ฝ่ายพัฒนาของผู้ผลิตวัสดุและเคมีภัณฑ์ให้ความสนใจมากขึ้นกับ “AI เพิ่มประสิทธิภาพสูตรผสม” ซึ่งช่วยค้นหาสูตรที่ให้สมบัติใกล้เป้าหมายด้วยการทดลองผลิตจำนวนน้อย สี หมึกพิมพ์ กาว วัสดุยาแนว คอมพาวด์ยาง คอมพาวด์เรซิน น้ำมันหล่อลื่น และสารทำความสะอาด ฝ่ายพัฒนาเทคนิคในไทยได้รับข้อกำหนดด้านสมบัติจากลูกค้า ข้อเรียกร้องให้ลดต้นทุน การเปลี่ยนไปใช้วัตถุดิบทดแทน และการแทนที่สารควบคุมเข้ามาไม่หยุด ในขณะเดียวกัน การทดลองผลิตสูตรผสมส่วนใหญ่ยังอาศัยประสบการณ์ของผู้เชี่ยวชาญอาวุโส โดยเปลี่ยนเงื่อนไขทีละข้อ จำนวนครั้งและระยะเวลาของการทดลองผลิตจึงตามไม่ทัน สิ่งที่ถูกหยิบขึ้นมาพิจารณาคือการนำ AI เพิ่มประสิทธิภาพสูตรผสมที่ใช้ Machine Learning ร่วมกับการออกแบบการทดลอง เช่น Bayesian Optimization หรือที่เรียกว่า Materials Informatics (MI) มาใช้
บทความนี้มีข้อเสนอหลักเพียงข้อเดียว ความสำเร็จของ AI เพิ่มประสิทธิภาพสูตรผสมไม่ได้ขึ้นอยู่กับการเลือกอัลกอริทึม แต่ขึ้นอยู่กับว่าได้ตัดสินใจสามเรื่องต่อไปนี้ไว้ก่อนหรือไม่ ① การกำหนดเป้าหมายและข้อจำกัด (จะเอาสมบัติใด อยู่ในช่วงใด ให้ความสำคัญตามลำดับใด และจะกำหนดขอบเขตบนล่างของวัตถุดิบ ผลรวม 100% สารควบคุม และเพดานต้นทุนอย่างไร) ② การจัดโครงสร้างข้อมูลการทดลอง (บันทึกสัดส่วนสูตรผสม ล็อตวัตถุดิบ เงื่อนไขกระบวนการ เงื่อนไขการประเมิน ไปจนถึงการทดลองที่ล้มเหลว ในรูปแบบเดียวกัน และวัด “สัดส่วนที่ใช้ได้” ของข้อมูลในอดีตก่อน) ③ การบริหารวงรอบการทดลอง (ใครเป็นผู้อนุมัติการทดลองผลิตครั้งถัดไปที่ AI เสนอ จะหยุดเมื่อครบกี่รอบ และจะส่งผลลัพธ์กลับเข้าระบบเมื่อใด) AI เสนอ “สูตรที่ควรลองถัดไป” ได้ แต่ AI ไม่ได้เป็นผู้ตัดสินว่า “ผลิตสูตรนั้นได้หรือไม่ (ด้านความปลอดภัย กฎระเบียบ และเครื่องจักร)” และ “จะหยุดการพัฒนาที่จุดใด”
ต่อไปนี้จะเรียบเรียงประเด็นตามลำดับ ได้แก่ แนวโน้ม ความแตกต่างของแต่ละวิธี เหตุผลที่จำนวนการทดลองผลิตบานปลาย วิธีกำหนดเป้าหมายและข้อจำกัด การสำรวจข้อมูล วิธีหมุนวงรอบการทดลอง วิธีเลือกระหว่างผลิตภัณฑ์สำเร็จรูปกับการสร้างเอง การเชื่อมกับระบบเดิม ข้อควรระวังเมื่อดำเนินการในไทย การคำนวณต้นทุนและผลตอบแทนด้วยแบบจำลอง RFP และ PoC เพื่อให้หัวหน้าฝ่ายพัฒนาเทคนิคและ R&D ฝ่ายประกันคุณภาพ ผู้จัดการโรงงาน ตลอดจนผู้ที่อยู่ในสถาบันวิจัยหรือฝ่ายวางแผนเทคโนโลยีของสำนักงานใหญ่ที่ญี่ปุ่น ของผู้ผลิตวัสดุและเคมีภัณฑ์ทั้งบริษัทญี่ปุ่นและบริษัทท้องถิ่นในไทย (และ ASEAN) สามารถเตรียมข้อมูลประกอบการตัดสินใจภายในองค์กรได้ จำนวนโครงการ จำนวนครั้งการทดลองผลิต ราคาต่อหน่วย จำนวนเงิน และระยะเวลาคืนทุนของโรงงานจำลองในบทความนี้ ล้วนเป็นตัวเลขสมมติที่ตั้งขึ้นสำหรับบทความนี้เท่านั้น ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรม ไม่ใช่ค่าจากการสำรวจ และไม่ใช่ตัวเลขของผู้จำหน่ายหรือของงานวิจัย
ทำไมจึงต้องใช้ AI กับการเพิ่มประสิทธิภาพสูตรผสมในตอนนี้
Materials Informatics หมายถึงอะไร
คำว่า Materials Informatics มีขอบเขตแตกต่างกันไปตามผู้ใช้ Uncountable ซึ่งให้บริการแพลตฟอร์ม MI นิยาม MI ว่าเป็น “แนวปฏิบัติที่รวมศูนย์และจัดโครงสร้างข้อมูลวัสดุ แล้วนำการวิเคราะห์ข้อมูลและ Machine Learning มาใช้เพื่อเร่งการพัฒนา” และยกการรวมศูนย์ข้อมูล การจัดโครงสร้างให้ค้นหาตามเนื้อหาได้ และการเชื่อม R&D เข้ากับการควบคุมคุณภาพและการบริหารวงจรชีวิตผลิตภัณฑ์ ว่าเป็นรากฐาน (นิยามโดยผู้จำหน่าย) ส่วน Hitachi High-Tech อธิบาย MI ว่าเป็น “การใช้เทคโนโลยี AI กับข้อมูลการทดลองที่สะสมไว้ในอดีต เพื่อทำนายสมบัติ และหาเงื่อนไขที่เหมาะสมที่สุดของเงื่อนไขการผลิตและสัดส่วนการผสมวัตถุดิบ” (จากข่าวประชาสัมพันธ์ของบริษัท)
คำอธิบายทั้งสองมีจุดร่วมกันคือ ให้ “การจัดเตรียมข้อมูลให้พร้อม” มาก่อนอัลกอริทึม บทความนี้ก็จะถือว่า AI เพิ่มประสิทธิภาพสูตรผสมคือ “กลไกที่จัดโครงสร้างข้อมูลสัดส่วนสูตรผสมกับผลลัพธ์ ใช้ Machine Learning ทำนายสมบัติ และใช้ Bayesian Optimization หรือวิธีอื่นเสนอสูตรที่ควรลองถัดไป”
โครงการภาครัฐเป็นผู้วางรากฐานของสาขานี้
ในญี่ปุ่น โครงการ Materials Research by Information Integration Initiative (MI2I) ของสถาบันวิจัยวัสดุแห่งชาติ (NIMS) เริ่มต้นในเดือนกรกฎาคม 2015 ภายใต้ “โครงการสนับสนุนการสร้าง Innovation Hub” ของ Japan Science and Technology Agency (JST) และสิ้นสุดเมื่อปลายเดือนมีนาคม 2020 มีการระบุว่าโครงการนี้ทำงานวิจัยวัสดุศาสตร์ที่ขับเคลื่อนด้วยข้อมูล และสร้างชุมชนของสาขาใหม่ที่เรียกว่า Materials Informatics และหลังสิ้นสุดโครงการ กิจกรรมก็ยังดำเนินต่อที่ NIMS และหน่วยงานอื่นโดยใช้เครือข่ายนั้น ศูนย์กลางข้อมูลของ NIMS ให้บริการ “DICE” ซึ่งเป็นแพลตฟอร์มคลาวด์ที่รวบรวมข้อมูลวัสดุจากแหล่งที่หลากหลาย เช่น การทดลอง การวัด การคำนวณ และเอกสาร ในรูปแบบที่นำกลับมาใช้ซ้ำได้ง่าย (หน้าเว็บไม่ได้ระบุชัดว่าภาคเอกชนใช้ได้หรือไม่ และใช้ภายใต้เงื่อนไขใด)
ในด้านสูตรผสม เมื่อวันที่ 13 เมษายน 2020 NEDO, ADMAT, AIST และ Showa Denko (ปัจจุบันคือ Resonac) ประกาศว่าได้ใช้ AI ใน “โครงการพัฒนาเทคโนโลยีพื้นฐานสำหรับการพัฒนาวัสดุขั้นสูงด้วยความเร็วสูงพิเศษ” และในการพัฒนาฟิล์มใสแบบยืดหยุ่น สามารถ “ลดจำนวนการทดลองลงเหลือไม่เกิน 1 ใน 25 ของเดิม” เงื่อนไขคือ ในช่วงแรกได้ผลิตฟิล์ม 27 ชนิดเพื่อนำข้อมูลที่วัดจริงไปให้ AI เรียนรู้ แล้วให้ AI ทำนายสมบัติ 3 รายการ ได้แก่ ค่าการส่องผ่านแสงที่แปลงค่าแล้ว ความเค้นที่จุดขาด และการยืดตัว มีการระบุว่าค่าสมบัติของฟิล์มตามสูตรที่ AI ทำนายนั้นเหนือกว่าฟิล์ม 27 ชนิดในช่วงแรก และในการทดลองเปรียบเทียบยังดีกว่าฟิล์ม 25 ชนิดที่นักวิจัยผู้ชำนาญทำขึ้นด้วย อย่างไรก็ตาม นี่เป็นผลของวัสดุเฉพาะและหัวข้อเฉพาะ และจากหน้าประกาศไม่สามารถอ่านรายละเอียดวิธีคำนวณ “1 ใน 25” ได้ ไม่ได้หมายความว่าการพัฒนาสูตรของบริษัทท่านจะได้อัตราส่วนเท่ากัน
ประกาศจากภาคเอกชนเพิ่มขึ้น (แต่เงื่อนไขแตกต่างกันมาก)
ประกาศจากภาคเอกชนก็มีออกมาต่อเนื่อง ทั้งหมดเป็นการประกาศของบริษัทผู้ประกาศเองหรือของบริษัทผู้ให้บริการเครื่องมือ ไม่ได้ผ่านการตรวจสอบจากบุคคลที่สาม ต้องอ่านคู่กับสิ่งที่ใช้เปรียบเทียบและขอบเขตเสมอ
- Mitsui Chemicals และ Hitachi (28 มิถุนายน 2021): ประกาศเริ่มการทดสอบพิสูจน์ที่นำเทคโนโลยี MI ที่ใช้ AI ของ Hitachi มาใช้กับการพัฒนาวัสดุใหม่ของ Mitsui Chemicals เมื่อตรวจสอบกับข้อมูลการพัฒนาวัสดุอินทรีย์ในอดีตที่ Mitsui Chemicals จัดให้ จำนวนครั้งของการทดลอง “ลดลงเหลือประมาณ 1/4 เมื่อเทียบกับ MI แบบเดิม” สิ่งที่ใช้เปรียบเทียบคือ “MI แบบเดิม” ไม่ใช่การลองผิดลองถูกด้วยคน และเป็นการตรวจสอบด้วยข้อมูลในอดีต
- Hitachi High-Tech และ NOF Metal Coatings (19 สิงหาคม 2025): NOF Metal Coatings ซึ่งทำสารเคลือบฟิล์มบางสมรรถนะสูง เช่น สารป้องกันสนิม ประกาศว่า “ในงานวิจัยและพัฒนาของหัวข้อเฉพาะ สามารถลดจำนวนครั้งและระยะเวลาของการทดลองได้ตั้งแต่ 50% ขึ้นไปเมื่อเทียบกับก่อนใช้ MI” โดยระบุว่าดำเนินการด้วยการสนับสนุนแบบเคียงข้างจาก Data Scientist และบุคลากรอื่นของ Hitachi High-Tech ในสภาพที่ภายในบริษัทไม่มีผู้เชี่ยวชาญด้าน MI หรือการวิเคราะห์ข้อมูล
- Sika (27 พฤศจิกายน 2025): Sika ผู้ผลิตเคมีภัณฑ์ก่อสร้าง ระบุในเอกสารสำหรับนักลงทุนและสื่อมวลชนเกี่ยวกับตัวอย่างผลิตภัณฑ์ “Nuage” ว่า “ลดการทดลองลง 75% ด้วย Machine Learning” และ “ย่นระยะเวลาออกสู่ตลาดได้มากกว่า 50%” นี่เป็นค่าของตัวอย่างผลิตภัณฑ์เฉพาะของ Sika ที่ปรากฏในเอกสารของ Sika เอง
