AI สำหรับการจัดการคุณภาพ: คู่มือ PoC, RFP และเกณฑ์รับมอบสำหรับโรงงานไทย

โครงการ AI สำหรับการจัดการคุณภาพมักเริ่มจากคำถามผิดจุดว่า “โมเดลแม่นยำกี่เปอร์เซ็นต์” โรงงานไม่ได้สร้างคุณภาพจาก classifier เพียงตัวเดียว แต่ต้องนิยามข้อบกพร่อง รักษาระบบการวัดให้เชื่อถือได้ กำหนดว่าเมื่อใดคนต้องตัดสินใจ กักกันชิ้นงานต้องสงสัย พิสูจน์สาเหตุและผลของการแก้ไข รวมถึงควบคุมประสิทธิภาพเมื่อสภาพการผลิตเปลี่ยน คู่มือนี้อธิบายวิธีนำ AI ควบคุมคุณภาพและการวิเคราะห์ข้อมูลการผลิตไปสู่ระบบวงปิด พร้อม PoC 90 วัน ข้อกำหนด RFP และเกณฑ์รับมอบ โดยไม่อ้างผลประหยัดที่ไม่มีหลักฐาน

AI สำหรับการจัดการคุณภาพคือวงปิด ไม่ใช่การแข่งขันความแม่นยำ

งานยังไม่จบเมื่อกล้องตอบ OK หรือ NG วงจรคุณภาพที่ใช้งานจริงมี 8 ขั้นตอนที่เชื่อมกัน:

1. นิยาม: แปลงแบบ ข้อกำหนดลูกค้า limit sample และมาตรฐานตรวจสอบเป็นนิยามข้อบกพร่อง
2. วัด: เก็บภาพ สัญญาณ มิติ และข้อมูลจากผู้ปฏิบัติงานที่สอบย้อนกลับได้
3. อนุมาน: ให้ AI ตรวจจับความผิดปกติหรือโมเดลจำแนกสร้างคะแนน ประเภทที่เป็นไปได้ และหลักฐาน
4. ตัดสิน: ระบบหรือผู้มีอำนาจยืนยัน ผ่าน ไม่ผ่าน หรือพักรอตรวจ
5. กักกัน: ระบุและแยกชิ้นงาน ล็อต WIP และขอบเขตสินค้าที่อาจส่งออกแล้ว
6. วิเคราะห์: ทดสอบสมมติฐานสาเหตุกับคน เครื่องจักร วัสดุ วิธีการ และสภาพแวดล้อม
7. แก้ไขและยืนยันผล: ดำเนินมาตรการ แล้วตรวจการเกิดซ้ำและผลข้างเคียง
8. ควบคุมการเปลี่ยน: อนุมัติและประเมินใหม่เมื่อผลิตภัณฑ์ เครื่องจักร แสง วัสดุ label threshold หรือโมเดลเปลี่ยน

Roadmap AI/ML สำหรับ smart manufacturing ของ NIST ปี 2026 ระบุความซับซ้อนของข้อมูลอุตสาหกรรม การจัดการข้อมูล การเชื่อม sensor/ระบบควบคุมต่างชนิด และความน่าเชื่อถือ อธิบายได้ และทำงานสม่ำเสมอว่าเป็นความท้าทาย นี่คือหน้าที่ของทั้งระบบ ไม่ใช่งานของ data scientist เท่านั้น

แยกงานคุณภาพออกจาก AI ปรับปรุงกระบวนการ

บทความนี้เน้นการตัดสินคุณภาพ defect escape การวิเคราะห์สาเหตุ และธรรมาภิบาลการรับมอบ ส่วน bottleneck, cycle time และ utilization เป็นคำถามด้านการปรับปรุงกระบวนการ แม้ใช้ข้อมูลเดียวกันก็ไม่ควรใช้ utilization เป็น KPI หลักของโครงการคุณภาพ เพราะอาจกดดันให้ปล่อยชิ้นงานที่ยังไม่แน่ชัดเร็วเกินไป

