AI ความปลอดภัยในโรงงาน โมเดล 3 ชั้นและ 5 รูปแบบที่ใช้ได้จริง

ในปี 2026 การติดกล้อง AI เพื่อความปลอดภัยในโรงงานไม่ใช่การถกเถียงกันว่า “ทำได้หรือไม่” อีกต่อไปแล้ว ทั้งการไม่สวมอุปกรณ์ป้องกันส่วนบุคคลและการเข้าไปในพื้นที่หวงห้าม ล้วนพิสูจน์แล้วว่าตรวจจับได้จริงด้วยการประมวลผลภาพ แต่ตัวเลขอุบัติเหตุจากการทำงานกลับไม่ลดลงให้เห็น สาเหตุไม่ได้อยู่ที่ความแม่นยำของการตรวจจับ แต่อยู่ที่ยังไม่มีใครออกแบบว่าเหตุการณ์ที่ตรวจจับได้จะไปต่อเข้ากับการตัดสินใจของใคร บทความนี้จะจัดระเบียบการนำ AI ความปลอดภัยในโรงงานมาใช้ ออกเป็น 3 ชั้น คือชั้นตรวจจับ ชั้นตัดสิน และชั้นแก้ไข แล้วชี้ให้เห็นก่อนว่าโครงการมักไปหยุดอยู่ตรงไหน

AI ความปลอดภัยในโรงงาน หมายถึงอะไรกันแน่

ขอกำหนดขอบเขตของคำก่อน ถ้าปล่อยให้ตรงนี้คลุมเครือแล้วไปคุยกันในบริษัท เรื่องจะไม่บรรจบกันสักที มีแต่งบประมาณที่ขยับ

สิ่งที่บทความนี้เรียกว่า “AI ความปลอดภัย” คือ ชื่อรวมของกลไกที่ให้เครื่องตีความสัญญาณจากกล้องและเซนเซอร์ แล้วนำผลนั้นไปเชื่อมกับพฤติกรรมของคนหรือการทำงานของเครื่องจักร เพื่อลดเหตุการณ์ที่ทำให้คนบาดเจ็บ สิ่งที่ประโยคนี้มุ่งปกป้องคือ “คน” ไม่ใช่ “ของ”

เส้นแบ่งนี้สำคัญมากในทางปฏิบัติ จึงขอแยกออกจากสองสาขาที่อยู่ติดกันให้ชัด

สาขาแรกคือ AI ตรวจสอบคุณภาพและตรวจสอบด้วยภาพ ซึ่งเป็นเทคโนโลยีที่ใช้หารอยตำหนิหรือชิ้นส่วนที่ขาดหายในตัวสินค้า อัลกอริทึมด้านการประมวลผลภาพที่ใช้ทับซ้อนกับงานความปลอดภัยอยู่มาก แต่วัตถุประสงค์ต่างกัน สิ่งที่ AI ตรวจสอบคุณภาพปกป้องคือคุณภาพของสินค้าที่ส่งถึงลูกค้า และต้นทุนเมื่อพลาดคือของเสียหลุดออกไป ส่วนสิ่งที่ AI ความปลอดภัยปกป้องคือร่างกายของคน และต้นทุนเมื่อพลาดคืออุบัติเหตุจากการทำงาน ต่อให้ผู้ขายรายเดียวกันขายทั้งสองอย่าง ความเร็วในการตอบสนองที่ต้องการ วิธีเก็บบันทึก และหน่วยงานที่อนุมัติ ก็ไม่เหมือนกัน อย่าเอามารวมในเอกสารขออนุมัติฉบับเดียวกัน

สาขาที่สองคือ การบำรุงรักษาเชิงพยากรณ์ ซึ่งจับสัญญาณเตือนก่อนเครื่องเสียจากการสั่นสะเทือนหรือกระแสไฟ เรื่องนี้ก็ถูกเรียกด้วยคำเดียวกันว่า “AI ตรวจจับความผิดปกติ” แต่สิ่งที่การบำรุงรักษาเชิงพยากรณ์ป้องกันคือการหยุดนอกแผน และสิ่งที่มันปกป้องคือปริมาณการผลิต แค่ประโยคเดียวว่าวัตถุประสงค์ต่างจากความปลอดภัยก็เพียงพอแล้วสำหรับการแยกแยะ

มอง AI ความปลอดภัยเป็น 3 ชั้น ตรวจจับ ตัดสิน แก้ไข

ถ้ามอง AI ความปลอดภัยว่าเป็น “ระบบกล้อง” จะออกแบบผิดแน่นอน เพราะกล้องรับผิดชอบแค่ชั้นล่างสุดของทั้งสามชั้นเท่านั้น

ประเด็นสำคัญของโมเดล 3 ชั้นนี้คือ เงินลงทุนกับความน่าจะเป็นที่จะล้มเหลวเดินสวนทางกัน ชั้นตรวจจับกินงบส่วนใหญ่ไปกับกล้องและอุปกรณ์ประมวลผลที่หน้างาน แต่ด้วยระดับเทคโนโลยีของปี 2026 มันแทบไม่ล้มเหลว ในทางกลับกัน ชั้นตัดสินและชั้นแก้ไขแทบไม่ใช้เงินเลย แต่โครงการส่วนใหญ่กลับไปตายตรงนี้

พูดอีกอย่างคือ ส่วนที่ตัวเลขในใบเสนอราคาสูง กับส่วนที่ทำให้โครงการตาย ไม่ใช่ส่วนเดียวกัน สำหรับคนที่ต้องเขียนเอกสารขออนุมัติ นี่เป็นโครงสร้างที่น่าปวดหัวมาก เพราะชั้นตรวจจับที่ราคาแพงนั้นอธิบายง่ายและขออนุมัติผ่านง่าย ส่วนชั้นตัดสินกับชั้นแก้ไขดูเหมือน “เรื่องของการปฏิบัติงาน” จึงถูกเขียนจบในบรรทัดเดียว แล้วหลังติดตั้งเสร็จก็ไม่มีใครมารับช่วงต่อ

คำถามที่ต้องตอบให้ได้คือใครเป็นเจ้าของชั้นตัดสินและชั้นแก้ไข

ด้วยเหตุนี้ คำถามที่อยากให้หยิบกลับไปหลังอ่านบทความนี้จึงไม่ใช่ “จะซื้อกล้องรุ่นไหน” แต่เป็น “ที่โรงงานเรา ใครเป็นเจ้าของชั้นตัดสินและชั้นแก้ไข”

ถ้ายังตอบคำถามนี้เป็นชื่อคนไม่ได้แล้วไปขอใบเสนอราคากล้อง เส้นทางข้างหน้าจะเป็นแบบนี้เกือบทุกครั้ง เดือนแรกหลังติดตั้งมีคนดูเพราะความแปลกใหม่ เดือนที่สองเริ่มรู้สึกว่าจำนวนแจ้งเตือนเยอะเกินไป เดือนที่สามมีคนปิดเสียงแจ้งเตือน ครึ่งปีผ่านไประบบยังทำงานอยู่แต่ไม่มีใครเปิดหน้าจอ ครบหนึ่งปีเรื่องไปตายที่การขออนุมัติต่อสัญญา ด้วยเหตุผลว่า “อธิบายผลลัพธ์ไม่ได้”

เส้นทางนี้ไม่ใช่ปัญหาของเทคโนโลยี แต่เป็น ผลลัพธ์ที่หลีกเลี่ยงไม่ได้ของการที่ชั้นตัดสินและชั้นแก้ไขไม่มีเจ้าของ บทต่อจากนี้จะแยกให้เห็นทีละจุดว่าอะไรเกิดขึ้นตรงไหนในสามชั้นนี้

ความแม่นยำพอแล้ว แต่อุบัติเหตุยังไม่ลด เพราะรอยขาด 4 จุด

ก่อนอื่นขอวางตัวเลขไว้เป็นฐานว่าทำไมต้องคุยเรื่องนี้ตอนนี้

ในรายงานสถานการณ์การเกิดอุบัติเหตุจากการทำงานปี 2025 ที่กระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่นเผยแพร่ ผู้บาดเจ็บและเสียชีวิตที่ต้องหยุดงานตั้งแต่ 4 วันขึ้นไปอยู่ที่ 135,333 คน ในจำนวนนี้เป็นภาคการผลิต 26,371 คน ลดลงจากปีก่อน 305 คน หรือ 1.1% ถือว่าลดลงจริง แต่ลำพังภาคการผลิตก็คิดเป็นราว 19.5% ของทั้งหมด และถ้าตั้งสมมติฐานว่าเดินเครื่องปีละ 250 วัน จะเท่ากับ มีอุบัติเหตุถึงขั้นหยุดงานเกิดขึ้นที่ไหนสักแห่งในภาคการผลิตราววันละ 105 ครั้ง

สิ่งที่ต้องรับให้หนักกว่านั้นคือองค์ประกอบของอุบัติเหตุถึงขั้นเสียชีวิต ในกลุ่มนี้ ประเภท “ถูกหนีบหรือถูกดึงเข้าไปในเครื่องจักร” อยู่ที่ 117 ราย เพิ่มขึ้น จากปีก่อน 7 ราย หรือ 6.4% การถูกหนีบและถูกดึงเข้าไปเกิดจากการที่คนเข้าใกล้ชิ้นส่วนที่เคลื่อนไหวของเครื่องจักร นั่นแปลว่า ประเภทที่กล้อง AI ตรวจจับได้ง่ายที่สุดประเภทหนึ่ง กำลังเพิ่มขึ้น

ขอย้ำว่าตัวเลขชุดนี้เป็นของประเทศญี่ปุ่น ไม่ใช่สถิติของประเทศไทย จึงควรใช้ในฐานะ ค่าอ้างอิงของหน้างานการผลิตแบบญี่ปุ่น สิ่งที่ตัวเลขชุดนี้บอกกับผู้อ่านในไทยคือ แม้แต่ในประเทศที่ทำกิจกรรมความปลอดภัยมาต่อเนื่องหลายสิบปี ประเภทที่ตรวจจับได้ง่ายที่สุดก็ยังไม่ลดลง โรงงานญี่ปุ่นในไทยมักใช้เครื่องจักร ผังไลน์ และมาตรฐานการทำงานชุดเดียวกันกับโรงงานแม่ โครงสร้างของความเสี่ยงจึงมีแนวโน้มถ่ายทอดตามมาด้วย และไม่ควรสรุปเองว่าตัวเลขจริงในไทยจะดีกว่านี้โดยอัตโนมัติ ถ้าอยากได้ตัวเลขของไทยเอง ให้ดูสถิติที่กองทุนเงินทดแทนเผยแพร่ประกอบ

เทคโนโลยีการตรวจจับเพียงพอแล้ว สำหรับการตรวจจับ PPE ด้วย AI มีการรายงานความแม่นยำระดับที่ใช้งานจริงได้ ณ ปี 2026 ทั้งกับหมวกนิรภัย เสื้อสะท้อนแสง และถุงมือ ทั้งที่เป็นเช่นนั้น ตัวเลขที่หน้างานกลับไม่ขยับ เราจะแยกรอยขาดนี้ออกเป็น 4 จุด