- Advanced Polymer Coatings และ Albert Invent (23 มิถุนายน 2026): ผู้ผลิตสารเคลือบพอลิเมอร์ป้องกันการกัดกร่อนในสหรัฐฯ ประกาศนำ “AI-native OS” ของ Albert Invent มาใช้ ข่าวประชาสัมพันธ์ระบุว่ามีการแสดงให้เห็นแล้วว่าการออกแบบการทดลองและการเพิ่มประสิทธิภาพสูตรผสมด้วย AI ช่วยย่นระยะเวลาการพัฒนาของบริษัทได้ 50% (ข่าวประชาสัมพันธ์ของบริษัทผู้ให้บริการเครื่องมือ)
- SCG Chemicals: SCG Chemicals (SCGC) ซึ่งเป็นบริษัทปิโตรเคมีครบวงจรรายใหญ่ที่สุดรายหนึ่งของ ASEAN ได้นำแพลตฟอร์ม R&D ของ Uncountable มาใช้แทนเครื่องมือที่อิง Excel และ Python กรณีนี้เผยแพร่เป็นกรณีศึกษาของ Uncountable (รายละเอียดจะกล่าวถึงภายหลัง)
เมื่อเห็นตัวเลขเรียงกันก็อยากจะอ่านว่า “AI ทำให้การทดลองผลิตลดลงครึ่งหนึ่ง” แต่สิ่งที่ใช้เปรียบเทียบ (คน หรือ MI แบบเดิม) วิธีตรวจสอบ (การทดลองผลิตจริง หรือการจำลองซ้ำด้วยข้อมูลในอดีต) และขอบเขต (หัวข้อเฉพาะ หรือทั้งบริษัท) แตกต่างกันทั้งหมด อัตราการลดของบริษัทท่านวัดได้ด้วยการตรวจสอบย้อนหลังกับโครงการในอดีตของบริษัทเองและด้วย PoC เท่านั้น
โครงสร้างที่ทำให้ “การทดลองผลิตตามไม่ทัน”
เบื้องหลังที่ทำให้การทดลองผลิตสูตรผสมตามไม่ทันนั้นคล้ายกันในทุกโรงงาน ข้อกำหนดด้านสมบัติจากลูกค้า (ยานยนต์ เครื่องใช้ไฟฟ้า บรรจุภัณฑ์ ฯลฯ) ละเอียดขึ้น ขณะเดียวกันก็ถูกเรียกร้องให้ลดต้นทุน การจัดหาวัตถุดิบในท้องถิ่นและการเปลี่ยนไปใช้วัตถุดิบทดแทน ทำให้ทุกครั้งที่วัตถุดิบเปลี่ยนไปหนึ่งตัวต้องปรับสูตรใหม่ทั้งหมด การแทนที่สารควบคุมก็มีกำหนดเส้นตายที่ชัดเจน เอกสาร White Paper ของ Citrine อ้างว่า ในการแทนที่องค์ประกอบที่เป็นปัญหา เช่น PFAS สามารถนำโมเดลที่เรียนรู้จากสูตรพื้นฐานไปใช้กับกลุ่มผลิตภัณฑ์เพื่อเสนอทางเลือกทดแทนได้ (ข้ออ้างของผู้จำหน่าย) ไม่ว่าจะใช้ได้จริงแค่ไหน โครงสร้างที่ว่ายิ่งมีงานแทนที่มากเท่าไร การทดลองผลิตแบบ “เปลี่ยนทีละข้อ” ก็ยิ่งไม่ทันเท่านั้น เป็นปัญหาร่วมของฝ่ายพัฒนาจำนวนมาก
AI เพิ่มประสิทธิภาพสูตรผสม (Materials Informatics) คืออะไร: ความแตกต่างของ DOE, Machine Learning, Bayesian Optimization และ Generative Model
สิ่งที่เรียกว่า AI เพิ่มประสิทธิภาพสูตรผสมนั้นรวมวิธีการที่มีลักษณะต่างกันไว้ด้วยกัน เวลาหารือภายในองค์กร หากทำความเข้าใจให้ตรงกันก่อนว่ากำลังพูดถึงวิธีใด ก็จะอ่านคำอธิบายของผู้จำหน่ายได้ง่ายขึ้น
| วิธีการ | ทำอะไร | จุดแข็ง | ข้อควรระวัง |
|---|---|---|---|
| การออกแบบการทดลอง (DOE) | กำหนดปัจจัยและระดับ แล้ววางแผนล่วงหน้าเพื่อศึกษาผลและอันตรกิริยาด้วยการทดลองจำนวนน้อย | การทดลองที่มีประสิทธิภาพเมื่อตัวแปรน้อยและรู้ช่วงอยู่แล้ว อธิบายเชิงสถิติได้ง่าย | แผนถูกกำหนดตายตัวล่วงหน้า ไม่ใช่กลไกที่ปรับการทดลองถัดไปตามผลลัพธ์ |
| การทำนายสมบัติด้วย Machine Learning | สร้างโมเดลทำนายสมบัติของสูตรใหม่จากสัดส่วนสูตรผสมและผลลัพธ์ในอดีต | การคัดกรองก่อนทดลองผลิต การเข้าใจปัจจัยสำคัญ | ขึ้นอยู่กับคุณภาพและปริมาณของข้อมูลในอดีตอย่างมาก ทำนายนอกช่วงข้อมูล (extrapolation) ได้ไม่แม่น |
| Bayesian Optimization | จากโมเดลทำนายและความไม่แน่นอนของโมเดล เสนอสูตรที่หากลองถัดไปจะได้ประโยชน์มากที่สุด แล้วปรับปรุงโมเดลด้วยผลลัพธ์ | การทดลองแบบต่อเนื่องเป็นลำดับเพื่อเข้าใกล้เป้าหมายด้วยจำนวนครั้งน้อย ในงานพัฒนาที่การทดลองผลิต 1 ครั้งมีภาระสูง | หากกำหนดเป้าหมายและข้อจำกัดไม่ดีจะหลงทาง คนต้องเป็นผู้ตัดสินว่าข้อเสนอใช้ได้หรือไม่ |
| Generative Model | สร้างสูตรผสมหรือโครงสร้างโมเลกุลที่เป็นตัวเลือกจากสมบัติเป้าหมาย | การระดมความคิดเพื่อขยายขอบเขตของตัวเลือก | ต้องตรวจสอบแยกต่างหากว่าตัวเลือกที่สร้างขึ้นผลิตได้จริงหรือไม่ ปลอดภัยหรือไม่ และสอดคล้องกับกฎระเบียบหรือไม่ |
ตารางนี้สรุปลักษณะทั่วไปของแต่ละวิธี สำหรับ Generative Model เนื่องจากภายในขอบเขตการสำรวจของบทความนี้ยังไม่ได้ยืนยันผลลัพธ์ที่เป็นรูปธรรมในการเพิ่มประสิทธิภาพสูตรผสม จึงขอแนะนำเพียงตำแหน่งของวิธีการนี้เท่านั้น
ขั้นตอนโดยทั่วไปของ Bayesian Optimization ตามที่เว็บไซต์ทางการของ BoTorch ซึ่งเป็น OSS ยกตัวอย่างไว้ คือการทำซ้ำของการปรับ Gaussian Process Model ให้เข้ากับข้อมูล สร้าง acquisition function (เช่น Expected Improvement) แล้วหาค่าที่เหมาะสมที่สุดของ acquisition function นั้นเพื่อกำหนดตัวเลือกถัดไป
สูตรผสมมีข้อจำกัดเฉพาะตัวคือ “สัดส่วนของแต่ละองค์ประกอบต้องไม่น้อยกว่า 0 และรวมกันได้ 1 (100%)” งานวิจัยเพื่อจัดการเงื่อนไขนี้ในทางคณิตศาสตร์ก็กำลังก้าวหน้า งานพรีปรินต์บน arXiv (ยังไม่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิ) ที่เผยแพร่ในเดือนมีนาคม 2026 เสนออัลกอริทึม Bayesian Optimization ชื่อ “α-GaBO” สำหรับปริภูมิที่มีข้อจำกัดผลรวมเป็น 1 (probability simplex) และอ้างในบทคัดย่อว่า ในฟังก์ชันมาตรฐานสำหรับทดสอบ (benchmark) และปัญหาจริงที่รวมถึงการผสมองค์ประกอบ ให้สมรรถนะสูงกว่าวิธีบนปริภูมิยุคลิดที่มีข้อจำกัด บทคัดย่อไม่ได้ระบุระบบวัสดุหรือจำนวนครั้งการทดลองที่เป็นรูปธรรม
สำหรับสูตรผสมจริงก็มีงานวิจัยเช่นกัน บทความที่ตีพิมพ์ในวารสาร Cell Reports Physical Science ได้ผสมผสานอัลกอริทึมการจำแนกประเภทของ Machine Learning กับอัลกอริทึมการหาค่าเหมาะสมแบบหลายวัตถุประสงค์ TSEMO เพื่อออกแบบผลิตภัณฑ์สูตรผสมของเหลวที่ไม่มีแบบจำลองทางฟิสิกส์ และทำการทดลองแบบกึ่งอัตโนมัติด้วยหุ่นยนต์ บทคัดย่อระบุว่าพบสูตร 9 สูตรที่ผ่านเกณฑ์ที่ลูกค้ากำหนดภายใน 15 วันทำการ และ “เหนือกว่าสัญชาตญาณของมนุษย์” ในด้านสมรรถนะเป้าหมาย นี่เป็นผลในสภาพแวดล้อมการทดลองด้วยหุ่นยนต์ และการสำรวจของบทความนี้ยังไม่ได้ยืนยันเงื่อนไขการเปรียบเทียบ เช่น จำนวนการทดลองฝั่งมนุษย์ ไปถึงเนื้อหาฉบับเต็ม
ในแง่คำอธิบายเชิงปฏิบัติจากผู้จำหน่าย White Paper สำหรับสีและสารเคลือบของ Citrine แสดงวิธีเริ่มต้นจากสภาพที่ไม่มีข้อมูลไว้ดังนี้ (ข้ออ้างของผู้จำหน่าย) ขั้นแรก “รองพื้น” โมเดล AI ด้วยการทดลองเริ่มต้นที่คล้ายเมทริกซ์ของ DOE แต่คัดให้ครอบคลุมพื้นที่การค้นหาด้วยจำนวนการทดลองน้อยที่สุด จากนั้นทำซ้ำเป็น “การเรียนรู้แบบต่อเนื่องเป็นลำดับ” คือให้ AI เสนอการทดลองครั้งละประมาณ 5 รายการ ลงมือทดลอง ป้อนผลลัพธ์ ฝึกโมเดลใหม่ แล้วเสนอรอบถัดไป บริษัทอ้างว่าวิธีนี้ใช้การทดลองน้อยกว่าการลองผิดลองถูกหรือ DOE
กล่าวคือ DOE กับ Bayesian Optimization ไม่ได้เป็นสิ่งที่ขัดแย้งกัน การผสมผสาน วางการทดลองช่วงแรกแบบ DOE แล้วดำเนินต่อจากนั้นแบบต่อเนื่องเป็นลำดับด้วย Bayesian Optimization ก็เป็นแนวทางที่คำอธิบายของ Citrine ข้างต้นแสดงไว้เช่นกัน
5 เหตุผลที่จำนวนการทดลองผลิตบานปลายในการพัฒนาสูตรผสม
ก่อนนำ AI มาใช้ หากแยกให้ชัดว่าเหตุใดจำนวนการทดลองผลิตจึงบานปลาย ก็จะเห็นว่าส่วนใดลดได้ด้วย AI และส่วนใดไม่ลดลงด้วย AI
| เหตุผล | เกิดอะไรขึ้น | สิ่งที่ AI เปลี่ยนได้ | สิ่งที่ AI อย่างเดียวเปลี่ยนไม่ได้ |
|---|---|---|---|
| ① การทดลองผลิตแบบเปลี่ยนทีละข้อ | ขยับเพียง 1 ปัจจัยต่อการทดลอง 1 ครั้ง เมื่อปัจจัยเพิ่มขึ้น จำนวนครั้งจึงเพิ่มแบบทวีคูณ | เสนอตัวเลือกที่ขยับหลายปัจจัยพร้อมกันได้ | การกำหนดขอบเขตว่าจะขยับปัจจัยใด |
