วิธีเลือกผู้ผลิตเครื่องตรวจสอบ 2026 — สิ่งที่ต้องตัดสินใจก่อนเทียบราคา

“หาคนมาทำงานตรวจสอบด้วยสายตาไม่ได้” “พนักงานตรวจสอบแต่ละคนตัดสินไม่เหมือนกัน” “ของเสียหลุดไปถึงลูกค้าจนเกิดเคลม” — โรงงานจำนวนไม่น้อยเริ่มต้นเปรียบเทียบผู้ผลิตเครื่องตรวจสอบจากสถานการณ์เหล่านี้ แต่จากประสบการณ์ที่เราให้คำปรึกษากับโรงงานญี่ปุ่นในประเทศไทย สิ่งที่พบบ่อยคือยังมีประเด็นที่ต้องตัดสินใจให้จบภายในองค์กรก่อน แต่กลับถูกข้ามไปเปรียบเทียบสเปกของเครื่องเสียก่อน อะไรที่เรียกว่าของเสีย ตรวจ 100% หรือสุ่มตรวจ ยอมให้ของดีถูกตีเป็นของเสีย (false reject) ได้แค่ไหน ถ้าเรื่องเหล่านี้ยังไม่นิ่งแล้วไปรวบรวมใบเสนอราคา ข้อเสนอของแต่ละเจ้าจะเปรียบเทียบกันไม่ได้เลย บทความนี้จะเรียบเรียงสิ่งที่ควรตัดสินใจก่อนเริ่มเปรียบเทียบ

สิ่งที่บทความนี้ครอบคลุมและไม่ครอบคลุม

บทความเรื่องการตรวจสอบอัตโนมัติมักเอนไปทางอธิบายวิธีการทำงานของเครื่อง หรือไม่ก็เป็นภาพรวมแนวว่า “AI จะเปลี่ยนงานตรวจสอบ” แต่ในโครงการจริง สิ่งที่มักกลายเป็นข้อพิพาทไม่ใช่วิธีการทางเทคนิคและไม่ใช่ภาพรวม หากแต่เป็นจุดเดียวคือ ฝ่ายผู้สั่งซื้อยังนิยามคำว่า “ของเสีย” ได้ไม่ครบ ถ้าเซ็นสัญญาโดยที่จุดนี้ยังคลุมเครือ ตอนตรวจรับงานจะกลายเป็นการเถียงกับผู้ผลิตเครื่องว่า “ชิ้นนี้เป็นของเสียหรือของดี”

ขอบเขตของบทความนี้เป็นดังนี้

หากต้องการมองจากกรอบการตัดสินใจลงทุนด้านระบบอัตโนมัติโดยรวม บทความ กรณีศึกษาการลดกำลังคนและความคุ้มค่าการลงทุน ได้เรียบเรียงแนวคิดการทำระบบอัตโนมัติในโรงงานบนสมมติฐานเรื่องการขาดแคลนแรงงานไว้แล้ว ส่วนบทความนี้จะเจาะลึกเฉพาะ “กระบวนการตรวจสอบ” ซึ่งเป็นพื้นที่ที่นิยามได้ยากที่สุดพื้นที่หนึ่งของงานอัตโนมัติ

อนึ่ง ตัวเลขค่าใช้จ่ายที่ปรากฏในบทความนี้ หากไม่ระบุเป็นอย่างอื่น ถือเป็น ตัวเลขอ้างอิงที่เผยแพร่ในประเทศญี่ปุ่น ไม่สามารถนำมาใช้กับโรงงานในไทยได้โดยตรง ประเด็นนี้จะกลับมาอธิบายอีกครั้งในส่วนท้าย

เหตุใดการปรึกษาเรื่องการตรวจสอบอัตโนมัติจึงเพิ่มขึ้น

สภาพแรงงานและบรรยากาศการลงทุนในไทย

ก่อนอื่นขอไล่ดูจากข้อเท็จจริงว่าทำไมการปรึกษาเรื่องนี้จึงเพิ่มขึ้น หากเดินหน้าด้วยความรู้สึกว่า “ขาดคนก็เลยต้องอัตโนมัติ” จะสร้างเหตุผลรองรับวงเงินลงทุนภายในองค์กรไม่ได้

ในประเทศไทย ผู้มีอายุ 60 ปีขึ้นไปมีสัดส่วนเกิน 21% ของประชากร ทำให้อุปทานแรงงานตึงตัว เมื่อรวมกับค่าแรงที่สูงขึ้น การแข่งขันกับประเทศเพื่อนบ้านในอาเซียน อัตราแลกเปลี่ยน และการเปลี่ยนแปลงของสภาพแวดล้อมทางการค้า ทำให้ผู้ผลิตถูกกดดันให้ทบทวนโครงสร้างต้นทุน (ที่มา: KAIZEN Thailand Manufacturing Trends 2026)

ในด้านค่าจ้าง อัตราค่าจ้างขั้นต่ำของไทยปี 2026 อยู่ที่วันละ 337-400 บาทแล้วแต่จังหวัด โดยเพดาน 400 บาทคงเดิมจากปี 2025 (ที่มา: Thai Law Online) หากดูเฉพาะข้อเท็จจริงว่าคงเดิม อาจตีความได้ว่า “ค่าแรงไม่ได้ขึ้น” แต่สิ่งที่มีผลจริงในทางปฏิบัติไม่ใช่ค่าจ้างขั้นต่ำ หากแต่เป็น ต้นทุนรวมตั้งแต่การสรรหา ฝึกอบรม จนถึงการรักษาพนักงานที่ทำงานตรวจสอบด้วยสายตาได้ ซึ่งไม่ปรากฏในตัวเลขค่าจ้างขั้นต่ำ

• การสรรหา: งานที่ซ้ำซากและทำให้ล้าสายตามักมีผู้สมัครน้อย
• การฝึกอบรม: ต้องใช้เวลาพอสมควรกว่าจะจำตัวอย่างขีดจำกัด (limit sample) ได้
• การรักษาคน: พนักงานที่ฝึกมาแล้วอาจย้ายไปบริษัทอื่น
• ความผันแปร: เปลี่ยนคนแล้วผลตัดสินเปลี่ยน จนถูกลูกค้าทักท้วง
• ช่วงพีค: เพิ่มยอดผลิตแล้วเพิ่มพนักงานตรวจสอบไม่ทัน กระบวนการนี้กลายเป็นคอขวด
• บันทึก: รายละเอียดของเสียอยู่บนกระดาษ ทำให้เสียเวลาในการรวบรวมสรุป

อีกประเด็นที่ควรจับไว้คือรูปแบบที่กำลังกลายเป็นกระแสหลักในภาคการผลิตของไทย มีการสรุปว่าไม่ใช่ระบบอัตโนมัติเต็มรูปแบบ แต่เป็นแบบผสม (hybrid) ระหว่างความชำนาญของคนกับการช่วยเหลือบางส่วนจากเครื่องจักร โดยแขนกลหุ่นยนต์ ระบบขนถ่ายอัตโนมัติ และเทคโนโลยีตรวจสอบกึ่งอัตโนมัติกำลังถูกผนวกเข้ากับไลน์ผลิตมากขึ้น นอกจากนี้ ผู้ผลิตรายใหญ่ของไทยกว่า 40% ได้นำเทคโนโลยี Industry 4.0 มาใช้แล้วอย่างน้อยหนึ่งอย่าง (ที่มา: KAIZEN)

ประเด็น “ผสมคือกระแสหลัก” นี้สำคัญกับการพิจารณาเครื่องตรวจสอบด้วย หากตั้งเป้าไร้คนตั้งแต่แรก ข้อกำหนดจะบานปลายทันที การตั้งสมมติฐานว่ายังมีคนอยู่ แล้วตัดสินว่าจะโอนภาระส่วนใดของคนไปให้เครื่อง จะทำให้ได้สเปกที่เป็นจริงมากกว่า

การผลิตยังไม่แข็งแรง

ในฐานะสมมติฐานของการตัดสินใจลงทุน จำเป็นต้องดูสภาพการผลิตในปัจจุบันด้วย ดัชนีผลผลิตอุตสาหกรรม (MPI) เดือนพฤษภาคม 2026 ลดลง 0.8% เมื่อเทียบกับช่วงเดียวกันของปีก่อน ส่วนการผลิตรถยนต์อยู่ที่ 123,276 คัน ลดลง 11.4% (ที่มา: Bangkok Shuho)

กล่าวคือ แผนคืนทุนที่ตั้งอยู่บนสมมติฐานว่าปริมาณการผลิตจะเติบโต ย่อมมีน้ำหนักไม่พอในสภาพแวดล้อมปัจจุบัน เหตุผลแบบ “เพื่อรองรับการเพิ่มกำลังผลิต” จะถูกตั้งคำถามทั้งในการขออนุมัติภายในและจากสำนักงานใหญ่ ในทางกลับกัน เหตุผลที่ยังยืนได้แม้ปริมาณการผลิตทรงตัว เช่น การขจัดความผันแปรของการตัดสิน การลดเคลมจากการหลุดรอด (escape) การบันทึกอัตโนมัติ และการย้ายพนักงานตรวจสอบไปกระบวนการอื่น น่าจะผ่านการอนุมัติได้ง่ายกว่า

ตลาด machine vision

ขอดูฝั่งตลาดของตัวเครื่องด้วย ตลาด machine vision สำหรับอุตสาหกรรมถูกคาดการณ์ว่าจะขยายตัวจาก 15.83 พันล้านดอลลาร์สหรัฐในปี 2025 เป็น 23.63 พันล้านดอลลาร์สหรัฐในปี 2030 ด้วยอัตราการเติบโตเฉลี่ยต่อปี 8.3% (ที่มา: MarketsandMarkets)

ข้อเท็จจริงว่าตลาดกำลังโตหมายถึงทั้ง ทางเลือกของเครื่องตรวจสอบคุณภาพที่เพิ่มขึ้น และคุณภาพของข้อเสนอที่แตกต่างกันมากขึ้น ในช่วงที่ผู้เล่นเพิ่มขึ้น หากไปปรึกษาโดยยังไม่ล็อกข้อกำหนด สิ่งที่ได้กลับมามักเป็นคำตอบว่า “ทำได้” เสียเป็นส่วนใหญ่ ด้วยเหตุนี้ ฝ่ายผู้สั่งซื้อจึงจำเป็นต้องมีแกนการตัดสินของตัวเอง

เทคโนโลยีฝั่งเอดจ์ก็เคลื่อนไหวเช่นกัน อุปกรณ์ edge AI ที่เป็นกระแสหลัก ณ ปี 2026 มีชื่ออย่าง NVIDIA Jetson AGX Orin, Hailo-15 และ Qualcomm RB6 ซึ่งมีคุณสมบัติคือไม่มีความหน่วงของเครือข่าย ทำให้ตรวจสอบแบบเรียลไทม์ได้ และไม่ต้องส่งภาพผลิตภัณฑ์ออกไปภายนอก (ที่มา: koromo) สำหรับฐานการผลิตในต่างประเทศ ประเด็นว่าจะส่งภาพผลิตภัณฑ์ขึ้นคลาวด์นอกประเทศหรือไม่ อาจกลายเป็นข้อถกเถียงกับลูกค้าได้ จึงควรตรวจสอบตั้งแต่ช่วงต้นของการกำหนดสเปก