รอยขาดที่ 1 ไม่ได้กำหนดว่าการแจ้งเตือนจะไปถึงใคร

ข้อนี้พบมากที่สุดและร้ายแรงที่สุด

ในที่ประชุมพิจารณาการนำระบบมาใช้ พอถามว่า “จะส่งการแจ้งเตือนไปหาใคร” คำตอบที่ได้มักเป็น “ก็ จป. กับหัวหน้าไลน์แต่ละไลน์มั้งครับ” แค่ตรงนี้ก็อันตรายแล้ว เพราะ ผู้รับเรื่องที่งอกขึ้นมาด้วยคำว่า “กับ” จะสร้างโครงสร้างที่ทุกคนคิดว่าเดี๋ยวคนอื่นก็ดูเอง

สิ่งที่ต้องตัดสินใจในการออกแบบผู้รับเรื่องมี 3 อย่าง คือ ผู้รับเรื่องลำดับแรกซึ่งเป็นคนที่ต้องดูแน่นอน 1 คน ปลายทางการยกระดับเรื่องเมื่อผู้รับเรื่องลำดับแรกไม่จัดการภายในเวลาที่กำหนด และ การระบุให้ชัดว่าใครบ้างที่จะไม่ได้รับการแจ้งเตือน ข้อที่สามหลุดง่ายที่สุด การส่งทุกอย่างให้ผู้จัดการโรงงานด้วยนั้นเริ่มจากเจตนาดี แต่ผู้จัดการโรงงานจะกลายเป็นคนแรกที่ปิดการแจ้งเตือน

อีกเรื่องที่ต้องตัดสินใจไปพร้อมกับผู้รับเรื่องคือ จะทำอย่างไรเมื่อผู้รับเรื่องลำดับแรกไม่อยู่ โรงงานในไทยมีวันหยุดยาวทั้งสงกรานต์และตรุษจีน ยังไม่นับวิธีการใช้วันลาที่ต่างจากญี่ปุ่น การออกแบบให้ผู้รับเรื่องลำดับแรกมีคนเดียวจะทำให้วันที่คนนั้นลา ระบบไม่มีคนดูเลย ต้องตัดสินใจก่อนติดตั้งว่าจะทำตารางเวร หรือจะผูกปลายทางไว้กับกลุ่มของกะนั้น

วิธีตรวจว่าโรงงานคุณมีรอยขาดนี้หรือไม่ ลองถามว่า “การแจ้งเตือนที่เกิดขึ้นในกะดึกเมื่อคืน เช้านี้ใครเป็นคนดู และดูตอนกี่โมง” ถ้าตอบทันทีไม่ได้ แปลว่ายังไม่ได้กำหนดผู้รับเรื่อง

รอยขาดที่ 2 นิยามของคำว่าอันตรายไม่ตรงกับหน้างาน

โมเดล AI ตรวจจับ “คนที่ไม่ได้สวมหมวกนิรภัย” ตรงนี้ไม่มีใครเถียง ปัญหาคือ สภาวะนั้นอันตรายจริงหรือไม่ ต้องรู้จักกระบวนการผลิตถึงจะตัดสินได้

ยกตัวอย่าง พนักงานที่ถอดหมวกนิรภัยนั่งดูแบบอยู่ในพื้นที่โต๊ะทำงานตรงปลายไลน์ประกอบ อาจผิดกฎในทางระเบียบ แต่ความเสี่ยงต่อการเกิดอุบัติเหตุแทบเป็นศูนย์ ในทางกลับกัน ไม่กี่วินาทีที่เดินลอดใต้เครนเหนือศีรษะที่กำลังทำงานโดยไม่สวมหมวก คือเรื่องที่ถึงชีวิตได้ สำหรับโมเดลแล้วทั้งสองกรณีคือ “ไม่สวม” เหมือนกัน 1 ครั้ง แต่สำหรับหน้างานมันคือคนละเหตุการณ์กันโดยสิ้นเชิง

ถ้าติดตั้งโดยไม่จูนตรงนี้ให้ตรงกัน จะล้มเหลวซ้อนกันสองชั้น ชั้นแรกคือมีการละเมิดที่ความเสี่ยงต่ำถูกส่งขึ้นมาเป็นจำนวนมากจนความน่าเชื่อถือหายไป ชั้นที่สองคือแรงสะท้อนกลับทำให้มีการผ่อนกฎ จนสุดท้ายจังหวะที่อันตรายจริงก็หลุดออกจากขอบเขตการตรวจจับไปด้วย

วิธีแก้ในทางปฏิบัติคือ อย่าพยายามนิยามคำว่าอันตรายที่ฝั่งโมเดล ให้โมเดลส่งออกมาแค่สภาวะอย่าง “ไม่สวม” หรือ “เข้าพื้นที่” ส่วนจะอันตรายหรือไม่ ให้ตัดสินด้วย เงื่อนไขที่คูณกันระหว่างโซน ช่วงเวลา และสถานะการเดินเครื่องของอุปกรณ์ นั่นคือทำให้เป็นงานของชั้นตัดสิน

• โซน ใต้เครน ด้านหน้าเครื่องปั๊ม เส้นทางเดินรถโฟล์คลิฟท์ พื้นที่เก็บวัตถุอันตราย
• ช่วงเวลา อยู่ในเวลาเดินเครื่อง หรือระหว่างเปลี่ยนรุ่น หรือระหว่างทำความสะอาดและซ่อมบำรุง
• สถานะอุปกรณ์ เครื่องนั้นกำลังเดินหรือหยุดอยู่ ดึงจาก PLC หรือ IoT gateway

แค่คูณสามอย่างนี้เข้าด้วยกัน เหตุการณ์เป้าหมายก็แคบลงได้มาก ส่วนของการดึงสถานะการเดินเครื่องเข้ามานั้น โรงงานที่ทำการมองเห็นสถานะการเดินเครื่องไว้แล้วสามารถใช้ของเดิมต่อได้เลย เรื่องวิธีดึงข้อมูลจากฝั่งเครื่องจักร เราได้เรียบเรียงแยกตามรูปแบบการต่อไว้ในตัวอย่างการนำ IoT ไปใช้ในภาคการผลิตของไทย แล้ว แนะนำให้อ่านประกอบ

วิธีตรวจว่าโรงงานคุณมีรอยขาดนี้หรือไม่ เรียก จป. กับหัวหน้าหน่วยหน้างานมานั่งในห้องเดียวกัน แล้วให้ตัดสินคลิปวิดีโอ 20 คลิปติดต่อกันว่า “คลิปนี้ต้องมีคนจัดการหรือไม่” ถ้าสัดส่วนที่ตัดสินไม่ตรงกันเกิน 3 ใน 10 แปลว่ายังไม่มีนิยามร่วมกัน งานนี้ควรทำก่อนการเทรนโมเดล และแทบไม่มีค่าใช้จ่ายเลย

รอยขาดที่ 3 การแก้ไขจบที่การตักเตือนคน ไม่ย้อนกลับไปที่เครื่องจักรและเส้นทางเดิน

หน้างานที่การจัดการเหตุการณ์ที่ตรวจจับได้จบลงแค่ “ไปเตือนพนักงานแล้ว” มีอยู่มากทีเดียว ในบันทึกจะขึ้นว่าแก้ไขแล้ว แต่สัปดาห์ถัดไปก็ยังตรวจจับได้แบบเดิมที่จุดเดิม

นี่ไม่ใช่ปัญหาจิตสำนึกของพนักงาน แต่เกิดจาก การข้ามลำดับชั้นของมาตรการความปลอดภัย ในวงการอาชีวอนามัยและความปลอดภัย มีแนวคิดมานานแล้วว่าประสิทธิผลของมาตรการมีลำดับ ไล่จากบนลงล่างคือ การกำจัดต้นตอของอันตราย การใช้สิ่งอื่นทดแทน มาตรการทางวิศวกรรม (การกั้น อินเตอร์ล็อก รั้ว) มาตรการทางการบริหาร (ขั้นตอน การอบรม ป้าย) และอุปกรณ์ป้องกันส่วนบุคคล ยิ่งลงล่าง ยิ่งพึ่งพาความตั้งใจของคน และผลยิ่งไม่คงทน

“ไปเตือนมาแล้ว” คือมาตรการทางการบริหาร ซึ่งอยู่ลำดับที่สองจากล่าง คุณค่าสูงสุดที่ได้จากการติดกล้อง AI จริง ๆ แล้วไม่ใช่ตัวการตรวจจับ แต่คือการที่เราได้ข้อมูลว่าสภาวะอันตรายเกิดซ้ำที่ไหน เมื่อไร ภายใต้เงื่อนไขใด ข้อมูลชุดนั้นมีไว้เพื่อใช้กับมาตรการในลำดับที่สูงกว่าต่างหาก

พูดให้เป็นรูปธรรม ถ้าเกิดการเปลี่ยนแบบนี้ขึ้น ถือว่าการนำมาใช้ประสบความสำเร็จ

• ตรวจจับการเข้าพื้นที่ที่ทางเดินเดิมได้เดือนละ 20 ครั้ง จึงเปลี่ยนผังทางเดิน หรือตั้งรั้วกั้นทางกายภาพ (มาตรการทางวิศวกรรม)
• การไม่สวม PPE กระจุกตัวเฉพาะตอนเปลี่ยนรุ่นแบบหนึ่ง จึงแก้ขั้นตอนการเปลี่ยนรุ่นนั้นให้ทำได้ทั้งที่ยังสวม PPE อยู่ (การใช้สิ่งอื่นทดแทน)
• ตรวจจับการเข้าใกล้ได้มากเฉพาะด้านหน้าเครื่องจักรตัวหนึ่ง จึงเพิ่มม่านแสงนิรภัยหรืออินเตอร์ล็อก (มาตรการทางวิศวกรรม)

ในทางตรงข้าม ถ้าดูบันทึกการตรวจจับย้อนหลัง 3 เดือนแล้วพบว่าไม่มีทั้งเครื่องจักร ขั้นตอนงาน และผังพื้นที่ที่เปลี่ยนไปเลย แปลว่าระบบนั้นทำงานอยู่ในฐานะเครื่องบันทึกเท่านั้น ไม่ได้มีส่วนช่วยเรื่องความปลอดภัย

วิธีตรวจว่าโรงงานคุณมีรอยขาดนี้หรือไม่ นับจำนวนครั้งของ “การเปลี่ยนแปลงเครื่องจักร จิ๊ก ผังพื้นที่ หรือขั้นตอนการทำงาน นับตั้งแต่ติดตั้งระบบนี้” ถ้าเป็นศูนย์ แปลว่าชั้นแก้ไขไม่ทำงาน