| ② อันตรกิริยาระหว่างตัวแปร | ปริมาณที่เหมาะสมของวัตถุดิบ A เปลี่ยนไปตามปริมาณวัตถุดิบ B ทำให้กฎจากประสบการณ์ใช้ไม่ได้ | ทำนายโดยรวมอันตรกิริยาไว้ได้ | ข้อมูลที่มากพอจะอธิบายอันตรกิริยา |
| ③ ความแตกต่างระหว่างล็อตวัตถุดิบ | แม้สูตรเดียวกัน สมบัติก็เปลี่ยนตามล็อต ผลของสูตรกับผลของล็อตจึงปะปนกัน | หากมีข้อมูลล็อตก็จัดการเป็นตัวแปรได้ | การปฏิบัติงานที่บันทึกหมายเลขล็อตและค่าวิเคราะห์ของวัตถุดิบ |
| ④ ความแปรปรวนของการประเมิน | แม้ตัวอย่างเดียวกัน ผลก็แกว่งตามผู้วัด เครื่องมือ และสภาวะการบ่ม | จัดการเป็นความไม่แน่นอนได้ | การทำวิธีประเมินให้เป็นมาตรฐาน การวัดซ้ำ |
| ⑤ ไม่มีบันทึกการทดลองที่ล้มเหลว | การทดลองผลิตที่ไม่สำเร็จไม่ถูกบันทึก จึงล้มเหลวซ้ำแบบเดิม | เรียนรู้จากความล้มเหลวในฐานะข้อมูลได้ | วัฒนธรรมและกลไกในการบันทึกความล้มเหลว |
คอลัมน์ขวาสุดของตารางนี้คือสิ่งที่ต้องตัดสินใจไว้ก่อนนำมาใช้ โดยเฉพาะ ③ ถึง ⑤ ต่อให้ปรับปรุงอัลกอริทึมของ AI ให้ดีเพียงใด หากไม่มีข้อมูลเหลืออยู่ก็ไม่ได้ผล ความพยายามที่จะเก็บเหตุผลเบื้องหลังการตัดสินใจของผู้เชี่ยวชาญอาวุโสไว้เป็นข้อมูล ยังสอดคล้องกับวิธีเก็บความรู้ฝังลึกที่เรียบเรียงไว้ในบทความการถ่ายทอดทักษะด้วย AI
นอกจากนี้ หัวข้อการหาค่าเหมาะสมของเงื่อนไขกระบวนการ (อุณหภูมิ ความดัน เวลาคงแรงดัน ฯลฯ ของการฉีดขึ้นรูป) จะจัดระเบียบได้ง่ายกว่าหากแยกเป็นปัญหาต่างหากจากการหาค่าเหมาะสมของสัดส่วนสูตรผสม สำหรับการหาค่าเหมาะสมของเงื่อนไขกระบวนการ โปรดดูบทความ AI ปรับสภาวะการฉีดพลาสติก และสำหรับการปรับปรุงอัตราของดีในการผลิตจำนวนมาก โปรดดูบทความ AI ปรับปรุงอัตราของดี บทความนี้จำกัดเฉพาะเรื่องการกำหนด “สัดส่วนสูตรผสมของวัสดุ (สูตร)” ในขั้นการพัฒนา
“เป้าหมายและข้อจำกัด” ที่ต้องกำหนดก่อนนำมาใช้: ตัวแปรเป้าหมาย ช่วงที่ยอมรับได้ ขอบเขตบนล่าง ผลรวม 100% สารควบคุม และต้นทุน
สิ่งที่ควรใช้เวลามากที่สุดในการเตรียมนำ AI เพิ่มประสิทธิภาพสูตรผสมมาใช้ คือการกำหนดเป้าหมายและข้อจำกัด หากส่วนนี้ยังคลุมเครือ AI จะเสนอสูตรที่ดูสมเหตุสมผลแต่ใช้งานไม่ได้ออกมาเรื่อยๆ

ภาพด้านบนแสดง AI เพิ่มประสิทธิภาพสูตรผสมเป็น 4 ชั้น ชั้นบนสุดคือ “เป้าหมายและข้อจำกัด” ถัดลงมาคือ “ข้อมูล” ต่อด้วย “วงรอบการทดลอง” และสุดท้ายคือ “การวัดและการตรวจรับ” หากชั้นบนยังไม่ได้กำหนด ก็ออกแบบชั้นล่างไม่ได้ White Paper ของ Citrine ก็ยกที่เก็บความรู้ไว้ 3 แห่ง ได้แก่ ① ข้อมูลที่อัปโหลดเข้าระบบ ② โมเดล AI ที่แสดงความสัมพันธ์ระหว่างอินพุตกับเอาต์พุต ③ “พื้นที่การค้นหา” คือคำอธิบายข้อจำกัดด้านสูตรผสม เช่น วัตถุดิบที่ใช้ได้และพารามิเตอร์การผสม (ข้ออ้างของผู้จำหน่าย) ③ ตรงกับชั้นเป้าหมายและข้อจำกัดที่กล่าวถึงในที่นี้
① คัดหัวข้อเป้าหมายด้วย 4 เงื่อนไข
ผลลัพธ์ของ AI เพิ่มประสิทธิภาพสูตรผสมแทบจะถูกกำหนดตั้งแต่การเลือกหัวข้อแรก การเริ่มจากหัวข้อที่ผ่าน 4 เงื่อนไขต่อไปนี้จึงปลอดภัยกว่า
- เป้าหมายด้านสมบัติวัดเป็นตัวเลขได้ (ความหนืด ความแข็ง ความต้านแรงดึง ระดับการยึดเกาะ ฯลฯ หัวข้อที่ประเมินด้วยประสาทสัมผัสเพียงอย่างเดียวให้เลื่อนไปทีหลัง)
- การทดลองผลิต 1 ครั้งมีต้นทุนและระยะเวลาสูง (วัตถุดิบแพง การทดสอบประเมินใช้เวลาหลายวัน ต้องส่งทดสอบภายนอก ฯลฯ)
- จำนวนตัวแปรอยู่ราว 10 ตัว (เมื่อนับรวมชนิดวัตถุดิบและเงื่อนไขกระบวนการแล้ว ตัวแปรที่ต้องขยับไม่มากเกินไป)
- วิธีประเมินมีเสถียรภาพ (ความแปรปรวนเมื่อวัดตัวอย่างเดิมซ้ำ น้อยกว่าขนาดของการปรับปรุงที่ตั้งเป้าไว้มากพอ)
② ตัวแปรเป้าหมายและช่วงที่ยอมรับได้
ตัวแปรเป้าหมายไม่ได้เขียนเพียงว่า “จะทำให้อะไรมีค่าสูงสุด” แต่เขียนว่า “ควรอยู่ในช่วงใด” ด้วย เช่น “ความหนืดอยู่ในช่วง X ถึง Y ความแข็งไม่ต่ำกว่า X ต้นทุนวัตถุดิบไม่เกิน X” โดยกำหนดค่าเป้าหมาย ช่วงที่ยอมรับได้ และลำดับความสำคัญ เมื่อสมบัติหลายตัวขัดแย้งกัน (เช่น ทำให้แข็งขึ้นแล้วการยืดตัวลดลง) ให้ตัดสินใจไว้ก่อนว่าจะให้ความสำคัญกับตัวใด หรือจะเรียงตัวเลือกที่ประนีประนอมระหว่างทั้งสองแล้วให้คนเลือก
③ ขอบเขตบนล่างของวัตถุดิบแต่ละตัวและผลรวม 100%
ขอบเขตบนล่างของวัตถุดิบแต่ละตัวกำหนดจากทั้งเหตุผลทางเทคนิค (ไม่กระจายตัว ไม่แข็งตัว) และเหตุผลทางธุรกิจ (ปริมาณที่จัดหาได้ ต้นทุน) ข้อจำกัดที่สัดส่วนสูตรผสมรวมกันต้องเป็น 100% นั้น ต้องบังคับให้ AI ปฏิบัติตามเสมอ งานวิจัย α-GaBO ที่กล่าวถึงข้างต้นก็มุ่งจัดการข้อจำกัด “ผลรวมเป็น 1” นี้
④ สารควบคุมและสารต้องห้าม
รายการวัตถุดิบที่ห้ามใช้ องค์ประกอบที่มีเพดานปริมาณ และสารต้องห้ามที่ลูกค้ากำหนด ให้ตัดออกจากพื้นที่การค้นหาไว้ล่วงหน้า หากอาศัยเพียงการปฏิบัติงานที่ให้คนสังเกตเห็นแล้วหยุดหลังจาก AI เสนอสูตรออกมา จะเกิดการตกหล่น การตรวจทานกับ SDS ของวัตถุดิบและข้อมูลกฎระเบียบ หากเชื่อมกับข้อมูลหลักสารเคมีที่เรียบเรียงไว้ในบทความระบบจัดการ SDS ด้วย AI ก็จะสะท้อนการปรับปรุงข้อมูลกฎระเบียบเข้าสู่พื้นที่การค้นหาได้ง่ายขึ้น
⑤ ขอบเขตที่เครื่องจักรผลิตทำได้
แม้จะพบสูตรที่ดีที่สุดในขั้นพัฒนา แต่หากความหนืดสูงจนเครื่องจักรในการผลิตจำนวนมากผสมไม่ได้ หรือมีวัตถุดิบในปริมาณที่ป้อนเข้าไม่ได้ ก็ไม่มีความหมาย ให้ใส่ข้อจำกัดฝั่งการผลิตจำนวนมาก เช่น ความสามารถของเครื่องผสมนวดและเครื่องกระจายตัว ลำดับการป้อนวัตถุดิบ และเพดานอุณหภูมิ ไว้ตั้งแต่ขั้นพัฒนา
อย่าเพิ่มข้อจำกัดมากเกินไป
ในทางกลับกัน การใส่ความรู้มากเกินไปก็อาจให้ผลตรงข้ามได้ งานพรีปรินต์บน arXiv (ยังไม่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิ วันที่ 20 พฤศจิกายน 2025) โดยนักวิจัยจาก Fraunhofer IAIS และหน่วยงานอื่น รายงานกรณีใช้ Bayesian Optimization ในการพัฒนาคอมพาวด์พลาสติกที่มีวัสดุรีไซเคิล (4 องค์ประกอบ ได้แก่ PP บริสุทธิ์ พลาสติกรีไซเคิล ฟิลเลอร์ และสารปรับปรุงความทนแรงกระแทก) เป้าหมายคือ MFR ประมาณ 10 g/10min มอดุลัสของยังไม่ต่ำกว่า 1500 MPa และความทนแรงกระแทกไม่ต่ำกว่า 8 kJ/m² โดยมีเพดานสูตรคือฟิลเลอร์ 30% และสารปรับปรุง 20% เมื่อสร้างฟีเจอร์จากเอกสารข้อมูลทางเทคนิคด้วยความรู้ของผู้เชี่ยวชาญ ปัญหากลายเป็น “ปัญหา 11 มิติ” และประกอบกับในข้อมูลอดีต 430 รายการไม่มีรายการใดที่ผ่านข้อจำกัด 2 ข้อพร้อมกัน ผลการหาค่าเหมาะสมจึงแย่ลง เมื่อลดรูปเหลือเพียงพารามิเตอร์สูตรผสม 4 ตัว จึงได้ผลลัพธ์ที่น่าพอใจเป็นครั้งแรก ข้อสรุปของผู้วิจัยคือ “ความรู้หรือข้อมูลเพิ่มเติมจะเป็นประโยชน์ก็ต่อเมื่อไม่ทำให้เป้าหมายของการหาค่าเหมาะสมซับซ้อนขึ้นเท่านั้น”
กรณีนี้มีเงื่อนไขสำคัญ การทดลอง 25 ครั้ง (3 ชุด คือ 10 ครั้ง 7 ครั้ง และ 8 ครั้ง) เป็นแคมเปญการทดลองที่วิศวกรกระบวนการเป็นผู้ดำเนินการ และ MFR ที่ดีที่สุดฝั่งวิศวกรคือ 6.65 g/10min การประเมิน Bayesian Optimization แบบลดรูปทำบนการจำลอง (simulation) โดยใช้ค่าเฉลี่ยการทำนายของโมเดลที่ฝึกแล้วเป็น “oracle (ผู้ให้คำตอบ)” ไม่ใช่การทดลองผลิตทางกายภาพ ผลลัพธ์คือ “10 รันที่ผ่านข้อจำกัด MFR ที่ดีที่สุด 6.13 g/10min (ค่าใกล้เคียงกับผลของวิศวกรผู้ชำนาญ)” Bayesian Optimization ไม่ได้เหนือกว่าวิศวกร และไม่ได้บรรลุเป้าหมายในการทดลองผลิตจริง สิ่งที่เรียนรู้ได้คือความสำคัญของการคัดตัวแปรให้น้อยลง และความยากของการเริ่มต้นจากสภาพที่ในข้อมูลไม่มีตัวอย่างที่ผ่านเป้าหมายเลย
การสำรวจข้อมูล: ข้อมูลการทดลองผลิตในอดีตใช้ได้กี่เปอร์เซ็นต์