ในอีกด้านหนึ่ง ข้อจำกัดของการตรวจสอบด้วยสายตาโดยคนก็ถูกเรียบเรียงไว้เช่นกัน แม้เป็นพนักงานตรวจสอบที่ชำนาญก็ไม่สามารถป้องกันการหลุดรอดได้อย่างสมบูรณ์ โดยสาเหตุหลักมาจากความล้า สมาธิที่ลดลง และความแตกต่างของเกณฑ์ตัดสินระหว่างบุคคล (ที่มา: OptiMax) สิ่งที่ต้องระวังคือข้อเท็จจริงนี้ไม่ได้หมายความว่า “ดังนั้นถ้าใส่เครื่องแล้วจะไม่มีการหลุดรอด” เครื่องเองก็มีการหลุดรอดและการตีของดีเป็นของเสียของมัน ข้อจำกัดของคนกับข้อจำกัดของเครื่องเป็นคนละชนิดกันเท่านั้นเอง

5 เรื่องที่ต้องตัดสินใจภายในองค์กรก่อนเลือกผู้ผลิตเครื่องตรวจสอบ

จากตรงนี้คือแกนกลางของบทความ ก่อนจะไปเปิดแคตตาล็อกเครื่องตรวจสอบคุณภาพของแต่ละเจ้า มีงานที่ต้องทำให้จบภายในองค์กรของเราเองก่อน จากประสบการณ์ของเรา โครงการตรวจสอบอัตโนมัติที่เดินไม่ราบรื่นเกือบทั้งหมดมีสาเหตุไม่ได้อยู่ที่การเลือกเครื่องผิด แต่อยู่ที่ มีหัวข้อที่ยังตัดสินใจภายในองค์กรไม่จบก่อนสั่งซื้อ สิ่งที่ต้องตัดสินใจมี 5 เรื่องดังนี้

ทั้ง 5 ข้อนี้ไม่ใช่สิ่งที่ผู้ผลิตเครื่องจะตัดสินใจแทนได้ เพราะ สิ่งที่ผู้ผลิตเครื่องตัดสินได้คือ “จะทำให้เกิดขึ้นได้อย่างไร” ไม่ใช่ “อะไรที่เรียกว่าของเสีย” หากโยนเรื่องนี้ให้เขาทั้งหมด ผู้ผลิตเครื่องจะเสนอนิยามที่ตัวเองทำได้ง่าย ส่วนนิยามนั้นจะตรงกับข้อกำหนดของลูกค้าเราหรือไม่ เป็นอีกเรื่องหนึ่ง

แปลงเกณฑ์ตัดสินของดีของเสียจาก “คำพูด” เป็น “ตัวเลขและภาพ”

จุดที่มีข้อพิพาทมากที่สุดคือตรงนี้ โรงงานที่เอกสารเกณฑ์ตรวจสอบภายในเขียนว่า “ต้องไม่มีรอยขีดข่วน” “ต้องไม่มีคราบสกปรก” “ต้องไม่มีครีบ” นั้นไม่ใช่เรื่องแปลก หากส่งข้อความแบบนี้ให้ผู้ผลิตเครื่องตามที่เขียน เรารู้สึกว่ามักเกิดปัญหาในกระบวนการถัดไป

เหตุผลง่ายมาก เพราะ คำว่า “รอยขีดข่วน” ไม่ได้ระบุอะไรเลยสำหรับเครื่อง เครื่องรับรู้ความต่างของการสะท้อนแสง ความต่างของความสว่าง และการเปลี่ยนแปลงของรูปทรงในรูปของตัวเลข หากไม่ได้นิยามปริมาณทางกายภาพที่สอดคล้องกับคำว่า “รอยขีดข่วน” ก็ไม่มีทางกำหนดค่าขีดแบ่ง (threshold) ได้

ขอเรียบเรียงว่าจะเกิดอะไรขึ้นหากสั่งซื้อโดยใช้คำพูดตามเดิม

แล้วจะแปลงอย่างไร ลำดับที่เราแนะนำที่หน้างานเป็นดังนี้ ไม่ต้องใช้เครื่องมือพิเศษใด ๆ

• รวบรวมของเสียย้อนหลัง 1 ปี และชิ้นงานจริงที่ลูกค้าตีกลับ
• รวมชื่อเรียกของเสียให้เป็นมาตรฐานเดียวกันทั้งโรงงาน (โรงงานที่ปรากฏการณ์เดียวกันมีชื่อเรียก 3 แบบนั้นมีอยู่มาก)
• คัดเลือกตัวอย่างขีดจำกัด (ชิ้นงานจริงที่อยู่ตรงเส้นแบ่งผ่าน) สำหรับแต่ละชื่อเรียก
• ถ่ายภาพตัวอย่างขีดจำกัดในสภาพที่ใกล้เคียงกับที่เครื่องจะถ่ายจริง
• วัดค่าความยาว พื้นที่ ความต่างของความเข้ม บนภาพที่ถ่ายได้
• กำหนดค่าตัวเลขว่า “ถึงค่านี้ถือว่าผ่าน” จากข้อกำหนดของประกันคุณภาพและของลูกค้า
• เปลี่ยนเอกสารเกณฑ์เป็นฉบับที่มีตัวเลขคู่กับภาพ

ในอุดมคติควรทำงานชุดนี้ให้เสร็จก่อนขอใบเสนอราคา แต่ในความเป็นจริง มักพบว่าพอลองถ่ายตัวอย่างขีดจำกัดแล้วจึงรู้ว่า “ถ้าไม่เปลี่ยนแสงก็ถ่ายไม่ติด” ในกรณีนั้น จะกลายเป็นการล็อกเกณฑ์ไปพร้อมกับการวนขั้นที่ 1 (การประเมินตัวอย่าง) ที่จะกล่าวถึงต่อไป โดยทำร่วมกับผู้ผลิตเครื่อง สิ่งสำคัญคือต้องรับรู้ว่าเจ้าภาพของงานล็อกเกณฑ์อยู่ที่ฝั่งเราเอง

อนึ่ง การเก็บตัวอย่างขีดจำกัด “ในรูปข้อมูลภาพ” จะส่งผลดีอย่างมากในระยะยาว เมื่อต้องเปลี่ยนเครื่อง เพิ่มรุ่นผลิตภัณฑ์ หรือขยายผลไปโรงงานอื่น การมีหรือไม่มีสินทรัพย์ภาพชุดนี้ทำให้จำนวนชั่วโมงงานตั้งต้นต่างกันอย่างชัดเจน สำหรับข้อมูลที่ผู้ผลิตเครื่องเป็นผู้ถ่าย ต้องตรวจสอบ กรรมสิทธิ์และสิทธิ์ในการนำกลับมาใช้ซ้ำ ตอนทำสัญญาเสมอ (มีอยู่ในรายการหัวข้อสัญญาที่จะกล่าวต่อไปด้วย)

ตรวจสอบอัตโนมัติ 100% หรือสุ่มตรวจ

เรื่องต่อไปที่ต้องตัดสินคือขอบเขตของการตรวจสอบ ซึ่งมีผลอย่างมากต่อวงเงินลงทุน

เราได้รับคำปรึกษาว่า “อยากทำให้การตรวจ 100% เป็นอัตโนมัติ” อยู่บ่อยครั้ง แต่ ถ้าตรวจ 100% เครื่องจะถูกผูกไว้กับ tact time เพราะต้องถ่ายภาพ ตัดสิน และคัดออกให้เสร็จภายในรอบเวลาการผลิต ข้อจำกัดนี้เองเป็นตัวกำหนดโครงสร้างและราคา ในทางกลับกัน หากเป็นการสุ่มตรวจ ข้อจำกัดด้านเวลาจะผ่อนคลายลง ทำให้ใช้วิธีตรวจที่ละเอียดขึ้นหรือวิธีวัดที่ราคาสูงขึ้นได้

ลำดับการตัดสินคือ ต้องตรวจสอบให้ชัดก่อนว่า ลูกค้าต้องการอะไร แล้วแยกให้ชัดระหว่างหัวข้อที่ระบุการตรวจ 100% ไว้ในแบบหรือข้อตกลงด้านคุณภาพ กับหัวข้อที่เราตรวจ 100% เองเผื่อไว้ กลุ่มหลังอาจมีช่องให้เปลี่ยนเป็นการสุ่มตรวจได้

• ข้อตกลงด้านคุณภาพและหมายเหตุในแบบ: หัวข้อใดที่ถูกเรียกร้องให้ตรวจ 100%
• รายงานการแก้ไขในอดีต: มีข้อผูกพันว่า “จะดำเนินการตรวจ 100%” ค้างอยู่หรือไม่
• FMEA ของกระบวนการ: จุดใดที่พึ่งพาการตรวจสอบเป็นวิธีตรวจจับ
• อัตราและรูปแบบการเกิดของเสีย: เกิดกระจัดกระจาย หรือเกิดรวมกันเป็นล็อต
• ต้นทุนการค้นพบที่กระบวนการถัดไปหรือที่ลูกค้า: หากหลุดรอดไป ความเสียหายเป็นเงินเท่าไร

ข้อที่ 4 เป็นประเด็นที่มักถูกมองข้าม หากของเสียมีลักษณะเกิดรวมกันเป็นล็อต การสุ่มตรวจก็มีโอกาสจับได้ ในทางกลับกัน ของเสียที่เกิดกระจัดกระจายโดยไม่ทราบสาเหตุจะจับไม่ได้ด้วยการสุ่มตรวจ เราสามารถวินิจฉัยได้จากบันทึกในอดีตว่าของเสียของเราเป็นแบบใด หากตัดสินว่า “เอาเป็น 100% ไว้ก่อน” โดยไม่ตรวจสอบจุดนี้ จะกลายเป็นการลงทุนที่เกินความจำเป็น

จะยอมรับ false reject หรือการหลุดรอด

ตรงนี้คือจุดชี้ขาดว่าจะเขียนเกณฑ์ตรวจรับได้หรือไม่ และเป็นหัวข้อที่ถูกถกเถียงกันภายในองค์กรน้อยที่สุดด้วย

การตัดสินของเครื่องตรวจสอบมีความผิดพลาด 2 ชนิดโดยหลักการ

สิ่งสำคัญคือ ทั้งสองอย่างนี้มีความสัมพันธ์แบบได้อย่างเสียอย่าง (trade-off) ถ้าตั้งการตัดสินให้เข้มขึ้น การหลุดรอดจะลดลงแต่ false reject จะเพิ่ม ถ้าผ่อนลง false reject จะลดแต่การหลุดรอดจะเพิ่ม ค่าขีดแบ่งที่ทำให้ทั้งสองอย่างเป็นศูนย์ไม่มีอยู่จริงโดยหลักการ

ดังนั้น สิ่งที่ฝ่ายผู้สั่งซื้อต้องตัดสินก่อนคือ “จะยอมรับด้านไหนได้แค่ไหน” หากไม่ตัดสินเรื่องนี้แล้วเขียนในข้อกำหนดว่า “ต้องตรวจจับของเสียได้ 100% และต้องไม่คัดของดีทิ้งแม้แต่ชิ้นเดียว” จะไม่มีผู้ผลิตเครื่องรายใดตกลงได้ ต่อให้ตกลงกันไปก็จะพังตอนตรวจรับ

เมื่อแนวทางชัดแล้ว จะเริ่มเขียนเกณฑ์ตรวจรับได้ในรูปแบบต่อไปนี้ ส่วนตัวเลขจริงเป็นสิ่งที่ต้องกำหนดจากข้อกำหนดของเราและข้อตกลงกับผู้ผลิตเครื่อง ตรงนี้จึงแสดงเพียงโครงของวิธีเขียน