รอยขาดที่ 4 ตัววัดผลกลายเป็นจำนวนครั้งที่ตรวจจับได้

สิ่งที่เห็นบ่อยที่สุดในรายงานผลการนำระบบมาใช้คือข้อความว่า “ตรวจจับพฤติกรรมเสี่ยงได้เดือนละกี่ครั้ง” ตัวเลขนี้ถ้าอยู่โดดเดี่ยว จะอ่านไปทางบวกก็ได้ ทางลบก็ได้ ตรวจจับได้เยอะอาจเพราะอันตรายเยอะจริง หรืออาจเพราะตั้งค่าเกณฑ์หลวมเกินไปก็ได้ ที่ลดลงอาจเพราะปลอดภัยขึ้น หรืออาจเพราะคนเริ่มเดินเลี่ยงหน้ากล้องก็ได้

ที่แย่กว่านั้นคือ พอเอาจำนวนครั้งที่ตรวจจับได้มาเป็น KPI หน้างานจะเรียนรู้พฤติกรรมที่ไม่ถูกตรวจจับ นี่ไม่ใช่การทุจริตหรือการอู้งาน แต่เป็นการปรับตัวอย่างสมเหตุสมผลต่อตัวชี้วัด ผลคือเส้นทางเดินที่ผ่านมุมอับของกล้องจะเกิดขึ้นเองตามธรรมชาติ และอันตรายที่แท้จริงกลับเพิ่มขึ้น

แล้วควรวัดอะไร ตัวชี้วัดที่ใช้งานได้จริงแบ่งเป็น 3 ชั้น

เหตุผลที่ต้องแยกถือสามชั้นนี้ คือ ตัวชี้วัดปลายทางอย่างจำนวนอุบัติเหตุใช้เวลานานเกินไปกว่าจะขยับในเชิงสถิติ โรงงานหนึ่งแห่งมักมีอุบัติเหตุถึงขั้นหยุดงานระดับไม่กี่รายต่อปี ต่อให้เพิ่มหรือลดเทียบกับปีก่อนก็ยังไม่พ้นขอบเขตของความบังเอิญ ถ้าจะเขียนรายงานปีแรกด้วยจำนวนอุบัติเหตุอย่างเดียว จะจนมุมในการอธิบายแน่นอน

ดังนั้นปีแรกให้อธิบายด้วยสองชั้นบน “เวลาตอบสนองครั้งแรกโดยเฉลี่ยลดจาก 48 ชั่วโมงเหลือ 4 ชั่วโมง” และ “จาก 3 โซนที่เกิดซ้ำ แก้จบไปแล้ว 2 โซนด้วยการตั้งรั้วและเปลี่ยนผัง” ถ้าเขียนสองข้อนี้ได้ ก็อธิบายการลงทุนได้ ในทางกลับกัน ถ้าเขียนสองข้อนี้ไม่ได้ ต่อให้จำนวนอุบัติเหตุบังเอิญลดลง นั่นก็ไม่ใช่ผลงาน

จำนวนรายงานเหตุการณ์เกือบเกิดอุบัติเหตุมีลักษณะพิเศษอยู่หน่อย คือ หลังติดตั้งใหม่ ๆ การที่ตัวเลขเพิ่มขึ้นถือเป็นเรื่องปกติ เพราะความสนใจสูงขึ้นทำให้คนรายงานง่ายขึ้น ถ้ารายงานว่าตัวเลขลดลงเป็นผลงาน ปีถัดไปวัฒนธรรมการรายงานจะผอมลง

วิธีตรวจว่าโรงงานคุณมีรอยขาดนี้หรือไม่ ลองเขียนหนึ่งหน้าตั้งแต่ก่อนติดตั้งว่าจะเขียนอะไรลงในรายงานเมื่อครบ 1 ปีหลังติดตั้ง ถ้าเขียนไม่ออก แปลว่ายังไม่ได้กำหนดตัวชี้วัด

5 รูปแบบของ AI ความปลอดภัยในโรงงาน กับหน้างานที่เหมาะและไม่เหมาะ

จากนี้เข้าสู่เรื่องรูปธรรม AI ความปลอดภัยที่ใช้ในโรงงาน ถ้าแบ่งเพื่อทำความเข้าใจในทางปฏิบัติจะได้ 5 รูปแบบ และจะออกแบบได้ง่ายขึ้นมาก แต่ละรูปแบบมีความง่ายในการตรวจจับ การยอมรับของหน้างาน และวิธีแก้ไข ที่ต่างกันโดยสิ้นเชิง การพูดรวบว่า “ติดกล้อง AI” คือสิ่งที่ทำให้การพิจารณาช้าที่สุด

ขอวางภาพรวมก่อน

สิ่งที่อยากให้สังเกตมากที่สุดในตารางนี้คือ มีเพียง “ตรวจจับท่าทางและพฤติกรรมเสี่ยง” เท่านั้นที่ได้คะแนนต่ำพร้อมกันทั้ง 2 คอลัมน์ที่ให้คะแนน คือความง่ายในการตรวจจับและการยอมรับของหน้างาน ทั้งที่เป็นเช่นนั้น รูปแบบนี้กลับเป็นรูปแบบที่ดูน่าตื่นตาที่สุดในการสาธิตของผู้ขาย ถ้าลงมือทำรูปแบบนี้เป็นอย่างแรก แทบจะแน่นอนว่าจะเหนื่อย เราจะไล่ดูทีละรูปแบบต่อไป

ตรวจจับการไม่สวมอุปกรณ์ป้องกันส่วนบุคคล (ตรวจจับ PPE ด้วย AI)

เป็นรูปแบบที่มีตัวอย่างการใช้งานมากที่สุดและมีความสุกงอมทางเทคโนโลยีสูงที่สุด ตัดสินโดยผสมการตรวจจับบุคคลเข้ากับเป้าหมายอย่างหมวกนิรภัย เสื้อสะท้อนแสง แว่นนิรภัย ถุงมือ รองเท้านิรภัย และที่อุดหู

เงื่อนไขที่เหมาะ พื้นที่เป้าหมายถูกจำกัดขอบเขต ถ้าตัดสินได้ที่จุดผ่านอย่างทางเข้าหรือทางเดิน ทั้งความแม่นยำและการใช้งานจะนิ่ง แต่ถ้าพยายามเฝ้าทั้งพื้นที่ทำงานตลอดเวลา การตัดสินจะไม่นิ่งเพราะผลของท่าทางและการบดบัง แล้วจำนวนครั้งก็จะพุ่งขึ้นด้วย

เงื่อนไขที่ไม่เหมาะ กรณีที่กฎการสวมใส่ PPE เองยังแกว่งอยู่ที่หน้างาน ถ้ายังมีการปฏิบัติที่คลุมเครือแบบ “กระบวนการนี้จริง ๆ ไม่จำเป็นต้องใส่ แต่ในระเบียบเขียนไว้ว่าให้ใส่” ทุกครั้งที่ตรวจจับได้ เรื่องจะย้อนกลับไปเถียงกันว่ากฎถูกหรือผิด แล้วเดินหน้าต่อไม่ได้ ต้องสะสางระเบียบให้จบก่อนนำ AI เข้ามา

ข้อควรระวังเรื่องการยอมรับ รูปแบบนี้เกิดแรงต้านจากหน้างานว่า “ถูกจับตามอง” ได้ง่ายที่สุด เหตุผลคือสิ่งที่ถูกตรวจจับไม่ใช่เครื่องจักร แต่คือร่างกายของคน ประเด็นนี้เชื่อมตรงเข้ากับเรื่อง PDPA ของไทยที่จะกล่าวถึงต่อไป การออกแบบให้ระบุตัวบุคคลไม่ได้หรือไม่ ส่งผลในเชิงการใช้งานมากกว่าเชิงเทคนิคเสียอีก

วิธีแก้ไขที่ใช้ได้ ถ้าไม่อยากให้จบแค่การตักเตือน การย้อนกลับไปที่การออกแบบจุดสวมและถอดคือสิ่งที่ได้ผลที่สุด จุดที่ถอด PPE อยู่ไกลจากทางเข้า ที่วางสกปรก เหลือแต่ไซซ์ที่ไม่พอดี พอไล่ดูโซนที่การไม่สวมกระจุกตัว มักเจอเหตุผลทางกายภาพแบบนี้

ตรวจจับการเข้าพื้นที่หวงห้าม

เป็นรูปแบบที่ตรวจจับว่ามีคนเข้าไปในพื้นที่ที่กำหนดไว้ ในทางเทคนิคคือการผสมการตรวจจับบุคคลกับการตัดสินขอบเขต และเป็นรูปแบบที่นิ่งที่สุดในบรรดา 5 รูปแบบ

เงื่อนไขที่เหมาะ เส้นแบ่งของคำว่า “ห้ามเข้า” ชัดเจนในทางกายภาพ เช่น ระยะเคลื่อนที่ของเครื่องปั๊ม ขอบเขตการทำงานของหุ่นยนต์อุตสาหกรรม ใต้ของที่เครนยกอยู่ พื้นที่เก็บวัตถุอันตราย หน้างานที่ตีเส้นบนพื้นไว้แล้ว แทบจะตั้งค่าตามนั้นได้เลย

เงื่อนไขที่ไม่เหมาะ กรณีที่ต้องเข้าไปโดยชอบระหว่างงานซ่อมบำรุงหรือการเปลี่ยนรุ่น ถ้าไม่ใส่เรื่องนี้ไว้ในการออกแบบ ทุกครั้งที่ซ่อมบำรุงจะเกิดการแจ้งเตือนจำนวนมาก จำเป็นต้องเชื่อมกับสถานะการเดินเครื่องหรือใบสั่งงาน ซึ่งจะมีค่าพัฒนาการเชื่อมต่อเพิ่มเข้ามา

เหตุผลที่การยอมรับสูง เพราะกฎว่า “ห้ามเข้า” ไม่มีช่องให้ตีความ ผลการตรวจจับจึงไม่กลายเป็นข้อถกเถียง ข้อนี้ใหญ่มากสำหรับการเริ่มต้น ถ้าจะเลือกรูปแบบแรก รูปแบบนี้หรือการเชื่อมอินเตอร์ล็อกในหัวข้อถัดไปถือว่าปลอดภัย

วิธีแก้ไขที่ใช้ได้ จุดที่ตรวจจับการเข้าพื้นที่ซ้ำ ๆ ส่วนใหญ่เกิดเพราะ “เดินทางนั้นแล้วใกล้กว่า” มาตรการทางวิศวกรรมอย่างการตั้งรั้ว การตีเส้นทางเดินใหม่ หรือการติดกลอนไฟฟ้าที่ประตู จึงได้ผลอย่างตรงไปตรงมา

ตรวจจับท่าทางและพฤติกรรมเสี่ยง

เป็นรูปแบบที่ใช้การประมาณท่าทางของร่างกาย (pose estimation) เพื่อตัดสินการยกของในท่าฝืน การโน้มตัวเข้าไป หรือการทำงานด้วยมือข้างเดียว เป็นรูปแบบที่ช่องว่างระหว่างความคาดหวังกับความสามารถจริงกว้างที่สุด