ถัดจากเป้าหมายและข้อจำกัดคือข้อมูล ฝ่ายพัฒนาจำนวนมากมีข้อมูลการทดลองผลิตในอดีตกระจัดกระจายอยู่ในสมุดบันทึกการทดลอง Excel และคอมพิวเตอร์ส่วนตัว กรณีศึกษาของ SCG Chemicals ก็ยกปัญหาก่อนนำมาใช้ไว้ ได้แก่ ข้อมูลกระจายอยู่ในคอมพิวเตอร์ส่วนตัว เซิร์ฟเวอร์ และระบบต่างๆ การพัฒนาโมเดล ML/AI ต้องใช้ทักษะ Python แต่นักวิจัยไม่มี และการพัฒนาสูตรผสมพอลิเมอร์มีจำนวนการทดลองมาก (ข้ออ้างของผู้จำหน่าย)
รายการที่ต้องจัดให้ครบ
ตรวจสอบเป็นรายหัวข้อว่าสามารถจัดข้อมูลการทดลองผลิตในอดีตให้ครบตามรายการต่อไปนี้ได้หรือไม่
| รายการ | เนื้อหา | ลักษณะการขาดหายที่พบบ่อย |
|---|---|---|
| สัดส่วนสูตรผสม | ปริมาณของวัตถุดิบแต่ละตัว (% โดยมวล ส่วน ฯลฯ) และฐานของผลรวม | หน่วยต่างกันในแต่ละโครงการ (ส่วนกับ % ปนกัน) |
| ยี่ห้อและล็อตของวัตถุดิบ | ผู้ผลิต รหัสสินค้า หมายเลขล็อต และค่าวิเคราะห์หากจำเป็น | มีแต่รหัสสินค้าแต่ไม่มีล็อต ไม่มีการบันทึกการเปลี่ยนไปใช้สินค้าทดแทน |
| เงื่อนไขกระบวนการ | เวลา อุณหภูมิ ความเร็วรอบของการผสมนวดและการกระจายตัว ลำดับการป้อน และเงื่อนไขการแข็งตัว | ไม่ได้บันทึกเพราะ “ทำตามปกติ” |
| เงื่อนไขการประเมิน | มาตรฐานการทดสอบ วิธีทำชิ้นทดสอบ จำนวนวันบ่ม เครื่องมือวัด และผู้วัด | ไม่มีประวัติการเปลี่ยนวิธีประเมิน เปรียบเทียบค่าก่อนและหลังไม่ได้ |
| ผลลัพธ์ | ค่าสมบัติ ค่าจากการวัดซ้ำ และลักษณะภายนอก | มีแต่ค่าเฉลี่ย มีแต่ผลตัดสินผ่านหรือไม่ผ่าน |
| เหตุผลของความล้มเหลว | เหตุผล เช่น แยกชั้น ไม่แข็งตัว ผลิตไม่ได้ | ไม่ได้บันทึกการทดลองผลิตที่ล้มเหลวไว้เลย |
| ประวัติการเปลี่ยนแปลง | ช่วงเวลาที่เปลี่ยนหน่วย วิธีประเมิน และรหัสวัตถุดิบ | อยู่เพียงในความจำของผู้รับผิดชอบ |
วัด “สัดส่วนที่ใช้ได้” ก่อน
ในการสำรวจ ให้แบ่งข้อมูลในอดีตเป็น “ใช้ได้ทันที” “แก้แล้วใช้ได้” และ “ใช้ไม่ได้” แล้วคำนวณสัดส่วนตามจำนวนรายการ เช่น นับรายการที่มีสัดส่วนสูตรผสมและผลลัพธ์แต่ไม่รู้เงื่อนไขการประเมิน รายการที่ไม่รู้ล็อต และรายการที่ไม่มีการบันทึกความล้มเหลว สัดส่วนนี้มีผลทั้งต่อความแม่นยำเริ่มต้นของโมเดล และต่อค่าใช้จ่ายในการจัดโครงสร้างข้อมูล
White Paper ของ Citrine ยกตัวอย่างข้อมูลที่แยกเป็นไซโล เช่น ข้อมูลเชิงพาณิชย์ของวัตถุดิบอยู่ใน ERP การวัดรีโอโลยีอยู่ใน LIMS และทรัพย์สินทางปัญญาอยู่ในสมุดบันทึกที่เขียนด้วยมือ แล้วแนะนำให้เริ่มโครงการ AI ระยะสั้นก่อน เพื่อพิจารณาว่าข้อมูลใดมีประโยชน์ต่อโมเดล AI และคุ้มค่าที่จะแปลงเป็นดิจิทัล (ข้ออ้างของผู้จำหน่าย) ลำดับคือ ไม่ต้องรอให้แปลงทุกอย่างเป็นดิจิทัลก่อนแล้วค่อยเริ่ม แต่ให้จัดโครงสร้างโดยเริ่มจากรายการที่หัวข้อเป้าหมายต้องใช้ก่อน
เอกสารเดียวกันระบุว่า การทำและทดสอบตัวอย่างสูตรผสม 1 ตัวอย่างมีค่าใช้จ่าย “หลายร้อยถึงหลายพันดอลลาร์” ชุดข้อมูลในสาขาเคมีจึงมีขนาดเล็ก และต้องใช้ “Small Data AI” ซึ่งต่างจาก “Big Data AI” อย่าง ChatGPT จากนั้นยกมาตรการสำหรับข้อมูลขนาดเล็ก ได้แก่ “การบูรณาการความรู้” ที่ใช้ความรู้ของผู้เชี่ยวชาญจำกัดขอบเขตโมเดล “Chemical Featurization” ที่สร้างฟีเจอร์ เช่น น้ำหนักโมเลกุลและจำนวนพันธะไฮโดรเจน จากโครงสร้างโมเลกุลโดยอัตโนมัติ และ “การวัดปริมาณความไม่แน่นอน” ที่คำนวณความน่าจะเป็นของการบรรลุเป้าหมาย (ข้ออ้างของผู้จำหน่าย) กรณีของ Fraunhofer และคณะที่กล่าวถึงข้างต้นเป็นตัวอย่างที่การเพิ่มความรู้กลับทำให้การหาค่าเหมาะสมแย่ลง จึงควรตัดสินใจว่าจะเพิ่มความรู้หรือไม่ไปพร้อมกับการตรวจสอบ
ให้คนตรวจค่าผิดปกติและความสำคัญของฟีเจอร์
เมื่อนำข้อมูลเข้าแล้ว ให้ทำเป็นกราฟเพื่อตรวจค่าผิดปกติ ค่าผิดปกติอาจเกิดจากการป้อนข้อมูลผิด นอกจากนี้ White Paper ของ Citrine แนะนำว่า การให้ทีมทบทวนฟีเจอร์ที่โมเดล AI ถือว่าสำคัญ (feature importance) และตรวจสอบว่าโมเดลให้ข้อสรุปที่สมเหตุสมผลทางเคมีหรือไม่ ช่วยได้ทั้งในการยืนยันความถูกต้องของโมเดลและการค้นพบมุมมองใหม่ (ข้ออ้างของผู้จำหน่าย)
แนวคิดเรื่องคีย์สำหรับเชื่อมข้อมูลคุณภาพของการผลิตจำนวนมากกับข้อมูลการพัฒนา สามารถดูบทความระบบจัดการข้อมูลคุณภาพประกอบได้
วิธีหมุนวงรอบการทดลอง: AI เสนอ → วิศวกรอนุมัติ → ทดลองผลิต → ประเมิน → ส่งข้อมูลกลับ
เมื่อเป้าหมาย ข้อจำกัด และข้อมูลพร้อมแล้ว ให้ออกแบบวงรอบการทดลอง สิ่งที่สำคัญที่สุดในการใช้งาน AI เพิ่มประสิทธิภาพสูตรผสม คือต้องมีการอนุมัติโดยวิศวกรคั่นระหว่างข้อเสนอของ AI กับการทดลองผลิตเสมอ

ขั้นตอนของวงรอบ
- แผนการทดลองเริ่มต้น: สำหรับหัวข้อที่มีข้อมูลในอดีตน้อย ให้วางการทดลองเริ่มต้นแบบ DOE ที่ครอบคลุมพื้นที่การค้นหาให้กว้าง
- การฝึกโมเดล: สร้างโมเดลจากการทดลองเริ่มต้นและข้อมูลในอดีตที่ใช้ได้
- การเสนอตัวเลือกถัดไป: ใช้ Bayesian Optimization หรือวิธีอื่นเสนอสูตรที่จะลองถัดไปหลายรายการ โดยแสดงค่าทำนายพร้อมความไม่แน่นอน
- การอนุมัติโดยวิศวกร: ตรวจสูตรที่ถูกเสนอในมุมของความปลอดภัย (การคายความร้อน ก๊าซอันตราย การจัดการ) กฎระเบียบ (สารต้องห้าม เพดานปริมาณ) เครื่องจักร (ผสมได้หรือไม่ ใส่ในเครื่องทดลองผลิตได้หรือไม่) ต้นทุน และความสมเหตุสมผลทางเคมี แล้วอนุมัติ แก้ไข หรือปฏิเสธ พร้อมบันทึกเหตุผลที่ปฏิเสธด้วย
- การทดลองผลิตและการประเมิน: ทดลองผลิตสูตรที่ได้รับอนุมัติ และวัดด้วยวิธีประเมินที่กำหนดไว้
- การส่งข้อมูลกลับ: ลงทะเบียนผลลัพธ์ รวมถึงความล้มเหลว ในรูปแบบเดียวกัน แล้วปรับปรุงโมเดล
จำนวนวันต่อ 1 รอบ และจำนวนข้อเสนอต่อ 1 ครั้ง
จำนวนวันที่ใช้ต่อ 1 รอบแทบจะถูกกำหนดโดยจำนวนวันของการทดสอบประเมิน หากเป็นการทดสอบที่ต้องบ่ม 1 สัปดาห์ วงรอบก็จะใช้เวลาอย่างน้อยนานกว่า 1 สัปดาห์เล็กน้อย จำนวนรายการที่ให้เสนอต่อ 1 ครั้ง กำหนดจากจำนวนที่เครื่องทดลองผลิตทำได้พร้อมกันและกำลังการประเมิน คำอธิบายของ Citrine ยกตัวอย่างครั้งละประมาณ 5 รายการ (ข้ออ้างของผู้จำหน่าย) แต่นี่เป็นเพียงตัวอย่างหนึ่ง ให้ปรับตามเครื่องจักรและกำลังการประเมินของบริษัทท่าน
กำหนดเกณฑ์การหยุดไว้ก่อน
วงรอบของ AI หากไม่หยุดก็จะดำเนินต่อไปเรื่อยๆ ก่อนเริ่มให้กำหนดเกณฑ์การหยุด เช่น
- หยุดเมื่อได้สูตรที่สมบัติเป้าหมายทุกตัวอยู่ในช่วงที่ยอมรับได้ครบ X สูตร
- หากหมุนครบ X รอบแล้วการทำนายไม่ดีขึ้นอีก ให้กลับไปทบทวนเป้าหมาย ข้อจำกัด และตัวแปร
- เมื่อถึงเพดานจำนวนครั้งการทดลองผลิตหรือระยะเวลา ให้ตัดสินใจด้วยสูตรที่ดีที่สุดที่ได้มาจนถึงตอนนั้น
- หากวิศวกรปฏิเสธต่อเนื่อง (อัตราการรับข้อเสนอต่ำ) ให้ทบทวนวิธีเขียนข้อจำกัด
การตัดสินว่าจะหยุดการพัฒนาที่จุดใด เป็นหน้าที่ของผู้รับผิดชอบการพัฒนา ไม่ใช่ AI AI เสนอ “สูตรที่น่าจะคุ้มค่าที่จะลองถัดไป” แต่ไม่ได้ตัดสินว่า “พอแล้วหรือยัง”
เก็บบันทึกการอนุมัติไว้
บันทึกว่าวิศวกรอนุมัติข้อเสนอใด ปฏิเสธข้อเสนอใด และปฏิเสธเพราะอะไร เป็นข้อมูลที่มีค่าในตัวเอง หากเหตุผลที่ปฏิเสธคือ “การผสมนี้จะแยกชั้น” นั่นคือความรู้ที่ควรนำเข้าพื้นที่การค้นหาเป็นข้อจำกัดตั้งแต่ครั้งถัดไป ด้วยวิธีนี้ การตัดสินใจของผู้เชี่ยวชาญอาวุโสจะค่อยๆ ถูกเก็บไว้เป็นข้อมูล
สร้างเองหรือใช้ผลิตภัณฑ์: แพลตฟอร์ม MI เชิงพาณิชย์ OSS และการวิจัยร่วม
วิธีทำให้เกิด AI เพิ่มประสิทธิภาพสูตรผสมแบ่งได้กว้างๆ เป็น 3 แบบ
| รูปแบบ | เนื้อหา | องค์กรที่เหมาะ | ข้อควรระวัง |
|---|---|---|---|
| แพลตฟอร์ม MI เชิงพาณิชย์ | SaaS ที่รวมการจัดการข้อมูล โมเดลทำนาย การเสนอการทดลองถัดไป และการแสดงผลเป็นภาพไว้ด้วยกัน ส่วนใหญ่มีหน้าจอแบบ No-code | นักวิจัยไม่เขียนโปรแกรม มีโครงการจำนวนมาก และต้องการทำให้เป็นมาตรฐานในระดับฝ่าย | ไม่เปิดเผยราคา ต้องขอใบเสนอราคาเป็นรายกรณี ตรวจสอบสถานที่เก็บข้อมูลและเงื่อนไขการนำข้อมูลออก |