• องค์ประกอบของตัวอย่างที่ใช้ประเมิน (ของดีกี่ชิ้น ของเสียแต่ละชนิดกี่ชิ้น เทียบเท่าตัวอย่างขีดจำกัดกี่ชิ้น)
• ใครเป็นผู้เตรียมตัวอย่าง และจะสรุปให้นิ่งเมื่อใด (การเพิ่มตัวอย่างทีหลังเป็นต้นเหตุของข้อพิพาท)
• ระดับที่ยอมรับได้ของการหลุดรอด (จากตัวอย่างของเสียที่ระบุไว้ ปล่อยผ่านได้กี่ชิ้น)
• ระดับที่ยอมรับได้ของ false reject (จากตัวอย่างของดี คัดทิ้งได้กี่ชิ้น)
• วิธียืนยันว่าการตัดสินมีเสถียรภาพ (อัตราความสอดคล้องเมื่อป้อนตัวอย่างเดิมซ้ำหลายครั้ง)
• การยืนยันซ้ำเมื่อสภาพแวดล้อมเปลี่ยน (ทดสอบใหม่ภายใต้แสงจากภายนอก อุณหภูมิ และสภาพที่มีคราบเกาะ)
• มาตรการเมื่อไม่ผ่านเงื่อนไขข้างต้น (ระยะเวลาปรับจูน การรับภาระค่าใช้จ่าย และการจัดการขั้นสุดท้าย)

ในบรรดานี้ “ความรับผิดชอบในการจัดหาตัวอย่าง” และ “การยืนยันซ้ำเมื่อสภาพแวดล้อมเปลี่ยน” เรารู้สึกว่าสำคัญเป็นพิเศษสำหรับโรงงานในไทย หากเพิ่มตัวอย่างทีหลัง ผู้ผลิตเครื่องจะอ้างว่า “ไม่ได้รับแจ้ง” อีกทั้งสภาพแวดล้อมของโรงงานในไทยมักผันแปรมากกว่าญี่ปุ่น จึงปลอดภัยกว่าหากใส่การยืนยันภายใต้เงื่อนไขที่รวมความผันแปรของสภาพแวดล้อมไว้ในเกณฑ์ตรวจรับ แทนที่จะดูเฉพาะสมรรถนะของตัวเครื่อง

การจัดการและการบันทึกหลังตัดสินว่าเป็นของเสีย

สาเหตุใหญ่ที่สุดของผลลัพธ์แบบ “ใส่เครื่องแล้วคนไม่ลด” อยู่ตรงนี้

หลังจากเครื่องตรวจสอบแสดงผลว่า “NG” ชิ้นงานนั้นจะไปที่ไหน ใครเป็นคนยืนยัน บันทึกจะเก็บอย่างไร หากนำเครื่องเข้ามาโดยไม่มีการออกแบบส่วนนี้ หน้างานจะสร้างวิธีทำงานแบบ “ให้คนดูอีกทีเผื่อไว้” แทบไม่มีข้อยกเว้น และในวินาทีนั้นเอง ผลด้านการลดกำลังคนก็หายไป

บรรทัดที่ 5 เรื่อง “การจัดการผลของการตรวจซ้ำ” ต้องตัดสินใจอย่างระมัดระวังเป็นพิเศษ การจะยอมให้มีวิธีทำงานที่คนตัดสินว่าชิ้นงานซึ่งเครื่องตีเป็น NG นั้นเป็น “ของดี” แล้วส่งมอบได้ เกี่ยวข้องกับรากฐานของการประกันคุณภาพ หากยอม ต้องจัดทำเป็นเอกสารว่าใช้อำนาจของใคร และบันทึกอย่างไร มิฉะนั้นจะถูกทักท้วงได้ง่ายในการออดิตจากลูกค้า

การออกแบบการบันทึกตั้งแต่บรรทัดที่ 7 เป็นต้นไป ที่จริงแล้วส่งผลต่อการอธิบายความคุ้มค่าการลงทุนด้วย เมื่อรายละเอียดของเสียถูกสรุปโดยอัตโนมัติ วัตถุดิบสำหรับการปรับปรุงกระบวนการจะเพิ่มขึ้น เครื่องตรวจสอบไม่ใช่เครื่องที่ลดของเสีย แต่สามารถเป็นเครื่องที่เก็บข้อมูลของเสียได้ ประเด็นนี้ใช้อธิบายในการขออนุมัติได้ สำหรับการออกแบบที่รวมกลไกส่งข้อมูลกลับไปยังฝั่งกระบวนการผลิตด้วยนั้น บทความ การใช้ที่ปรึกษาระบบอัตโนมัติในโรงงาน 2026 ก็ได้กล่าวถึงแนวคิดการออกแบบข้ามกระบวนการไว้เช่นกัน

ขอบเขตรุ่นผลิตภัณฑ์ และขอบเขตที่คนรับผิดชอบ

หัวข้อสุดท้าย ยิ่งเป็นโรงงานหลากหลายรุ่นผลิตครั้งละน้อย ใบเสนอราคายิ่งเปลี่ยนแปลงมากที่จุดนี้

• รุ่นที่เป็นเป้าหมายตอนเริ่มต้น: จะรวมกี่รุ่นโดยเรียงจากปริมาณการผลิตมากไปน้อย
• รุ่นที่จะเพิ่มในอนาคต: ได้รวมค่าใช้จ่ายและระยะเวลาต่อการเพิ่ม 1 รุ่นไว้ในใบเสนอราคาหรือไม่
• ภาระการเปลี่ยนรุ่น: การเปลี่ยนตั้งเครื่องใช้เวลากี่นาที ใครทำได้บ้าง
• การใช้จิ๊ก/ฟิกซ์เจอร์และระบบขนถ่ายร่วมกัน: แต่ละรุ่นต้องมีจิ๊กเฉพาะหรือไม่
• การคัดเลือกหัวข้อตรวจสอบ: เส้นแบ่งระหว่างหัวข้อที่ให้เครื่องทำกับหัวข้อที่คงไว้ให้คน
• หัวข้อที่เครื่องจัดการไม่ได้: สัมผัส เสียง กลิ่น การทดสอบการทำงาน เป็นต้น
• การออกแบบใหม่ของกระบวนการที่ยังต้องใช้คน: ผังการวางรองรับให้งานของคนที่เหลือดำเนินไปได้หรือไม่

“ค่าใช้จ่ายในการเพิ่มรุ่น” ต้องตรวจสอบให้ได้ตั้งแต่ขั้นใบเสนอราคา หากเปรียบเทียบเฉพาะใบเสนอราคาของการติดตั้งเริ่มต้น อาจเลือกโครงสร้างที่มีค่าใช้จ่ายเพิ่มสูงทุกครั้งที่เพิ่มรุ่น โดยเฉพาะโครงสร้างที่ใช้ deep learning นั้น เพิ่มรุ่น เท่ากับ ต้องเรียนรู้ใหม่ ซึ่งบางครั้งต้องเริ่มเก็บข้อมูลใหม่ตั้งแต่ต้น

“หัวข้อที่เครื่องจัดการไม่ได้” ก็สำคัญ เครื่องตรวจสอบลักษณะภายนอกตัดสินได้เฉพาะสิ่งที่จับได้ทางแสงเท่านั้น หัวข้ออย่างความสากที่รู้ได้จากการสัมผัส เสียงผิดปกติตอนประกอบ หรือความฝืดของการสวมประกอบ ไม่สามารถตัดสินได้จากภาพ หรือถ้าทำได้ก็ต้องใช้วิธีอื่น การระบุให้ชัดว่าสิ่งเหล่านี้อยู่นอกขอบเขตของเครื่อง และคงไว้เป็นขอบเขตที่คนรับผิดชอบ ไม่ใช่การถอยหลังแต่อย่างใด ตรงกันข้าม การระบุสิ่งที่อยู่นอกขอบเขตให้ชัด จะทำให้สเปกของเครื่องคมชัดขึ้น

วิธีการของเครื่องตรวจสอบลักษณะภายนอกและระบบตรวจสอบด้วยภาพ และการเลือกใช้

เมื่อ 5 หัวข้อภายในองค์กรนิ่งแล้ว จึงค่อยมาถึงเรื่องวิธีการ ตรงนี้จึงจะเข้าสู่ประเด็น “rule-based หรือ deep learning” เป็นครั้งแรก เรามักพบการพิจารณาที่สลับลำดับกัน แต่ วิธีการเป็นสิ่งที่เลือกหลังจากวัตถุประสงค์ชัดแล้ว

กรณีที่เหมาะกับ rule-based (machine vision แบบดั้งเดิม)

ก่อนอื่นต้องเข้าใจว่า หัวข้อตรวจสอบจำนวนมากใช้ rule-based ก็เพียงพอแล้ว เราแนะนำลำดับที่ให้พิจารณาก่อนว่าแก้ด้วย rule-based ได้หรือไม่ ก่อนจะสรุปว่าจำเป็นต้องใช้ deep learning เหตุผลคือเริ่มใช้งานได้เร็ว อธิบายเหตุผลการตัดสินได้ง่าย และมีขอบเขตกว้างที่ปรับจูนเองในพื้นที่ได้

• ลักษณะที่ปรากฏของของเสียเสถียร (ชิ้นส่วนขาด ทิศทางชิ้นส่วนผิด มีหรือไม่มีรู)
• นิยามด้วยตัวเลขได้ (ขนาดเกินค่าที่กำหนด ค่าขีดแบ่งของพื้นที่ ความต่างของสี)
• ตรึงสภาพการถ่ายภาพได้ (วางตำแหน่งด้วยจิ๊กได้ และกันแสงจากภายนอกได้)
• ต้องนำเสนอเหตุผลการตัดสิน (หัวข้อที่ต้องรายงานลูกค้าเป็นค่าที่วัดได้)
• หาตัวอย่างของเสียไม่ได้ (อัตราของเสียต่ำมากจนแทบไม่มีของจริง)
• ผลิตภัณฑ์เปลี่ยนบ่อย (มีการเปลี่ยนแบบบ่อย และอยากเลี่ยงภาระการเรียนรู้ใหม่)

ข้อที่ 5 สำคัญเป็นพิเศษ ในกระบวนการที่อัตราของเสียต่ำ ย่อมรวบรวมภาพของเสียสำหรับใช้เรียนรู้ไม่ได้ตั้งแต่ต้น เมื่อมีการพูดถึง “ใช้ AI” สิ่งแรกที่ควรตรวจสอบคือ ตอนนี้มีตัวอย่างของเสียอยู่ในมือกี่ชิ้น

กรณีที่เหมาะกับ deep learning (AI ตรวจสอบชิ้นงาน)

ในอีกด้านหนึ่ง ก็มีการตัดสินที่เขียนเป็นกฎให้ครบไม่ได้

• รูปร่างของของเสียไม่คงที่ (รอยขีดข่วนรูปทรงไม่แน่นอน คราบเป็นหย่อม ความผิดปกติของผิวงานหล่อ)
• ความผันแปรของสภาพปกติสูง (ลายไม้ เนื้อผ้า ผิวงานหล่อ ที่ลวดลายพื้นฐานไม่คงที่)
• พอจะเขียนค่าขีดแบ่งแล้วมีข้อยกเว้นเพิ่มขึ้นเรื่อย ๆ (กฎบานไปหลายสิบข้อจนดูแลไม่ไหว)
• ผู้ชำนาญบอกว่า “ดูแล้วรู้เลย” (อธิบายเป็นคำพูดไม่ได้ แต่การตัดสินของคนกลับเสถียร)
• เตรียมข้อมูลสำหรับเรียนรู้ได้ (รวบรวมของเสียจริงหรือชิ้นงานจำลองได้เพียงพอ)