เหตุผลที่ยากมี 3 ข้อ ข้อแรกคือนิยามของคำตอบที่ถูกยังคลุมเครือ ยากที่จะวางเกณฑ์ที่วัดได้อย่างเป็นรูปธรรมว่าก้มไปกี่องศาจึงเรียกว่าอันตราย ข้อที่สองคืออ่อนต่อการบดบัง โครงร่างท่าทางขาดหายเมื่ออยู่หลังเครื่องจักร ซ้อนทับกับพนักงานคนอื่น หรืออยู่หลังรถเข็น ข้อที่สามคือ ท่าเดียวกันแต่ต่างกระบวนการ ระดับอันตรายก็ต่างกัน ปัญหาที่เขียนไว้ในรอยขาดที่ 2 ปรากฏแรงที่สุดในรูปแบบนี้

สถานการณ์ที่ยังมีคุณค่า เหมาะกับการวิเคราะห์งานซ้ำ ๆ ที่นำไปสู่อาการปวดหลัง ถ้าไม่เอาแต่ละเหตุการณ์มาทำเป็นการแจ้งเตือน แต่ ใช้เป็นข้อมูลสรุปในช่วงเวลาหนึ่งเพื่อปรับปรุงกระบวนการ ความแกว่งของความแม่นยำจะถูกเฉลี่ยออกไป เป็นการใช้งานแบบเปรียบเทียบระหว่างกระบวนการว่า “กระบวนการนี้เกิดท่าฝืนวันละกี่ครั้ง”

ข้อสรุปเชิงการออกแบบ อย่าใช้รูปแบบนี้กับการแจ้งเตือนแบบเรียลไทม์ ให้ใช้เป็นรายงานรายวันหรือรายสัปดาห์ ถ้ากำหนดการแบ่งใช้แบบนี้ไว้ตั้งแต่แรก ความไม่พอใจต่อการตรวจจับผิดจะแทบไม่เกิดขึ้นเลย

ตรวจจับการเข้าใกล้บนเส้นทางรถโฟล์คลิฟท์และ AGV

เป็นรูปแบบที่ตรวจจับการเข้าใกล้กันระหว่างคนกับยานพาหนะ นอกจากกล้องแล้วยังมีรูปแบบที่ผสมเซนเซอร์ฝั่งรถหรือแท็กระบุตำแหน่งเข้าไปด้วย

เงื่อนไขที่เหมาะ จุดที่เส้นทางของคนกับยานพาหนะตัดกัน เช่น คลังสินค้า ลานจัดส่ง เส้นทางป้อนวัตถุดิบ เป็นรูปแบบที่ผู้เกี่ยวข้องรู้สึกถึงอันตรายมากที่สุด จึงมีแรงต้านจากหน้างานน้อย เพราะอุบัติเหตุจากรถโฟล์คลิฟท์มักรุนแรง และตรงกับความรู้สึกจริงของคนหน้างาน

เงื่อนไขที่ไม่เหมาะ กรณีที่ทางเดินแคบจนคนกับยานพาหนะอยู่ใกล้กันตลอดเวลาอยู่แล้ว กรณีนี้การเข้าใกล้คือสภาวะปกติ ตรวจจับไปก็ไม่ได้เป็นข้อมูล ต้องแยกเส้นทางก่อน แล้วค่อยเอา AI เข้ามาทีหลัง ถ้าสลับลำดับกัน จะได้ระบบที่ร้องไม่หยุด

วิธีแก้ไขที่ใช้ได้ ติดกระจกหรือสัญญาณที่ทางแยก กำหนดโซนลดความเร็วให้ฝั่งยานพาหนะ แยกทางเดินเท้าออกทางกายภาพ การใช้การตรวจจับการเข้าใกล้เป็นเครื่องมือวัดเพื่อออกแบบเส้นทางเดินใหม่ คือวิธีที่คุ้มค่าที่สุด

การเชื่อมกับอินเตอร์ล็อกของเครื่องจักร

เป็นรูปแบบที่นำผลการตรวจจับไปเชื่อมกับ การทำงานของเครื่องจักรโดยตรง แทนที่จะแจ้งเตือนคน เช่น เมื่อมีคนเข้าไปในพื้นที่อันตราย เครื่องจะลดความเร็วหรือหยุด

ได้ผลแน่นอนที่สุด และออกแบบหนักที่สุด ที่ได้ผลแน่นอนเพราะไม่ผ่านการตัดสินใจของคน ทั้งรอยขาดที่ 1 เรื่องผู้รับเรื่อง และรอยขาดที่ 3 เรื่องการแก้ไข จะไม่เกิดขึ้นเชิงโครงสร้างในรูปแบบนี้ เพราะชั้นตัดสินและชั้นแก้ไขถูกฝังอยู่ในเครื่องตั้งแต่ตอนออกแบบแล้ว

เหตุผลที่ออกแบบหนัก ถ้าตรวจจับผิดแล้วเครื่องหยุด การผลิตก็หยุด ในทางกลับกันถ้าตรวจจับไม่เจอ คนก็บาดเจ็บ การใช้ AI ประมวลผลภาพเพื่อหยุดเครื่องในฐานะฟังก์ชันความปลอดภัย จำเป็นต้องพิจารณาว่าเป็นไปตามระดับที่ความปลอดภัยเชิงฟังก์ชันเรียกร้องหรือไม่ โดยทั่วไป ฟังก์ชันหยุดขั้นสุดท้ายที่มีวัตถุประสงค์เพื่อปกป้องร่างกายคน จะใช้อุปกรณ์นิรภัยอย่างม่านแสงนิรภัยหรือแผ่นนิรภัย ส่วนกล้อง AI ควรวางไว้ในชั้นเสริมที่อยู่ก่อนหน้านั้นตามความเป็นจริง เช่น “เข้าใกล้แล้วลดความเร็ว” หรือ “เปิดไฟเตือน”

ข้อสรุปเชิงการออกแบบ อย่าวางกล้อง AI ในฐานะ สิ่งทดแทน อุปกรณ์นิรภัยเดิม แต่ให้วางในฐานะ ชั้นที่เพิ่มเข้ามา เส้นแบ่งนี้ต้องเขียนเป็นลายลักษณ์อักษรตั้งแต่แรก ทั้งกับ จป. ในบริษัทและกับผู้ผลิตเครื่องจักร

ควรเริ่มจากรูปแบบไหนก่อน

การเลือกก้าวแรกมีหลักการในทางปฏิบัติอยู่ ให้เริ่มจากรูปแบบที่การยอมรับสูง เส้นแบ่งชัดเจน และวิธีแก้ไขลงเอยที่มาตรการทางกายภาพ พูดให้ชัดคือการตรวจจับการเข้าพื้นที่หวงห้าม

การตรวจจับการไม่สวม PPE มักถูกยกเป็นตัวเลือกแรกเพราะมีตัวอย่างการใช้งานเยอะ แต่ต้องจัดการทั้งการสะสางระเบียบและประเด็นข้อมูลส่วนบุคคลไปพร้อมกัน จริง ๆ แล้วจึงหนักเกินไปสำหรับก้าวแรก ส่วนการตรวจจับท่าทางและพฤติกรรมเสี่ยงนั้นไม่เหมาะกับการใช้งานแบบเรียลไทม์ตามที่กล่าวไปแล้ว ส่วนการเชื่อมอินเตอร์ล็อกได้ผลสูงแต่ใช้เวลาประสานกับฝั่งเครื่องจักรนาน

วิธีอ่านตัวเลขความแม่นยำ 95% ให้กลายเป็นจำนวนแจ้งเตือนต่อวัน

ตัวเลขที่ปรากฏในเอกสารของผู้ขายอย่าง “ความแม่นยำ 95%” หรือ “mAP 96%” ถ้าเอามาแบบนั้นเลยจะใช้เป็นข้อมูลตัดสินใจของหน้างานไม่ได้ สิ่งที่ต้องการคือการแปลงว่าความแม่นยำระดับนั้นจะกลายเป็นการแจ้งเตือนกี่ครั้งต่อวัน ถ้าไม่คำนวณตรงนี้แล้วติดตั้งไป การแจ้งเตือนท่วมตามที่เขียนไว้ในรอยขาดที่ 1 จะเกิดขึ้นตรง ๆ

Precision กับ Recall เป็นคนละเรื่องกัน

ขอเรียบเรียงศัพท์ก่อน ตัวชี้วัดที่มีความหมายต่างกันในงานความปลอดภัยมี 2 ตัว

Precision หรือความแม่นยำของการทำนายเชิงบวก คือสัดส่วนที่อันตรายจริง ในบรรดาสิ่งที่ระบบตัดสินว่า “อันตราย” ถ้าค่านี้ต่ำ การแจ้งเตือนลวงจะเยอะขึ้น สิ่งที่ทำให้เสียความน่าเชื่อถือของหน้างานคือตัวนี้

Recall หรือความครอบคลุม คือสัดส่วนที่ตรวจจับได้ ในบรรดาเหตุการณ์ที่อันตรายจริง ถ้าค่านี้ต่ำ การหลุดรอดจะเยอะขึ้น สิ่งที่ทำให้คนบาดเจ็บคือตัวนี้

สองตัวนี้มีความสัมพันธ์แบบได้อย่างเสียอย่าง ถ้าลดเกณฑ์ลง Recall จะขึ้นแต่ Precision จะลง และในทางกลับกันก็เช่นกัน การเขียนว่า “ความแม่นยำ 95%” ส่วนใหญ่ไม่ได้ระบุว่าหมายถึงตัวไหนในสองตัวนี้ ยิ่งไปกว่านั้น ตัวชี้วัดรวมสำหรับงานตรวจจับวัตถุอย่าง mAP ก็ไม่ได้สอดคล้องโดยตรงกับตัวใดตัวหนึ่งในนั้นด้วย

คำถามที่ต้องถามให้ได้ในขั้นตอนขอใบเสนอราคาคือ “ตัวเลขนั้นคือ Precision หรือ Recall หรือเป็นตัวชี้วัดอื่น” “วัดในสภาพแวดล้อมแบบไหน” และ “วัดใหม่ด้วยวิดีโอที่ถ่ายจากหน้างานของเราได้หรือไม่” ผู้ขายที่ตอบข้อที่สามไม่ได้ ให้ถือว่าตัวเลขของเขาเป็นเพียงค่าอ้างอิง

ตัวอย่างการคำนวณที่ 1 อ่านเป็นอัตราความถูกต้องของการตัดสินทั้งหมด

เริ่มจากวิธีอ่านที่ตรงไปตรงมาที่สุด สมมติกล้อง 1 ตัวทำงานวันละ 8 ชั่วโมง และให้ผลการตัดสิน 1 ครั้งต่อนาที

• 480 นาที คูณ 1 ครั้ง เท่ากับ 480 การตัดสินต่อวันต่อกล้อง 1 ตัว
• ถ้าอ่านความแม่นยำ 96% เป็นอัตราความถูกต้องของการตัดสินทั้งหมด ความผิดพลาดคือ 4%
• 480 คูณ 0.04 เท่ากับ 19.2 ครั้ง หรือประมาณวันละ 19 ครั้งที่ผิดพลาด
• ถ้ามีกล้อง 10 ตัว 19.2 คูณ 10 เท่ากับ 192 ครั้ง หรือประมาณวันละ 190 ครั้ง