| OSS + สร้างเอง | สร้างส่วนการหาค่าเหมาะสมด้วยไลบรารี เช่น BoTorch, Ax, Optuna แล้วเตรียมการจัดการข้อมูลและหน้าจอเอง | มี Data Scientist ภายในองค์กร ต้องการข้อจำกัดพิเศษหรือการเชื่อมกับระบบเดิมอย่างลึกซึ้ง | ใครจะรับผิดชอบการบำรุงรักษา ต้องมีกลไกจัดการข้อมูลแยกต่างหาก |
| การวิจัยร่วมกับสถาบันวิจัยหรือมหาวิทยาลัย | ดำเนินหัวข้อร่วมกับมหาวิทยาลัยหรือสถาบันวิจัย เพื่อเรียนรู้วิธีการและการจัดการข้อมูล | หัวข้อที่ล้ำสมัย ต้องการพัฒนาบุคลากรภายในไปพร้อมกัน | ข้อตกลงเรื่องสิทธิในผลงานและการจัดการข้อมูล ระยะเวลาคาดการณ์ได้ยาก |
ตัวอย่างแพลตฟอร์ม MI เชิงพาณิชย์ (ทั้งหมดเป็นข้ออ้างของผู้จำหน่าย)
ต่อไปนี้เป็นการแนะนำผลิตภัณฑ์ที่การสำรวจของบทความนี้ยืนยันข้อมูลทางการได้ ไม่ใช่การแนะนำให้เลือกใช้ ขอให้ระวังว่าทั้งหมดเป็นข้ออ้างของผู้จำหน่ายเอง และหลายรายการไม่ได้แสดงเงื่อนไขการเปรียบเทียบ
- Citrine Informatics: ประกอบด้วย Citrine DataManager (สะสมความรู้ภายในองค์กร) Citrine VirtualLab (การทดลองเสมือนและการระบุตัวเลือกที่มีแนวโน้มดี) Citrine Catalyst (ผู้ช่วยดิจิทัลและการค้นหาแหล่งอ้างอิง) และบริการระดับมืออาชีพ White Paper อธิบายว่ามี API แต่ให้ความสำคัญกับหน้าจอแบบ No-code และนักออกแบบสูตรสามารถเพิ่มความรู้ เช่น สมการความสัมพันธ์ เข้าไปในโมเดลได้เอง เว็บไซต์ทางการชูข้อความ “พัฒนาผลิตภัณฑ์เร็วขึ้น 5 เท่า” แต่ไม่ได้ระบุเงื่อนไขการเปรียบเทียบ White Paper มีกรณีลูกค้า เช่น สารเคลือบพอลิเมอร์หลายชั้นสำหรับยานยนต์ที่ปกติใช้เวลา 10 สัปดาห์ แต่ไปถึงสมบัติเป้าหมายได้ใน 2 สัปดาห์ และการปรับสูตรผลิตภัณฑ์ที่วางตลาดแล้วให้ปราศจาก PFAS โดยยังรักษาสมรรถนะไว้ได้ภายในเวลาไม่ถึง 3 เดือน (หลายกรณีไม่เปิดเผยชื่อลูกค้าและรายละเอียดเงื่อนไข)
- Uncountable: หน้าอธิบาย MI ยกผลลัพธ์ของบริษัทผู้ใช้ เช่น Repsol รวมข้อมูลมากกว่า 10,000 จุดข้อมูลจากงานสูตรผสม 20 ปีไว้บนแพลตฟอร์มเดียวที่ค้นหาได้ และลดปริมาณงานทดลองต่อโครงการลง 30 ถึง 40% ส่วน AGC Chemicals และ Covestro ย่นระยะเวลาพัฒนาได้สูงสุด 6 เดือน
- Polymerize: ประกอบด้วย Polymerize Connect สำหรับการจัดการข้อมูล Polymerize Labs สำหรับการทำนายและการหาค่าเหมาะสมด้วยโมเดล AI เฉพาะทางมากกว่า 35 โมเดล และ Polymerize One ซึ่งเป็นบริการเต็มรูปแบบที่รวมเครือข่ายการทดลองผลิต บนเว็บไซต์อ้างว่า “ลดการทดลองที่ล้มเหลวลง 50% ภายใน 3 เดือน” และ “ROI 3.1 เท่าภายใน 6 เดือน”
- Albert Invent: ชูการออกแบบการทดลองและการเพิ่มประสิทธิภาพสูตรผสมด้วย AI ในประกาศการนำมาใช้ของ Advanced Polymer Coatings ที่กล่าวถึงข้างต้น
- Hitachi High-Tech “Materials Development Solution”: ระบุว่าให้บริการแก่ลูกค้าทั้งในและต่างประเทศ โดยเน้นผู้ผลิตวัสดุและเคมีภัณฑ์ มาตั้งแต่ปี 2021 และในกรณีของ NOF Metal Coatings ได้เน้นการสนับสนุนแบบเคียงข้างโดย Data Scientist (Customer Success)
ค่าบริการ: หน้าเว็บทางการและข่าวประชาสัมพันธ์ของ Citrine, Uncountable, Albert Invent, Polymerize และ Hitachi High-Tech ที่การสำรวจของบทความนี้ตรวจสอบ ไม่มีการแสดงราคาที่เป็นรูปธรรมเลย ค่าใช้จ่ายจึงต้องตรวจสอบผ่านใบเสนอราคาเป็นรายกรณีเท่านั้น
กรณีสร้างด้วย OSS
- BoTorch: ไลบรารี “Bayesian Optimization บน PyTorch” ที่ Meta เผยแพร่ (MIT License) มีจุดเด่นที่โครงสร้างแบบโมดูลซึ่งเสียบโมเดลหรือ acquisition function ใหม่ได้ อย่างไรก็ตาม README แนะนำให้ใช้ BoTorch เป็น API ระดับล่างสำหรับพัฒนาอัลกอริทึมใหม่ให้กับ Ax (โดยวางตำแหน่ง Ax เป็นแพลตฟอร์มที่ใช้งานง่ายสำหรับผู้ใช้ปลายทาง) จึงเหมาะกับนักวิจัยหรือผู้ใช้ระดับสูง
- Ax: แพลตฟอร์มการทดลองแบบปรับตัว (adaptive experimentation) ที่ Meta พัฒนา ยกตัวอย่างการหาค่าเหมาะสมของพารามิเตอร์ที่เรียนรู้จากผลการทดลองเพื่อปรับปรุงข้อเสนอ และชูการจัดการการทดลองที่รวมถึงการจัดเก็บด้วย MySQL
- Optuna: เฟรมเวิร์กสำหรับหาค่าเหมาะสมของไฮเปอร์พารามิเตอร์ที่ Preferred Networks พัฒนา (MIT License) ชุดตัวอย่างทางการครอบคลุมการหาค่าเหมาะสมแบบหลายวัตถุประสงค์และแบบมีข้อจำกัด เดิมใช้สำหรับค้นหาไฮเปอร์พารามิเตอร์ของ Machine Learning การนำมาใช้กับการเพิ่มประสิทธิภาพสูตรผสมจึงขึ้นอยู่กับการออกแบบของผู้ใช้
- ไลบรารีที่สิ้นสุดการบำรุงรักษาแล้ว: repository ของ GPyOpt ถูกเก็บถาวร (archive) เมื่อวันที่ 23 กุมภาพันธ์ 2023 และมีการประกาศสิ้นสุดการบำรุงรักษา scikit-optimize ก็ถูกเก็บถาวรเมื่อวันที่ 28 กุมภาพันธ์ 2024 ไลบรารีเหล่านี้อาจยังปรากฏในบทความอธิบายหรือโค้ดตัวอย่างเก่า หากจะนำมาใช้ใหม่ โปรดตรวจสอบสถานะการบำรุงรักษาก่อน
แม้จะสร้างด้วย OSS ก็ยังต้องสร้างการจัดการข้อมูล หน้าจออนุมัติ บันทึก log และการเชื่อมกับระบบเดิมเอง ไลบรารีสำหรับการหาค่าเหมาะสมเป็นเพียงส่วนหนึ่งของระบบทั้งหมด แนวคิดเรื่องสัญญาและการตรวจรับเมื่อจ้างภายนอกพัฒนา ได้เรียบเรียงไว้ในบทความการจ้างพัฒนา AI
เลือกอย่างไร
ฝ่ายที่มีโครงการน้อยและนักวิจัยไม่เขียนโปรแกรม หากนำผลิตภัณฑ์แบบไลเซนส์เข้ามาทันที อาจไม่มีใครใช้ White Paper ของ Citrine ก็ระบุว่า “หากวาง AI ไว้เฉยๆ เหมือนตะกร้าผลไม้ ก็จะไม่มีใครใช้” และยกการสร้างเครือข่ายผู้ผลักดัน (Champion) และความเห็นพ้องของผู้บริหารเป็นประเด็นสำคัญของการบริหารการเปลี่ยนแปลง (ข้ออ้างของผู้จำหน่าย) ในทางกลับกัน หากฝ่ายที่ไม่มี Data Scientist สร้างเองด้วย OSS ระบบอาจหยุดลงทันทีที่ผู้สร้างย้ายตำแหน่ง การที่กรณี NOF Metal Coatings ของ Hitachi High-Tech เน้นว่าดำเนินการด้วยการสนับสนุนแบบเคียงข้างจากภายนอกในสภาพที่ไม่มีบุคลากรด้าน MI ภายในบริษัท ก็เป็นคำตอบหนึ่งต่อประเด็นนี้
การเชื่อมกับระบบเดิม: เส้นแบ่งกับ ELN, LIMS, ข้อมูลหลักสูตรผสม และข้อมูลคุณภาพ
หากใช้ AI เพิ่มประสิทธิภาพสูตรผสมเพียงลำพัง จะกลายเป็น “เกาะข้อมูลของฝ่ายพัฒนาเท่านั้น” ให้กำหนดไว้ว่าจะเชื่อมกับระบบใด และจะขีดเส้นแบ่งไว้ที่ใด
- สมุดบันทึกการทดลอง (ELN): จะเก็บต้นฉบับของบันทึกการทดลองผลิตไว้ที่ใด จะใช้ ELN เป็นต้นฉบับแล้วเชื่อมไปยังแพลตฟอร์ม MI หรือจะป้อนเข้าแพลตฟอร์ม MI โดยตรง การป้อนข้อมูลซ้ำสองที่ไม่ยั่งยืน
- LIMS (การจัดการการทดสอบและการวิเคราะห์): การคัดลอกผลการประเมินด้วยมือทำให้เกิดความผิดพลาดในการถ่ายข้อมูล ตรวจสอบว่านำเข้าผลการวัดโดยอัตโนมัติได้หรือไม่ และส่งเงื่อนไขการประเมิน (มาตรฐาน เครื่องมือ ผู้วัด) ไปพร้อมกันได้หรือไม่
- ข้อมูลหลักสูตรผสมในระบบบริหารการผลิต: เมื่อนำสูตรที่กำหนดในขั้นพัฒนาไปใช้ในการผลิตจำนวนมาก จะต้องลงทะเบียนในข้อมูลหลักสูตรผสมของระบบบริหารการผลิต ในขั้นนี้ หากรหัสวัตถุดิบที่ใช้ในการพัฒนาไม่ตรงกับรหัสสินค้าของการผลิตจำนวนมาก ข้อมูลจะเชื่อมกันไม่ได้ ข้อกำหนดเรื่องข้อมูลหลักสูตรผสมและการจัดการล็อตของโรงงานเคมีอธิบายไว้ในบทความระบบบริหารการผลิตโรงงานเคมี และวิธีจัดระเบียบรหัสสินค้าอธิบายไว้ในบทความการจัดการข้อมูลหลักในโรงงาน
- ข้อมูลคุณภาพ: หากส่งปัญหาคุณภาพที่เกิดในการผลิตจำนวนมากกลับเข้าข้อมูลการพัฒนาได้ ก็จะหลีกเลี่ยงปัญหาเดิมในการพัฒนาครั้งถัดไปได้ สำหรับการเฝ้าระวังความแปรผันของกระบวนการในการผลิตจำนวนมาก โปรดดูบทความ AI ตรวจจับความผิดปกติด้วย SPC
