AI สำหรับกิจกรรม KY: ออกแบบการคาดการณ์อันตรายก่อนเริ่มงานและ RFP

บทนำ: 3 เรื่องที่ต้องกำหนดก่อนนำ AI สำหรับกิจกรรม KY มาใช้

ก่อนพิจารณานำ AI สำหรับกิจกรรม KY (คาดการณ์อันตราย) มาใช้ ขอทบทวนปัญหาหน้างานก่อน หลังประชุมเช้า แต่ละกลุ่มเขียนใบ KY ทำการชี้นิ้วและขานรับ แล้วจึงเริ่มงาน แม้บริษัทญี่ปุ่นที่ยังคงรักษาธรรมเนียมแบบสำนักงานใหญ่ที่ญี่ปุ่นนี้ไว้ในโรงงานที่ไทย ก็ยังได้ยินเสียงสะท้อนว่า “ทุกเช้าเขียนแต่อันตรายเดิม ๆ จนกลายเป็นแค่พิธีกรรม” “ไม่แน่ใจว่าเอกสารภาษาญี่ปุ่นหรือภาษาไทยอย่างเดียวสื่อถึงผู้ปฏิบัติงานชาวไทยและชาวเมียนมาได้จริงหรือไม่” “พอเป็นงานเปลี่ยนรุ่นการผลิต (setup changeover) งานทำความสะอาด งานซ่อมบำรุง หรืองานในที่อับอากาศ การค้นหาอันตรายก็ต้องพึ่งประสบการณ์ของหัวหน้างาน” และ “ใบ KY ยังเป็นกระดาษ เมื่อเกิดอุบัติเหตุจึงย้อนดู KY ของวันนั้นไม่ได้”

มาดูขนาดของอุบัติเหตุจากการทำงานในไทยกันด้วย ตามรายงานที่สำนักงานกองทุนเงินทดแทน สำนักงานประกันสังคม (สปส.) จัดทำ การประสบอันตรายหรือเจ็บป่วยเนื่องจากการทำงานของลูกจ้างที่อยู่ในความคุ้มครองของกองทุนเงินทดแทน มีจำนวน 87,728 ราย ในปี พ.ศ. 2567 (ค.ศ. 2024) ในจำนวนนี้เสียชีวิต 595 ราย รายงานฉบับเดียวกันระบุว่า ค่าเฉลี่ย 5 ปีของ พ.ศ. 2563–2567 (ทุกประเภทกิจการ) สาเหตุที่พบมากที่สุดคือ “วัตถุหรือสิ่งของตัด บาด หรือทิ่มแทง” (23.88%) และอวัยวะที่บาดเจ็บมากที่สุดคือนิ้วมือ (30.40%) เราคิดว่าอันตรายอย่างนิ้วถูกบาดหรือถูกทิ่มแทง เป็นหนึ่งในหัวข้อที่ถูกหยิบยกขึ้นมาในการทำ KY ก่อนเริ่มงานอยู่ทุกวัน

แล้วจะใช้ Generative AI กับปัญหาเหล่านี้อย่างไร ในบทความนี้ เราคิดว่าเมื่อนำ AI มาใช้กับกิจกรรม KY สิ่งที่ต้องกำหนดก่อนไม่ใช่ชื่อเครื่องมือ แต่เป็น 3 เรื่องต่อไปนี้

1. การแบ่งบทบาท: AI รับผิดชอบการเสนออันตรายที่เป็นไปได้ การรวบรวมแนวทางมาตรการ และการแปลหลายภาษา ส่วนการคัดเลือกจุดอันตรายและการตัดสินใจ “พวกเราจะทำแบบนี้” เป็นหน้าที่ของหัวหน้างานและทีม
2. หลักฐานอ้างอิง: ให้ AI อ้างอิงคู่มือการปฏิบัติงาน ข้อมูลจำเพาะของเครื่องจักร SDS อุบัติเหตุและเหตุการณ์เกือบเกิดอุบัติเหตุ (Near Miss) ในอดีต และบันทึก KY ที่ผ่านมา แล้วให้แสดงแหล่งที่มาของอันตรายแต่ละรายการที่เสนอ โดยออกแบบให้คนปฏิเสธรายการที่หลักฐานเก่าหรือไม่มีหลักฐานได้
3. การตรวจสอบ: ใน RFP, PoC และการทดสอบรับมอบ ให้นับและบันทึก “อันตรายที่ตรวจไม่พบ (อันตรายที่ไม่ถูกเสนอออกมา)” “มาตรการที่ไม่ถูกต้อง (มาตรการที่ถูกเสนอออกมาแต่ผิด)” และ “ภาษา (ผู้ปฏิบัติงานเข้าใจหรือไม่)” แยกกัน

กิจกรรม KY คืออะไร: KYT วิธี 4 ขั้นตอน (4 Round) และ JHA

กิจกรรม KY (กิจกรรมคาดการณ์อันตราย) คือกิจกรรมที่เพื่อนร่วมงานพูดคุยกันก่อนเริ่มงานเพื่อค้นหาอันตรายที่แฝงอยู่ในงาน แล้วกำหนดมาตรการและลงมือปฏิบัติ วิธีฝึกสำหรับกิจกรรมนี้เรียกว่า KYT (การฝึกคาดการณ์อันตราย) ตามคำอธิบายศัพท์ในเว็บไซต์ความปลอดภัยในที่ทำงาน (Shokuba no Anzen Site) ของกระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่น (MHLW) KYT มาจากอักษรตัวแรกของคำว่า “อันตราย (Kiken) การคาดการณ์ (Yochi) การฝึก (Training)” เป็นวิธีค้นพบ ทำความเข้าใจ และแก้ไขปัจจัยอันตรายที่แฝงอยู่ในที่ทำงานและในงาน และผูกโยงกับขบวนการอุบัติเหตุเป็นศูนย์ (Zero Accident Movement)

ตามคำอธิบายศัพท์เดียวกัน พื้นฐานของ KYT คือวิธี 4 ขั้นตอน (4 Round) ดังนี้

• 1R “มีอันตรายอะไรแฝงอยู่บ้าง”: ช่วยกันเสนออันตรายที่แฝงอยู่
• 2R “นี่คือจุดอันตราย”: คัดเลือกอันตรายที่สำคัญ แล้วยืนยันด้วยการชี้นิ้วและขานพร้อมกัน
• 3R “ถ้าเป็นคุณจะทำอย่างไร”: เสนอแนวทางมาตรการต่ออันตรายที่คัดเลือกไว้
• 4R “พวกเราจะทำแบบนี้”: กำหนดรายการที่จะปฏิบัติเป็นหลักและเป้าหมายการปฏิบัติของทีม

รูปแบบที่ถือเป็นมาตรฐานคือการใช้วิธี 4 ขั้นตอนนี้ร่วมกับการชี้นิ้วและขานรับ ซึ่งเป็นวิธียืนยันความปลอดภัย

ในโลกที่ใช้ภาษาอังกฤษ แนวคิดที่คล้ายกันเรียกว่า JHA (Job Hazard Analysis หรือการวิเคราะห์อันตรายในงาน) หรือ JSA (Job Safety Analysis) คู่มือ “Job Hazard Analysis” ของสำนักงานบริหารความปลอดภัยและอาชีวอนามัยสหรัฐฯ (OSHA) (Publication 3071 ฉบับปรับปรุง ค.ศ. 2002) อธิบายว่า JHA เป็นวิธีระบุอันตรายล่วงหน้าโดยมุ่งที่งานแต่ละงาน และเน้นความสัมพันธ์ระหว่างผู้ปฏิบัติงาน งาน เครื่องมือ และสภาพแวดล้อมการทำงาน เราคิดว่า KYT เน้นการพูดคุยกันเป็นทีม ส่วน JHA เน้นการแยกงานออกเป็นขั้นตอนแล้วจัดทำเป็นเอกสาร