เอา 190 ครั้งหารด้วย 8 ชั่วโมง จะได้ชั่วโมงละ 24 ครั้ง หรือ 1 ครั้งทุก 2.5 นาที นี่คือตัวตนที่แท้จริงของคำว่า “ไม่มีใครดูแล้ว” ไม่ว่าจะเป็นใคร ก็ไม่มีทางทนดูการแจ้งเตือนที่ดังทุก 2.5 นาทีติดต่อกัน 3 เดือนได้

ตัวอย่างการคำนวณที่ 2 อ่านด้วย Precision จะหนักกว่าเดิม

ในความเป็นจริงจะแย่กว่านั้น เพราะ เหตุการณ์ด้านความปลอดภัยนาน ๆ เกิดที เมื่อพยายามตรวจจับเหตุการณ์ที่นาน ๆ เกิดที Precision จะตกลงมากกว่าที่ตัวเลขดูเผิน ๆ ขอคำนวณด้วยฐาน 480 การตัดสินเท่าเดิม

• ตั้งอัตราการเกิดสภาวะอันตรายจริงไว้ที่ 2% ได้ 480 คูณ 0.02 เท่ากับ 9.6 ครั้งต่อวันต่อกล้อง 1 ตัว ที่เป็นอันตรายจริง ที่เหลืออีก 470.4 ครั้ง เป็นสภาวะปกติ
• Recall 95% ทำให้ตรวจจับอันตรายจริงได้ 9.6 คูณ 0.95 เท่ากับ 9.12 ครั้ง และหลุดรอดไป 0.48 ครั้งต่อวันต่อกล้อง 1 ตัว
• ถ้าสมมติว่าในสภาวะปกติมี 3% ที่ถูกตัดสินผิดว่า “อันตราย” จะได้ 470.4 คูณ 0.03 เท่ากับ 14.112 ครั้งต่อวันต่อกล้อง 1 ตัว ที่เป็นการแจ้งเตือนลวง
• จำนวนแจ้งเตือนรวมต่อวัน เท่ากับ 9.12 บวก 14.112 เท่ากับ 23.232 ครั้งต่อวันต่อกล้อง 1 ตัว
• Precision เท่ากับ 9.12 หารด้วย 23.232 เท่ากับ 0.3926 หรือประมาณ 39%

ทั้งที่ Recall สูงถึง 95% แต่ผลลัพธ์คือ การแจ้งเตือนที่ขึ้นมาจริง ประมาณ 6 ใน 10 เป็นการแจ้งเตือนลวง นี่ไม่ใช่การคำนวณผิด แต่เป็นปรากฏการณ์ที่ต้องเกิดขึ้นเสมอเมื่อตรวจจับเหตุการณ์ที่มีอัตราการเกิดต่ำ

ถ้าขยายเป็น 10 ตัว การแจ้งเตือนจะเท่ากับ 23.232 คูณ 10 หรือ ประมาณวันละ 232 ครั้ง โดยเป็นการแจ้งเตือนลวง ประมาณ 141 ครั้ง หารด้วย 8 ชั่วโมง จะได้ชั่วโมงละ 29 ครั้ง หรือ ประมาณ 1 ครั้งทุก 2 นาที ส่วนฝั่งที่หลุดรอดคือ 0.48 คูณ 10 เท่ากับวันละ 4.8 ครั้ง เมื่อคิด 20 วันทำงาน จะเป็น ประมาณเดือนละ 96 ครั้ง

สิ่งที่ต้องอ่านออกจากการคำนวณสองชุดนี้มี 3 ข้อ ข้อแรก ต่อให้ตัวเลขความแม่นยำสูงแค่ไหน ถ้าจำนวนการตัดสินเยอะ จำนวนการแจ้งเตือนลวงในเชิงสัมบูรณ์ก็จะเป็นหลักร้อย ข้อที่สอง ยิ่งเหตุการณ์มีอัตราการเกิดต่ำ Precision ยิ่งตก ข้อที่สาม ปัญหานี้แก้ไม่ได้ด้วยการยกระดับสมรรถนะของชั้นตรวจจับให้สูงขึ้นอีก การจะยก Precision จาก 39% ไปเป็น 60% ต้องกดอัตราการตรวจจับผิดจาก 3% ลงมาถึงระดับ 1% ต้น ๆ ซึ่งไม่ได้ผลลัพธ์คุ้มกับความพยายามนั้น

ชั้นตัดสินกรองได้ถึงระดับไหน

ทางแก้อยู่ที่ชั้นตัดสิน เราจะไล่ใช้การคูณเงื่อนไข “โซน คูณ ช่วงเวลา คูณ สถานะอุปกรณ์” ตามที่เขียนไว้ในรอยขาดที่ 2 ร่วมกับการรวบเหตุการณ์ซ้ำ ตารางด้านล่างเป็นการประมาณเพื่อแสดงให้เห็นว่าการกรองแต่ละขั้นได้ผลอย่างไร อัตราการลดจะเปลี่ยนไปตามหน้างานแต่ละแห่ง

จาก 232 ครั้งเหลือ 8 ครั้ง ถ้าวันละ 8 ครั้ง จป. คนเดียวก็ไล่ดูจบก่อนประชุมเช้าได้ นี่คือเนื้อแท้ของการออกแบบชั้นตัดสิน ไม่ได้ใช้อัลกอริทึมยาก ๆ อะไรเลย สิ่งที่ใช้มีแค่การนิยามโซน เกณฑ์ระยะเวลาต่อเนื่อง กฎการรวบเหตุการณ์ซ้ำ และสัญญาณสถานะการเดินเครื่องเท่านั้น

ตรงนี้มีข้อควรระวังที่สำคัญ การกรองทำงานในทิศทางที่เพิ่มการหลุดรอด ในการประมาณข้างต้น พอจำกัดโซนเป้าหมาย อันตรายในโซนอื่นก็หลุดออกจากขอบเขตการตรวจจับโดยหลักการไปแล้ว ดังนั้น กฎการกรองต้องอยู่ในรูปที่เก็บบันทึกไว้ครบทุกรายการ แล้วกรองเฉพาะการแจ้งเตือนเท่านั้น ถ้าเก็บบันทึกไว้ครบ เดือนถัดไปก็ยังตรวจสอบย้อนหลังได้ว่า “ในเหตุการณ์ที่ถูกกรองทิ้งไป มีอันที่ควรจัดการปนอยู่หรือไม่” ถ้าสับสนระหว่างการกรองการแจ้งเตือนกับการกรองบันทึก จะตรวจสอบย้อนหลังไม่ได้อีกเลย

แนวคิดเรื่องวิธีถือครองข้อมูลชุดนี้เหมือนกับการออกแบบให้ไล่ย้อนล็อตและเงื่อนไขกระบวนการได้ในฝั่งคุณภาพ เรื่องการตัดสินว่าจะถืออะไรเป็นค่าสรุปและจะเก็บอะไรไว้เป็นรายละเอียด สามารถนำการเรียบเรียงที่เราทำไว้ในการออกแบบระบบจัดการข้อมูลคุณภาพ มาประยุกต์ใช้ได้ตรง ๆ

แยกค่าใช้จ่ายออกเป็น 6 ชั้นก่อนทำงบ

ถ้าประเมินค่าใช้จ่ายโดยแยกออกเป็นชั้น จะเปรียบเทียบและขออนุมัติได้ง่ายขึ้น แยกได้เป็น 6 ชั้น คือ กล้อง งานติดตั้ง เครื่องประมวลผลที่หน้างาน การปรับจูนโมเดล การพัฒนาการเชื่อมต่อ และการดูแลหลังใช้งาน ที่ต้องยกงานติดตั้งขึ้นมาเป็นชั้นของตัวเอง เพราะถ้าปล่อยให้กลบไปกับค่ากล้อง จะถูกประเมินต่ำกว่าความจริงเสมอ ตัวเลขด้านล่างเป็น ค่าประมาณสำหรับกรณีที่โรงงานญี่ปุ่นเริ่มจากขนาดกล้อง 10 ตัว และ แกว่งได้มากตามรูปแบบการติดตั้ง สภาพหน้างาน และผู้ขาย ใช้เป็นฐานยืนยันงบประมาณแบบฟันธงไม่ได้ ตัวเลขระบุเป็นสกุลเงินเยน ให้แปลงเป็นเงินบาทตามอัตราแลกเปลี่ยน ณ เวลาที่ประเมิน

สิ่งที่มักถูกมองข้ามในตารางนี้คือ สองชั้นคืองานติดตั้งกับการดูแลหลังใช้งาน ราคาต่อหน่วยของตัวกล้องลดลงเรื่อย ๆ แต่ค่างานประกอบขาจับบนฝ้าโรงงานและเดินสายไม่ได้ลดลงตาม ถ้าพื้นที่เป้าหมายรวมโซนกันระเบิดหรือลานกลางแจ้งเข้ามาด้วย ค่างานติดตั้งอาจแพงกว่าตัวกล้องเสียอีก

ค่าดูแลหลังใช้งานก็เช่นกัน ถ้าผ่านการขออนุมัติด้วยค่าลงทุนเริ่มต้นอย่างเดียว ปีที่สองจะมีปัญหา โมเดล AI จะมีสมรรถนะตกลงเมื่อหน้างานเปลี่ยน เปลี่ยนผังพื้นที่ เปลี่ยนหลอดไฟเป็น LED เปลี่ยนผู้ผลิตชุดทำงาน หรือมุมแสงแดดเปลี่ยนตามฤดูกาล ทั้งหมดนี้ล้วนเป็นปัจจัยที่ทำให้ภาพที่โมเดลเห็นเปลี่ยนไป ควรตั้งสมมติฐานว่าต้องเทรนซ้ำและทบทวนเกณฑ์ปีละครั้ง แล้วกันงบส่วนนั้นไว้ตั้งแต่แรก

อีกเรื่องหนึ่งคือ การเขียนกฎของชั้นตัดสิน ซึ่งเป็นส่วนหนึ่งของการพัฒนาการเชื่อมต่อ เป็นส่วนที่ถูกประเมินต่ำที่สุดในการทำงบ ตรงนี้คือการออกแบบตามที่เขียนไว้ในรอยขาดที่ 2 และรอยขาดที่ 4 โดยตรง และมีทั้งส่วนที่จ้างข้างนอกได้กับส่วนที่ต้องตัดสินใจเองภายในปนกันอยู่ การนิยามโซนและเกณฑ์ระยะเวลาต่อเนื่องนั้น ผู้ขายตัดสินใจแทนไม่ได้ ควรประเมินชั่วโมงงานส่วนนี้แยกออกมาเป็นค่าแรงของฝ่ายในบริษัทต่างหาก จึงจะปลอดภัย