- การจัดซื้อและ ERP: ราคาและความเป็นไปได้ในการจัดหาวัตถุดิบอยู่ใน ERP หากจะใส่เพดานต้นทุนเป็นข้อจำกัด ให้กำหนดว่าจะใช้ราคาวัตถุดิบต่อหน่วย ณ ช่วงเวลาใด
หลักในการกำหนดเส้นแบ่งคือ “ตั้งแต่การพัฒนาไปจนถึงการผลิตจำนวนมากต้องเชื่อมกันได้ด้วยคีย์ 4 ตัว ได้แก่ รหัสวัตถุดิบ หมายเลขสูตร หมายเลขการทดลองผลิต และหมายเลขล็อต”
ข้อควรระวังเมื่อดำเนินการในโรงงานไทยและ ASEAN
ใน ASEAN ก็เริ่มมีกรณีตัวอย่างและความร่วมมือระหว่างภาคอุตสาหกรรมกับภาควิชาการ
ในไทย มีการเผยแพร่กรณีที่ SCG Chemicals นำแพลตฟอร์ม R&D ของ Uncountable มาใช้ ผลลัพธ์ในกรณีศึกษาของ Uncountable คือ “ลด DOE (การออกแบบการทดลอง) ลง 45%” “เร่ง R&D ได้ 10 ถึง 20%” “ROI สูงสุด 3 เท่า” และ “ลดเวลาการจับคู่ข้อมูลจากหลายแหล่งลง 50%” และหัวหน้าทีม Polymer Simulation ของบริษัทให้ความเห็นว่า “ก่อนมี Uncountable เราไม่สามารถพัฒนาโมเดลที่เหมาะสมสำหรับสูตรผสมพอลิเมอร์ได้” ไม่มีการระบุช่วงเวลาที่นำมาใช้ และหน้าอื่นของ Uncountable ใช้ถ้อยคำต่างกันคือ “ผลผลิต R&D เพิ่มขึ้น 20% ปริมาณงาน DOE ลดลง 45%” ทั้งหมดเป็นการประกาศของบริษัทผู้ให้บริการเครื่องมือ
ในด้านความร่วมมือระหว่างภาคอุตสาหกรรมกับภาควิชาการ Hitachi ประกาศในข่าวประชาสัมพันธ์ภาษาอังกฤษเมื่อวันที่ 30 มิถุนายน 2025 ว่า Hitachi High-Tech (Thailand) ได้ลงนามข้อตกลงความร่วมมือกับวิทยาลัยปิโตรเลียมและปิโตรเคมี (PPC) จุฬาลงกรณ์มหาวิทยาลัย โดยมุ่งใช้องค์ความรู้ด้าน Informatics ซึ่งมี MI เป็นแกนหลัก ในการยกระดับการศึกษาและการวิจัย ตั้งเป้าการศึกษาด้าน Data Science การนำผลงานวิจัยไปใช้ในสังคม และการเสริมความร่วมมือระหว่างภาคอุตสาหกรรมกับภาควิชาการ (เป็นการประกาศในฐานะแผนงานในอนาคต ไม่ได้ระบุระยะเวลาหรือจำนวนเงิน) นอกจากนี้ Hitachi High-Tech ระบุว่าจะสนับสนุนการใช้ MI ที่ฐานการผลิตในต่างประเทศของ NOF Metal Coatings ต่อไป (เป็นแผน)
สิทธิประโยชน์ด้านการวิจัยและพัฒนาของ BOI (ตามที่ระบุในคู่มือฉบับปี 2022)
ใน “A Guide to The Board of Investment 2022” ของสำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) ประเภทกิจการ “7.11 Research and development” จัดอยู่ในกลุ่ม A1 (ยกเว้นภาษีเงินได้นิติบุคคล 8 ปี ไม่มีเพดาน) และนิยามของการวิจัยประยุกต์ระบุ “formula development (การพัฒนาสูตรผสมหรือสูตรตำรับ)” การออกแบบผลิตภัณฑ์ และการออกแบบกระบวนการผลิตไว้อย่างชัดเจน เงื่อนไขที่ยกไว้ ได้แก่ ค่าใช้จ่ายบุคลากร R&D ไม่น้อยกว่า 1,500,000 บาทต่อปี (การจ้างงานใหม่) หรือการลงทุนในเครื่องจักรอุปกรณ์ไม่น้อยกว่า 1,000,000 บาท (ไม่รวมค่าที่ดินและเงินทุนหมุนเวียน) เป็นต้น และระบุว่าหากยื่นขอสิทธิประโยชน์แบบ Merit-based การยกเว้นภาษีเงินได้นิติบุคคลจะยาวได้สูงสุด 13 ปี และหากตั้งอยู่ในเขตอุทยานวิทยาศาสตร์ที่ BOI ส่งเสริม จะได้ลดหย่อนภาษีเงินได้นิติบุคคล 50% เป็นเวลา 5 ปีหลังสิ้นสุดระยะเวลายกเว้น ส่วน “8.1.3 Advanced Material Technology Development” ในคู่มือเดียวกันจัดอยู่ใน Section 8 (ยกเว้นภาษีเงินได้นิติบุคคล 10 ปี ไม่มีเพดาน) โดยมีเงื่อนไขเรื่องการถ่ายทอดเทคโนโลยีกับสถาบันการศึกษาหรือสถาบันวิจัยที่ BOI อนุมัติ
เมื่อวันที่ 30 มิถุนายน 2021 BOI ยังได้อนุมัติการเพิ่มสิทธิประโยชน์ด้าน R&D และการพัฒนาบุคลากร โดยระบุว่าโครงการที่ลงทุนหรือใช้จ่ายด้าน R&D อย่างน้อย 200,000,000 บาท หรือ 1% ของยอดขายรวมในช่วง 3 ปีแรก จะได้รับสิทธิประโยชน์ทางภาษีที่ยาวขึ้น (สูงสุด 13 ปี)
ข้อมูลเหล่านี้เป็นสิ่งที่ระบุไว้ในคู่มือฉบับปี 2022 และประกาศปี 2021 ซึ่งอาจมีการแก้ไขในภายหลัง หากพิจารณายื่นขอ โปรดตรวจสอบเงื่อนไขที่ใช้อยู่ในปัจจุบันกับประกาศล่าสุดและช่องทางติดต่อของ BOI เสมอ ข้อมูลนี้ไม่ได้หมายความว่าการนำ AI เพิ่มประสิทธิภาพสูตรผสมมาใช้จะเข้าข่ายได้รับสิทธิประโยชน์โดยตรง แต่เป็นข้อมูลว่ามีประเภทกิจการ R&D ที่ครอบคลุมการพัฒนาสูตรผสมอยู่ แนวทางการพัฒนา AI ในไทยโดยรวมได้กล่าวไว้ในบทความพัฒนา AI ในไทยด้วย
การนำข้อมูลออกและความลับทางการค้า
ข้อมูลสูตรผสมเป็นความลับที่สำคัญที่สุดอย่างหนึ่งของผู้ผลิตวัสดุ หากใช้แพลตฟอร์ม MI แบบคลาวด์ ให้ตรวจสอบว่าข้อมูลจะถูกเก็บบนเซิร์ฟเวอร์ในประเทศใด ผู้จำหน่ายจะใช้ข้อมูลของบริษัทท่านเพื่อปรับปรุงโมเดลหรือไม่ และเมื่อสิ้นสุดสัญญาจะนำข้อมูลและโมเดลออกมาได้ในรูปแบบใด หากจะแบ่งปันข้อมูลกับสถาบันวิจัยของสำนักงานใหญ่ที่ญี่ปุ่น ให้ตกลงกับฝ่ายความมั่นคงปลอดภัยสารสนเทศของสำนักงานใหญ่ไว้ก่อนว่า ข้อมูลสูตรใดจะเก็บไว้ฝั่งไทย ข้อมูลใดจะเก็บไว้ฝั่งญี่ปุ่น และใครมีสิทธิ์เข้าถึง
การแบ่งบทบาทกับสถาบันวิจัยของสำนักงานใหญ่ที่ญี่ปุ่น
เมื่อดำเนินการ AI เพิ่มประสิทธิภาพสูตรผสมที่ฐานการผลิตในไทย หากกำหนดการแบ่งบทบาทกับสถาบันวิจัยของสำนักงานใหญ่ที่ญี่ปุ่นไว้ก่อน ความสับสนจะลดลง เช่น แบ่งให้การพัฒนาสูตรพื้นฐานใหม่และการพัฒนาวิธีการเป็นของสำนักงานใหญ่ ส่วนการปรับปรุงสูตรเพื่อตอบสนองลูกค้าและการเปลี่ยนไปใช้วัตถุดิบท้องถิ่นเป็นของฝั่งท้องถิ่น ข้อมูลยี่ห้อวัตถุดิบในท้องถิ่นและความแตกต่างระหว่างล็อตมีอยู่เฉพาะในท้องถิ่น จึงสำคัญที่ต้องจัดโครงสร้างให้ฝ่ายพัฒนาในท้องถิ่นรับผิดชอบการลงทะเบียนข้อมูลและการอนุมัติได้
การคำนวณต้นทุนและผลตอบแทนด้วยแบบจำลอง (ตัวเลขสมมติ)
ต่อจากนี้เป็นการคำนวณแบบจำลองเพื่อแสดง “โครงสร้าง” ของการประมาณการ ตัวเลขต่อไปนี้ทั้งหมดเป็นตัวเลขสมมติที่ตั้งขึ้นสำหรับบทความนี้ ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรม ไม่ใช่ตัวเลขของบริษัทวิจัย ไม่ใช่ราคาของผู้จำหน่าย และไม่ใช่ผลของงานวิจัย โปรดแทนที่ด้วยตัวเลขของบริษัทท่านเมื่อนำไปใช้
สมมติฐานของโรงงานจำลอง
สมมติเป็นฝ่ายพัฒนาเทคนิคของฐานการผลิต 1 แห่งของผู้ผลิตสีและกาวสัญชาติญี่ปุ่นในไทย สกุลเงินคือบาท (THB)
| รายการ | ค่าสมมติ |
|---|---|
| จำนวนโครงการพัฒนาและปรับปรุงสูตรต่อปี P | 15 โครงการ |
| จำนวนครั้งการทดลองผลิตต่อ 1 โครงการแบบเดิม B | 24 ครั้ง (ปีละ 360 ครั้ง) |
| ต้นทุนต่อการทดลองผลิต 1 ครั้ง C | 8,000 บาท (วัตถุดิบ 3,000 + การทดสอบประเมิน 3,000 + ชั่วโมงงานวิศวกร 4 ชั่วโมง × 500 บาท = 2,000) |
| ชั่วโมงงานที่เพิ่มขึ้นหลังนำ AI มาใช้ (ป้อนข้อมูล ตรวจโมเดล อนุมัติข้อเสนอ) | ต่อ 1 โครงการ 8 ชั่วโมง × 500 บาท = 4,000 บาท (ปีละ 60,000 บาท) |
| ค่าใช้จ่ายดำเนินงานต่อปี L (ไลเซนส์หรือคลาวด์ การบำรุงรักษา การสนับสนุนจากภายนอก) | 600,000 บาท/ปี (สมมติว่าคงที่ไม่ขึ้นกับจำนวนโครงการ) |
| ค่าใช้จ่ายเริ่มต้น I | 700,000 บาท (การจัดโครงสร้างข้อมูลการทดลองผลิตในอดีต 400,000 + การกำหนดเป้าหมายและข้อจำกัด การตั้งค่า และ PoC 300,000) |
| อัตราการลดจำนวนครั้งของการทดลองผลิต r | กรณีหลัก 30% |
กรณีหลัก (อัตราการลด 30%)
| รายการ | กรณีหลัก (r = 30%) | การคำนวณ |
|---|---|---|
| จำนวนครั้งการทดลองผลิตที่ลดลง | 108 ครั้ง/ปี (360 ครั้ง → 252 ครั้ง) | 15 × 24 × 0.30 |
| ต้นทุนการทดลองผลิตที่ลดลง | 864,000 บาท/ปี | 108 × 8,000 |
| ชั่วโมงงานที่เพิ่มขึ้น | −60,000 บาท/ปี | 15 × 4,000 |
| ค่าใช้จ่ายดำเนินงานต่อปี | −600,000 บาท/ปี | ค่าสมมติ |
| ผลประโยชน์สุทธิต่อปี | 204,000 บาท/ปี | 864,000 − 60,000 − 600,000 |
| ระยะเวลาคืนทุนอย่างง่าย | ประมาณ 3.4 ปี | 700,000 ÷ 204,000 = 3.43 |
เมื่อเขียนเป็นสูตรทั่วไปจะได้ดังนี้