จุดที่กลายเป็นปัญหาจริงคือเงื่อนไขข้อสุดท้าย จะทำอย่างไรในหน้างานที่รวบรวมตัวอย่างของเสียไม่ได้ เป็นประเด็นที่เราได้รับคำปรึกษาบ่อยที่สุดในการพิจารณา AI ตรวจสอบชิ้นงาน แนวคิดที่เราเรียบเรียงไว้เป็นทางเลือกมีดังนี้

ขอพูดตรง ๆ ว่า เราไม่แนะนำให้เดินหน้าติดตั้ง deep learning ในสภาพที่มีตัวอย่างของเสียเพียงไม่กี่ชิ้น ตัวตัดสินที่สร้างขึ้นในสภาพที่ข้อมูลเรียนรู้ไม่พอ เมื่อเจอลักษณะที่ปรากฏนอกเหนือความคาดหมายในไลน์จริง จะคาดเดาไม่ได้ว่าจะเบี่ยงไปทางไหน ในสถานการณ์แบบนี้ การติดตั้ง “เครื่องที่ถ่ายภาพอย่างเดียว” ไว้ก่อนเพื่อสะสมภาพ หรือแยกย่อยหัวข้อตรวจสอบแล้วเริ่มจากส่วนที่แก้ด้วย rule-based ได้ เรารู้สึกว่าท้ายที่สุดแล้วเร็วกว่า

อนึ่ง การเลือกว่าจะให้การตัดสินจบภายในเครื่อง หรือจะส่งภาพออกไปภายนอก ก็เป็นทางแยกในการออกแบบ ดังที่กล่าวไปแล้ว หากใช้อุปกรณ์ edge AI จะไม่มีความหน่วงของเครือข่าย ทำให้ตรวจสอบแบบเรียลไทม์ได้ และไม่ต้องส่งภาพผลิตภัณฑ์ออกไปภายนอก (ที่มา: koromo) สำหรับผลิตภัณฑ์ที่ลูกค้ามีข้อกำหนดด้านการจัดการข้อมูลเข้มงวด โครงสร้างแบบนี้อาจกลายเป็นเงื่อนไขบังคับ

การตรวจวัดขนาดอัตโนมัติต้องแยกเป็นคนละเรื่อง

เราได้รับความต้องการอยู่บ่อยครั้งว่าอยากทำการตรวจสอบลักษณะภายนอกและการตรวจวัดขนาดด้วยเครื่องเดียวกัน ในทางเทคนิคไม่ใช่ว่าเป็นไปไม่ได้ แต่เนื่องจาก สิ่งที่ต้องบริหารจัดการนั้นต่างกันอย่างสิ้นเชิง เราจึงเห็นว่าควรแยกพิจารณา

หากจะทำการตรวจวัดขนาดให้เป็นอัตโนมัติ ซื้อเครื่องมาแล้วไม่ได้จบแค่นั้น ต้องผนวกเข้ากับระบบบริหารการวัดภายในองค์กร โดยรวมถึง แผนการสอบเทียบตามรอบ การจัดการเครื่องมือมาตรฐาน การเก็บบันทึกการสอบเทียบ และการระบุตัวผู้รับผิดชอบ หากติดตั้งโดยไม่นำเรื่องเหล่านี้เข้ามาพิจารณา จะลำบากทันทีเมื่อถูกถามในการออดิตจากลูกค้าว่า “บันทึกการสอบเทียบของเครื่องวัดนี้อยู่ที่ไหน”

• มีความละเอียดเพียงพอเทียบกับพิกัดความเผื่อหรือไม่ (สัดส่วนความผันแปรของการวัดต่อช่วงพิกัดความเผื่อ)
• ความถี่และวิธีการสอบเทียบ (ใคร ใช้อะไร ทำในรอบเวลาใด)
• ผู้ดำเนินการสอบเทียบ (ทำเอง ผู้ผลิตเครื่อง หรือหน่วยงานสอบเทียบภายนอก)
• สอบเทียบภายในประเทศไทยได้หรือไม่ (ถ้าต้องส่งไปญี่ปุ่น ระยะเวลาหยุดใช้งานจะยาว)
• การเก็บบันทึก (เก็บใบรับรองการสอบเทียบไว้ที่ไหน ใครเป็นผู้ดูแล)
• การยืนยันความสมเหตุสมผลของระบบการวัด (แผนดำเนินการเมื่อลูกค้าเรียกร้อง)
• สภาพอุณหภูมิ (ในโรงงานมีความผันแปรของอุณหภูมิที่กระทบความแม่นยำของการวัดหรือไม่)

“สอบเทียบภายในประเทศไทยได้หรือไม่” เป็นหัวข้อที่ฐานการผลิตต่างประเทศมักมองข้าม หากเลือกโครงสร้างที่ต้องส่งเครื่องกลับญี่ปุ่นทุกครั้งที่สอบเทียบ จะต้องมีวิธีทดแทนในช่วงเวลานั้น เราแนะนำให้ตรวจสอบตั้งแต่ขั้นใบเสนอราคาว่า งานซ่อมบำรุงและการสอบเทียบจบได้ในพื้นที่หรือไม่

การแบ่งบทบาทระหว่างอุปกรณ์ poka-yoke กับเครื่องตรวจสอบ

สุดท้ายขอพูดเรื่องลำดับ เมื่อเราได้รับคำปรึกษาเรื่องเครื่องตรวจสอบ มีคำถามหนึ่งที่เราจะถามอย่างน้อยหนึ่งครั้งเสมอ นั่นคือ “ของเสียชนิดนั้น ทำให้ไม่เกิดขึ้นตั้งแต่แรกไม่ได้หรือ”

ในแง่ลำดับ poka-yoke มาก่อน ด้วยเหตุผล 3 ข้อ ข้อแรก ค่าใช้จ่ายมักน้อย ทำให้เริ่มต้นได้ง่าย ข้อสอง หากการเกิดของเสียลดลง สมรรถนะที่เรียกร้องจากเครื่องตรวจสอบและชั่วโมงงานตรวจซ้ำหลังจากนั้นก็ลดลงตาม ข้อสาม ระหว่างกระบวนการออกแบบ poka-yoke กลไกการเกิดของเสียจะถูกเรียบเรียง ทำให้ข้อกำหนดของเครื่องตรวจสอบชัดเจนขึ้น

หากของเสียส่วนใหญ่ตรงกับ 4 บรรทัดแรก เราแนะนำให้พิจารณา poka-yoke ก่อนเครื่องตรวจสอบลักษณะภายนอก ในทางกลับกัน หากของเสียหลัก ๆ มีต้นเหตุจากวัสดุหรือการขนถ่าย ก็ถึงคราวของเครื่องตรวจสอบ การจัดหมวดหมู่ว่าของเสียของเราอยู่ตรงไหนของตารางนี้ เป็นหนึ่งในสิ่งที่ทำเองได้ก่อนติดต่อผู้ผลิตเครื่อง

วิธีมองต้นทุนและการคืนทุน

โครงสร้างต้นทุน (ตัวเลขอ้างอิงในญี่ปุ่น และข้อควรระวังเมื่อแปลงมาใช้กับไทย)

เข้าสู่เรื่องค่าใช้จ่าย ก่อนอื่นขอไล่ดูตัวเลขอ้างอิงที่เผยแพร่ในประเทศญี่ปุ่น สำหรับค่าใช้จ่ายในการนำ AI ตรวจสอบชิ้นงานมาใช้ มีการระบุระดับไว้ที่ 3-5 ล้านเยนสำหรับ PoC (การทดลองพิสูจน์แนวคิด) และ 10 ล้านเยนขึ้นไปสำหรับการติดตั้งเต็มรูปแบบ (ที่มา: Nsight, koromo)

มีการเผยแพร่ตัวอย่างโครงสร้างต้นทุนไว้ด้วย จึงขออ้างอิงมาตามนั้น จำนวนเงินนี้ไม่สามารถใช้กับโรงงานในไทยได้โดยตรง แต่มีประโยชน์ต่อการเข้าใจโครงสร้างว่าค่าใช้จ่ายแบ่งออกเป็นหัวข้อใดบ้าง

(ที่มา: Nsight, koromo)

จากโครงสร้างนี้อ่านได้หลายอย่าง

• สัดส่วนของฮาร์ดแวร์ต่ำกว่าที่คิด ในตัวอย่าง 1 ไลน์ กล้องกับ PC รวมกัน 1.1 ล้านเยน คิดเป็นมากกว่า 20% เล็กน้อยของยอดรวม 4.6 ล้านเยน
• การพัฒนา AI เป็นรายการใหญ่ที่สุด 2 ล้านเยนในตัวอย่าง 1 ไลน์ และ 3.5 ล้านเยนในตัวอย่างหลายไลน์ ต่างก็เป็นรายการที่สูงที่สุด
• ค่าติดตั้งมองข้ามไม่ได้ ตัวอย่าง 1 ไลน์ตั้งไว้ 1 ล้านเยน และตัวอย่างหลายไลน์ 2 ล้านเยน
• การบำรุงรักษาและการเพิ่มรุ่นถูกแยกเป็นอีกรายการ หากเปรียบเทียบเฉพาะค่าใช้จ่ายเริ่มต้นจะมองข้ามส่วนนี้ไป

ขอเรียบเรียงข้อควรระวังเมื่อแปลงมาใช้กับโรงงานในไทย

สองบรรทัดล่างเป็นรายการที่ไม่ปรากฏในโครงสร้างต้นทุนที่เผยแพร่ จิ๊กและกลไกขนถ่ายอาจแพงกว่าตัวเครื่องเสียด้วยซ้ำ โดยเฉพาะการติดตั้งเพิ่มเข้ากับไลน์เดิม ซึ่งต้องมีกลไกลำเลียงชิ้นงานไปยังตำแหน่งถ่ายภาพในท่าที่มั่นคง จุดนี้กินชั่วโมงงานมาก เมื่อเปรียบเทียบใบเสนอราคา ขอให้ระบุให้ชัดว่าขอบเขตนี้เป็นความรับผิดชอบของฝ่ายใด

อธิบายด้วยการลดค่าแรงเพียงอย่างเดียวไม่พอ

หากคำนวณการคืนทุนด้วยการลดค่าแรงเพียงอย่างเดียว ส่วนใหญ่จะไม่ผ่าน ด้วยเหตุผล 3 ข้อ

• ยังมีคนตรวจซ้ำเหลืออยู่: หากวิธีทำงานคือให้คนดูชิ้นงานที่ถูกคัดออก จำนวนคนที่ลดได้ก็ลดลง
• คนที่ลดได้เพียงย้ายไปกระบวนการอื่น: รายจ่ายค่าแรงจริงไม่ลด อธิบายภายในองค์กรได้ยาก
• ระดับค่าจ้างขั้นต่ำต่างจากญี่ปุ่น: ที่ระดับค่าจ้างของไทย ตัวหารของยอดที่ลดได้จะเล็กลง