ถ้าจะแบ่งเป็นระยะ วิธีที่ล้มเหลวยากคือ ทำ 1 รูปแบบในขอบเขต 4 ถึง 6 ตัวให้จบถึงการออกแบบชั้นตัดสินก่อน แล้วค่อยขยายจำนวนตัวและรูปแบบ ถ้าใส่ 30 ตัวรวดเดียวตั้งแต่ต้น การแจ้งเตือนท่วมจะเริ่มขึ้นก่อนที่จะได้ออกแบบชั้นตัดสินเสร็จ

3 ประเด็นที่ต้องเพิ่มเสมอสำหรับโรงงานในประเทศไทย

ที่ผ่านมาเป็นเรื่องของโรงงานโดยทั่วไป สำหรับโรงงานญี่ปุ่นที่ตั้งฐานในประเทศไทย จะมี 3 ประเด็นเพิ่มเข้ามา และประเด็นแรกในนั้น ทำให้ตัวประเด็นเล็กลงได้ด้วยการเปลี่ยนการออกแบบเท่านั้นเอง

PDPA เอียงไปทางการออกแบบที่ไม่แตะใบหน้า

ในพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย หรือ PDPA ข้อมูลชีวมาตรถือเป็น ข้อมูลส่วนบุคคลที่มีความอ่อนไหว ตามที่มาตรา 26 กำหนดไว้ การประมวลผลในรูปแบบที่ระบุตัวบุคคลด้วยการจดจำใบหน้า โดยหลักจึงต้องมี ความยินยอมโดยชัดแจ้ง ยิ่งไปกว่านั้น ความยินยอมที่ขอจากลูกจ้างยังถูกขอภายใต้ความสัมพันธ์ที่มีลำดับชั้นแบบนายจ้างกับลูกจ้าง จึงมีข้อถกเถียงตามมาว่านับเป็นความยินยอมโดยอิสระได้หรือไม่

ในทางปฏิบัติ ทางออกที่ได้ผลที่สุดตรงนี้คือ ไม่ใช่การอดใจไม่ใช้เทคโนโลยี แต่คือการเปลี่ยนการออกแบบ

พูดให้เป็นรูปธรรมคือเอียงไปทาง 3 ข้อนี้

• ตรวจจับแค่ว่ามีร่างกายคนอยู่ ตัดสินได้ถึงระดับว่า “มีคนอยู่” และ “ไม่ได้สวมหมวกนิรภัย” แต่ไม่ตัดสินว่าเป็นใคร
• เบลอใบหน้า หรือไม่บันทึกพื้นที่ใบหน้า ถึงจะเก็บวิดีโอไว้ ก็เก็บในสภาพที่ผ่านการปิดบังใบหน้าแล้ว
• ไม่ผูกกับรหัสประจำตัวบุคคล ไม่นำไปรวมกับรหัสพนักงาน ข้อมูลลงเวลาทำงาน หรือบันทึกการเข้าออกอาคาร

ถ้าครบ 3 ข้อนี้ ข้อมูลที่จัดการอยู่จะเอนไปในทิศทางที่ไม่ใช่ข้อมูลชีวมาตรที่ระบุตัวบุคคลได้ และว่ากันตามวัตถุประสงค์ของการจัดการความปลอดภัยเอง แทบไม่มีความจำเป็นต้องระบุตัวบุคคลเลย สิ่งที่ต้องการคือ “โซนไหน ช่วงเวลาใด เกิดสภาวะแบบใด” ไม่ใช่ “ใครเป็นคนทำ” ในทางกลับกัน การออกแบบที่ระบุตัวบุคคลได้จะดึงการปฏิบัติงานให้ไหลไปทาง “ตักเตือนแล้วจบ” ตามที่เขียนไว้ในรอยขาดที่ 3

อย่างไรก็ตาม นี่ไม่ได้แปลว่าไม่ต้องพิจารณาข้อกฎหมายอีกต่อไป ถึงจะออกแบบให้ระบุตัวบุคคลไม่ได้ ก็ยังต้องแจ้งให้ลูกจ้างทราบ ระบุวัตถุประสงค์ให้ชัด กำหนดระยะเวลาเก็บรักษา และบริหารสิทธิ์การเข้าถึงอยู่ดี นอกจากนี้ ควรให้ทนายความในประเทศไทยเป็นผู้ยืนยันแนวทางขั้นสุดท้าย เนื้อหาในบทความนี้เป็นแนวทางการออกแบบในทางปฏิบัติ ไม่ใช่คำแนะนำทางกฎหมาย

สิ่งที่ควรตัดสินใจภายในบริษัทก่อน ระยะเวลาเก็บวิดีโอ (30 วันหรือ 90 วัน) ขอบเขตของตำแหน่งที่มีสิทธิ์เข้าดู และการเขียนเป็นลายลักษณ์อักษรว่าห้ามนำบันทึกไปใช้นอกวัตถุประสงค์ เช่น นำไปใช้ประเมินผลงานหรือลงโทษทางวินัย สามข้อนี้ส่งผลต่อความไว้วางใจของหน้างานก่อนที่จะไปถึงการตีความกฎหมายเสียอีก

ความเคลื่อนไหวของการจัดทำแนวปฏิบัติเรื่องกล้องวงจรปิด

ในประเทศไทยมีการเดินหน้าจัดทำแนวปฏิบัติเกี่ยวกับการใช้งานกล้องวงจรปิด โดยนับจากวันที่ 23 มีนาคม ค.ศ. 2026 (พ.ศ. 2569) เป็นจุดตั้งต้น มีการคาดว่าแนวปฏิบัติจะถูกเผยแพร่ภายในราว 8 เดือน ทั้งกำหนดเวลาและเนื้อหายังไม่ใช่สิ่งที่ยืนยันแล้ว ณ ปัจจุบัน จึงไม่ควรเขียนลงในเอกสารขออนุมัติในฐานะข้อมูลที่ยืนยันแล้ว

แนวทางรับมือในทางปฏิบัติมี 2 ข้อ

• อย่าหยุดการนำระบบมาใช้เพื่อรอการประกาศแนวปฏิบัติ ความเสี่ยงในทางปฏิบัติจากการที่อุบัติเหตุเกิดขึ้นระหว่างรอนั้นใหญ่กว่า
• แต่ให้เตรียมรูปแบบที่รองรับได้ แม้ข้อกำหนดจะเพิ่มขึ้นภายหลัง พูดให้ชัดคือ ระยะเวลาเก็บรักษาต้องเปลี่ยนได้จากการตั้งค่า ต้องสั่งลบวิดีโอได้จริง ต้องมีบันทึกการเข้าถึง และต้องเปิดใช้การปิดบังใบหน้าเพิ่มทีหลังได้

สี่ข้อนี้ ถ้าตรวจสอบไว้เป็นสเปคตั้งแต่ขั้นตอนคัดเลือกผู้ขาย ส่วนใหญ่จะทำได้โดยไม่มีค่าใช้จ่ายเพิ่ม แต่ถ้าไปเรียกร้องหลังติดตั้งเสร็จ จะกลายเป็นการแก้แบบและมีราคาแพง

การสื่อสารกับหน้างานหลายสัญชาติ และอัตราเงินสมทบกองทุนเงินทดแทน

หน้างานโรงงานในประเทศไทยไม่ใช่เรื่องแปลกที่จะมีทั้งพนักงานคนไทย และแรงงานจากเมียนมา กัมพูชา และลาว ปะปนกันอยู่ การสื่อสารเรื่องความปลอดภัยต้องออกแบบโดยตั้งอยู่บนองค์ประกอบแบบนี้

หน้างานที่จบด้วยการติดป้ายภาษาญี่ปุ่นกับภาษาอังกฤษเท่านั้นมีอยู่มาก แต่นั่นยังไม่นับว่าการสื่อสารสำเร็จ ในทางปฏิบัติควรออกแบบแบบนี้

• ใช้ภาษาไทยเป็นหลักในการติดป้าย แล้วเพิ่มภาษาอื่นตามองค์ประกอบของผู้รับสาร
• ใช้ภาพสัญลักษณ์เป็นหลักแทนตัวอักษร เพราะระดับการอ่านออกเขียนได้มีความแตกต่างกัน รูปแบบที่สื่อด้วยภาพจึงแน่นอนที่สุด
• เรื่องการติดตั้งกล้อง AI เองก็ต้องสื่อสารทั้งทางป้ายและการประชุมชี้แจงว่า “ถ่ายอะไร” “ใช้ทำอะไร” “ใครเป็นคนดู” และ “ไม่มีการระบุตัวบุคคล”

ข้อที่สามนั้นมากกว่าการทำตามกฎหมาย เพราะ ส่งผลตรงต่อการยอมรับของหน้างาน ถ้ากล้องเพิ่มขึ้นโดยไม่มีคำอธิบาย จะถูกรับรู้ว่าเป็นการจับตามอง และระบบที่ถูกรับรู้แบบนั้นจะถูกหลบเลี่ยงเสมอ

เรื่องกองทุนเงินทดแทนก็ควรจับไว้ด้วย ระบบเงินทดแทนของไทยให้นายจ้างเป็นผู้จ่ายทั้งหมด และอัตราเงินสมทบถูกกำหนดตามความเสี่ยงของประเภทกิจการ อยู่ในช่วงประมาณ 0.2 ถึง 1% นอกจากนี้ยังมีกลไกปรับอัตราตามประวัติการเกิดอุบัติเหตุของสถานประกอบการด้วย

พูดอีกอย่างคือ ผลของมาตรการความปลอดภัยอาจย้อนกลับมาที่งบกำไรขาดทุนในรูปของเงินสมทบด้วย แต่ไม่แนะนำให้เอาผลข้อนี้มาเป็นเหตุผลหลักของการคืนทุน เพราะเมื่อเทียบกับช่วงการปรับอัตราแล้ว ค่าใช้จ่ายของการนำ AI มาใช้มักใหญ่กว่ากันคนละหลัก ในเอกสารขออนุมัติ ควรกล่าวถึงเพียงบรรทัดเดียวในฐานะผลพลอยได้จึงจะเหมาะสม

สิ่งที่ใช้ได้จริงกว่าในฐานะเหตุผลของการคืนทุน คือการประมาณต้นทุนเมื่อเกิดอุบัติเหตุขึ้น 1 ครั้งต่างหาก สิ่งที่เกิดขึ้นต่ออุบัติเหตุถึงขั้นหยุดงาน 1 ครั้ง ไม่ได้มีแค่เงินชดเชยโดยตรง ยังมีการหยุดไลน์นั้น การสอบสวนสาเหตุและการทำรายงาน การรับมือกับหน่วยงานราชการ การจัดหาคนมาทำงานแทน การชี้แจงกับลูกค้า และการดำเนินมาตรการป้องกันการเกิดซ้ำ เมื่อรวมทั้งหมดนี้เป็นชั่วโมงงานและเวลา ตัวเลขจะขึ้นไปอยู่ในระดับที่สูงพอสมควร ถ้าทำการประมาณนี้ไว้ก่อน การถกเถียงในการขออนุมัติจะย้ายจาก “ค่า AI แพงหรือถูก” ไปเป็น “เทียบกับต้นทุนของอุบัติเหตุ 1 ครั้งแล้วเป็นอย่างไร”