กิจกรรม KY ยังเกี่ยวข้องกับการประเมินความเสี่ยงด้วย “แนวปฏิบัติว่าด้วยการสำรวจอันตรายหรือสิ่งที่เป็นอันตรายต่อสุขภาพ” ของกระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่น (ประกาศเมื่อ 10 มีนาคม ปีเฮเซที่ 18 หรือ ค.ศ. 2006) กำหนดลำดับขั้นไว้ คือ การระบุอันตรายหรือสิ่งที่เป็นอันตรายต่อสุขภาพ การประมาณระดับความเสี่ยง การกำหนดลำดับความสำคัญและพิจารณามาตรการลดความเสี่ยง และการดำเนินมาตรการนั้น เราคิดว่า หากการประเมินความเสี่ยงคือ “การประเมินในขั้นวางแผน” เช่น เมื่อมีการเปลี่ยนแปลง กิจกรรม KY ก็คือ “การตรวจสอบก่อนลงมือทำงาน” ที่ทบทวนอันตรายอีกครั้งตามเงื่อนไขของวันนั้น

ในส่วนของมาตรฐานสากล ตามข้อมูลทุติยภูมิ ISO 45001:2018 ข้อ 6.1.2 ว่าด้วยการชี้บ่งอันตราย และข้อ 5.4 ว่าด้วยการปรึกษาหารือและการมีส่วนร่วมของผู้ปฏิบัติงาน เราคิดว่ากิจกรรม KY เป็นกลไกหนึ่งที่ให้ผู้ปฏิบัติงานมีส่วนร่วมในการชี้บ่งอันตราย

การใช้ AI กับกิจกรรม KY เปลี่ยนอะไรได้บ้าง

แม้จะพูดว่าใช้ Generative AI กับกิจกรรม KY แต่เราคิดว่าสิ่งที่ทำได้แบ่งออกเป็น 4 อย่างใหญ่ ๆ

1. เสนออันตรายที่เป็นไปได้: เมื่อป้อนรายละเอียดงาน เครื่องจักร และสถานที่ AI จะแสดงรายการอันตรายที่อาจเกิดขึ้น
2. รวบรวมแนวทางมาตรการ: สำหรับอันตรายที่คัดเลือกแล้ว AI จะเรียงแนวทางมาตรการโดยอิงคู่มือการปฏิบัติงานและมาตรการที่เคยใช้
3. แปลหลายภาษา: แปลเนื้อหาในใบ KY และเป้าหมายการปฏิบัติเป็นภาษาของผู้ปฏิบัติงาน เช่น ภาษาไทย ภาษาเมียนมา แล้วอ่านออกเสียง
4. บันทึก: ทำใบ KY ให้เป็นดิจิทัล บันทึกการพูดคุยเป็นเสียง และค้นหาได้ตามงาน วันที่ และเครื่องจักร

สำหรับข้อ 4 เรื่องการบันทึก เราคิดว่าแม้จะเป็นเพียง “ใบ KY ดิจิทัล” ที่ไม่ใช้ AI ก็มีประโยชน์ต่อการค้นหาและการติดตามย้อนหลังเมื่อเกิดอุบัติเหตุ และเราคิดว่าคุณค่าของ Generative AI อยู่ที่การนำข้อมูล KY และอุบัติเหตุในอดีตที่บันทึกไว้ มาใช้เสนออันตรายที่เป็นไปได้ใน KY ครั้งต่อไป

สิ่งที่บทความนี้กล่าวถึงคือ การสนับสนุนการพูดคุยด้วยข้อความหรือเสียงก่อนเริ่มงาน ส่วนวิธีใช้ภาพจากกล้องตรวจจับการไม่สวมอุปกรณ์ป้องกันอันตรายส่วนบุคคลนั้น อยู่ในบทความ “กล้อง AI ตรวจ PPE ในโรงงาน: กฎพื้นที่ สัญญาณผิด และการตรวจรับ” การจัดประเภทและสรุปรายงานเหตุการณ์เกือบเกิดอุบัติเหตุหลังเกิดเหตุ อยู่ใน “การนำ AI วิเคราะห์รายงาน Near Miss มาใช้ในโรงงานไทย: รายงานหลายภาษาและการทดสอบรับมอบ” ภาพรวมของ AI จัดการความปลอดภัยในโรงงาน รวมถึงการเฝ้าระวังด้วยภาพ ดูได้ที่ “AI ความปลอดภัยในโรงงาน โมเดล 3 ชั้นและ 5 รูปแบบที่ใช้ได้จริง” และการประเมินท่าทางการทำงาน สรุปไว้ใน “AI ประเมินการยศาสตร์ในโรงงาน: RULA, REBA และเกณฑ์รับมอบกล้อง” เมื่อเทียบกับสิ่งเหล่านี้ กิจกรรม KY คือกิจกรรมที่คนจินตนาการถึง “สิ่งที่อาจเกิดขึ้นต่อจากนี้” ก่อนเริ่มงาน แล้วตกลงร่วมกัน

แกนหลักข้อ 1: กำหนดการแบ่งบทบาทระหว่าง AI กับคนตาม 4 ขั้นตอนของ KYT

เราคิดว่าสิ่งแรกที่ต้องตัดสินใจคือ “ให้ AI ช่วยในขั้นตอนใด และขั้นตอนใดที่คนต้องทำเอง” การจัดแบ่งนี้เป็นการอนุมานของบริษัทเราจากโครงสร้างของวิธีการ ไม่ใช่ข้อเสนอที่เขียนไว้ในเอกสารของกระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่นหรือแหล่งอื่น

ประเด็นสำคัญคือ ให้ AI มีบทบาท “เพิ่มวัตถุดิบสำหรับคิด” แต่ไม่ให้มีบทบาท “ตัดสินใจ” 1R และ 3R เป็นขั้นตอนที่ยิ่งมีข้อเสนอมากยิ่งดี รายการที่ไม่ตรงประเด็นคนตัดออกได้ ส่วน 2R และ 4R เป็นขั้นตอนที่ทีมยืนยันอันตรายด้วยคำพูดของตัวเองและให้คำมั่นว่าจะปฏิบัติ เราคิดว่าหากแทนที่ขั้นตอนนี้ด้วยผลลัพธ์ของ AI ผู้ปฏิบัติงานจะเพียงอ่าน “สิ่งที่ AI ตัดสินใจ” ออกเสียง และจุดประสงค์ของกิจกรรม KY ที่ต้องการเพิ่มความไวต่ออันตรายจะอ่อนลง

อีกประเด็นหนึ่งคือ ต้องบันทึกบนหน้าจอและใน log ว่าหัวหน้างานรับหรือปฏิเสธรายการใดของ AI และเพิ่มอะไรเข้าไป หากใช้วิธีพิมพ์ผลลัพธ์ของ AI ออกมาตรง ๆ แล้วกรอกเพียงช่องลงชื่อ ก็อาจกลายเป็นแค่การใช้ AI ทำให้ใบ KY กระดาษที่เป็นพิธีกรรมอยู่แล้วเร็วขึ้นเท่านั้น

กฎระเบียบเขียนไว้บนสมมติฐานว่า “คนเป็นผู้ตัดสินใจ”

เราคิดว่ากฎระเบียบของญี่ปุ่นและไทยเขียนไว้แต่เดิมบนการแบ่งบทบาทว่า “คนหน้างานค้นหาอันตราย นายจ้างตัดสินใจและดำเนินการ”

แนวปฏิบัติการประเมินความเสี่ยงของกระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่น กำหนดในส่วนของโครงสร้างการดำเนินงานว่า ให้พยายามให้หัวหน้างานและผู้ที่อยู่ในระดับเดียวกันซึ่งรู้รายละเอียดของงานดี เป็นผู้ระบุอันตราย ประมาณระดับความเสี่ยง และพิจารณามาตรการลดความเสี่ยง (4(1) ง) จากนั้นหนังสือเวียนประกอบการบังคับใช้อธิบายว่า เนื่องจาก “การตัดสินใจและการดำเนินมาตรการลดความเสี่ยง ควรดำเนินการภายใต้ความรับผิดชอบของนายจ้าง” จึงไม่รวมไว้ในเรื่องที่ให้หัวหน้างานและผู้ที่อยู่ในระดับเดียวกันทำ สิ่งที่หัวหน้างานและผู้ที่อยู่ในระดับเดียวกันรับผิดชอบมีเพียงถึง “การพิจารณา” เราคิดว่า AI อยู่ในตำแหน่งที่ก่อนหน้านั้นอีกขั้น คือการเสนอ “วัตถุดิบสำหรับการพิจารณา”