สำหรับข้อที่ 3 ข้อเท็จจริงคืออัตราค่าจ้างขั้นต่ำของไทยปี 2026 อยู่ที่วันละ 337-400 บาทแล้วแต่จังหวัด โดยเพดาน 400 บาทคงเดิมจากปี 2025 (ที่มา: Thai Law Online) เมื่อใช้ระดับนี้เป็นสมมติฐาน จึงหมายความว่า การคำนวณระยะเวลาคืนทุนที่ปรากฏในบทความของญี่ปุ่นนั้นยากที่จะใช้ได้ในไทย หากคัดลอกกรณีศึกษาของญี่ปุ่นไปใส่ในเอกสารภายในองค์กรตรง ๆ ฝ่ายบัญชีจะตั้งคำถามกับสมมติฐาน

แล้วจะประกอบขึ้นมาอย่างไร เมื่อเราช่วยลูกค้าเรียบเรียง เราจะแยกผลลัพธ์ออกเป็นหัวข้อต่อไปนี้ แล้วให้ลูกค้าใส่ตัวเลขของตัวเองลงไปในแต่ละช่อง

ในบรรดานี้ บรรทัดที่ 2 และ 3 จะเป็นตัวเลขที่หนักแน่นที่สุดหากมีผลจริงในอดีต ในโรงงานที่เคยเกิดการจัดการเคลมหรือการคัดแยก 100% จริง ค่าใช้จ่ายเพียงครั้งเดียวอาจเข้าใกล้ราคาของเครื่องได้ หากยังไม่มีบันทึกเหล่านี้ เราแนะนำให้เริ่มบันทึกตั้งแต่ตอนนี้ สำหรับแนวคิดการวัดผลของการลดกำลังคนโดยตรงนั้น บทความ กรณีศึกษาการลดกำลังคนและความคุ้มค่าการลงทุน ก็ได้เรียบเรียงไว้เช่นกัน

กรณีที่นำสิทธิประโยชน์ BOI มาคิดรวมด้วย

สำหรับการลงทุนในประเทศไทย สิทธิประโยชน์จาก BOI (สำนักงานคณะกรรมการส่งเสริมการลงทุน) อาจมีผลต่อการคำนวณ แต่การจัดการเรื่องนี้ต้องระมัดระวัง

ขอไล่ดูข้อเท็จจริงก่อน ประกาศ BOI ที่ 4/2569 ซึ่งประกาศในราชกิจจานุเบกษาเมื่อวันที่ 31 มีนาคม 2026 มีเนื้อหาส่งเสริมการใช้ระบบอัตโนมัติและระบบหุ่นยนต์เพื่อยกระดับประสิทธิภาพการผลิตของอุตสาหกรรมยานยนต์ โดยนอกจากการยกเว้นอากรขาเข้าเครื่องจักรแล้ว ยังให้การลดหย่อนภาษีเงินได้นิติบุคคล 50% เป็นเวลา 3 ปี สำหรับมูลค่าเงินลงทุนในระบบอัตโนมัติและระบบหุ่นยนต์ (ไม่รวมค่าที่ดินและเงินทุนหมุนเวียน) โดยเปิดรับคำขอถึงสิ้นปี 2027 (ที่มา: Tilleke & Gibbins)

นอกจากนี้ เมื่อวันที่ 15 มกราคม 2026 BOI ได้ปรับปรุงมาตรการส่งเสริมการลงทุนใหม่ โดยเพิ่มความเข้มข้นของสิทธิประโยชน์ทางภาษีและขยายขอบเขตครอบคลุมในด้านการผลิตขั้นสูง ระบบอัตโนมัติ EV และ R&D ที่มีมูลค่าเพิ่มสูง (ที่มา: Alvarez & Marsal) ความเคลื่อนไหวด้านการยื่นขอส่งเสริมการลงทุนก็คึกคัก โดยมีรายงานว่าปี 2025 มีคำขอรับการส่งเสริมการลงทุนจาก BOI จำนวน 3,370 โครงการ มูลค่า 1.876 ล้านล้านบาท เพิ่มขึ้น 67% จากปีก่อน (ที่มา: Nation Thailand)

ลำดับที่เราแนะนำเมื่อนำเรื่องนี้เข้ามาพิจารณามีดังนี้

• ตรวจสอบว่าบริษัทเราเข้าข่ายประเภทกิจการและประเภทการลงทุนที่กำหนดหรือไม่ (เปลี่ยนตามประเภทกิจการ เนื้อหาการลงทุน ที่ตั้ง และช่วงเวลายื่นคำขอ)
• ตรวจสอบกำหนดเวลายื่นคำขอ (ประกาศที่ 4/2569 ระบุว่ารับคำขอถึงสิ้นปี 2027)
• ตรวจสอบขอบเขตของมูลค่าเงินลงทุนที่เข้าข่าย (ระบุว่าไม่รวมค่าที่ดินและเงินทุนหมุนเวียน)
• คำนวณ 2 แบบ ทั้งกรณีได้รับสิทธิประโยชน์และไม่ได้รับ (แผนที่ตั้งอยู่บนสิทธิประโยชน์จะพังหากไม่ได้รับอนุมัติ)
• ตรวจสอบเอกสารและระยะเวลาที่ต้องใช้ในการยื่นคำขอ (ลำดับก่อนหลังของช่วงสั่งซื้อเครื่องกับช่วงยื่นคำขออาจเป็นปัญหา)
• สอบถามหน่วยงานที่รับผิดชอบหรือ BOI โดยตรง (อย่าตัดสินจากข้อมูลสาธารณะเพียงอย่างเดียว)

การได้รับสิทธิประโยชน์หรือไม่นั้นเปลี่ยนไปตามประเภทกิจการ เนื้อหาการลงทุน ที่ตั้ง และช่วงเวลายื่นคำขอ จึงขอให้สอบถามหน่วยงานที่รับผิดชอบหรือ BOI โดยตรงเสมอ เนื้อหาในบทความนี้เป็นการเรียบเรียงข้อมูลสาธารณะ ไม่ได้รับประกันการนำไปใช้กับกรณีเฉพาะราย

สำหรับวิธีดำเนินการภายในองค์กร เราแนะนำให้ นำการคำนวณแบบมีสิทธิประโยชน์และแบบไม่มีสิทธิประโยชน์มาวางคู่กันในการขออนุมัติ หากตัดสินใจลงทุนโดยตั้งอยู่บนสิทธิประโยชน์ แล้วภายหลังพบว่าไม่เข้าข่าย จะต้องรื้อแผนใหม่ทั้งหมด ในทางกลับกัน หากเป็นโครงการที่ยืนได้แม้ไม่มีสิทธิประโยชน์ ก็ถือว่าสิทธิประโยชน์เป็นส่วนที่ดีเกินคาด

วิธีเลือกผู้ผลิตเครื่องตรวจสอบ: 7 แกนการตัดสิน

เมื่อ 5 หัวข้อภายในองค์กรนิ่งแล้ว มองเห็นทิศทางของวิธีการแล้ว และเข้าใจโครงสร้างต้นทุนแล้ว จึงจะเข้าสู่การเปรียบเทียบผู้ผลิตเครื่องได้เสียที แกนการตัดสินที่เราเรียบเรียงไว้มี 7 ข้อดังนี้

ในบรรดานี้ ข้อ 1 เราเห็นว่าเป็นเบาะแสแรกในการประเมินคู่ค้า คู่ค้าที่ดูเอกสารเกณฑ์ของเราแล้วทักว่า “ยังไม่ได้เขียนนิยามของรอยขีดข่วนไว้นะครับ” จะทำให้เราสบายกว่าในภายหลัง หากส่งอะไรไปก็ตอบกลับมาว่า “รองรับได้” อาจเป็นเพียงการเลื่อนการเก็บรายละเอียดข้อกำหนดออกไปข้างหลังเท่านั้น

ความถนัดและไม่ถนัดของผู้ให้บริการแต่ละประเภท

ผู้ประกอบการที่ให้บริการเครื่องตรวจสอบมีอยู่หลายประเภท แม้จะถูกเรียกรวมกันว่า “ผู้ผลิตอุปกรณ์อัตโนมัติ” แต่พื้นที่ที่ถนัดต่างกันพอสมควร ตรงนี้ไม่ใช่การเอ่ยชื่อบริษัทใด แต่เป็นการเรียบเรียงแนวโน้มทั่วไปของแต่ละประเภท

ไม่มีประเภทใดที่เป็นคำตอบที่ถูกต้อง แต่เรารู้สึกว่า ควรหลีกเลี่ยงโครงสร้างที่คลุมเครือว่า “ใครเป็นผู้รับผิดชอบผลการตรวจสอบในขั้นสุดท้าย” โดยเฉพาะกรณีที่แบ่งกันเป็นบริษัท A ทำประมวลผลภาพ บริษัท B ทำระบบขนถ่าย บริษัท C ทำการติดตั้ง เมื่อเกิด false reject ขึ้น การแยกแยะสาเหตุจะติดขัด ก่อนทำสัญญาขอให้กำหนดผู้ประสานงานหลักให้ชัดเจน

หัวข้อที่ต้องตรวจสอบในใบเสนอราคาและสัญญา

ขอเรียบเรียงหัวข้อที่ควรตรวจสอบในใบเสนอราคาและสัญญาเป็นรายการตรวจสอบสำหรับใช้งานจริง

ในบรรดานี้ สิ่งที่อยากเน้นเป็นพิเศษคือบรรทัดที่ 7 (สิทธิ์เปลี่ยนค่าขีดแบ่ง) บรรทัดที่ 9 (ภาษา) และบรรทัดที่ 11 (การบำรุงรักษา) เรามีความรู้สึกว่า เครื่องที่ขาด 3 ข้อนี้มักหยุดเดินในโรงงานที่ประเทศไทย ถ้าแตะค่าขีดแบ่งไม่ได้ อ่านหน้าจอไม่ออก และไม่มีคนซ่อมได้ในประเทศ เมื่อเกิดอะไรขึ้น หน้างานก็จะย้อนกลับไปตรวจด้วยสายตา

ข้อมูลที่ต้องส่งให้ทุกเจ้าเท่ากันเมื่อขอใบเสนอราคาเปรียบเทียบ

สาเหตุใหญ่ที่สุดที่การเปรียบเทียบใบเสนอราคาไม่ทำงานคือข้อมูลที่ส่งให้แต่ละเจ้าไม่เหมือนกัน หากบริษัท A ได้ดูตัวอย่างขีดจำกัด บริษัท B ได้แค่แบบ และบริษัท C ได้แค่คำอธิบายด้วยปาก สมมติฐานของข้อเสนอที่กลับมาย่อมไม่ตรงกัน

ขอเรียบเรียงข้อมูลที่ควรส่งให้ทุกเจ้าในเนื้อหาเดียวกัน

บรรทัดสุดท้ายดูเรียบง่ายแต่ได้ผล การกำหนดวิธีแบ่งรายการค่าใช้จ่ายในใบเสนอราคาจากฝั่งเรา จะทำให้เปรียบเทียบตัวเลขของแต่ละเจ้าแบบเรียงข้างกันได้ หากไม่กำหนด บริษัท A จะตอบมาเป็นราคาเหมารวม บริษัท B ตอบมาเป็นรายละเอียดย่อย ทำให้เสียชั่วโมงงานไปกับการเปรียบเทียบ การใช้ตัวอย่างโครงสร้างต้นทุนข้างต้น (กล้อง / PC ประมวลผล / การพัฒนา / การติดตั้ง / การบำรุงรักษา / การเพิ่มรุ่น) เป็นแม่แบบก็เป็นอีกวิธีหนึ่ง