นอกจากนี้ ในประเทศไทยยังมีกรอบกฎหมายด้านความปลอดภัย อาชีวอนามัย และสภาพแวดล้อมในการทำงาน ที่กำหนดให้สถานประกอบกิจการต้องจัดให้มีเจ้าหน้าที่ความปลอดภัยในการทำงาน หรือ จป. ตามระดับที่กำหนด และให้มีคณะกรรมการความปลอดภัยเมื่อถึงขนาดที่กำหนด การเชื่อมชั้นตัดสินและชั้นแก้ไขเข้ากับโครงสร้างที่มีอยู่แล้วนี้ เป็นเส้นทางที่สั้นที่สุด ผลการตรวจจับที่ผ่านการกรองแล้วควรถูกส่งเข้าวาระการประชุมของคณะกรรมการชุดนี้ และเรื่องที่แก้ไขแล้วควรถูกบันทึกไว้ในรูปแบบเดียวกับบันทึกการประชุม ถ้าสร้างช่องทางการรายงานขึ้นใหม่แยกต่างหาก จะไม่มีใครดูอีกเช่นเคย ทั้งนี้ รายละเอียดของหน้าที่และจำนวนที่ต้องจัดให้มี ควรตรวจสอบกับกฎหมายลำดับรองฉบับล่าสุดและกับที่ปรึกษาในประเทศ

แผน 90 วันแรกควรเดินอย่างไร

ขอตัดแผนที่ 90 วัน เหตุผลคือ การจะไปถึงการออกแบบชั้นตัดสินได้ภายใน 90 วันหรือไม่ เป็นตัวชี้ขาดความสำเร็จหรือล้มเหลวหลังจากนั้นแทบทั้งหมด พูดกลับกันคือ แผนที่ใช้เวลา 90 วันแล้วคืบหน้าแค่การเลือกอุปกรณ์ จะนิ่งอยู่กับที่ต่อไปแบบนั้น

สิ่งที่สำคัญที่สุดในแนวทางนี้คือ ขั้นตอน “เก็บเฉพาะข้อมูล 2 สัปดาห์โดยปิดการแจ้งเตือนไว้” ในช่วงวันที่ 61 ถึง 90 ถ้าข้ามตรงนี้แล้วเปิดการแจ้งเตือนตั้งแต่แรก จำนวนดิบก่อนการกรองจะไหลเข้าหน้างาน แล้วความน่าเชื่อถือจะหายไปตั้งแต่วันแรก จำนวนการแจ้งเตือนที่หน้างานได้รับเป็นครั้งแรก เป็นตัวกำหนดการประเมินระบบนั้นแทบทั้งหมด

“การจูนการตัดสิน 20 คลิป” ในช่วงวันที่ 0 ถึง 30 ก็ถูกข้ามง่ายเช่นกัน แต่นี่คือวิธีเดียวที่ไม่มีค่าใช้จ่ายและตัดสินได้ว่ามีรอยขาดที่ 2 อยู่หรือไม่ ถ้าการตัดสินไม่ตรงกัน ให้เคลียร์ตรงนั้นก่อนการคัดเลือกผู้ขาย

ถ้ามีผู้ขายที่ปฏิเสธ “การทดสอบด้วยวิดีโอที่ถ่ายจากหน้างานของเราเอง” ในช่วงวันที่ 31 ถึง 60 นั่นก็เป็นข้อมูลสำหรับการตัดสินใจอย่างหนึ่ง ค่าตามแคตตาล็อกกับค่าที่หน้างานของเราจะห่างกันแค่ไหน เปลี่ยนแปลงได้มากตามแสง ผังพื้นที่ ชุดทำงาน และมุมกล้อง ถ้าเซ็นสัญญาไปโดยไม่ได้ตรวจสอบตรงนี้ หลังติดตั้งจะกลายเป็นเรื่อง “ไม่ตรงกับที่คิดไว้” แล้วเริ่มการเจรจาค่าใช้จ่ายเพิ่ม

การประกอบแผน 90 วันนี้มีส่วนที่ใช้ร่วมกับโครงการอื่นที่ใช้ AI อยู่มาก เรื่องลำดับที่ว่าให้กำหนดจุดเชื่อมของการตัดสินใจก่อนแล้วค่อยเลือกเทคโนโลยีนั้น เราได้เรียบเรียงด้วยโครงสร้างเดียวกันไว้ในแนวทางการนำ AI Agent มาใช้ เช่นกัน

คำถามที่พบบ่อย

AI ความปลอดภัยในโรงงานคืออะไร

คือชื่อรวมของกลไกที่ให้เครื่องตีความสัญญาณจากกล้องและเซนเซอร์ แล้วนำผลนั้นไปเชื่อมกับพฤติกรรมของคนหรือการทำงานของเครื่องจักร เพื่อลดเหตุการณ์ที่ทำให้คนบาดเจ็บ มีวัตถุประสงค์ต่างจาก AI ตรวจสอบด้วยภาพที่หารอยตำหนิของสินค้า และต่างจากการบำรุงรักษาเชิงพยากรณ์ที่ทำนายการเสียของเครื่องจักร

ในทางปฏิบัติ ควรมองเป็น 3 ชั้น คือชั้นตรวจจับ (กล้องจับเหตุการณ์) ชั้นตัดสิน (คัดให้เหลือเรื่องที่ต้องจัดการ) และชั้นแก้ไข (แปลงเป็นว่าใครทำอะไรแล้วบันทึกไว้) ณ ปี 2026 ชั้นตรวจจับแทบไม่ล้มเหลว แต่มีโครงการจำนวนมากที่ถูกติดตั้งทั้งที่ชั้นตัดสินและชั้นแก้ไขยังว่างเปล่า

ค่าใช้จ่ายในการติดตั้งกล้อง AI ในโรงงานประมาณเท่าไร

แกว่งได้มากตามรูปแบบ จึงไม่มีคำตอบเดียว การประเมินโดยแยกเป็น 6 ชั้น คือ กล้อง งานติดตั้ง เครื่องประมวลผลที่หน้างาน การปรับจูนโมเดล การพัฒนาการเชื่อมต่อ และการดูแลหลังใช้งาน คือวิธีที่ใช้ได้จริง เป็นค่าประมาณคร่าว ๆ ตัวกล้องอยู่ที่ประมาณ 30,000 ถึง 150,000 เยนต่อตัว งานติดตั้งประมาณ 20,000 ถึง 100,000 เยนต่อตัว เครื่องประมวลผลที่หน้างานประมาณ 150,000 ถึง 800,000 เยนต่อเครื่อง การปรับจูนโมเดลประมาณ 500,000 ถึง 3,000,000 เยน การพัฒนาการเชื่อมต่อประมาณ 500,000 ถึง 4,000,000 เยน และการดูแลหลังใช้งานประมาณ 15 ถึง 25% ของค่าลงทุนเริ่มต้นต่อปี

ทั้งหมดนี้เป็นเพียงค่าประมาณ และเปลี่ยนแปลงมากตามการมีหรือไม่มีโซนกันระเบิด ความสูงฝ้า สภาพสายเดิม และการจะดึงสัญญาณอุปกรณ์หรือไม่ สองชั้นที่ถูกมองข้ามง่ายเป็นพิเศษคืองานติดตั้งกับการดูแลหลังใช้งาน ถ้าประมาณคร่าว ๆ ด้วยราคาตัวกล้องอย่างเดียว จะอธิบายไม่ได้ในภายหลัง

ใช้กล้องวงจรปิดเดิมที่มีอยู่ได้หรือไม่

ขึ้นอยู่กับเงื่อนไข จุดตัดสินมี 4 ข้อ

ความละเอียดและมุมภาพ กล้องวงจรปิดมักถูกติดให้ครอบคลุมพื้นที่กว้าง ทำให้คนที่เป็นเป้าหมายปรากฏเล็ก การจะตัดสินว่าสวมหมวกนิรภัยหรือไม่ ต้องให้เป้าหมายปรากฏในขนาดที่ใหญ่ระดับหนึ่ง

มุมติดตั้ง มุมที่มองลงมาจากมุมฝ้าจะเห็นศีรษะจากด้านบนตรง ๆ ทำให้ตัดสิน PPE ได้ยาก การตรวจจับการเข้าพื้นที่ยังใช้มุมกดได้ แต่มักไม่เหมาะกับการตรวจจับ PPE

วิธีดึงวิดีโอออกมา ดึงสตรีมวิดีโอออกมาด้วยโปรโตคอลมาตรฐานอย่าง RTSP ได้หรือไม่ ถ้าเป็นรูปแบบเฉพาะที่ปิดอยู่ในเครื่องบันทึก ก็ส่งไปประมวลผลจากภายนอกไม่ได้

เฟรมเรตและการบีบอัด ในรูปแบบที่ต้องตัดสินการเคลื่อนไหว เฟรมเรตต่ำหรือการบีบอัดที่แรงจะส่งผลต่อความแม่นยำ

ข้อสรุปคือ ถ้าเป็นการตรวจจับการเข้าพื้นที่หวงห้าม มีโอกาสใช้ของเดิมได้อยู่พอสมควร ส่วนการตรวจจับการไม่สวม PPE และการตรวจจับพฤติกรรมเสี่ยง ส่วนใหญ่ต้องเพิ่มหรือย้ายกล้อง วิธีตรวจสอบที่แน่นอนที่สุดคือ ดึงวิดีโอจากกล้องเดิมออกมา 1 สัปดาห์ แล้วให้ผู้ขายทดสอบให้

PDPA ของไทยต้องขอความยินยอมจากพนักงานเสมอหรือไม่

เปลี่ยนไปตามการออกแบบข้อมูลที่จัดการ การประมวลผลในรูปแบบที่ระบุตัวบุคคลด้วยการจดจำใบหน้า เข้าข่ายข้อมูลส่วนบุคคลที่มีความอ่อนไหวในฐานะข้อมูลชีวมาตร โดยหลักจึงต้องมีความยินยอมโดยชัดแจ้ง

ในทางกลับกัน ถ้าเป็นการออกแบบที่ตรวจจับแค่ร่างกายคน เบลอใบหน้า และไม่รวมเข้ากับรหัสพนักงานหรือข้อมูลลงเวลาทำงาน ข้อมูลที่จัดการอยู่จะเอนไปในทิศทางที่ไม่ใช่ข้อมูลชีวมาตรที่ระบุตัวบุคคลได้ ว่ากันตามวัตถุประสงค์ของการจัดการความปลอดภัยแล้ว แทบไม่มีความจำเป็นต้องระบุตัวบุคคล การทำให้ตัวประเด็นเล็กลงด้วยการออกแบบ คือทางออกในทางปฏิบัติ