พระราชบัญญัติความปลอดภัย อาชีวอนามัย และสภาพแวดล้อมในการทำงาน พ.ศ. 2554 (ค.ศ. 2011) ของไทย ตามฉบับแปลภาษาอังกฤษ กำหนดหน้าที่ของนายจ้างไว้ดังนี้

ฉบับแปลภาษาอังกฤษนี้เป็นฉบับแปลไม่เป็นทางการที่เผยแพร่โดยมหาวิทยาลัยสงขลานครินทร์ หากจะอ้างอิงทางกฎหมายต้องตรวจสอบกับตัวบทภาษาไทย

สำหรับบทบาทของหัวหน้างาน กฎกระทรวงการจัดให้มีเจ้าหน้าที่ความปลอดภัยในการทำงาน บุคลากร หน่วยงาน หรือคณะบุคคล เพื่อดำเนินการด้านความปลอดภัย อาชีวอนามัย และสภาพแวดล้อมในการทำงาน พ.ศ. 2565 (ค.ศ. 2022 ประกาศในราชกิจจานุเบกษาเมื่อวันที่ 17 มิถุนายน 2565) ระบุไว้อย่างเป็นรูปธรรม กฎกระทรวงนี้แบ่งเจ้าหน้าที่ความปลอดภัยในการทำงานโดยตำแหน่งออกเป็น 2 ระดับ คือ ระดับหัวหน้างานและระดับบริหาร (ข้อ6) หน้าที่ของ จป.หัวหน้างาน (เจ้าหน้าที่ความปลอดภัยในการทำงานระดับหัวหน้างาน ซึ่งหัวหน้างานดำรงตำแหน่งควบ) ตามข้อ9 ได้แก่ (1) กำกับดูแลให้ปฏิบัติตามคู่มือความปลอดภัยในการทำงาน (2) วิเคราะห์งานในหน่วยงานที่รับผิดชอบ เพื่อค้นหาอันตรายหรือความเสี่ยงในเบื้องต้น (4) สอนวิธีการทำงานที่ถูกต้อง (5) ตรวจสภาพความปลอดภัยของเครื่องจักร เครื่องมือ และอุปกรณ์ก่อนเริ่มงานทุกวัน เป็นต้น ข้อ (2) สามารถทำร่วมกับ จป. ระดับเทคนิคขึ้นไปได้ เราคิดว่าหน้าที่ของ จป.หัวหน้างานเหล่านี้ โดยเฉพาะการค้นหาอันตรายตามข้อ (2) คือกิจกรรม KY นั่นเอง แม้จะใช้ AI ช่วยเสนออันตรายที่เป็นไปได้ หน้าที่นี้ก็ไม่ได้ย้ายออกจากหัวหน้างาน

กฎกระทรวงยังกำหนดเรื่องคณะกรรมการความปลอดภัย อาชีวอนามัย และสภาพแวดล้อมในการทำงาน (คปอ.) ไว้ด้วย สถานประกอบกิจการที่มีลูกจ้าง 50 คนขึ้นไป ต้องจัดตั้ง คปอ. ภายใน 30 วันนับจากวันที่มีจำนวนลูกจ้างครบตามเกณฑ์ (ข้อ25) คปอ. เสนอเรื่องต่าง ๆ เช่น การพิจารณาคู่มือความปลอดภัยในการทำงาน ต่อนายจ้าง และประชุมอย่างน้อยเดือนละ 1 ครั้ง (ข้อ32 และ ข้อ33) เราคิดว่านโยบายการนำ AI มาใช้และขอบเขตของคู่มือการปฏิบัติงานที่ให้ AI อ้างอิง เป็นวาระที่เหมาะกับการประชุม คปอ.

สำหรับโรงงานที่เกี่ยวข้องกับสินค้าหรือเครื่องจักรสำหรับสหภาพยุโรป กฎหมาย AI ของ EU (Regulation (EU) 2024/1689) ก็เป็นแหล่งอ้างอิงได้ มาตรา 14(4) กำหนดให้ผู้กำกับดูแลเข้าใจความสามารถและข้อจำกัดของ AI ระวังแนวโน้มที่จะพึ่งพาผลลัพธ์โดยอัตโนมัติ (automation bias) ตีความผลลัพธ์ได้อย่างถูกต้อง และสามารถตัดสินใจไม่ใช้ได้ หากใช้ AI เป็นส่วนประกอบด้านความปลอดภัย (safety component) และเข้าเงื่อนไขทั้ง 2 ข้อของมาตรา 6(1) (เป็นส่วนประกอบด้านความปลอดภัยของผลิตภัณฑ์ หรือเป็นผลิตภัณฑ์เอง ที่อยู่ภายใต้กฎหมายการประสานมาตรฐานตามภาคผนวก I และผลิตภัณฑ์นั้นต้องผ่านการตรวจประเมินความสอดคล้องโดยบุคคลที่สาม) ก็อาจเข้าข่ายความเสี่ยงสูงได้ AI ที่สนับสนุน KY เข้าข่ายนี้หรือไม่เป็นการพิจารณาเป็นรายกรณี บทความนี้ไม่ได้ฟันธง และไม่ได้หมายความว่ากฎหมาย AI ของ EU ใช้บังคับกับโรงงานในไทยโดยตรง แต่เป็นการนำแนวคิด “คนเข้าใจข้อจำกัด และสามารถตัดสินใจไม่ใช้ได้” มาเป็นแหล่งอ้างอิงในการออกแบบ

ข้อจำกัดของ LLM ที่ทำงานลำพังจากงานวิจัย

งานวิจัยเกี่ยวกับว่า Generative AI จับอันตรายได้มากน้อยเพียงใด ล้วนมีเงื่อนไขจำกัด จึงไม่สามารถนำตัวเลขมาใช้กับ KY ของภาคการผลิตได้โดยตรง เราสรุปไว้คู่กับเงื่อนไขดังนี้

จากข้อมูลเหล่านี้ ไม่สามารถสรุปตัวเลขทั่วไปอย่าง “AI มองข้ามอันตรายไปกี่สิบเปอร์เซ็นต์” ได้ และในการสำรวจครั้งนี้ เราไม่พบบทความวิชาการที่ผ่านการพิจารณาจากผู้ทรงคุณวุฒิซึ่งนับอันตรายที่ตรวจไม่พบใน KY หรือ JHA แบบข้อความของภาคการผลิต เราคิดว่าสิ่งที่พูดได้มี 2 ข้อดังนี้

ข้อแรก หากให้ LLM ระบุอันตรายโดยไม่ให้หลักฐานอ้างอิง อย่างน้อยในบางเงื่อนไข อันตรายที่ตรวจไม่พบจะมีมาก แม้งานวิจัย ISARC จะใช้ภาพเป็นข้อมูลนำเข้า แต่เราคิดว่าเงื่อนไขแบบ zero-shot ที่ไม่ให้ทั้งคู่มือการปฏิบัติงานและข้อมูลอุบัติเหตุในอดีต คล้ายกับวิธีใช้แบบ “ป้อนแค่ชื่องานแล้วให้สร้างใบ KY”

ข้อสอง AI กับคนอาจเสนออันตรายที่อีกฝ่ายมองข้ามได้ เราคิดว่าการแบ่งบทบาทที่ให้ AI เข้ามาใน 1R ในฐานะ “อีกหนึ่งมุมมอง” ไม่ใช่ “ตัวแทนคน” ไม่ขัดกับผลของการศึกษานำร่องของ CIB