หากเป็นโครงการภาพ แนวคิดเรื่องขอบเขตการถ่ายภาพและการจัดการข้อยกเว้นในคู่มือกล้อง AI เพื่อความปลอดภัยในโรงงานมีประโยชน์ แต่ความปลอดภัยและคุณภาพผลิตภัณฑ์ต้องมี label, loss, การเก็บข้อมูล และเกณฑ์รับมอบแยกกัน

กำหนดต้นทุน “ของเสียหลุดถึงลูกค้า” และ “คัดทิ้งเกินจริง” ก่อน accuracy

ข้อบกพร่องที่โมเดลพลาดคือ defect escape ส่วนชิ้นงานดีที่ถูกหยุดคือ false reject accuracy รวมไม่บอกน้ำหนักของสองกรณีนี้ ตัวอย่างสมมติ: หากชิ้นงานดี 990 ชิ้นจาก 1,000 ชิ้น ระบบที่ตอบว่าดีทุกชิ้นมี accuracy 99% แต่ปล่อยข้อบกพร่องทั้ง 10 ชิ้น ตัวเลขนี้ใช้เพื่ออธิบายเท่านั้น ไม่ใช่ค่าเฉลี่ยอุตสาหกรรม

เขียน loss function ลงในข้อกำหนดจัดซื้อ

สมการแนวคิดคือ:

ความสูญเสียประเมิน = จำนวนหลุด × ต้นทุนหลุดที่อนุมัติ + false reject × ต้นทุนตรวจซ้ำ/ทิ้ง + งานพักรอ × แรงงานตัดสิน

โรงงานต้องอนุมัติองค์ประกอบเอง เช่น ไลน์ลูกค้าหยุด การคัดแยก ขนส่งด่วน warranty scrap ตรวจซ้ำ และส่งมอบช้า คุณลักษณะด้านความปลอดภัย กฎหมาย หรือ critical characteristic ไม่ควรถูกแลกด้วยเงินเพียงอย่างเดียว แต่ต้องเป็น hard gate ใน RFP ให้ระบุว่าใครอนุมัติ loss กรณีใดห้าม auto-pass และใครอนุมัติการเปลี่ยน threshold

ทำ data contract ก่อนวิเคราะห์ข้อมูลการผลิต

การวิเคราะห์ข้อมูลการผลิตล้มเหลวเมื่อชื่อ field เดียวกันมีความหมายไม่ตรงกันใน MES, QMS, เครื่องจักร และ Excel ควรตรึงนิยาม part number, revision, process, machine, cavity, fixture, material lot, operator, shift, defect, rework และ final disposition

AI วิเคราะห์สาเหตุของเสียเสนอสมมติฐาน ไม่ได้พิสูจน์สาเหตุ

AI อาจจัดอันดับความสัมพันธ์ เช่น material lot หนึ่งเกิดรอยมาก หรืออุณหภูมิเครื่องสัมพันธ์กับมิติคลาดเคลื่อน แต่ความสัมพันธ์อาจเกิดจาก product mix เครื่องมือวัด drift, shift หรือกฎตรวจซ้ำ ยืนยันสาเหตุด้วยลำดับเวลา ความสมเหตุผลทางกายภาพ การทดลองซ้ำ ผลในล็อต/กะอื่น และการตรวจหลังแก้ไข แยกสถานะ “สมมติฐาน” “กำลังทดสอบ” และ “ยืนยันแล้ว”

คู่มือ AI ทำรายงานประจำวันโรงงานอัตโนมัติช่วยจัดโครงสร้างหลักฐานหน้างานได้ แต่รายงานสรุปยังไม่ใช่บันทึกคุณภาพที่อนุมัติโดยอัตโนมัติ ข้อกำหนด approval, retention และ traceability ต้องแยกกัน

สร้าง golden set แยกตามกะ ผลิตภัณฑ์ และข้อบกพร่อง

Golden set คือหลักฐานที่อนุมัติและตรึงไว้สำหรับรับมอบและ regression test การสุ่มแบ่งอย่างเดียวอาจทำให้ภาพต่อเนื่องที่แทบเหมือนกันหรือชิ้นงานจากล็อตเดียวกันอยู่ทั้งฝั่งฝึกและประเมิน