ผลประโยชน์สุทธิต่อปี = 2,880,000 × r − 660,000
2,880,000 คือต้นทุนการทดลองผลิตต่อปีแบบเดิม (15 × 24 × 8,000) และ 660,000 คือผลรวมของชั่วโมงงานที่เพิ่มขึ้นกับค่าใช้จ่ายดำเนินงานต่อปี (60,000 + 600,000)
ผลลัพธ์เปลี่ยนไปอย่างไรเมื่อเปลี่ยนอัตราการลด
ลองเปลี่ยนเฉพาะอัตราการลด r
| อัตราการลด r | จำนวนครั้งการทดลองผลิตที่ลดลง | ต้นทุนการทดลองผลิตที่ลดลง | ผลประโยชน์สุทธิต่อปี | ระยะเวลาคืนทุนอย่างง่าย |
|---|---|---|---|---|
| 20% | 72 ครั้ง/ปี | 576,000 บาท | −84,000 บาท | ไม่คืนทุน (ไม่พอครอบคลุมค่าใช้จ่ายต่อปี) |
| 30% | 108 ครั้ง/ปี | 864,000 บาท | 204,000 บาท | ประมาณ 3.4 ปี (700,000 ÷ 204,000 = 3.43) |
| 50% | 180 ครั้ง/ปี | 1,440,000 บาท | 780,000 บาท | ประมาณ 0.9 ปี (700,000 ÷ 780,000 = 0.897) |

อัตราการลดที่ทำให้ผลประโยชน์สุทธิต่อปีเป็น 0 หาได้จาก 2,880,000 × r = 660,000 ได้ r ≈ 22.9% ภายใต้สมมติฐานนี้ หากจำนวนครั้งการทดลองผลิตลดลงต่ำกว่าประมาณ 23% เพียงต้นทุนการทดลองผลิตที่ลดลงจะไม่พอครอบคลุมแม้แต่ค่าใช้จ่ายต่อปี อย่าว่าแต่การคืนทุนค่าใช้จ่ายเริ่มต้นเลย ค่าใช้จ่ายดำเนินงานและชั่วโมงงานที่เพิ่มขึ้นในแต่ละปีจะสูงกว่าต้นทุนการทดลองผลิตที่ลดลง ในทางกลับกัน หากอัตราการลดเป็น 50% จะคืนทุนได้ภายในไม่ถึง 1 ปี ผลลัพธ์ขึ้นอยู่กับอัตราการลดอย่างมาก และยิ่งฝ่ายที่มีโครงการน้อยก็ยิ่งยากขึ้น (เนื่องจากสมมติให้ค่าใช้จ่ายดำเนินงานต่อปีคงที่ไม่ขึ้นกับจำนวนโครงการ)
แยกการลดเงินสดกับการลดชั่วโมงงานออกจากกัน
ในต้นทุน 8,000 บาทต่อการทดลองผลิต 1 ครั้ง ส่วนของวัตถุดิบและการทดสอบประเมิน 6,000 บาทเป็นรายจ่ายเงินสด แต่ส่วนชั่วโมงงานวิศวกร 2,000 บาท จะไม่เป็นการลดเงินสด เว้นแต่จะนำเวลาที่ว่างขึ้นไปใช้กับงานพัฒนาอื่น ในต้นทุนการทดลองผลิตที่ลดลง 864,000 บาทของกรณีหลัก ส่วนที่เป็นการลดเงินสดคือ 648,000 บาท (108 × 6,000) และส่วนที่เป็นการลดชั่วโมงงานคือ 216,000 บาท (108 × 2,000) หากดูเฉพาะการลดเงินสด จะสูงกว่าค่าใช้จ่ายดำเนินงานต่อปี 600,000 บาทเพียงเล็กน้อยเท่านั้น การนำเวลาของวิศวกรที่ว่างขึ้นไปใช้กับโครงการพัฒนาถัดไปหรืองานตอบสนองลูกค้าได้หรือไม่ จึงเปลี่ยนความหมายของการลงทุนไปอย่างมาก
สิ่งที่ไม่ได้รวมไว้ในการคำนวณนี้
ผลต่อไปนี้ประมาณการได้ยาก จึงไม่ได้คิดเป็นจำนวนเงิน
- การได้รับคำสั่งซื้อหรือการวางตลาดเร็วขึ้นจากระยะเวลาพัฒนาที่สั้นลง
- การลดต้นทุนการผลิตจำนวนมาก ในกรณีที่พบสูตรที่ใช้วัตถุดิบราคาถูกกว่า
- ผลจากการแทนที่สารควบคุมได้ทันกำหนดเวลา
- ผลจากการที่ความรู้ของผู้เชี่ยวชาญอาวุโสถูกเก็บไว้เป็นข้อมูล
โปรดประเมินผลเหล่านี้แยกจากการลดต้นทุนการทดลองผลิต ไม่มีรายการใดที่สามารถรับประกันเป็นจำนวนเงินได้ล่วงหน้า
สิ่งที่สรุปได้จากการคำนวณ
ห้ามนำข้ออ้างของผู้จำหน่ายหรือตัวเลขจากงานวิจัยมาใส่เป็นอัตราการลด r โดยตรง ดังที่กล่าวข้างต้น อัตราการลดที่มีการประกาศเป็นค่าของระบบวัสดุเฉพาะ หัวข้อเฉพาะ และสิ่งที่ใช้เปรียบเทียบเฉพาะ ไม่มีการรับประกันว่าจะใช้ได้กับบริษัทท่าน แนวทางที่ถูกต้องคือตัดสินใจลงทุนหลังจากวัดอัตราการลดด้วยการตรวจสอบย้อนหลังกับโครงการในอดีตของบริษัทเองและด้วย PoC แล้ว
สำหรับฝ่ายที่มีโครงการน้อย ยังมีทางเลือกที่จะไม่เริ่มจากผลิตภัณฑ์แบบไลเซนส์ แต่เริ่มจากการจัดโครงสร้างข้อมูลการทดลองและการออกแบบการทดลอง (DOE) ก่อน แล้วค่อยพิจารณาผลิตภัณฑ์แบบไลเซนส์เมื่อโครงการเพิ่มขึ้น การจัดโครงสร้างข้อมูลไม่สูญเปล่าไม่ว่าจะเลือกรูปแบบใด
หัวข้อที่ควรเขียนใน RFP ของ AI เพิ่มประสิทธิภาพสูตรผสม
เมื่อเขียน RFP (เอกสารขอข้อเสนอ) เพื่อคัดเลือกผลิตภัณฑ์หรือจ้างพัฒนา ให้ใส่หัวข้อต่อไปนี้
| No. | หัวข้อ | เนื้อหาที่ต้องเขียน |
|---|---|---|
| 1 | หัวข้อเป้าหมายและวัตถุประสงค์ | กลุ่มผลิตภัณฑ์เป้าหมาย ตัวแปรเป้าหมายและช่วงที่ยอมรับได้ ลำดับความสำคัญ |
| 2 | การจัดการข้อจำกัด | ตั้งค่าและบังคับใช้ขอบเขตบนล่างของวัตถุดิบ ผลรวม 100% สารต้องห้ามและสารควบคุม เพดานต้นทุน และข้อจำกัดของเครื่องจักรได้อย่างไร |
| 3 | การย้ายข้อมูลในอดีต | จำนวนและรูปแบบของข้อมูลที่จะย้าย (Excel, ELN, กระดาษ) ขอบเขตงานจัดโครงสร้างและการแบ่งหน้าที่ |
| 4 | แบบจำลองข้อมูล | เก็บสัดส่วนสูตรผสม ยี่ห้อและล็อตวัตถุดิบ เงื่อนไขกระบวนการ เงื่อนไขการประเมิน ผลลัพธ์ และเหตุผลของความล้มเหลวได้หรือไม่ วิธีเพิ่มรายการ |
| 5 | ตรรกะของข้อเสนอและคำอธิบาย | การแสดงค่าทำนายและความไม่แน่นอน การเตือนเมื่ออยู่นอกช่วงข้อมูล การแสดงฟีเจอร์ที่สำคัญ |
| 6 | เวิร์กโฟลว์การอนุมัติ | การอนุมัติ แก้ไข และปฏิเสธข้อเสนอพร้อมบันทึกเหตุผล การตั้งค่าสิทธิ์ |
| 7 | การบริหารวงรอบการทดลอง | จำนวนข้อเสนอต่อ 1 ครั้ง การตั้งเกณฑ์การหยุด การแสดงประวัติของวงรอบเป็นภาพ |
| 8 | การเชื่อมกับระบบเดิม | วิธีเชื่อมกับ ELN, LIMS, ข้อมูลหลักสูตรผสมของระบบบริหารการผลิต และ ERP และการจับคู่รหัสวัตถุดิบ |
| 9 | การจัดเก็บข้อมูลและความลับ | ประเทศที่จัดเก็บ การเข้ารหัส สิทธิ์การเข้าถึง ผู้จำหน่ายใช้ข้อมูลของบริษัทท่านได้หรือไม่ และรูปแบบการส่งคืนข้อมูลและโมเดลเมื่อสิ้นสุดสัญญา |
| 10 | ผู้ใช้ที่คาดไว้ | นักวิจัยที่ไม่เขียนโปรแกรมใช้ได้หรือไม่ หน้าจอและการฝึกอบรมภาษาไทย ภาษาอังกฤษ และภาษาญี่ปุ่น |
| 11 | โครงสร้างการสนับสนุน | การสนับสนุนแบบเคียงข้างโดย Data Scientist ในช่วงนำมาใช้ การสนับสนุนในไทย การตอบคำถาม |
| 12 | รายละเอียดค่าใช้จ่าย | ค่าใช้จ่ายเริ่มต้น ค่าใช้จ่ายต่อปี เงื่อนไขที่ทำให้ค่าใช้จ่ายเปลี่ยนแปลง ค่าใช้จ่ายของ PoC |
สิ่งที่ต้องตรวจใน PoC: 5 กรณีที่จงใจทดลอง
ใน PoC ไม่ได้ตรวจเพียงว่าข้อมูลที่สะอาดให้การทำนายที่ดีหรือไม่ แต่ต้องตรวจว่า เมื่อให้เงื่อนไขที่ยากโดยเจตนา AI ไม่เสนอสูตรที่ฝืนหรือไม่สมเหตุสมผล แสดงความไม่แน่นอนอย่างตรงไปตรงมา และขอให้คนเป็นผู้ตัดสินหรือไม่
กรณีที่จงใจทดลอง
- การจำลองซ้ำโครงการในอดีตแบบย้อนหลัง: ส่งข้อมูลของโครงการพัฒนาที่เสร็จสิ้นแล้วให้เพียงถึงช่วงกลางของลำดับเวลา แล้วจำลองดูว่า AI ไปถึงสูตรระดับเดียวกันได้ด้วยการทดลองผลิตน้อยกว่าที่เกิดขึ้นจริงหรือไม่ อัตราการลดที่วัดได้ในขั้นนี้คือข้อมูลชิ้นแรกที่ใช้แทนค่า r ในการคำนวณแบบจำลอง
- มีข้อเสนอที่ละเมิดข้อจำกัดหรือไม่: ตั้งข้อจำกัดด้านขอบเขตบนล่าง ผลรวม 100% และสารต้องห้ามแล้ว ตรวจว่าไม่มีข้อเสนอที่ละเมิดข้อจำกัดออกมาแม้แต่รายการเดียว การจงใจใส่วัตถุดิบที่มีสารต้องห้ามไว้ในรายการตัวเลือกจะช่วยให้ตรวจสอบได้ง่ายขึ้น
- การแสดงความไม่แน่นอนเมื่ออยู่นอกช่วงข้อมูล: เมื่อตั้งเป้าหมายเป็นเงื่อนไขที่อยู่ห่างจากช่วงของข้อมูลในอดีตมาก ตรวจว่า AI แสดงไม่เพียงค่าทำนาย แต่แสดงความไม่แน่นอนที่สูงด้วยหรือไม่ และออกคำเตือนหรือไม่
- การเปลี่ยนยี่ห้อวัตถุดิบ: เมื่อเปลี่ยนวัตถุดิบตัวหนึ่งเป็นสินค้าเทียบเท่าจากผู้ผลิตรายอื่น ตรวจว่าระบบจัดการยี่ห้อใหม่ที่มีข้อมูลน้อยอย่างไร และนำข้อมูลเดิมไปใช้ได้มากเพียงใด
- ความแปรปรวนของการประเมิน: ใส่ค่าจากการวัดซ้ำของสูตรเดียวกัน แล้วตรวจว่าระบบไม่เข้าใจผิดว่าความแปรปรวนของการวัดเป็นผลของสูตร
KPI ที่ต้องวัด
- จำนวนครั้งการทดลองผลิตและระยะเวลาจนถึงการบรรลุเป้าหมาย (เปรียบเทียบกับวิธีเดิม)
- ความคลาดเคลื่อนของการทำนาย (ผลต่างระหว่างค่าทำนายกับค่าที่วัดจริง)
- อัตราการรับข้อเสนอ (สัดส่วนข้อเสนอที่วิศวกรอนุมัติ และการแจกแจงเหตุผลที่ปฏิเสธ)