โปรไฟล์ Generative AI “NIST AI 600-1” (กรกฎาคม ค.ศ. 2024) ของสถาบันมาตรฐานและเทคโนโลยีแห่งชาติสหรัฐฯ (NIST) นิยาม confabulation (ข้อมูลผิดที่ดูน่าเชื่อ) ว่าเป็น “การสร้างเนื้อหาที่ผิดหรือไม่เป็นความจริงซึ่งถูกกล่าวอย่างมั่นใจ” และระบุว่าเรียกกันทั่วไปว่า hallucination ด้วย ตาม NIST confabulation เป็นผลตามธรรมชาติของการออกแบบโมเดลเชิงสร้าง บางครั้งแม้แต่ตรรกะการให้เหตุผลหรือการอ้างอิงก็ถูก confabulate ขึ้นมา และนำไปสู่การที่คนเชื่อมากเกินไป เราคิดว่าในกรณี KY สิ่งนี้จะปรากฏในรูปของมาตรการที่ดูสมเหตุสมผล แต่ที่จริงขัดกับคู่มือการปฏิบัติงานของบริษัทเอง

แกนหลักข้อ 2: ออกแบบให้อ้างอิงหลักฐานและแสดงแหล่งที่มา

เพื่อรับมือกับอันตรายที่ตรวจไม่พบและข้อผิดพลาดที่ดูน่าเชื่อ บทความนี้แนะนำการออกแบบที่ให้ AI อ้างอิงเอกสารของบริษัทเอง และแสดงแหล่งที่มาของอันตรายและมาตรการแต่ละรายการ ส่วนจะให้อ้างอิงอะไรนั้น รายการที่แนวปฏิบัติของกระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่นระบุไว้ในข้อ 7(1) ว่าเป็นข้อมูลที่ควรได้มาในการสำรวจ เป็นแนวทางที่ดี เมื่อนำมารวมกับคำอธิบายในหนังสือเวียนประกอบการบังคับใช้ แล้วแปลงเป็นข้อมูลอ้างอิงของ AI ที่สนับสนุน KY จะได้ดังนี้ (ข้อย่อย ก–ช เรียงตามลำดับในต้นฉบับ)

แนวปฏิบัติยังกำหนดให้รวมเอกสารของงานที่ไม่ใช่งานประจำไว้ด้วย คู่มือของ OSHA ก็ระบุว่า วิธีเริ่มทำ JHA คือ “ทบทวนประวัติอุบัติเหตุ (รวมถึงเหตุการณ์เกือบเกิดอุบัติเหตุ)”

การจะให้ AI อ้างอิงรายงานเหตุการณ์เกือบเกิดอุบัติเหตุได้ รายงานต้องอยู่ในรูปที่ค้นหาได้ตามงาน เครื่องจักร และสถานที่ การจัดประเภทและสรุปรายงานอยู่ในบทความ “การนำ AI วิเคราะห์รายงาน Near Miss มาใช้ในโรงงานไทย”

NIST AI 600-1 ระบุว่า ในการรับมือกับ confabulation ควรทบทวนและตรวจสอบแหล่งที่มาและการอ้างอิงในผลลัพธ์ ภายใต้การวัดความเสี่ยงก่อนนำไปใช้และการเฝ้าติดตามอย่างต่อเนื่อง (MS-2.5-003) และยังระบุถึงการบันทึกว่าใช้ความรู้เฉพาะด้านของคน เช่น RAG (Retrieval-Augmented Generation) หรือกฎทางธุรกิจ มากน้อยเพียงใด (MS-2.5-002) และการตรวจสอบว่าข้อมูลของ RAG มีหลักฐานรองรับ (MS-2.5-005) เราคิดว่าสำหรับ AI ที่สนับสนุน KY สิ่งเหล่านี้จะกลายเป็นข้อกำหนดของหน้าจอดังนี้

• แสดงชื่อเอกสาร ฉบับ (เวอร์ชัน) และตำแหน่งที่อ้างอิง สำหรับอันตรายที่เป็นไปได้และแนวทางมาตรการทีละรายการ
• รายการที่ไม่มีเอกสารอ้างอิง (รายการที่มาจากความรู้ทั่วไปของ AI) ต้องแสดงให้รู้ว่าเป็นเช่นนั้น
• หัวหน้างานสามารถปฏิเสธรายการได้ด้วยเหตุผล “หลักฐานเก่า” “ไม่มีหลักฐาน” หรือ “ไม่ตรงกับหน้างานนี้” และบันทึกเหตุผลนั้นได้

การที่คู่มือการปฏิบัติงานที่ให้อ้างอิงเป็นฉบับล่าสุดหรือไม่ก็สำคัญเช่นกัน กลไกที่ไม่ให้ใช้ฉบับเก่าในการตอบ สรุปไว้ใน “จัดการเวอร์ชันเอกสารใน RAG โรงงาน: ข้อกำหนดติดตั้งและเกณฑ์ตรวจรับ” สำหรับงานที่ยังไม่มีคู่มือการปฏิบัติงานที่สมบูรณ์ แนวทางการใช้ AI จัดทำคู่มือ อนุมัติ แล้วตรวจเทียบกับหน้างาน สรุปไว้ใน “ใช้ AI สร้างมาตรฐานการปฏิบัติงานในโรงงาน: จากฉบับร่างถึงการอนุมัติ”

งานที่ไม่ใช่งานประจำและใบอนุญาตทำงาน (Permit to Work): สถานการณ์ที่ AI มักช่วยได้

เราคิดว่าการเสนออันตรายที่เป็นไปได้ของ AI มักมีประโยชน์กับงานที่ไม่ใช่งานประจำ เพราะงานเปลี่ยนรุ่นการผลิต งานทำความสะอาด งานซ่อมบำรุง การรับมือเมื่อเครื่องจักรขัดข้อง และงานในที่อับอากาศ เกิดขึ้นไม่บ่อย และประสบการณ์ของหัวหน้างานแต่ละคนจึงต่างกันได้ง่าย

แนวปฏิบัติของกระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่น กำหนดให้รวมเอกสารของงานที่ไม่ใช่งานประจำไว้ในข้อมูลที่ได้มาในการสำรวจ และหนังสือเวียนประกอบการบังคับใช้กำหนดให้ได้มาซึ่งข้อมูลการเปลี่ยนรุ่นการผลิตด้วย แนวปฏิบัติระบุช่วงเวลาที่ควรสำรวจ เช่น เมื่อนำเครื่องจักร วิธีการทำงาน หรือขั้นตอนการทำงานใหม่มาใช้หรือเปลี่ยนแปลง และเมื่อเกิดอุบัติเหตุ คู่มือของ OSHA ก็ระบุงานที่ควรทำ JHA ก่อน ได้แก่ งานที่มีอัตราการเกิดอุบัติเหตุสูงที่สุด งานที่อาจเกิดอุบัติเหตุร้ายแรง งานที่ความผิดพลาดง่าย ๆ เพียงครั้งเดียวนำไปสู่อุบัติเหตุร้ายแรง งานใหม่หรืองานที่มีการเปลี่ยนแปลง และงานที่ซับซ้อนจนต้องมีคำสั่งเป็นลายลักษณ์อักษร

มาตรา 16 ของพระราชบัญญัติของไทย (ตามฉบับแปลภาษาอังกฤษ) ก็กำหนดให้ฝึกอบรมก่อนเริ่มงานเมื่อเปลี่ยนงานหรือเปลี่ยนเครื่องจักรอุปกรณ์ เราคิดว่าหากให้ AI อ้างอิงคู่มือการปฏิบัติงานของงานซ่อมบำรุง และอุบัติเหตุหรือเหตุการณ์เกือบเกิดอุบัติเหตุที่เคยเกิดกับเครื่องจักรนั้น แม้หัวหน้างานที่มีประสบการณ์น้อยก็จะได้เบาะแสในการค้นหาอันตราย