• เก็บภาพของชิ้นเดียวกันหรือ cycle เดียวกันไว้ฝั่งเดียว
• แบ่งตาม material lot หากคุณสมบัติลอตมีอิทธิพลสูง
• แยก fixture/cavity หากให้รูปแบบต่างกัน
• ใช้ข้อมูลช่วงเวลาถัดมาเมื่อฤดูกาล ความชื้น แสง หรือ wear อาจเปลี่ยน input
• กัน part number บางรุ่นออก หากโครงการอ้างว่าสามารถ generalize ไปยังรุ่นใหม่

รายงานผลตาม part, defect class, severity, line, machine, shift, supplier/material lot, สภาพภาพ และภาษาปฏิบัติงาน ไม่ใช่คะแนนรวมค่าเดียว บทคัดย่อสาธารณะของ ISO/IEC TR 42106:2026 กล่าวถึง benchmarking คุณลักษณะคุณภาพ AI แบบแยกระดับตามความซับซ้อนและบริบทการใช้ ในทางปฏิบัติคือการรับมอบตามบริบท ไม่ใช่ universal accuracy

วัดคุณภาพ label ด้วย

ถ้าผู้ตรวจชำนาญไม่เห็นตรงกันเรื่อง limit sample, AI จะเรียนความกำกวม บันทึกความสอดคล้องของผู้ให้ label ผู้ชี้ขาด เหตุผล class “ตัดสินไม่ได้” และ revision ของนิยาม แยก model error ออกจากข้อกำหนดที่คลุมเครือ

ภาพดัดแปลงหรือ synthetic defect ใช้ช่วยพัฒนาได้ แต่แทนการประเมินอิสระด้วยชิ้นงานจริงไม่ได้ บันทึกวิธีสร้าง สัดส่วนที่ใช้ฝึก และควบคุมไม่ให้ข้อมูลสังเคราะห์ปน golden set

รวม MSA และ traceability ไว้ในขอบเขต AI

Retraining แก้ระบบการวัดที่ไม่นิ่งไม่ได้ สำหรับมิติ ให้คุม calibration, resolution, repeatability, reproducibility, fixture และอุณหภูมิ สำหรับภาพ ให้ถือว่าแสง focus, exposure, field of view, background, เลนส์สกปรก ทิศทางชิ้นงาน และการเปลี่ยนกล้องเป็นส่วนของระบบวัด

ฝ่ายคุณภาพต้องเลือกวิธี MSA และเกณฑ์ตามคุณลักษณะ เทคโนโลยี และข้อกำหนดลูกค้า แนบแผน MSA ปัจจุบัน—sample, operator, repetition, environment และ deviation action—กับ RFP แทนการเชื่อคำรับรองทั่วไป

โครงการ NIST AIMS ผสาน integrated metrology, physics-based model และ AI พร้อม periodic verification และการอัปเดตโมเดล แนวคิดนี้เชื่อม traceability ของการวัด ความสมเหตุผลทางกายภาพ และ uncertainty ของโมเดลเข้ากับงานเดียวกัน

ทุกการตัดสินควรย้อนเวอร์ชันต่อไปนี้ได้:

• แบบ ข้อกำหนดลูกค้า และมาตรฐานตรวจ
• นิยาม defect, limit sample และ label dictionary
• sensor/camera, แสง เลนส์ gauge และ calibration state
• extraction query, preprocessing, feature และ training snapshot
• model, threshold, rule, software และ edge configuration
• final human decision, เหตุผล override, containment และ corrective action

Human-in-the-loop: override คือฟังก์ชันที่ต้องควบคุม

หากมองการแทรกแซงของคนว่าเป็นความล้มเหลว ชิ้นงานกำกวมจะถูกบังคับเป็น Pass หรือ Reject ออกแบบสามทาง: auto-pass, auto-reject และ human hold แล้วกำหนดสิทธิตาม severity, confidence และสภาพกระบวนการ

ระบบ override ต้องบันทึก:

1. ใครเปลี่ยนอะไร เมื่อใด และด้วย role ใด
2. ผล AI เดิม score และหลักฐานที่แสดง
3. เหตุผลแบบเลือกและหมายเหตุ
4. critical characteristic ต้องมีผู้อนุมัติคนที่สองหรือไม่
5. ชิ้นงานกลับสู่ lot/shipment flow อย่างไร
6. review รูปแบบ override ตามรุ่น กะ และบุคคล
7. ตรวจ label ก่อนใช้ override เป็นข้อมูล retraining

โครงการ AI for Manufacturing ของ NIST ให้ความสำคัญกับ human-AI teaming, fitness for purpose, interpretability, traceability, interoperability และ semantic correctness การฝึกอบรมจึงต้องบอกว่าระบบเห็นอะไร อัตโนมัติได้แค่ไหน และคนหยุดอย่างปลอดภัยได้อย่างไร

เฝ้าระวัง drift และควบคุมการเปลี่ยน

วัสดุ wear ของเครื่อง แสง supplier, product mix และวิธีทำงานจะเปลี่ยนหลังเปิดใช้ เฝ้าระวัง 3 ชั้น:

ตั้ง threshold จาก baseline ของโรงงาน และกำหนด owner, deadline, stop condition, rollback และการประเมินว่าต้องแจ้งลูกค้าหรือไม่

• Minor change: ข้อความหรือ permission ที่ไม่กระทบการตัดสิน; regression เฉพาะส่วน
• Impacting change: threshold, แสง, ตำแหน่งกล้อง preprocessing วัสดุหรือเครื่อง; ประเมิน golden set ใหม่
• Major change: model, label definition, part scope, critical characteristic หรือ auto-pass scope; ต้องอนุมัติคุณภาพและรับมอบใหม่

Emergency change ยังต้องมีอายุอนุมัติ backup เวอร์ชันเดิม impact scope และ review ภายหลัง หาก cloud อัปเดตโมเดลเอง ให้สัญญาระบุ notification, version pinning, สิทธิ์ปฏิเสธ rollback และ change history

12 ข้อกำหนดใน RFP สำหรับ AI ควบคุมคุณภาพ

1. การใช้และข้อห้าม: process, part, characteristic, defect, exclusion และสิ่งที่ห้ามอัตโนมัติ
2. Loss/severity: escape, false reject, hold และ hard gate ด้าน safety/regulatory/customer
3. สิทธิข้อมูล: raw data, label, derived data, artifacts, logs การนำออกและการลบ
4. การวัด: calibration, MSA, imaging, device replacement, environment, traceability
5. การประเมิน: golden set อิสระ metrics แบบ stratified, leakage control, code ที่ทำซ้ำได้
6. การตัดสินโดยคน: hold, override, dual approval, เหตุผล การอบรม ภาษาไทย/อังกฤษ/ญี่ปุ่น
7. Integration: PLC, MES, QMS, ERP, serial, time, offline และ duplicate
8. Security: boundary, named identity, audit log, vulnerability, patch, remote support
9. Drift/change: monitoring, alert, review, suspension, retraining, reacceptance, rollback
10. Operations: support ในไทย กะกลางคืน triage อะไหล่ และ end-of-support
11. Acceptance/payment: ใช้ agreed data, real line และ abnormal scenario ไม่ใช่ demo ที่เตรียมไว้
12. Exit: export model/settings/history, disconnect, delete account, migration support

เปรียบเทียบ TCO ด้วยหมวดเดียวกัน: license, imaging/metrology, labeling, MES/QMS integration, review capacity, training, monitoring, change, reacceptance และ local support ห้ามอ้างระยะเวลาคืนทุนหนึ่งค่าเป็นข้อเท็จจริงทั่วไป

PoC 90 วันพร้อม acceptance gate สามระดับ

แผนต่อไปนี้เป็น ตัวอย่างวางแผน ไม่ใช่การรับประกัน อาจเริ่มหนึ่งไลน์ สอง product family สามกะ และตัวอย่างข้อบกพร่องจริง 30–50 ชิ้นต่อ class ที่เลือก แต่โรงงานต้องแทนตัวเลขตามความถี่ ความรุนแรง ความต้องการทางสถิติ และข้อกำหนดลูกค้า หาก rare critical defect สร้างซ้ำไม่ได้อย่างปลอดภัย ให้รวม approved limit sample, historical part, controlled simulation และ conventional inspection แบบขนาน พร้อมระบุ evidence gap