อีกทั้ง ตัวอย่างต้อง ส่งให้ทุกเจ้าด้วยองค์ประกอบเดียวกัน ขอให้บันทึกจำนวนและชนิดที่ส่งไปไว้ และอย่าเพิ่มเติมภายหลัง เพราะเมื่อเพิ่ม เงื่อนไขจะพังลงในทันที

รูปแบบความล้มเหลวที่เกิดบ่อยเป็นพิเศษในโรงงานไทย

เนื้อหาที่ผ่านมาส่วนใหญ่ใช้ร่วมกันได้กับในประเทศญี่ปุ่นด้วย แต่โรงงานในไทยมีรูปแบบความล้มเหลวที่เกิดจากเงื่อนไขเฉพาะตัว ขอเรียบเรียงรูปแบบที่เราพบเห็นมาจริง

บรรทัดที่ 3 เรื่อง “ผู้รับผิดชอบลาออก” ต้องถือเป็นความเสี่ยงที่เป็นจริงในโรงงานที่ประเทศไทย ขอให้หลีกเลี่ยงการออกแบบการใช้งานที่พึ่งพาผู้รับผิดชอบเพียงคนเดียว เราแนะนำให้ตั้งเป้าว่ามีคนทำได้อย่างน้อย 2 คนในแต่ละเรื่อง ทั้งการใช้งานเครื่อง การปรับค่าขีดแบ่ง การตรวจสอบประจำวัน และการแก้ปัญหาเบื้องต้น พร้อมกันนั้น หากทำให้ขั้นตอนอยู่ในรูปที่ปรับปรุงเองได้ (วิดีโอหรือมาตรฐานการทำงานภาษาไทย) การใช้งานก็จะดำเนินต่อไปได้แม้เปลี่ยนตัวคน

บรรทัดที่ 5 เรื่องการใช้ตัวอย่างขีดจำกัดร่วมกันก็สำคัญ หากชิ้นงานจริงของตัวอย่างขีดจำกัดที่สำนักงานใหญ่ในญี่ปุ่นอนุมัติมีอยู่แต่ในญี่ปุ่น การตัดสินในพื้นที่ก็จะเป็นไปตามการตีความของพื้นที่ เราเห็นว่าควรจัดวาง กฎที่ให้ใช้ร่วมกันทั้งสองแห่งในรูปของภาพ และสะท้อนไปทั้งสองฝ่ายทุกครั้งที่มีการปรับปรุง ไปพร้อมกับการติดตั้งเครื่อง

สำหรับบรรทัดที่ 9 ขอพูดตรง ๆ ว่าเป็นปัญหาที่ยาก เมื่อรุ่นเครื่องถูกกำหนดตามความประสงค์ของสำนักงานใหญ่ สิ่งที่ฝั่งพื้นที่ทำได้จำกัดอยู่ที่การแสดงเงื่อนไขออกมาเป็นตัวเลข ทั้ง tact time จำนวนรุ่น สภาพแสงภายนอก ระบบงานซ่อมบำรุง และภาษาที่รองรับได้ — หากนำเสนอสิ่งเหล่านี้ในฐานะข้อเท็จจริง ฝั่งสำนักงานใหญ่ก็จะมีวัตถุดิบสำหรับตัดสินใจ หากมีเพียงความเห็นส่วนตัวว่า “ไม่เข้ากับพื้นที่” แผนก็จะไม่เปลี่ยน โครงสร้างแบบนี้พบร่วมกันในงานอัตโนมัติทุกประเภท และบทความ ค่าใช้จ่ายและวิธีดำเนินการติดตั้งหุ่นยนต์ร่วมปฏิบัติงาน ก็ได้กล่าวถึงประเด็นเดียวกันไว้

การแบ่งขั้นตอนการดำเนินการ

สุดท้ายขอเรียบเรียงขั้นตอนของวิธีดำเนินการ เราแนะนำให้แบ่งเป็นขั้น ๆ แทนที่จะกระโดดเข้าสู่การตรวจสอบอัตโนมัติ 100% ตั้งแต่แรก

เหตุผลของการแบ่งขั้นมี 3 ข้อ ข้อแรก ขั้นที่ 0 และขั้นที่ 1 จะทำให้ข้อบกพร่องของเกณฑ์ภายในเปิดเผยออกมาเกือบทั้งหมด เมื่อลองถ่ายภาพตัวอย่างจริง จะพบเรื่องอย่าง “ของเสียชนิดนี้ถ่ายไม่ติดด้วยแสงปัจจุบัน” หรือ “หัวข้อนี้พนักงานแต่ละคนตัดสินไม่เหมือนกันมาตลอด” ข้อสอง ขั้นที่ 2 ทำให้สัมผัสระดับของ false reject ที่เกิดขึ้นจริงได้ การได้ยินเป็นตัวเลขกับการได้เห็นของดีถูกคัดทิ้งที่หน้างานนั้นให้ความรู้สึกต่างกัน ข้อสาม จำกัดความเสียหายได้เมื่อล้มเหลว

เราเข้าใจความรู้สึกที่อยากข้ามขั้นที่ 2 ไปสู่ขั้นที่ 3 เลย แต่ การติดตั้งเข้าไลน์นั้นถอยกลับได้ยาก หากยังพอมีเวลาทดลองนอกไลน์ได้ เราเห็นว่าการใช้เวลานั้นปลอดภัยกว่า

ขอยกสิ่งที่มักเกิดขึ้นเมื่อข้ามขั้นตอนมาไว้ด้วยกัน

• ข้ามขั้นที่ 0: ตอนตรวจรับต้องเถียงกับผู้ผลิตเครื่องว่า “ชิ้นนี้เป็นของเสียหรือไม่”
• ข้ามขั้นที่ 1: หลังเซ็นสัญญาแล้วจึงพบว่า “ของเสียชนิดนี้ถ่ายไม่ติด”
• ข้ามขั้นที่ 2: เกิด false reject จำนวนมากทันทีที่เริ่มเดินเครื่อง จนไลน์หยุด
• ออกแบบขั้นที่ 3 ไม่พอ: ไม่เกิดผลด้านการลดกำลังคน จนอธิบายการลงทุนไม่ได้
• เตรียมขั้นที่ 4 ไม่พอ: ไปทำผิดพลาดซ้ำแบบเดิมที่โรงงานอื่น

คำถามที่พบบ่อย

เครื่องตรวจสอบลักษณะภายนอกมีค่าใช้จ่ายประมาณเท่าไร

ตัวเลขอ้างอิงที่เผยแพร่ในประเทศญี่ปุ่นระบุระดับไว้ว่า AI ตรวจสอบชิ้นงานมีค่า PoC 3-5 ล้านเยน และการติดตั้งเต็มรูปแบบ 10 ล้านเยนขึ้นไป ตัวอย่างโครงสร้างต้นทุนระบุว่าแบบ 1 ไลน์ประมาณ 4.6 ล้านเยน (กล้องความละเอียดสูง 600,000 เยน PC ประมวลผล 500,000 เยน การพัฒนา AI 2 ล้านเยน การติดตั้ง 1 ล้านเยน การบำรุงรักษา 1 ปี 500,000 เยน) และแบบติดตั้งเต็มรูปแบบหลายไลน์ประมาณ 10 ล้านเยน (ระบบกล้อง 2 ล้านเยน เซิร์ฟเวอร์ 1.5 ล้านเยน การพัฒนา AI 3.5 ล้านเยน การติดตั้ง 2 ล้านเยน การบำรุงรักษาและการเพิ่มรุ่น 1 ล้านเยน) (ที่มา: Nsight, koromo)

อย่างไรก็ตาม นี่เป็นตัวเลขอ้างอิงในประเทศญี่ปุ่น ไม่สามารถใช้กับโรงงานในไทยได้โดยตรง ฮาร์ดแวร์ส่วนใหญ่เป็นสินค้านำเข้าจึงได้รับผลจากภาษีและอัตราแลกเปลี่ยน อีกทั้งค่าแรงของงานติดตั้งและการพัฒนา รวมถึงระบบงานบำรุงรักษาก็มีเงื่อนไขต่างกัน นอกจากนี้ โครงสร้างต้นทุนนี้อาจไม่รวมจิ๊ก/ฟิกซ์เจอร์และกลไกขนถ่าย ในกรณีติดตั้งเพิ่มเข้ากับไลน์เดิม ส่วนนี้อาจมีสัดส่วนสูงมาก จำนวนเงินจริงมีช่วงกว้างขึ้นกับรุ่นผลิตภัณฑ์เป้าหมาย หัวข้อตรวจสอบ tact time และสภาพแวดล้อมการติดตั้ง จึงควรล็อกเอกสารเกณฑ์ภายในองค์กรให้เสร็จแล้วขอใบเสนอราคาจากหลายบริษัท จะเป็นวิธีที่แน่นอนกว่า

การตรวจสอบอัตโนมัติ 100% เป็นจริงได้แค่ไหน

หากจำกัดรุ่นผลิตภัณฑ์และหัวข้อตรวจสอบก็เป็นจริงได้ แต่หากพยายามทำให้ทุกหัวข้อและทุกรุ่นเป็นอัตโนมัติพร้อมกัน ข้อกำหนดจะบานปลายและวงเงินลงทุนจะพุ่งขึ้น

วิธีดำเนินการที่เป็นจริงได้คือ เราแนะนำให้เริ่มจาก รุ่นที่มีปริมาณการผลิตมาก และ หัวข้อตรวจสอบที่นิยามด้วยตัวเลขได้ง่าย ก่อน หัวข้ออย่างชิ้นส่วนขาด ทิศทางชิ้นส่วน และการมีหรือไม่มีรู มักเริ่มใช้งานได้ง่ายกว่า ในขณะที่รอยขีดข่วนรูปทรงไม่แน่นอนหรือความต่างของสีเพียงเล็กน้อยจะมีความยากสูงขึ้น นอกจากนี้ยังมีหัวข้ออย่างการสัมผัสหรือเสียงผิดปกติที่ตัดสินจากภาพไม่ได้โดยหลักการ การคงสิ่งเหล่านี้ไว้เป็นขอบเขตที่คนรับผิดชอบอย่างชัดเจนจะทำให้สเปกของเครื่องชัดเจนขึ้น

อนึ่ง ขอให้แยกให้ชัดระหว่างหัวข้อที่ลูกค้าเรียกร้องให้ตรวจ 100% กับหัวข้อที่เราตรวจ 100% เองเผื่อไว้ กลุ่มหลังอาจเปลี่ยนเป็นการสุ่มตรวจได้ ซึ่งทำให้ขนาดการลงทุนเปลี่ยนไป

ระบบตรวจสอบด้วยภาพกับ AI ตรวจสอบชิ้นงานต่างกันอย่างไร

กลไกการตัดสินต่างกัน ระบบตรวจสอบด้วยภาพแบบดั้งเดิม (rule-based) ตัดสินด้วยค่าขีดแบ่งของตัวเลข เช่น ขนาด พื้นที่ และความสว่าง ส่วน AI ตรวจสอบชิ้นงาน (deep learning) ตัดสินจากแนวโน้มของภาพที่ให้เรียนรู้ไว้