งานในที่อับอากาศเชื่อมโยงกับขั้นตอนใบอนุญาตทำงาน (Permit to Work) ตามตัวบทของกฎกระทรวงว่าด้วยงานในที่อับอากาศ พ.ศ. 2562 (ค.ศ. 2019) ที่เผยแพร่โดย SHE จุฬาลงกรณ์มหาวิทยาลัย นายจ้างต้องตรวจวัด บันทึก และประเมินบรรยากาศก่อนและระหว่างการทำงาน และทุกครั้งที่ให้ลูกจ้างทำงานในที่อับอากาศ ต้องจัดทำหนังสืออนุญาต โดยระบุผลการประเมินอันตราย มาตรการความปลอดภัย และอื่น ๆ ผู้รับผิดชอบในการอนุญาตโดยหลักคือนายจ้าง และสามารถมอบหมายเป็นหนังสือให้ลูกจ้างที่ผ่านการฝึกอบรมได้ ที่หน้างานต้องมีผู้ควบคุมงานประจำอยู่ตลอดเวลา และให้มีอำนาจสั่งหยุดงานชั่วคราวเมื่อมีอันตราย

การออกและลงนามหนังสืออนุญาต รวมถึงการตัดสินใจของผู้ควบคุมงาน ไม่สามารถแทนที่ด้วย AI ได้ เราคิดว่าควรถือผลลัพธ์ของ AI เป็นรายการที่เป็นไปได้สำหรับ KY ก่อนเริ่มงาน และแยกออกจากการตัดสินใจอนุญาตให้ชัดเจนแม้บนหน้าจอ

การออกแบบการแปลหลายภาษา: KY ภาษาไทยและภาษาเมียนมา

โรงงานในไทยบางแห่งมีผู้ปฏิบัติงานจากประเทศเพื่อนบ้านทำงานร่วมกับคนไทย ตามเอกสารที่ภาคประชาสังคมยื่นต่อคณะทำงานของสหประชาชาติ ซึ่งอ้างตัวเลขของกระทรวงแรงงาน ระบุว่า ณ เดือนมีนาคม ค.ศ. 2025 แรงงานต่างด้าวที่ได้รับใบอนุญาตทำงานมีประมาณ 3.1 ล้านคน (ครั้งนี้เราไม่ได้ตรวจสอบตารางต้นฉบับของกระทรวงแรงงาน)

บทบัญญัติของไทยที่กำหนดให้การอบรมความปลอดภัยหรือคู่มือการปฏิบัติงานต้องใช้ภาษาที่ลูกจ้างเข้าใจ ในการสำรวจครั้งนี้เราไม่พบทั้งในตัวบทพระราชบัญญัติ กฎกระทรวง พ.ศ. 2565 และหน้าตัวบทของกฎกระทรวงว่าด้วยงานในที่อับอากาศ (ไม่ได้หมายความว่ายืนยันแล้วว่าไม่มีบทบัญญัติดังกล่าว) อย่างไรก็ตาม เมื่อมาตรา 14 ของพระราชบัญญัติ (ตามฉบับแปลภาษาอังกฤษ) กำหนดให้นายจ้างแจ้งอันตราย เราคิดว่าหากสื่อไปไม่ถึงผู้ปฏิบัติงาน ความหมายก็ลดลง

กระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่น เผยแพร่สื่อการอบรมความปลอดภัยและอาชีวอนามัยสำหรับแรงงานต่างชาติ “ความปลอดภัยและสุขภาพของผู้ทำงานที่เข้าใจได้ด้วยการ์ตูน” (ชื่อภาษาญี่ปุ่น Manga de Wakaru Hataraku Hito no Anzen to Kenko) ใน 11 ภาษา รวมถึงภาษาไทยและภาษาเมียนมา ตามรายการในหน้าเว็บของกระทรวง สื่อเหล่านี้เป็นเบาะแสสำหรับคำศัพท์และสำนวน

หากใช้ AI แปล KY หรือการประชุมความปลอดภัยก่อนเริ่มงานเป็นหลายภาษา บทความนี้เสนอวิธีปฏิบัติดังนี้

• จัดทำอภิธานศัพท์ก่อน: จับคู่ชื่อเครื่องจักร ชื่อชิ้นส่วน วิธีเรียกอันตราย (ถูกหนีบ ถูกดึงเข้าเครื่อง ถูกบาด ถูกทิ่มแทง เป็นต้น) และชื่ออุปกรณ์ป้องกันอันตรายส่วนบุคคลในแต่ละภาษา แล้วให้ AI แปลโดยใช้อภิธานศัพท์นั้น
• หัวหน้างานตรวจด้วยภาษาของตัวเอง: หากหัวหน้างานเป็นคนไทย ให้แสดงรายการของ AI เป็นภาษาไทย และตรวจแก้เป็นภาษาไทย
• ใช้การอ่านออกเสียงร่วมกับการตรวจความเข้าใจกับผู้ปฏิบัติงาน: แสดงและอ่านเป้าหมายการปฏิบัติเป็นภาษาของผู้ปฏิบัติงาน แล้วให้พูดทวนด้วยคำพูดของตัวเอง
• การชี้นิ้วและขานรับหรือการขานพร้อมกัน ทำด้วยภาษาที่ใช้ ณ ที่นั้น: จะขานด้วยภาษากลางของทีม หรือแยกตามภาษา ให้แต่ละที่ทำงานตัดสินใจเอง การแปลของ AI เป็นเครื่องมือเตรียมถ้อยคำสำหรับการขาน ไม่ได้ใช้แทนการขานเอง

กลไกที่ทำให้คำศัพท์ตรงกันในการใช้ AI แปลเอกสารภายในบริษัท สรุปไว้ใน “ระบบแปลภาษาอัตโนมัติสำหรับองค์กรและโรงงานไทย”

การที่หัวหน้างานจะปฏิเสธรายการของ AI ได้ ต้องมีการอบรมให้เรียนรู้วิธีใช้งานที่ตรวจสอบหลักฐานด้วยภาษาของตัวเองด้วย แนวทางการอบรม Generative AI เป็นภาษาไทย ดูได้ที่ “การฝึกอบรม Generative AI ภาษาไทย – สื่อการสอนและวิทยากรที่เข้าถึงพนักงานคนไทย”

การแบ่งบทบาทจากกรณีที่เปิดเผยต่อสาธารณะ

ในญี่ปุ่น มีการประกาศและรายงานข่าวเกี่ยวกับความพยายามใช้ AI กับกิจกรรม KY ในสาขาก่อสร้างและลิฟต์ ทั้งหมดเป็นกรณีภายในประเทศญี่ปุ่น ไม่ได้แสดงถึงการให้บริการหรือรองรับภาคการผลิตในไทย ในที่นี้จะสรุปเพียงฟังก์ชันและตำแหน่งที่คนตรวจสอบ ลำดับเรียงตามลำดับอักษรของชื่อบริษัทในภาษาญี่ปุ่น ไม่ได้มีความหมายถึงความเหนือกว่าหรือการแนะนำ

ตามรายงานข่าว ความพยายามของ Tokyu Construction เป็น PoC ที่ทำในหลายหน้างานช่วงมีนาคม–มิถุนายน ค.ศ. 2026 มีผู้อำนวยการโครงการ ผู้ควบคุมงานก่อสร้าง และหัวหน้างาน รวม 16 คนเข้าร่วม และมีการระบุปัญหาคือ ความแม่นยำในการรู้จำเสียงพูดภายใต้เสียงดัง และหน้างานที่มีข้อจำกัดด้านการสื่อสาร ส่วน KY-Support ของ Mitsubishi Electric Building Solutions ตามรายงานข่าว มีพื้นฐานจากเทคโนโลยีสนับสนุนงานภาคสนามด้วย Generative AI ที่ Mitsubishi Electric ร่วมมือกับ AWS และมีกำหนดนำไปใช้ในหน่วยงานลิฟต์ทีละขั้นตั้งแต่เมษายน ค.ศ. 2026