G1 — Data และ measurement

• trace ชิ้นงานผ่าน material, process, measurement และ disposition ได้
• MSA/calibration/imaging และ deviation action ผ่านอนุมัติ
• version defect definition และ adjudication รวม “ตัดสินไม่ได้”
• แยก training, tuning, golden set และผ่าน leakage review
• ระบุหลักฐาน critical defect ที่ขาด ห้ามสมมติว่าผ่าน

G2 — Model และ workflow

• แสดง confusion matrix ตาม part, defect, severity, equipment, material, shift
• escape, false reject, hold capacity อยู่ใน risk/loss ที่อนุมัติ
• เปรียบเทียบ current inspection ภายใต้เงื่อนไขเดียวกัน
• แสดง hold, override, dual approval และ audit log บนอุปกรณ์จริง
• ผู้ปฏิบัติงานยืนยันคำ defect/คำสั่งภาษาไทย อังกฤษ ญี่ปุ่น

G3 — Operation และสัญญา

• ทดสอบเลนส์สกปรก แสงลด network loss, clock error และ MES outage
• เมื่อ AI หยุด ให้กลับสู่วิธีตรวจที่อนุมัติและกักชิ้นงานที่ยังไม่ตัดสิน
• ซ้อม drift alert, owner, suspension, re-evaluation และ return to service
• แสดง approval/rollback เมื่อ model, threshold, label หรือ equipment เปลี่ยน
• พิสูจน์ export, restore backup และ disconnect เมื่อจบสัญญา
• บันทึก gap, added cost, rollout condition และ Go/No-Go

ผูก payment milestone กับการอนุมัติหลักฐาน G1/G2/G3 และนิยาม Pass, Conditional Pass, Fail, retest และผู้อนุมัติ

Abnormal scenario สำหรับ FAT/SAT

ไม่มีจำนวนวินาทีหรือเปอร์เซ็นต์ accuracy ที่ใช้ได้ทุกโรงงาน ต้องกำหนด measurement point, sample, uncertainty, external service และ retest rule เอง

ความผิดพลาดที่พบบ่อย

ประเมินเฉพาะข้อมูล PoC ที่สะอาด

ของจริงมีสิ่งสกปรก field หาย เครื่องเก่า changeover, rework และกะกลางคืน นำสภาพผิดปกติที่สังเกตจริงเข้า golden set และ SAT

เลือก vendor จาก accuracy รวม

ของดีจำนวนมากบดบัง rare defect เปรียบเทียบ escape, false reject และ hold ตาม severity, defect, part และ shift

ถือ correlation จาก AI เป็นสาเหตุยืนยันแล้ว

ใช้เป็นสมมติฐาน แล้วพิสูจน์ด้วยความรู้กระบวนการ การทำซ้ำ และผลหลังแก้ไข

ซ่อน override ของผู้ตรวจ

ให้ audit และใช้ปรับปรุงได้ แต่ห้ามนำเข้า retraining อัตโนมัติโดยไม่ตรวจ label

Automate retraining โดยไม่ควบคุม change

Retraining เปลี่ยน logic การตัดสิน ต้อง review data scope, performance, risk, approval, regression และ rollback

ไม่มีแผนคุณภาพเมื่อ AI ใช้ไม่ได้

กำหนด fallback ตาม severity: ตรวจแบบเดิม hold ทั้งหมด หรือหยุด process

FAQ เกี่ยวกับ AI ควบคุมคุณภาพและ AI ตรวจจับความผิดปกติ

AI สำหรับการจัดการคุณภาพคืออะไร?

คือการใช้ภาพและข้อมูลการผลิตช่วยจำแนก ตรวจ anomaly เสนอสมมติฐานสาเหตุ และติดตามแนวโน้ม ใน production ต้องรวม measurement, traceability, human authority, containment, corrective action, drift และ change control

แทนการตรวจด้วยสายตาทั้งหมดได้หรือไม่?

