวได้จากข้อมูลหนึ่งปี หากมีเครื่องรุ่นเดียวกันหลายเครื่อง จำนวนกรณีก็จะรวมกันตามจำนวนเครื่อง การเริ่มจากเครื่องจักรที่มีรุ่นเดียวกันอยู่หลายเครื่องจึงได้เปรียบ

AI ตรวจจับของเสีย แทนที่การตรวจสอบด้วยสายตาได้ทั้งหมดหรือไม่

โรงงานตัวอย่างในบทความนี้คำนวณบนสมมติฐานว่าลดจาก 14 คนเหลือ 10 คน ไม่ได้ลดจนเหลือศูนย์ ยังต้องมีคนอยู่สำหรับพื้นที่ที่การตัดสินคลุมเครือ ของชิ้นแรกและช่วงหลังเปลี่ยนสเปกทันที รวมถึงการสุ่มตรวจยืนยันผลการตัดสินของ AI การเปลี่ยนรูปแบบจากการตรวจด้วยสายตาทุกชิ้นมาเป็นการสุ่มตรวจ คือวิธีทดแทนที่สมจริง แผนการลงทุนที่ตั้งอยู่บนสมมติฐานว่าจะไร้คนโดยสมบูรณ์ แทบจะแน่นอนว่าไม่ให้ผล

หากกำลังใช้ Azure AI Anomaly Detector หรือ AWS Lookout for Equipment อยู่ ควรทำอย่างไร

Azure AI Anomaly Detector จะถูกยกเลิกในวันที่ 1 ตุลาคม 2026 โดยแนะนำให้ย้ายไปยัง Microsoft Fabric หรือโครงการโอเพนซอร์ส anomaly-detector ส่วน AWS Lookout for Equipment จะยุติการให้บริการในวันที่ 7 ตุลาคม 2026 โดยแนะนำให้ย้ายไปยัง AWS IoT SiteWise และมีสคริปต์ย้ายโมเดลเดิมให้ด้วย เนื่องจากปลายทางของทั้งสองรายเป็นฐาน ไม่ใช่ของสำเร็จรูป เราจึงแนะนำให้ถือโอกาสของการย้ายนี้กลับมาให้คะแนนใหม่ว่าด้านนี้เคยได้คะแนนสูงจริงหรือไม่ กรณีที่การทำให้ระบบเดินต่อไปกลายเป็นวัตถุประสงค์ในตัวมันเองนั้นพบได้ไม่น้อย

เริ่มทั้งห้าด้านพร้อมกันไม่ได้หรือ

หากงบประมาณและคนเพียงพอ เราก็ไม่ห้าม แต่ในความเป็นจริง สิ่งที่กินเวลามากที่สุดของการตั้งต้นงานตรวจจับความผิดปกติคือการพูดคุยกับหน้างาน งานยืนยันความสมเหตุสมผลของสัญญาณเตือนทีละกรณีร่วมกับหน้างาน ไม่ใช่ปริมาณที่ผู้รับผิดชอบฝ่ายวิศวกรรมการผลิตจะทำคู่ขนานได้ครบทั้งห้าด้าน การทำให้เห็นผลในด้านเดียวจนได้ความไว้วางใจจากหน้างานก่อนแล้วค่อยขยาย จะเร็วกว่าในผลลัพธ์สุดท้าย

หากทำในประเทศไทย ต่างจากในญี่ปุ่นอย่างไร

ข้อกำหนดทางเทคนิคแทบไม่ต่างกัน สิ่งที่ต่างมีสามข้อ คืออำนาจตัดสินใจอยู่ในประเทศหรือไม่ ซึ่งเชื่อมตรงกับแกน D การปฏิบัติงานด้านการบันทึกจะฝังตัวได้หรือไม่ และการรายงานประจำปีต่อสำนักงานใหญ่ในญี่ปุ่นจะมีตัวเลขของปีแรกให้ดูหรือไม่ ข้อที่สามส่งผลโดยตรงต่อการเลือกด้านที่จะเริ่ม หากเริ่มจากด้านที่ไม่ให้ผลอะไรเลยในปีแรก ต่อให้เทคโนโลยีถูกต้อง โครงการก็ไปต่อไม่ได้

สรุป

AI ตรวจจับความผิดปกติไม่ใช่เทคโนโลยีเดี่ยว แต่เป็นคำเรียกรวมของห้าด้าน ได้แก่ การเฝ้าระวังเครื่องจักรและการบำรุงรักษาเชิงพยากรณ์ การตรวจสอบด้วยภาพและคุณภาพ การเฝ้าระวังกระบวนการ การตรวจจับเสียงผิดปกติ และการวิเคราะห์การเคลื่อนไหว การตัดสินว่าจะเริ่มจากด้านใด ให้ให้คะแนนสี่แกนตั้งแต่ 0 ถึง 3 คะแนน คือความมีอยู่แล้วของข้อมูล ประวัติเหตุการณ์ผิดปกติ มูลค่าความสูญเสียต่อปี และมาตรการหลังตรวจพบ แล้วเลือกจากด้านที่คะแนนรวมสูงที่สุด โดยด้านที่แกน D ได้ 0 คะแนนจะไม่เริ่มลงมือ ไม่ว่าคะแนนรวมจะเป็นเท่าใด