- เวลาที่ใช้ลงทะเบียนข้อมูล (ค่าที่วัดจริงของชั่วโมงงานที่เพิ่มขึ้น)
แม้ผล PoC จะพบว่าอัตราการลดไม่ถึงระดับจุดคุ้มทุน การจัดโครงสร้างข้อมูลและการจัดระเบียบข้อจำกัดก็จะยังคงอยู่เป็นรากฐานของงานครั้งถัดไป เพื่อให้ประเมินผลได้อย่างตรงไปตรงมา โปรดกำหนดเกณฑ์ความสำเร็จเป็นลายลักษณ์อักษรไว้ก่อนเริ่ม PoC
คำถามที่พบบ่อย
Materials Informatics คืออะไร
คือความพยายามที่รวมศูนย์และจัดโครงสร้างข้อมูลวัสดุ แล้วใช้การวิเคราะห์ข้อมูลและ Machine Learning เพื่อเร่งการพัฒนาวัสดุ (ตามนิยามของ Uncountable) ในด้านสูตรผสม รูปแบบการใช้งานที่เป็นตัวแทนคือ ทำนายสมบัติจากข้อมูลสัดส่วนสูตรผสมและสมบัติในอดีต แล้วใช้ Bayesian Optimization หรือวิธีอื่นเสนอสูตรที่ควรลองถัดไป สิ่งที่ต้องมีก่อนอัลกอริทึมคือการจัดโครงสร้างข้อมูลและการกำหนดเป้าหมายและข้อจำกัด
AI เพิ่มประสิทธิภาพสูตรผสมต้องใช้ข้อมูลมากเท่าไร
ไม่มีเกณฑ์ตายตัว ขึ้นอยู่กับจำนวนตัวแปร ความแปรปรวนของสมบัติ และเป้าหมายอยู่ในหรือนอกช่วงของข้อมูลในอดีต เอกสารของ Citrine ระบุว่าในสาขาเคมี ค่าใช้จ่ายในการทำและทดสอบตัวอย่าง 1 ตัวอย่างสูงจนชุดข้อมูลมักมีขนาดเล็ก และชี้ถึงความจำเป็นของวิธีการที่ตั้งอยู่บนข้อมูลจำนวนน้อย (ข้ออ้างของผู้จำหน่าย) สำหรับหัวข้อที่มีข้อมูลในอดีตน้อย ผู้จำหน่ายก็แสดงแนวทางที่เริ่มจากการทดลองเริ่มต้นแบบ DOE แล้วเพิ่มข้อมูลแบบต่อเนื่องเป็นลำดับ ขั้นแรกให้วัด “สัดส่วนที่ใช้ได้” ของข้อมูลในอดีตของหัวข้อเป้าหมาย
Bayesian Optimization กับการออกแบบการทดลองต่างกันอย่างไร
การออกแบบการทดลอง (DOE) คือวิธีที่กำหนดชุดการทดลองไว้ล่วงหน้าแล้วทำพร้อมกันในครั้งเดียว ส่วน Bayesian Optimization คือวิธีแบบต่อเนื่องเป็นลำดับที่ปรับปรุงโมเดลตามผลลัพธ์ แล้วเสนอเงื่อนไขที่หากลองถัดไปจะได้ประโยชน์มากที่สุดทีละรายการ (หรือทีละหลายรายการ) ทั้งสองไม่ได้ขัดแย้งกัน การผสมผสานโดยวางการทดลองเริ่มต้นแบบ DOE แล้วดำเนินต่อด้วย Bayesian Optimization ก็แสดงไว้ในเอกสารของ Citrine ที่กล่าวถึงข้างต้น (ข้ออ้างของผู้จำหน่าย)
AI เพิ่มประสิทธิภาพสูตรผสมมีค่าใช้จ่ายเท่าไร
หน้าเว็บทางการของแพลตฟอร์ม MI เชิงพาณิชย์หลักที่การสำรวจของบทความนี้ตรวจสอบ ไม่มีการแสดงราคา ค่าใช้จ่ายเป็นแบบเสนอราคารายกรณี ในแง่โครงสร้างค่าใช้จ่าย หากขอใบเสนอราคาโดยแยกเป็นค่าใช้จ่ายเริ่มต้น (การจัดโครงสร้างข้อมูลในอดีต การกำหนดเป้าหมายและข้อจำกัด PoC) กับค่าใช้จ่ายต่อปี (ไลเซนส์หรือคลาวด์ การบำรุงรักษา การสนับสนุนจากภายนอก) แล้วคำนวณผลประโยชน์สุทธิตามอัตราการลดแต่ละระดับเหมือนการคำนวณแบบจำลองในบทความนี้ ก็จะเปรียบเทียบได้ง่ายขึ้น
ข้อมูลในอดีตมีน้อยก็เริ่มได้หรือไม่
เริ่มได้ แต่จะไม่ได้ตั้งอยู่บนการสร้างโมเดลจากข้อมูลในอดีตเพียงอย่างเดียว หากตั้งอยู่บนการดำเนินการไปพร้อมกับสร้างข้อมูลด้วยการทดลองเริ่มต้น นอกจากนี้ แม้มีข้อมูลในอดีตมาก แต่รายการที่ไม่รู้เงื่อนไขการประเมินหรือล็อตก็อาจใช้ไม่ได้ ในทางกลับกัน ยังมีรายงานกรณีที่การเพิ่มความรู้หรือข้อมูลมากเกินไปทำให้การหาค่าเหมาะสมแย่ลง การเริ่มจากหัวข้อเล็กที่คัดตัวแปรให้น้อยลงจึงปลอดภัยกว่า
นำสูตรที่ AI ออกแบบไปทดลองผลิตตามนั้นเลยได้หรือไม่
โปรดหลีกเลี่ยงการนำไปทดลองผลิตตามนั้นทันที AI ไม่ได้เข้าใจข้อจำกัดด้านความปลอดภัย กฎระเบียบ และเครื่องจักรทั้งหมด สูตรที่ถูกเสนอต้องให้วิศวกรตรวจในมุมของความปลอดภัย กฎระเบียบ เครื่องจักร ต้นทุน และความสมเหตุสมผลทางเคมี และอนุมัติก่อนจึงทดลองผลิต หากบันทึกเหตุผลของการอนุมัติและการปฏิเสธไว้ จะเป็นข้อมูลสำหรับยกระดับคุณภาพของข้อเสนอครั้งถัดไป
สรุป
หากเริ่มต้น AI เพิ่มประสิทธิภาพสูตรผสมด้วยการเปรียบเทียบอัลกอริทึม อาจจบลงที่มีข้อเสนอออกมาแต่ไปไม่ถึงสูตรที่ใช้งานได้ ให้คัดหัวข้อเป้าหมายด้วย 4 เงื่อนไข (วัดเป็นตัวเลขได้ การทดลองผลิตมีภาระสูง ตัวแปรราว 10 ตัว การประเมินมีเสถียรภาพ) ก่อน แล้วกำหนดตัวแปรเป้าหมายและช่วงที่ยอมรับได้ ขอบเขตบนล่างของวัตถุดิบ ผลรวม 100% สารควบคุม เพดานต้นทุน และข้อจำกัดของเครื่องจักร จัดข้อมูลการทดลองผลิตในอดีตให้ครบตามสัดส่วนสูตรผสม ล็อตวัตถุดิบ เงื่อนไขกระบวนการ เงื่อนไขการประเมิน ผลลัพธ์ และเหตุผลของความล้มเหลว แล้ววัดสัดส่วนที่ใช้ได้ จากนั้นวางการอนุมัติโดยวิศวกรไว้ระหว่างข้อเสนอของ AI กับการทดลองผลิต และกำหนดจำนวนวันต่อ 1 รอบและเกณฑ์การหยุด หากตัดสินใจตามลำดับนี้ จะเห็นชัดว่าควรซื้ออะไร และอะไรที่ต้องตัดสินใจเอง
อัตราการลดที่มีการประกาศเป็นค่าของระบบวัสดุเฉพาะ หัวข้อเฉพาะ และสิ่งที่ใช้เปรียบเทียบเฉพาะ ในการคำนวณแบบจำลอง (ตัวเลขสมมติ) หากดูเพียงการลดต้นทุนการทดลองผลิต การคืนทุนขึ้นอยู่กับอัตราการลดและจำนวนโครงการอย่างมาก และหากอัตราการลดต่ำกว่าประมาณ 23% ก็ไม่พอครอบคลุมแม้แต่ค่าใช้จ่ายต่อปี ด้วยเหตุนี้ โปรดตัดสินใจลงทุนหลังจากวัดอัตราการลดด้วยการตรวจสอบย้อนหลังกับโครงการในอดีตของบริษัทเองและด้วย PoC แล้ว และประเมินการย่นระยะเวลาพัฒนาและการลดต้นทุนการผลิตแยกต่างหาก ในช่วงที่โครงการยังมีน้อย ก็ยังมีทางเริ่มจากการจัดโครงสร้างข้อมูลและ DOE
TOMAS TECH ให้การสนับสนุนด้านการจัดเตรียมข้อมูล การใช้ AI และการเชื่อมกับระบบเดิม ให้เข้ากับงานของโรงงานในไทย ท่านสามารถปรึกษาได้แม้ในขั้นที่ยังไม่ได้ตัดสินใจเลือกผลิตภัณฑ์หรือรูปแบบ เช่น ขั้นการคัดหัวข้อเป้าหมาย หรือขั้นการสำรวจข้อมูลการทดลองผลิตในอดีต ติดต่อเราได้ทางแบบฟอร์มนี้
แหล่งอ้างอิง
- Uncountable: Materials Informatics & the Future of Advanced Material Development
- Citrine Informatics: How to get started with AI in Paints and Coatings – and why you need to do that now (White Paper)
- BoTorch เว็บไซต์ทางการ
- arXiv: Information Theoretic Bayesian Optimization over the Probability Simplex (arXiv:2603.09793)
- University of Cambridge Apollo: Optimization of Formulations Using Robotic Experiments Driven by Machine Learning DoE
- NIMS: MI2I (Materials Research by Information Integration Initiative)
- NIMS: เกี่ยวกับ DICE
- NEDO: ข่าวประชาสัมพันธ์ (13 เมษายน 2020) (ภาษาญี่ปุ่น)
- Hitachi: ข่าวประชาสัมพันธ์ (28 มิถุนายน 2021) (ภาษาญี่ปุ่น)
- Hitachi High-Tech: Hitachi High-Tech และ NOF Metal Coatings ยกระดับประสิทธิภาพและความก้าวหน้าของงานวิจัยและพัฒนาด้วย Materials Informatics (19 สิงหาคม 2025) (ภาษาญี่ปุ่น)
- Sika AG: Investor and Media Conference – Fast Forward (27 พฤศจิกายน 2025)
- Albert Invent: Advanced Polymer Coatings (APC) Collaborates with Albert Invent (23 มิถุนายน 2026)
- Citrine Informatics เว็บไซต์ทางการ
- GitHub: meta-pytorch/botorch
- Ax เว็บไซต์ทางการ
- Optuna เว็บไซต์ทางการ
- GitHub: optuna/optuna
- GitHub: SheffieldML/GPyOpt
- GitHub: scikit-optimize/scikit-optimize
- Polymerize เว็บไซต์ทางการ
- arXiv: When Less is More: A Story of Failing Bayesian Optimization Due to Additional Expert Knowledge (arXiv:2511.16230)
- Uncountable: SCG Chemicals Accelerates Research & Development by 20% with Uncountable
- Hitachi: ข่าวประชาสัมพันธ์ (30 มิถุนายน 2025)
- Thailand BOI: A Guide to The Board of Investment 2022 Section 5
- Thailand BOI: Press Release No. 63/2564 (O.19) Enhanced Incentives to Promote R&D and HRD (30 มิถุนายน 2021)