ไม่ใช่โดยอัตโนมัติ กำหนด auto-pass, auto-reject และ hold จาก severity, independent evidence, measurement capability และข้อกำหนดลูกค้า เริ่มด้วย shadow หรือ parallel inspection

AI วิเคราะห์สาเหตุของเสียระบุสาเหตุอัตโนมัติได้หรือไม่?

จัดอันดับ association ได้ แต่ต้องยืนยันด้วยลำดับเวลา ความสมเหตุผลทางกายภาพ การทดลองซ้ำ และตรวจผลหลังแก้ไข เก็บผล AI เป็น hypothesis จนผู้มีอำนาจอนุมัติหลักฐาน

AI ตรวจจับความผิดปกติต่างจาก defect classification อย่างไร?

Anomaly detection หา pattern ที่ต่างจาก normal และอาจพบ defect ไม่เคยเห็น Classification แยก class ที่รู้จักและเชื่อม action ได้ง่าย ทั้งคู่ต้องมี threshold, hold, adjudication และ independent evaluation

ควรเริ่มวิเคราะห์ข้อมูลการผลิตจากอะไร?

เลือก decision หนึ่งเรื่อง แล้วทำ data contract สำหรับ identity, time, revision, equipment, material, defect definition และ final disposition ยืนยัน trace/label ก่อนเก็บข้อมูลจำนวนมาก

PoC ต้องมีตัวอย่างของเสียขั้นต่ำกี่ชิ้น?

ไม่มีขั้นต่ำสากล ให้กำหนดตาม rarity, severity, strata, uncertainty และข้อกำหนดลูกค้า ตัวเลข 30–50 ข้างต้นเป็นตัวอย่างวางแผน ไม่ใช่ assurance class สำคัญที่ข้อมูลไม่พอต้องระบุ “ยังไม่ประเมิน”

คำถามสำคัญที่สุดเวลาเปรียบเทียบ vendor คืออะไร?

ถามว่าข้อมูลอิสระชุดใดพิสูจน์ escape/false reject ตาม part, defect, shift และระบบหยุด ประเมินใหม่ rollback อย่างไรเมื่อเกิด change รวมถึง raw evidence, log, version trace และ exit export

โรงงานไทยต้องระวังอะไรเป็นพิเศษ?

แยกคำ defect ภาษาไทย/อังกฤษ/ญี่ปุ่น, ICT/UTC, กะกลางคืน/วันหยุด local support, supplier, สภาพแวดล้อม/แสง และข้อกำหนดลูกค้า ตัวเลข BOI เป็นบริบทการลงทุน ไม่ใช่หลักฐาน ROI ของ PoC

สรุป: รับมอบวงปิด ไม่ใช่คำอ้าง accuracy

AI สำหรับการจัดการคุณภาพสำเร็จเมื่อโรงงานกำหนด loss ของ escape/false reject เชื่อถือ measurement/label ประเมิน golden set ตาม product, defect, machine, material, shift เปิดให้คน hold/override อย่างปลอดภัย และตรวจ drift, suspend, re-evaluate, rollback ได้ PoC 90 วันพร้อม gate “วัดได้–ตัดสินได้–เดินงานได้” ช่วยแยก demo ที่สวยงามออกจากความพร้อมจริง

TOMAS TECH สามารถช่วยประเมินการตรวจปัจจุบันและ MES/QMS จัดทำ data contract, PoC 90 วัน ข้อกำหนด RFP และหลักฐาน FAT/SAT ท่านสามารถติดต่อเราได้ตั้งแต่ขั้นกำหนดว่าจะวัดอะไรและรับมอบอย่างไร ก่อนเลือกผลิตภัณฑ์หรือ vendor

แหล่งข้อมูลปฐมภูมิ

• NIST, 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing, เผยแพร่ 3 กรกฎาคม 2026
• NIST, Artificial Intelligence (AI) for Manufacturing
• ISO, ISO/IEC TR 42106:2026, อ้างเฉพาะ metadata และบทคัดย่อสาธารณะ
• BOI/OSOS, Thailand AI and Tech Inflows Surge as Country Prepares National Chip Strategy, 27 สิงหาคม 2026
• BOI, ข่าวประชาสัมพันธ์ภาษาไทย topic 139206
• NIST, Augmented Intelligence for Manufacturing Systems (AIMS)