อย่างไรก็ตาม ถึงจะออกแบบให้ระบุตัวบุคคลไม่ได้ ก็ยังต้องแจ้งให้ลูกจ้างทราบ ระบุวัตถุประสงค์การใช้ กำหนดระยะเวลาเก็บรักษา และบริหารสิทธิ์การเข้าถึงอยู่ดี อีกทั้งการจัดทำแนวปฏิบัติเกี่ยวกับการใช้งานกล้องวงจรปิดก็กำลังเดินหน้าอยู่ ให้ทนายความในประเทศเป็นผู้ยืนยันแนวทางขั้นสุดท้าย เนื้อหาในบทความนี้เป็นแนวคิดในการออกแบบ ไม่ใช่คำแนะนำทางกฎหมาย

ควรวัดผลด้วยตัวชี้วัดอะไร

ห้ามวัดด้วยจำนวนครั้งที่ตรวจจับได้ ตรวจจับได้เยอะอาจเพราะอันตรายเยอะจริง หรืออาจเพราะเกณฑ์หลวมก็ได้ ยิ่งไปกว่านั้น พอเอาจำนวนครั้งที่ตรวจจับได้มาเป็น KPI หน้างานจะเริ่มเดินเลี่ยงมุมอับของกล้อง

วิธีที่ใช้ได้จริงคือแยกถือเป็น 3 ชั้น ชั้นที่หนึ่งเป็นตัวชี้วัดที่ดูว่าการปฏิบัติงานเดินอยู่หรือไม่ ได้แก่ อัตราการตอบสนองของผู้รับเรื่องลำดับแรก เวลาเฉลี่ยในการตอบสนองครั้งแรก และจำนวนเรื่องค้าง วัดได้ตั้งแต่วันแรกที่ติดตั้ง ชั้นที่สองเป็นตัวชี้วัดที่ดูว่าการแก้ไขสะสมขึ้นหรือไม่ ได้แก่ จำนวนเรื่องที่แปลงไปเป็นมาตรการทางวิศวกรรม จำนวนโซนที่เกิดซ้ำแล้วแก้จบ และจำนวนวันจนแก้ไขเสร็จ วัดได้ตั้งแต่เดือนที่ 2 ถึง 3 ชั้นที่สามคือผลลัพธ์ปลายทาง ได้แก่ จำนวนรายงานเหตุการณ์เกือบเกิดอุบัติเหตุ และจำนวนกับอัตราความถี่ของอุบัติเหตุถึงขั้นหยุดงาน

รายงานปีแรกให้เขียนด้วยสองชั้นบน จำนวนอุบัติเหตุมีฐานต่อโรงงานหนึ่งแห่งน้อยเกินไป และขยับเป็นรายปีเท่านั้น จึงใช้อธิบายผลงานของปีแรกไม่ได้ ทั้งนี้ จำนวนรายงานเหตุการณ์เกือบเกิดอุบัติเหตุนั้น การเพิ่มขึ้นทันทีหลังติดตั้งถือเป็นเรื่องปกติ ถ้ารายงานว่าการลดลงเป็นผลงาน ปีถัดไปวัฒนธรรมการรายงานจะผอมลง

สรุป

ขอเรียบเรียงประเด็นที่ต้องจับให้แน่นเกี่ยวกับ AI ความปลอดภัยในโรงงาน

• ให้มอง AI ความปลอดภัยเป็น 3 ชั้น คือชั้นตรวจจับ ชั้นตัดสิน และชั้นแก้ไข ค่าใช้จ่ายส่วนใหญ่ตกอยู่ที่ชั้นตรวจจับ แต่ที่โครงการไปตายคือชั้นตัดสินกับชั้นแก้ไข ต้องเข้าใจโครงสร้างที่ เงินลงทุนกับความน่าจะเป็นที่จะล้มเหลวเดินสวนทางกัน ตั้งแต่แรก
• อุบัติเหตุจากการทำงานปี 2025 ในญี่ปุ่น มีผู้บาดเจ็บและเสียชีวิตที่ต้องหยุดงานตั้งแต่ 4 วันขึ้นไป 135,333 คน เป็นภาคการผลิต 26,371 คน (ลดลงจากปีก่อน 305 คน หรือ 1.1%) ส่วนอุบัติเหตุถึงขั้นเสียชีวิตประเภทถูกหนีบหรือถูกดึงเข้าไปในเครื่องจักรอยู่ที่ 117 ราย เพิ่มขึ้นจากปีก่อน 7 ราย หรือ 6.4% นั่นคือ ประเภทที่ AI ตรวจจับได้ง่ายที่สุดกำลังเพิ่มขึ้น ตัวเลขชุดนี้เป็นค่าอ้างอิงของหน้างานญี่ปุ่น ให้ใช้คู่กับสถิติของไทยเอง
• รอยขาดที่ทำให้อุบัติเหตุไม่ลดมี 4 จุด คือ ไม่ได้กำหนดผู้รับการแจ้งเตือน / นิยามของคำว่าอันตรายไม่ตรงกับหน้างาน / การแก้ไขจบที่การตักเตือนคน / ตัววัดผลกลายเป็นจำนวนครั้งที่ตรวจจับได้
• รูปแบบมี 5 แบบ ก้าวแรกที่ปลอดภัยคือการตรวจจับการเข้าพื้นที่หวงห้าม ส่วนการตรวจจับท่าทางและพฤติกรรมเสี่ยงอย่าใช้กับการแจ้งเตือนแบบเรียลไทม์ ให้ใช้เป็นรายงานรายวันหรือรายสัปดาห์ ส่วนการเชื่อมอินเตอร์ล็อกให้วางในฐานะชั้นที่เพิ่มเข้ามา ไม่ใช่สิ่งทดแทนอุปกรณ์นิรภัยเดิม
• ตัวเลข “ความแม่นยำ 95%” ต้องแปลงเป็นจำนวนแจ้งเตือนต่อวันก่อนตัดสินใจ ในโครงสร้าง 10 ตัว อาจเกิดการแจ้งเตือนระดับ วันละ 190 ถึง 230 ครั้ง ได้ ปัญหานี้แก้ไม่ได้ด้วยการยกความแม่นยำของการตรวจจับให้สูงขึ้นอีก แก้ได้ด้วยการกรองที่ชั้นตัดสินเท่านั้น และการกรองให้ใช้กับการแจ้งเตือนเท่านั้น ส่วนบันทึกต้องเก็บครบทุกรายการ
• ค่าใช้จ่ายให้แยกประเมินเป็น 6 ชั้น คือ กล้อง / งานติดตั้ง / เครื่องประมวลผลที่หน้างาน / การปรับจูนโมเดล / การพัฒนาการเชื่อมต่อ / การดูแลหลังใช้งาน ตัวเลขแกว่งได้มากตามรูปแบบ และงานติดตั้งกับการดูแลหลังใช้งานถูกประเมินต่ำง่ายที่สุด
• ประเด็นเฉพาะของไทยมี 3 ข้อ PDPA ทำให้ประเด็นเล็กลงได้ด้วยการเอียงไปทางการออกแบบที่ไม่แตะใบหน้า การจัดทำแนวปฏิบัติเรื่องกล้องวงจรปิดกำลังเดินหน้า จึงควรทำสเปคให้เปลี่ยนระยะเวลาเก็บรักษา สั่งลบ เก็บบันทึกการเข้าถึง และเปิดการปิดบังใบหน้าได้จากการตั้งค่าภายหลัง และหน้างานหลายสัญชาติให้สื่อสารด้วยภาพสัญลักษณ์เป็นหลัก
• ใน 90 วันแรก วันที่ 0 ถึง 30 ให้จำกัดเป้าหมายเหลือ 1 รูปแบบและไม่เกิน 3 โซน พร้อมกำหนดโครงสร้างผู้รับผิดชอบเป็นชื่อคน วันที่ 31 ถึง 60 ให้ทดสอบด้วยวิดีโอของตัวเองและแปลงกฎการกรองเป็นตัวเลข วันที่ 61 ถึง 90 ให้ เก็บเฉพาะข้อมูล 2 สัปดาห์โดยปิดการแจ้งเตือนไว้ก่อน แล้วค่อยเปิดการแจ้งเตือน

ขอเขียนย้ำอีกครั้งเป็นครั้งสุดท้าย การตรวจจับนั้นทำได้แล้ว ที่อุบัติเหตุยังไม่ลดลง เป็นเพราะไม่ได้ต่ออะไรไว้ข้างหลังการตรวจจับเลยต่างหาก แทนที่จะใช้เวลา 3 เดือนไปกับการเลือกกล้อง การเขียนลงกระดาษหนึ่งแผ่นว่า “การแจ้งเตือนที่เกิดในกะดึกเมื่อคืน เช้านี้ใครจะเป็นคนดู และดูตอนกี่โมง” มีโอกาสลดอุบัติเหตุได้มากกว่า

TOMAS TECH สนับสนุนผู้ผลิตสัญชาติญี่ปุ่นในประเทศไทยจากในพื้นที่ ไปจนถึงขั้นการนำข้อมูลหน้างานไปเชื่อมกับการตัดสินใจจริง แม้จะอยู่ในขั้นที่ว่า “ยังไม่รู้ว่ารูปแบบไหนเหมาะกับบริษัทเรา” หรือ “แค่อยากรู้ว่ากล้องที่มีอยู่ใช้ได้หรือไม่” ก็ยินดี อันที่จริง การแยกแยะให้จบก่อนเลือกอุปกรณ์ จะทำให้ต้องย้อนกลับมาแก้ทีหลังน้อยกว่า เราเริ่มจากการเดินดูหน้างานแล้วช่วยกันจัดระเบียบโซนเป้าหมายและการออกแบบชั้นตัดสินไปด้วยกันได้ หากต้องการปรึกษาในขั้นพิจารณา ติดต่อได้ที่แบบฟอร์มติดต่อ

แหล่งอ้างอิง

• 厚生労働省「令和7年の労働災害発生状況を公表」 https://www.mhlw.go.jp/stf/newpage_73382.html
• JRW Innovation platform「カメラAIで重大災害を未然防止。UACJが進める製造現場の安全管理DX」 https://media.jrw-ip.jp/case/6575/
• Visionplatform.ai “AI-powered PPE detection in manufacturing” https://visionplatform.ai/ppe-detection-in-manufacturing/
• Securiti “Thailand Data Protection Framework’s Consent Requirements” https://securiti.ai/blog/consent-requirements-under-thailands-data-protection-framework/
• Chambers and Partners “Data Protection & Privacy 2026 — Thailand” https://practiceguides.chambers.com/practice-guides/data-protection-privacy-2026/thailand/trends-and-developments
• 弁護士法人ALG&Associates「タイの労災保険制度」 https://www.avance-lg.com/thailand/column/workers-compensation/
• Pertama Partners “Thailand AI Regulations 2026” https://www.pertamapartners.com/insights/thailand-ai-regulations-2026
• 株式会社NSK「工場向けAIカメラ活用事例」 https://n-sk.jp/blog/ai-camera-factory-safety-and-defect-detection