เกณฑ์การเลือกใช้โดยประมาณคือ หากลักษณะที่ปรากฏของของเสียเสถียรและนิยามด้วยตัวเลขได้ ให้ใช้ rule-based หากรูปทรงไม่แน่นอนและแปลงเป็นตัวเลขได้ยาก ให้ใช้ deep learning อย่างไรก็ตาม deep learning จำเป็นต้องมีข้อมูลภาพสำหรับเรียนรู้ ในกระบวนการที่อัตราของเสียต่ำและมีตัวอย่างของเสียเพียงไม่กี่ชิ้น จะเผชิญปัญหาว่ารวบรวมข้อมูลสำหรับเรียนรู้ไม่ได้

นอกจากนี้ยังต่างกันในแง่ความง่ายของการอธิบายเหตุผลการตัดสิน กรณีที่ต้องนำเสนอเหตุผลการตัดสินต่อลูกค้า rule-based มีแนวโน้มอธิบายได้ง่ายกว่า หากใช้ deep learning ขอให้กำหนดวิธีนำเสนอเหตุผลการตัดสินไว้ก่อนติดตั้ง ในทางปฏิบัติ บางครั้งก็ใช้โครงสร้างที่ผสมทั้งสองแบบ แล้วจัดสรรวิธีที่เหมาะกับแต่ละหัวข้อ

ระหว่างอุปกรณ์ poka-yoke กับเครื่องตรวจสอบ ควรติดตั้งอันไหนก่อน

โดยทั่วไปแล้ว poka-yoke มาก่อน อุปกรณ์ poka-yoke เป็นกลไกเพื่อ “ไม่ผลิตของเสีย” ส่วนเครื่องตรวจสอบเป็นกลไกเพื่อ “ไม่ปล่อยของเสียออกไป (ไม่ให้หลุดรอด)” หากการเกิดของเสียลดลงเอง สมรรถนะที่เรียกร้องจากเครื่องตรวจสอบและชั่วโมงงานตรวจซ้ำชิ้นงานที่ถูกคัดออกก็ลดลงตาม

วัตถุดิบสำหรับตัดสินคือให้ดูสัดส่วนของเสียของเรา หากของเสียที่มีต้นเหตุจากความผิดพลาดของคนมีมาก เช่น ชิ้นส่วนขาด ทิศทางผิด ข้ามลำดับการทำงาน และลืมขัน ก็มีโอกาสสูงที่จะรับมือได้ด้วย poka-yoke ในทางกลับกัน ตำหนิภายนอกที่มีต้นเหตุจากวัสดุ หรือรอยขีดข่วนที่เกิดระหว่างขนถ่าย เป็นสิ่งที่หยุดการเกิดได้ยาก จึงถึงคราวของเครื่องตรวจสอบ

ในด้านค่าใช้จ่าย เรารู้สึกว่า poka-yoke มักเริ่มต้นได้ด้วยขนาดที่เล็กกว่า บางหัวข้อรับมือได้ด้วยเซ็นเซอร์ 1 ตัวกับการแก้ไขการควบคุมลำดับ และเนื่องจากกลไกการเกิดของเสียจะถูกเรียบเรียงระหว่างกระบวนการออกแบบ poka-yoke ข้อกำหนดของเครื่องตรวจสอบในลำดับถัดไปก็จะชัดเจนขึ้นด้วย

หากรวบรวมตัวอย่างของเสียไม่ได้ ควรเลิกล้ม AI ตรวจสอบชิ้นงานหรือไม่

ไม่จำเป็นต้องเลิกล้ม แต่ เราไม่แนะนำให้เดินหน้าติดตั้ง deep learning ในสภาพปัจจุบัน ตัวตัดสินที่สร้างขึ้นในสภาพที่ข้อมูลเรียนรู้ไม่พอ จะคาดเดาพฤติกรรมไม่ได้เมื่อเจอลักษณะที่ปรากฏนอกเหนือความคาดหมายในไลน์จริง

ทางเลือกที่มีคือ พิจารณาวิธีที่ให้เรียนรู้เฉพาะภาพของดีแล้วถือว่าสิ่งที่เบี่ยงออกไปเป็นความผิดปกติ จำลองของเสียเทียบเท่าตัวอย่างขีดจำกัดขึ้นมาแล้วถ่ายภาพ เริ่มวิธีทำงานที่จัดเก็บของที่จะทิ้งและของที่ลูกค้าตีกลับตั้งแต่ตอนนี้ หรือติดตั้งเครื่องที่ยังไม่ตัดสินแต่สะสมภาพและข้อมูลล็อตไว้ก่อน หรืออีกทางหนึ่งคือแยกย่อยหัวข้อตรวจสอบแล้วทำอัตโนมัติด้วย rule-based เฉพาะส่วนที่แปลงเป็นตัวเลขได้

พูดตามตรง ในขั้นที่เงื่อนไขยังไม่พร้อม การตัดสินว่า “ตอนนี้ขอชะลอการติดตั้งไปก่อน” เป็นสิ่งที่ถูกต้องอยู่ไม่น้อย และแม้ในกรณีนั้น การเริ่มจัดเก็บของเสียและการแปลงตัวอย่างขีดจำกัดเป็นภาพก็เป็นสิ่งที่ลงมือได้ตั้งแต่วันนี้

ทำไมติดตั้งเครื่องตรวจสอบแล้วคนถึงไม่ลดลง

ส่วนใหญ่เป็นเพราะ ไม่ได้ออกแบบขั้นตอนหลังตัดสิน NG หลังจากเครื่องแจ้ง “NG” หากยังไม่กำหนดว่าใครยืนยันชิ้นงานนั้น วางไว้ที่ไหน และบันทึกอย่างไร หน้างานก็จะสร้างวิธีทำงานแบบ “ให้คนดูอีกทีเผื่อไว้” และหาก false reject มีมาก เฉพาะการตรวจซ้ำนั้นก็ต้องใช้ชั่วโมงงานจำนวนหนึ่งแล้ว

มาตรการคือการออกแบบการจัดการหลังตัดสิน NG ก่อนติดตั้ง ทั้งวิธีคัดออกทางกายภาพ สถานที่เก็บพักชั่วคราว ความจำเป็นและผู้รับผิดชอบการตรวจซ้ำ การจัดการผลของการตรวจซ้ำ (หากคนตัดสินว่าเป็นของดีแล้วส่งมอบได้หรือไม่) การป้อนกลับไปยังเครื่อง รวมถึงเนื้อหาและที่เก็บบันทึก — ขอให้ตัดสินใจเรื่องเหล่านี้ให้เสร็จก่อนสั่งซื้อ

อีกสาเหตุหนึ่งคือกรณีที่เซ็นสัญญาโดยไม่ได้กำหนดระดับที่ยอมรับได้ของ false reject ข้อกำหนดที่ว่า “ไม่คัดของดีทิ้งแม้แต่ชิ้นเดียว และตรวจจับของเสียได้ 100%” นั้นเป็นไปไม่ได้โดยหลักการ จำเป็นต้องตัดสินก่อนว่าจะยอมรับด้านไหนได้แค่ไหน แล้วเขียนลงในเกณฑ์ตรวจรับ

พิจารณาการตรวจวัดขนาดอัตโนมัติไปพร้อมกับการตรวจสอบลักษณะภายนอกได้หรือไม่

บางกรณีทำได้ด้วยเครื่องเดียวกัน แต่ ในแง่การพิจารณา เราแนะนำให้แยกกัน ผลลัพธ์ของการตรวจสอบลักษณะภายนอกคือการตัดสิน OK/NG โดยใช้ตัวอย่างขีดจำกัดและค่าขีดแบ่งที่ตกลงกันเป็นเกณฑ์ ในขณะที่ผลลัพธ์ของการตรวจวัดขนาดคือค่าที่วัดได้ โดยมีพิกัดความเผื่อในแบบและความไม่แน่นอนของการวัดเป็นเกณฑ์

หากจะทำการตรวจวัดขนาดให้เป็นอัตโนมัติ หลังติดตั้งเครื่องแล้วยังต้องผนวกเข้ากับระบบบริหารการวัด ทั้งแผนการสอบเทียบตามรอบ การจัดการเครื่องมือมาตรฐาน การเก็บบันทึกการสอบเทียบ และการระบุตัวผู้รับผิดชอบ อีกทั้งอาจถูกเรียกร้องให้แสดงบันทึกการสอบเทียบในการออดิตจากลูกค้าด้วย

สิ่งที่ฐานการผลิตต่างประเทศควรตรวจสอบเป็นพิเศษคือ การสอบเทียบจบได้ภายในประเทศไทยหรือไม่ หากเป็นโครงสร้างที่ต้องส่งเครื่องกลับญี่ปุ่นทุกครั้งที่สอบเทียบ จะต้องมีวิธีทดแทนในช่วงเวลานั้น ขอให้ตรวจสอบสถานที่ดำเนินการบำรุงรักษาและสอบเทียบตั้งแต่ขั้นใบเสนอราคา

ต้องล็อกเกณฑ์ภายในองค์กรให้เสร็จก่อนจึงจะปรึกษาผู้ผลิตเครื่องได้ใช่หรือไม่

ในอุดมคติควรนิ่งแล้ว แต่ในความเป็นจริงมี สิ่งที่รู้ก็ต่อเมื่อได้ลองถ่ายภาพตัวอย่างขีดจำกัด อยู่มาก การค้นพบอย่าง “ของเสียชนิดนี้ถ่ายไม่ติดด้วยแสงปัจจุบัน” หรือ “หัวข้อนี้พนักงานตรวจสอบแต่ละคนตัดสินไม่เหมือนกัน” จะไม่ปรากฏออกมาหากไม่ได้ลองถ่ายจริง

ดังนั้น วิธีดำเนินการที่เป็นจริงได้คือ เดินขั้นที่ 0 (รวมชื่อเรียกของเสีย จัดระเบียบตัวอย่างขีดจำกัด ตัดสินนโยบาย false reject) ให้ได้เท่าที่ทำได้ แล้ววนขั้นที่ 1 คือการประเมินตัวอย่างร่วมกับผู้ผลิตเครื่องเพื่อล็อกเกณฑ์ไปพร้อมกัน

อย่างไรก็ตาม ขอให้ตระหนักไว้ว่า เจ้าภาพของงานล็อกเกณฑ์อยู่ที่ฝั่งเราเอง สิ่งที่ผู้ผลิตเครื่องตัดสินได้คือ “จะทำให้เกิดขึ้นได้อย่างไร” ไม่ใช่ “อะไรที่เรียกว่าของเสีย” หากโยนเรื่องนี้ให้เขาทั้งหมด สิ่งที่ถูกเสนอมาจะเป็นนิยามที่ผู้ผลิตเครื่องทำได้ง่าย ส่วนนิยามนั้นจะตรงกับข้อกำหนดของลูกค้าเราหรือไม่ เป็นอีกเรื่องหนึ่ง

นำสิทธิประโยชน์ BOI มาคิดในการคำนวณคืนทุนได้หรือไม่

นำมาคิดได้ แต่เราแนะนำให้ คำนวณ 2 แบบ ทั้งกรณีได้รับสิทธิประโยชน์และไม่ได้รับ แผนที่ตั้งอยู่บนสิทธิประโยชน์จะต้องรื้อใหม่ทันทีที่พบว่าไม่เข้าข่าย