ในโรงงานตัวอย่าง ด้านที่มีมูลค่าความสูญเสียต่อปีสูงที่สุดคือการเฝ้าระวังเครื่องจักรที่ 5,689,400 บาท แต่ด้านที่ถูกตัดสินว่าควรเริ่มลงมือคือการตรวจสอบด้วยภาพซึ่งได้ 11 คะแนน หากตัดสินด้วยขนาดของความสูญเสียอย่างเดียว เครื่องจักรจะถูกเลือก และเครื่องจักรก็มักเป็นด้านที่ข้อมูลขาดมากที่สุด ส่วนต่างของยอดสะสมสามปีเมื่อเรียงลำดับผิดคือ 4,365,712 บาท และแม้จะทำการวิเคราะห์ความอ่อนไหวโดยลดสมมติฐานการลดเคลมลงครึ่งหนึ่ง ส่วนต่างก็ยังอยู่ที่ 2,220,712 บาท ข้อสรุปจึงไม่พลิก

วันที่ 1 ตุลาคม 2026 Azure AI Anomaly Detector จะสิ้นสุด และวันที่ 7 ตุลาคม AWS Lookout for Equipment จะสิ้นสุด ทางเลือกที่จะซื้อ API ใช้งานทั่วไปแบบโยนข้อมูลเข้าไปแล้วได้ผลตรวจจับกลับมาจากผู้ให้บริการระดับไฮเปอร์สเกลเลอร์นั้น อย่างน้อยสำหรับสองรายนี้ก็หมดไป สิ่งที่เหลืออยู่คือข้อมูลของเราเอง คำถามแรกจึงไม่ใช่ว่าจะซื้อบริการตัวไหน แต่เป็นว่าในห้าด้านนั้น ข้อมูลของเราอยู่ที่ใดในตอนนี้ และวิธีที่เร็วที่สุดในการยกอันดับ ไม่ใช่การซื้อ AI แต่คือการเพิ่มช่องเวลาที่เครื่องหยุดลงในสมุดบันทึกงานซ่อมบำรุง

จะลองให้คะแนนสี่แกนด้วยตัวเองแล้วพบว่าคะแนนใกล้กันจนจัดลำดับไม่ได้ หรือยังอยู่ในขั้นที่ไม่รู้ด้วยซ้ำว่าสภาพปัจจุบันของแกน A เป็นอย่างไร ก็ไม่เป็นไร เพียงทราบสี่อย่าง คือจำนวนเครื่องจักร โครงสร้างของกระบวนการตรวจสอบ ชั่วโมงการหยุดนอกแผนของหนึ่งปีล่าสุด และจำนวนเคลมจากลูกค้า เราก็ให้คะแนนเบื้องต้นและส่งกลับไปได้ว่าควรเริ่มจากด้านใดพร้อมเหตุผล หากต้องการปรึกษาในขั้นก่อนการขอใบเสนอราคา ทักมาได้เลยที่ หน้าติดต่อเรา เราจะบอกขอบเขตที่ให้ผลได้ภายในปีแรก จากประสบการณ์การติดตั้งจริงในประเทศไทย

แหล่งอ้างอิง

• Microsoft Learn, What is Anomaly Detector? บริการ Anomaly Detector จะถูกยกเลิกวันที่ 1 ตุลาคม 2026 และสร้างทรัพยากรใหม่ไม่ได้ตั้งแต่วันที่ 20 กันยายน 2023, learn.microsoft.com
• Microsoft Azure Updates, AI services Anomaly Detector will be retired on 1 October 2026, azure.microsoft.com
• AWS Machine Learning Blog, Preserve access and explore alternatives for Amazon Lookout for Equipment ลูกค้าใหม่ใช้งานไม่ได้ตั้งแต่วันที่ 7 ตุลาคม 2025 และลูกค้าเดิมใช้ได้ถึงวันที่ 7 ตุลาคม 2026, aws.amazon.com
• AI Souken, AI ตรวจจับความผิดปกติในภาคการผลิต การจัดกลุ่ม 5 ด้าน และกรณีของ Daikin Bridgestone และ JFE Steel, ai-souken.com
• Pertama Partners, Thailand BOI Manufacturing กิจการ Activity 10.1 การยกระดับเทคโนโลยี Last Updated February 9, 2026, pertamapartners.com