บทบาทของ AI แยกเป็น “เสนอรายการที่เป็นไปได้” “ค้นหากรณีในอดีต” และ “บันทึกและประเมิน” เนื่องจากบางกรณีไม่สามารถอ่านตำแหน่งที่คนตรวจสอบได้จากข้อมูลสาธารณะ เราคิดว่าเมื่อนำมาใช้ในบริษัทเอง ควรระบุตำแหน่งที่คนตรวจสอบและตัดสินใจไว้ในข้อกำหนดอย่างชัดเจน

แกนหลักข้อ 3: ตรวจ “อันตรายที่ตรวจไม่พบ” “มาตรการที่ไม่ถูกต้อง” และ “ภาษา” แยกกัน

หากประเมิน AI ที่สนับสนุน KY ด้วยความรู้สึกว่า “สะดวกดี” เพียงอย่างเดียว อาจมองข้ามข้อบกพร่องด้านความปลอดภัย บทความนี้แนะนำให้นับและบันทึก 3 อย่างต่อไปนี้แยกกัน

เหตุที่แยก 3 อย่างนี้ เพราะวิธีแก้ต่างกัน อันตรายที่ตรวจไม่พบแก้ด้วยการทบทวนข้อมูลอ้างอิงและรายการที่ป้อน มาตรการที่ไม่ถูกต้องแก้ด้วยการเสริมการจัดการเวอร์ชันและการแสดงแหล่งที่มา ส่วนภาษาแก้ด้วยการปรับปรุงอภิธานศัพท์และการอ่านออกเสียง หากรวมเป็น “ความแม่นยำ” ตัวเดียว จะไม่รู้ว่าควรแก้ตรงไหน

เราคิดว่าควรให้น้ำหนักกับ “มาตรการที่ไม่ถูกต้อง” เป็นพิเศษ เพราะเมื่อมาตรการที่ดูสมเหตุสมผลถูกแสดงพร้อมแหล่งที่มา หัวหน้างานอาจเชื่อและนำไปใช้ นี่คือสภาวะที่ NIST ยกเป็นตัวอย่างของ automation bias คือคนเข้าใจไปเองว่าผลลัพธ์มีคุณภาพสูงกว่าความเป็นจริง

บทความนี้ไม่ได้ระบุตัวเลขเกณฑ์ผ่าน เพราะขอบเขตที่ยอมรับได้ต่างกันตามความร้ายแรงของอันตรายในงานเป้าหมายและระดับของ KY ที่ทำอยู่ เราคิดว่าสิ่งสำคัญคือ คปอ. หรือเจ้าหน้าที่ความปลอดภัยต้องกำหนดไว้ก่อนการทดสอบว่า “อันตรายประเภทใดที่ต้องตรวจพบเสมอ (ห้ามพลาด)” และ “จะจัดการอย่างไรเมื่อมีมาตรการที่ไม่ถูกต้อง”

แผนภาพต่อไปนี้แสดงรายละเอียดอุบัติเหตุจากการทำงานในไทยปี พ.ศ. 2567 (ค.ศ. 2024) ตามรายงานของ สปส. หยุดงานไม่เกิน 3 วัน 62,065 ราย หยุดงานเกิน 3 วัน 24,127 ราย สูญเสียอวัยวะบางส่วน 925 ราย เสียชีวิต 595 ราย ทุพพลภาพ 16 ราย รวม 87,728 ราย จำนวนส่วนใหญ่อยู่ในกลุ่มหยุดงานไม่เกิน 3 วัน แต่ก็มีผู้เสียชีวิต 595 ราย เราคิดว่าอันตรายที่ต้องตรวจพบเสมอ ควรกำหนดจากความร้ายแรงของผลที่ตามมา ไม่ใช่จากจำนวนครั้งเพียงอย่างเดียว แผนภาพนี้เป็นข้อมูลพื้นหลังของอุบัติเหตุจากการทำงานในไทยโดยรวม ไม่ได้แสดงผลของ AI

ตามรายงานฉบับเดียวกัน อัตราการประสบอันตรายปี พ.ศ. 2567 คือ 7.23 รายต่อลูกจ้างในความคุ้มครอง 1,000 คน และมีลูกจ้างในความคุ้มครอง 12,134,149 คน

การจัดการข้อมูลส่วนบุคคลและบันทึก KY

เมื่อทำ KY เป็นดิจิทัลและบันทึกเสียง ชื่อ รูปถ่ายใบหน้า และเสียงของผู้ปฏิบัติงานอาจถูกเก็บไว้ในระบบ เกี่ยวกับพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 (PDPA) ของไทย ตามข้อมูลทุติยภูมิ มาตรา 19 กำหนดให้โดยหลักต้องได้รับความยินยอมจากเจ้าของข้อมูล มาตรา 24 กำหนดข้อยกเว้นที่ไม่ต้องขอความยินยอม เช่น ประโยชน์โดยชอบด้วยกฎหมาย และมาตรา 26 กำหนดให้ข้อมูลอ่อนไหว เช่น เชื้อชาติ สุขภาพ และข้อมูลชีวภาพ ต้องได้รับความยินยอมโดยชัดแจ้ง หรือเข้าข้อยกเว้นที่จำกัด ระบุว่าแม้ในกรณีที่ไม่ต้องขอความยินยอม ผู้ประกอบการก็ต้องแจ้งให้ลูกจ้างทราบก่อนเก็บข้อมูล

รูปถ่ายหรือเสียงในบันทึก KY จะเป็นข้อมูลชีวภาพตามมาตรา 26 หรือไม่ ระบุว่าขึ้นอยู่กับวิธีการใช้ เช่น ใช้ระบุตัวบุคคลหรือไม่ ในการสำรวจครั้งนี้เราไม่พบความเห็นอย่างเป็นทางการว่ารูปถ่ายหรือเสียงเป็นข้อมูลชีวภาพโดยอัตโนมัติ เนื่องจากอาจถูกจัดเป็นข้อมูลชีวภาพ บทความนี้คิดว่าควรกำหนดเรื่องต่อไปนี้ไว้ก่อนนำระบบมาใช้

• บันทึกชื่อ รูปถ่าย และเสียงเพื่ออะไร (บันทึกการเข้าร่วม ตรวจความเข้าใจ หรือติดตามย้อนหลังเมื่อเกิดอุบัติเหตุ)
• จะขอความยินยอม หรือถือว่าการแจ้งให้ทราบเพียงพอ และหลักฐานรองรับคืออะไร
• จะลบเสียงหลังถอดเป็นข้อความหรือไม่ และจะเก็บไว้นานเท่าใด
• ใครดูบันทึกได้บ้าง

ข้อมูลที่ป้อนใน KY อาจมีชื่อผู้ปฏิบัติงานหรือรายละเอียดอุบัติเหตุ จึงจำเป็นต้องกำหนดในระเบียบว่าข้อมูลใดป้อนเข้า Generative AI ได้ จุดที่มักมองข้ามในระเบียบการใช้ Generative AI ของฐานการผลิตในไทย สรุปไว้ใน “ระเบียบการใช้งาน Generative AI 2026 ช่องโหว่ 4 จุดของฉบับสำนักงานใหญ่ในไทย”

รายการที่ควรเขียนใน RFP

หากจ้างภายนอกพัฒนา AI ที่สนับสนุน KY แนะนำให้เขียนรายการต่อไปนี้ใน RFP (เอกสารขอข้อเสนอ) ซึ่งเป็นการแปลง 3 เรื่อง คือ การแบ่งบทบาท หลักฐานอ้างอิง และการตรวจสอบ ให้เป็นภาษาของข้อกำหนด

เราคิดว่าโดยเฉพาะ “หน้าจอและ log สำหรับการตรวจสอบและอนุมัติโดยคน” และ “การแสดงแหล่งที่มา” ควรเป็นข้อกำหนดบังคับ ไม่ใช่ตัวเลือกเสริม