ในแง่ข้อเท็จจริง ประกาศ BOI ที่ 4/2569 ซึ่งประกาศในราชกิจจานุเบกษาเมื่อวันที่ 31 มีนาคม 2026 ส่งเสริมการใช้ระบบอัตโนมัติและระบบหุ่นยนต์เพื่อยกระดับประสิทธิภาพการผลิตของอุตสาหกรรมยานยนต์ โดยนอกจากการยกเว้นอากรขาเข้าเครื่องจักรแล้ว ยังให้การลดหย่อนภาษีเงินได้นิติบุคคล 50% เป็นเวลา 3 ปี สำหรับมูลค่าเงินลงทุนในระบบอัตโนมัติและระบบหุ่นยนต์ (ไม่รวมค่าที่ดินและเงินทุนหมุนเวียน) โดยรับคำขอถึงสิ้นปี 2027 (ที่มา: Tilleke & Gibbins) และเมื่อวันที่ 15 มกราคม 2026 BOI ได้ปรับปรุงมาตรการส่งเสริมการลงทุนใหม่ โดยเพิ่มความเข้มข้นของสิทธิประโยชน์ทางภาษีและขยายขอบเขตครอบคลุมในด้านการผลิตขั้นสูงและระบบอัตโนมัติ (ที่มา: Alvarez & Marsal)

อย่างไรก็ตาม การได้รับสิทธิประโยชน์หรือไม่นั้นเปลี่ยนไปตามประเภทกิจการ เนื้อหาการลงทุน ที่ตั้ง และช่วงเวลายื่นคำขอ ขอให้อย่าตัดสินจากข้อมูลสาธารณะเพียงอย่างเดียว และสอบถามหน่วยงานที่รับผิดชอบหรือ BOI โดยตรง บางกรณีลำดับก่อนหลังของช่วงสั่งซื้อเครื่องกับช่วงยื่นคำขออาจเป็นปัญหา จึงควรตรวจสอบตั้งแต่ช่วงต้นของแผนการลงทุน

สรุป

จุดที่ทำให้สะดุดในการเปรียบเทียบผู้ผลิตเครื่องตรวจสอบ ไม่ใช่ความต่างของสมรรถนะของเครื่อง เรารู้สึกว่าสาเหตุของความชะงักงันเกือบทั้งหมดคือ ฝ่ายผู้สั่งซื้อยังตัดสินไม่ได้ว่า “อะไรที่เรียกว่าของเสีย” หากส่งเอกสารเกณฑ์ที่ยังเป็นคำพูดอย่าง “ต้องไม่มีรอยขีดข่วน” “ต้องไม่มีคราบสกปรก” ไป ตอนตรวจรับจะกลายเป็นการเถียงกับผู้ผลิตเครื่องว่า “ชิ้นนี้เป็นของเสียหรือไม่”

สิ่งที่ต้องตัดสินใจภายในองค์กรก่อนเปรียบเทียบมี 5 ข้อ คือ 1) แปลงเกณฑ์ตัดสินของดีของเสียเป็นตัวเลขและภาพ 2) ตัดสินว่าจะตรวจ 100% หรือสุ่มตรวจ 3) ตัดสินว่าจะยอมรับ false reject หรือการหลุดรอด 4) ออกแบบการจัดการและการบันทึกหลังตัดสินว่าเป็นของเสีย 5) กำหนดขอบเขตรุ่นผลิตภัณฑ์และขอบเขตที่คนรับผิดชอบ ในบรรดานี้ ข้อ 3 และ 4 ถูกมองข้ามเป็นพิเศษ false reject กับการหลุดรอดเป็นเรื่องได้อย่างเสียอย่าง และค่าขีดแบ่งที่ทำให้ทั้งสองอย่างเป็นศูนย์ไม่มีอยู่จริงโดยหลักการ อีกทั้งหากไม่ออกแบบขั้นตอนหลังตัดสิน NG หน้างานจะสร้างวิธีทำงานแบบ “ให้คนดูอีกทีเผื่อไว้” แล้วผลด้านการลดกำลังคนก็จะหายไป

การเลือกวิธีการเป็นเรื่องที่มาหลังจากวัตถุประสงค์ชัดแล้ว การเรียบเรียงคือ หากลักษณะที่ปรากฏของของเสียเสถียรและนิยามด้วยตัวเลขได้ให้ใช้ rule-based หากรูปทรงไม่แน่นอนและแปลงเป็นตัวเลขได้ยากให้ใช้ deep learning แต่แบบหลังจำเป็นต้องมีข้อมูลภาพสำหรับเรียนรู้ เราไม่แนะนำให้เดินหน้าในสภาพที่มีตัวอย่างของเสียเพียงไม่กี่ชิ้น การติดตั้งเครื่องที่ถ่ายภาพอย่างเดียวไว้ก่อนเพื่อสะสมภาพ การแยกย่อยหัวข้อตรวจสอบแล้วเริ่มจากส่วนที่แก้ด้วย rule-based ได้ หรือการชะลอออกไปก่อน อาจเป็นการตัดสินที่เร็วกว่าในท้ายที่สุด

ขอให้จัดการการตรวจวัดขนาดอัตโนมัติเป็นคนละปัญหากับการตรวจสอบลักษณะภายนอก เมื่อผลลัพธ์เป็นค่าที่วัดได้ ก็จำเป็นต้องผนวกเข้ากับระบบบริหารการวัด ตั้งแต่การสอบเทียบ เครื่องมือมาตรฐาน การสอบกลับได้ ไปจนถึงการเก็บบันทึก ส่วนคำถามว่าการสอบเทียบจบได้ภายในประเทศไทยหรือไม่ เป็นหัวข้อที่ต้องตรวจสอบตั้งแต่ขั้นใบเสนอราคา

ในแง่ลำดับ poka-yoke มาก่อน อุปกรณ์ poka-yoke เป็นกลไกเพื่อ “ไม่ผลิตของเสีย” ส่วนเครื่องตรวจสอบเป็นกลไกเพื่อ “ไม่ปล่อยของเสียออกไป” หากของเสียของเรามีต้นเหตุจากความผิดพลาดของคน การลดการเกิดด้วย poka-yoke ก่อนจะทำให้ทั้งค่าใช้จ่ายและผลลัพธ์มองเห็นได้ชัดกว่า

สำหรับค่าใช้จ่าย ขอให้ใช้ตัวเลขอ้างอิงที่เผยแพร่ในญี่ปุ่นคือ PoC 3-5 ล้านเยน และการติดตั้งเต็มรูปแบบ 10 ล้านเยนขึ้นไป (ที่มา: Nsight, koromo) เพื่อทำความเข้าใจโครงสร้าง แล้วประกอบใหม่บนสมมติฐานว่าในไทยจะเปลี่ยนไปตามเงื่อนไขการนำเข้า การก่อสร้างในพื้นที่ ระบบงานบำรุงรักษา การรองรับภาษา รวมถึงจิ๊กและระบบขนถ่าย การคำนวณคืนทุนด้วยการลดค่าแรงเพียงอย่างเดียวจะยากที่จะยืนได้ เมื่อคำนึงถึงระดับค่าจ้างขั้นต่ำของไทยปี 2026 ที่วันละ 337-400 บาทแล้วแต่จังหวัด (ที่มา: Thai Law Online) การแยกย่อยเป็นหัวข้ออย่างการลดเคลมจากการหลุดรอด การหลีกเลี่ยงงานคัดแยก และการบันทึกอัตโนมัติ แล้วสร้างตัวเลขจากผลจริงในอดีต จะมีน้ำหนักมากกว่า ส่วนสิทธิประโยชน์ BOI ขอให้คำนวณ 2 แบบทั้งมีและไม่มี และสอบถามหน่วยงานที่รับผิดชอบหรือ BOI โดยตรงเรื่องการเข้าข่าย

สิ่งที่ได้ผลเป็นพิเศษในโรงงานที่ประเทศไทยคือ หน้าจอใช้งานและเอกสารขั้นตอนภาษาไทย งานซ่อมบำรุงที่จบได้ในพื้นที่ การอบรมหลายคน (เผื่อกรณีผู้รับผิดชอบลาออก) การใช้ภาพตัวอย่างขีดจำกัดร่วมกัน และวิธีนำเสนอเหตุผลการตัดสินในการออดิตจากลูกค้า หากติดตั้งเครื่องในสภาพที่ยังขาด 5 ข้อนี้ เมื่อเกิดอะไรขึ้น หน้างานก็จะย้อนกลับไปตรวจด้วยสายตา

วิธีดำเนินการที่เราแนะนำคือแบ่งเป็นขั้นที่ 0 (การนิยาม) ไปขั้นที่ 1 (การประเมินตัวอย่าง) ไปขั้นที่ 2 (การทดลองนอกไลน์) ไปขั้นที่ 3 (การติดตั้ง 1 ไลน์) และไปขั้นที่ 4 (การขยายผล) ขั้นที่ 0 และขั้นที่ 1 จะทำให้ข้อบกพร่องของเกณฑ์ภายในเปิดเผยออกมาเกือบทั้งหมด และขั้นที่ 2 ทำให้สัมผัสระดับของ false reject ที่เกิดขึ้นจริงได้ เนื่องจากการติดตั้งเข้าไลน์ถอยกลับได้ยาก ขอให้กันเวลาสำหรับการทดลองก่อนหน้านั้นไว้

ไม่ว่าจะอยู่ในขั้นที่ยังไม่ได้เลือกผู้ผลิตเครื่องตรวจสอบ หรือขั้นที่ยังลังเลว่าควรทำระบบอัตโนมัติหรือไม่ ก็ปรึกษาได้ทั้งนั้น “เอกสารเกณฑ์ตรวจสอบยังเป็นคำพูดอยู่ ไม่รู้จะแปลงเป็นตัวเลขอย่างไร” “แทบไม่มีตัวอย่างของเสียเลย แต่ถูกเสนอให้ใช้ AI” “สำนักงานใหญ่กำลังจะเลือกรุ่นเครื่อง แต่กังวลว่าจะเข้ากับเงื่อนไขในพื้นที่หรือไม่” “ขอใบเสนอราคามา 3 เจ้าแล้ว แต่สมมติฐานต่างกันจนเปรียบเทียบไม่ได้” — หากเล่าสถานการณ์เหล่านี้ให้เราฟัง เราสามารถเริ่มต้นไปด้วยกันได้ตั้งแต่การค้นหาหัวข้อที่ต้องตัดสินใจภายในองค์กรก่อน หรือการจัดระเบียบข้อมูลที่จะส่งให้ผู้ขายแต่ละเจ้า ปรึกษาก่อนตัดสินใจติดตั้งก็ได้เช่นกัน ทักมาคุยกันได้ที่ แบบฟอร์มติดต่อเรา

แหล่งอ้างอิง

• Nsight (บทอธิบายเรื่องโครงสร้างต้นทุนการตรวจสอบลักษณะภายนอกด้วย AI)
• koromo (บทอธิบายเรื่อง AI ตรวจสอบชิ้นงานในภาคการผลิต)
• OptiMax (บทอธิบายเรื่องการตรวจสอบผลิตภัณฑ์อัตโนมัติและ AI)
• MarketsandMarkets “Industrial Machine Vision Market”
• KAIZEN “Thailand Manufacturing Trends 2026”
• Thai Law Online “Minimum Wage in Thailand”
• Bangkok Shuho (ดัชนีผลผลิตอุตสาหกรรมเดือนพฤษภาคม 2026)
• Tilleke & Gibbins “Thailand Unveils New Incentives for Automotive and HEV/PHEV Manufacturing”
• Alvarez & Marsal “Thailand’s Renewed BOI Incentives”
• สำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) Automation
• Nation Thailand (คำขอรับการส่งเสริมการลงทุนจาก BOI ปี 2025)