การออกแบบ PoC และการทดสอบรับมอบ

แนะนำให้ออกแบบ PoC (การพิสูจน์แนวคิด) และการทดสอบรับมอบของ AI ที่สนับสนุน KY ให้เป็นการนับ 3 ตัวชี้วัดในแกนหลักข้อ 3 ไม่ใช่ “ความรู้สึกหลังลองใช้”

วิธีเลือกกรณีทดสอบ: หากเน้นงานที่เคยเกิดอุบัติเหตุหรือเหตุการณ์เกือบเกิดอุบัติเหตุ ก็จะตรวจได้ว่า “AI เสนออันตรายนั้นเป็นรายการที่เป็นไปได้หรือไม่” และให้รวมงานที่ไม่ใช่งานประจำและงานที่มีการเปลี่ยนเครื่องจักรด้วย

วิธีจัดทำรายการคำตอบที่ถูกต้อง: เจ้าหน้าที่ความปลอดภัยและหัวหน้างานที่มีประสบการณ์ จัดทำรายการอันตรายที่ควรระบุและมาตรการที่ถูกต้องสำหรับแต่ละกรณีทดสอบไว้ก่อน หากจัดทำหลังเห็นผลลัพธ์ของ AI อาจถูกรายการของ AI ชักนำ

การบันทึก 3 ตัวชี้วัด: เปรียบเทียบรายการของ AI กับรายการคำตอบที่ถูกต้องเพื่อบันทึกอันตรายที่ตรวจไม่พบ และพิจารณาแนวทางมาตรการทีละรายการเพื่อบันทึกมาตรการที่ไม่ถูกต้อง ส่วนภาษา ให้อ่านให้ผู้ปฏิบัติงานฟังแล้วให้พูดทวนด้วยคำพูดของตัวเอง เพื่อตรวจความเข้าใจและบันทึก และตรวจไปพร้อมกันว่าการแสดงแหล่งที่มาถูกต้องหรือไม่ (ตำแหน่งที่อ้างอิงในเอกสารที่แสดงมีเนื้อหานั้นจริงหรือไม่)

เกณฑ์ผ่านให้บริษัทกำหนดเอง: ก่อนการทดสอบ ผู้ว่าจ้างต้องกำหนดและบันทึกไว้ว่า อันตรายประเภทใดที่ต้องตรวจพบเสมอ หากมีมาตรการที่ไม่ถูกต้องแม้เพียง 1 รายการจะถือว่าไม่ผ่านหรือไม่ และวิธีตรวจความเข้าใจด้านภาษา

การทบทวนหลังใช้งานจริง: คู่มือของ OSHA ระบุว่าควรทบทวน JHA เป็นระยะ ทบทวนเป็นพิเศษเมื่อเกิดอุบัติเหตุ และเมื่อแก้ไขแล้วต้องอบรมทุกคนที่ได้รับผลกระทบ เราคิดว่าสำหรับ AI ที่สนับสนุน KY ก็ควรสร้างกระบวนการนำรายการที่หัวหน้างานปฏิเสธและอันตรายที่เพิ่มเข้ามา กลับไปปรับปรุงข้อมูลอ้างอิงและอภิธานศัพท์

แผนภาพต่อไปนี้คือลำดับการปฏิบัติงานที่บทความนี้เสนอ AI จัดทำร่างพร้อมแหล่งที่มาจากข้อมูลที่ป้อน หัวหน้างานตัดสินใจรับ แก้ไข หรือปฏิเสธ ทีมทำ KY ซึ่งรวมการชี้นิ้วและขานรับ แล้วบันทึก และนำกลับไปปรับปรุงข้อมูล

การกำหนดว่าจะยุติ PoC ตรงไหนแล้วย้ายไปใช้งานจริง และจะออกแบบการตรวจรับและการส่งมอบงานปฏิบัติการอย่างไร สรุปไว้ใน “เกณฑ์ยุติโครงการทดลองปัญญาประดิษฐ์ เพื่อขึ้นระบบจริงและส่งมอบงาน”

คำถามที่พบบ่อย

มอบการคาดการณ์อันตรายให้ AI ทำได้หรือไม่

เราคิดว่าไม่ควรมอบการคาดการณ์อันตรายทั้งหมดให้ AI สิ่งที่ AI รับผิดชอบมีเพียงการเสนออันตรายที่เป็นไปได้ การรวบรวมแนวทางมาตรการ การแปลหลายภาษา และการบันทึก ส่วนการคัดเลือกและการตัดสินใจเป็นหน้าที่ของหัวหน้างานและทีม แนวปฏิบัติและหนังสือเวียนประกอบการบังคับใช้ของกระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่น ก็กำหนดให้หัวหน้างานและผู้ที่อยู่ในระดับเดียวกันรับผิดชอบเพียงถึง “การพิจารณา” มาตรการลดความเสี่ยง ส่วน “การตัดสินใจและการดำเนินการ” เป็นความรับผิดชอบของนายจ้าง

แค่ทำใบ KY ดิจิทัล AI ก็มีประโยชน์แล้วหรือไม่

แม้เป็นเพียงการทำเป็นดิจิทัล ก็ค้นหาบันทึกตามงาน วันที่ และเครื่องจักรได้ และติดตาม KY ของวันที่เกิดอุบัติเหตุย้อนหลังได้ง่ายขึ้น เราคิดว่าบันทึกที่สะสมไว้จะเป็นวัตถุดิบให้ AI อ้างอิงเป็นหลักฐานในการเสนออันตรายที่เป็นไปได้ใน KY ครั้งต่อไป จึงเป็นการเตรียมพร้อมสำหรับการใช้ AI ด้วย

ใช้ AI แปล KY ภาษาไทยและภาษาเมียนมาได้หรือไม่

ใช้ได้ โดยมีเงื่อนไขว่าต้องใช้ร่วมกับอภิธานศัพท์และการตรวจสอบโดยคน ให้ AI ใช้อภิธานศัพท์ของโรงงาน หัวหน้างานตรวจด้วยภาษาของตัวเอง และอ่านให้ผู้ปฏิบัติงานฟังแล้วให้พูดทวนด้วยคำพูดของตัวเอง ในการทดสอบรับมอบ ให้บันทึก “ภาษา” เป็นตัวชี้วัดแยกต่างหาก

จะป้องกันข้อผิดพลาดที่ดูน่าเชื่อของ Generative AI ได้อย่างไร

ออกแบบโดยตั้งสมมติฐานว่าป้องกันได้ไม่หมด NIST ระบุว่า confabulation เป็นผลตามธรรมชาติของการออกแบบโมเดลเชิงสร้าง และแนะนำให้ทบทวนและตรวจสอบแหล่งที่มาและการอ้างอิง ให้แสดงชื่อ ฉบับ และตำแหน่งของเอกสารที่อ้างอิงในแต่ละรายการ ให้หัวหน้างานปฏิเสธรายการที่หลักฐานเก่าหรือไม่มีหลักฐานได้ และรักษาคู่มือการปฏิบัติงานให้เป็นฉบับล่าสุด

จะประมาณค่าใช้จ่ายในการนำ AI สำหรับกิจกรรม KY มาใช้อย่างไร

จำนวนเงินเปลี่ยนไปตามจำนวนงานเป้าหมาย จำนวนภาษา และสถานะการเตรียมข้อมูลอ้างอิง บทความนี้จึงไม่ได้ระบุ แนะนำให้ขอให้เสนอค่าใช้จ่ายแยกเป็นการสร้างระบบเริ่มต้น การเตรียมข้อมูลอ้างอิง การจัดทำอภิธานศัพท์ ค่าใช้งาน การบำรุงรักษา และภาษาเพิ่มเติม เราคิดว่าการเตรียมข้อมูลอ้างอิงเป็นงานหลักในการลดอันตรายที่ตรวจไม่พบ และควรประมาณชั่วโมงงานภายในบริษัทไว้ด้วย

สรุป

• เราคิดว่าเมื่อนำ AI มาใช้กับกิจกรรม KY สิ่งที่ต้องกำหนดก่อนไม่ใช่ชื่อเครื่องมือ แต่เป็น 3 เรื่อง คือ (1) การแบ่งบทบาท (2) หลักฐานอ้างอิง และ (3) การตรวจสอบ
• การแบ่งบทบาท: AI รับผิดชอบการเสนออันตรายที่เป็นไปได้ใน 1R การรวบรวมแนวทางมาตรการใน 3R การแปลหลายภาษา และการบันทึก ส่วนการคัดเลือกใน 2R และการตัดสินใจใน 4R เป็นหน้าที่ของหัวหน้างานและทีม (การจัดแบ่งนี้เป็นการอนุมานของบริษัทเรา) แนวปฏิบัติและหนังสือเวียนประกอบการบังคับใช้ของญี่ปุ่นก็วางให้หัวหน้างานและผู้ที่อยู่ในระดับเดียวกันทำ “การพิจารณา” และให้นายจ้างทำ “การตัดสินใจและการดำเนินการ”
• หลักฐานอ้างอิง: ให้ AI อ้างอิงคู่มือการปฏิบัติงาน SDS กรณีอุบัติเหตุ เหตุการณ์เกือบเกิดอุบัติเหตุ และบันทึก KY ในอดีต แล้วให้แสดงแหล่งที่มาของแต่ละรายการ
• การตรวจสอบ: ใน RFP, PoC และการทดสอบรับมอบ ให้นับและบันทึกอันตรายที่ตรวจไม่พบ มาตรการที่ไม่ถูกต้อง และภาษา แยกกัน เกณฑ์ผ่านให้บริษัทกำหนดเอง
• เราคิดว่าควรวาง AI ไว้ในฐานะเครื่องมือที่สนับสนุนคุณภาพของกิจกรรม KY ไม่ใช่สิ่งที่มาแทนที่กิจกรรม KY

แม้อยู่ในขั้นสำรวจว่าใบ KY คู่มือการปฏิบัติงาน และรายงานเหตุการณ์เกือบเกิดอุบัติเหตุถูกทำเป็นดิจิทัลไปแล้วมากน้อยเพียงใด หรือกำลังพิจารณาว่าจะเตรียมข้อมูลให้ AI อ้างอิงอย่างไร ก็สามารถปรึกษา TOMAS TECH ได้ ติดต่อเราได้ที่นี่

แหล่งอ้างอิง

• กระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่น เว็บไซต์ Shokuba no Anzen Site “คำสำคัญด้านความปลอดภัยและอาชีวอนามัย: KYT (การฝึกคาดการณ์อันตราย)” (ภาษาญี่ปุ่น) https://anzeninfo.mhlw.go.jp/yougo/yougo40_1.html
• กระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่น “แนวปฏิบัติว่าด้วยการสำรวจอันตรายหรือสิ่งที่เป็นอันตรายต่อสุขภาพ” และหนังสือเวียนประกอบการบังคับใช้ (เอกสารอ้างอิง PDF ภาษาญี่ปุ่น) https://www.mhlw.go.jp/bunya/roudoukijun/anzeneisei14/dl/080201g_0001.pdf
• กระทรวงสาธารณสุข แรงงาน และสวัสดิการของญี่ปุ่น “การบริหารความปลอดภัยและอาชีวอนามัยของแรงงานต่างชาติ” (ภาษาญี่ปุ่น) https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/0000186714.html
• OSHA “Job Hazard Analysis” Publication 3071 (ฉบับปรับปรุง ค.ศ. 2002, PDF) https://www.osha.gov/sites/default/files/publications/osha3071.pdf
• Presencis “ISO 45001 Article 5.4” https://cdn.presencis.com/regulations/iso-45001/article-5.4/
• “Occupational Safety, Health and Environment Act B.E.2554” ฉบับแปลภาษาอังกฤษที่เผยแพร่โดยมหาวิทยาลัยสงขลานครินทร์ (ฉบับแปลไม่เป็นทางการ, PDF) https://scit-services.surat.psu.ac.th/she/assets/RESEARCH/KM_FILE_6725f41322d3e.pdf
• “กฎกระทรวง การจัดให้มีเจ้าหน้าที่ความปลอดภัยในการทำงาน 2565” ที่เผยแพร่โดย SHE จุฬาลงกรณ์มหาวิทยาลัย (PDF ราชกิจจานุเบกษา) https://www.shecu.chula.ac.th/data/boards/748/%E0%B8%81%E0%B8%8E%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%97%E0%B8%A3%E0%B8%A7%E0%B8%87%20%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%88%E0%B8%B1%E0%B8%94%E0%B9%83%E0%B8%AB%E0%B9%89%E0%B8%A1%E0%B8%B5%E0%B9%80%E0%B8%88%E0%B9%89%E0%B8%B2%E0%B8%AB%E0%B8%99%E0%B9%89%E0%B8%B2%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%9B%E0%B8%A5%E0%B8%AD%E0%B8%94%E0%B8%A0%E0%B8%B1%E0%B8%A2%E0%B9%83%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%202565.PDF
• SHE จุฬาลงกรณ์มหาวิทยาลัย “กฎกระทรวงว่าด้วยงานในที่อับอากาศ พ.ศ. 2562” https://www.shecu.chula.ac.th/home/content1.asp?Cnt=558
• สำนักงานกองทุนเงินทดแทน สำนักงานประกันสังคม “สถานการณ์การประสบอันตรายหรือเจ็บป่วยเนื่องจากการทำงาน 2563-2567” (PDF) https://www.sso.go.th/wpr/assets/upload/files_storage/sso_th/65e64958a0565ddc98ebc2ee6cc1fbf4.pdf
• MWG/HRDF “Submission to the UN Working Group on Business and Human Rights: Labour Migration” (PDF) https://www.ohchr.org/sites/default/files/documents/issues/business/workinggroupbusiness/cfis/labour-migration/subm-labour-migration-business-cso-migrant-wg.pdf
• Securiti “Employee Data Protection in Thailand” https://securiti.ai/blog/employee-data-thailand
• Lex Mundi “Data Privacy Guide: Thailand” https://www.lexmundi.com/guides/data-privacy-guide/jurisdictions/asia-pacific/thailand/
• Chaudhary, Uddin และคณะ “How Reliable Are Large Language Models? Zero-Shot Detection of Construction Hazards” ISARC 2025 (PDF) https://www.iaarc.org/publications/fulltext/085_How_Reliable_Are_Large_Language_Models__Zero-Shot_Detection_of_Construction_Hazards.pdf
• Lawani และคณะ “Reliability of Human Point of Work Risk Assessment vs Artificial Intelligence Risk Assessment” CIB Conferences 2026 https://docs.lib.purdue.edu/cib-conferences/vol2/iss1/24
• Sammour และคณะ “Responsible AI in Construction Safety” arXiv 2411.08320 https://arxiv.org/abs/2411.08320
• NIST “AI 600-1 Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile” กรกฎาคม ค.ศ. 2024 (PDF) https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
• EUR-Lex “Regulation (EU) 2024/1689 (AI Act)” https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng
• IT Leaders (Impress) รายงานข่าว PoC การบันทึกกิจกรรม KY ด้วย AI เสียงของ Tokyu Construction (ภาษาญี่ปุ่น) https://it.impress.co.jp/articles/-/29733
• PR TIMES ข่าวประชาสัมพันธ์ “KY-AI” ของ NITACO วันที่ 23 กรกฎาคม ค.ศ. 2026 (ภาษาญี่ปุ่น) https://prtimes.jp/main/html/rd/p/000000074.000058841.html
• Rodo Shimbun รายงานข่าว “SpectA KY-Tool” ของ Maeda Corporation วันที่ 28 มีนาคม ค.ศ. 2023 (ภาษาญี่ปุ่น) https://www.rodo.co.jp/news/147165/
• AISmiley รายงานข่าว “KY-Support” ของ Mitsubishi Electric Building Solutions (ภาษาญี่ปุ่น) https://aismiley.co.jp/ai_news/mitsubishi-building-kysupport/