วิเคราะห์ข้อมูลตรวจสอบคุณภาพด้วย AI 2026 ตัววัดที่แท้จริงคืออัตราการจับคู่ข้อมูลได้

หลังส่งข้อมูลตรวจสอบคุณภาพให้ผู้ให้บริการ AI ไป 3 เดือน รายงานที่ได้กลับมาเขียนว่า “อัตราของเสียสูงในเช้าวันจันทร์” แต่สิ่งที่ผู้จัดการโรงงานอยากรู้ไม่ใช่เรื่องนั้น เขาอยากรู้ว่าในล็อตที่เกิดรอยยุบ (sink mark) นั้น แรงดันย้ำ (holding pressure) อยู่ที่กี่ MPa สาเหตุที่การวิเคราะห์ข้อมูลตรวจสอบคุณภาพด้วย AI ตอบคำถามนี้ไม่ได้ ไม่ใช่เพราะโมเดลอ่อนแอ และไม่ใช่เพราะข้อมูลสำหรับเรียนรู้มีน้อย แต่เป็นเพราะหน่วยที่ของเสียเกิดขึ้น กับหน่วยที่บันทึกสภาวะการผลิต ไม่ตรงกัน บทความนี้จะวัดความเหลื่อมนี้ด้วยตัวชี้วัดที่เรียกว่าอัตราการจับคู่ข้อมูลได้ (matchable rate) และแสดงต้นทุนกับระยะคืนทุนเป็นตัวเลข โดยใช้โรงงานฉีดพลาสติกในประเทศไทยเป็นแบบจำลอง ขอบอกข้อสรุปไว้ก่อนว่า ขอบเขตที่เก็บข้อมูลละเอียดที่สุด ไม่ใช่ขอบเขตที่คืนทุนเร็วที่สุด

เหตุผลที่แท้จริงว่าทำไมการวิเคราะห์ข้อมูลตรวจสอบคุณภาพด้วย AI จึงไม่แม่น

เราได้รับคำปรึกษาจากโรงงานญี่ปุ่นในไทยอยู่บ่อยครั้งว่า “เรามีข้อมูลคุณภาพเก็บไว้ 3 ปี เอาไปวิเคราะห์ด้วย AI ได้ไหม” คำตอบขึ้นอยู่กับเนื้อในของข้อมูลนั้น และเมื่อได้ขอดูเนื้อในจริง คำตอบส่วนใหญ่กลับกลายเป็น “ยังทำไม่ได้” ไม่ใช่เพราะข้อมูลน้อย แต่เป็นเพราะสิ่งที่เก็บสะสมไว้ไม่ได้อยู่ในรูปแบบที่อธิบายสาเหตุได้

ต่อให้ป้อนแต่ผลการตรวจสอบให้เรียนรู้ ก็ไม่ได้สาเหตุออกมา

สิ่งที่หลายโรงงานเรียกว่า “ข้อมูลคุณภาพ” แท้จริงแล้วคือผลสรุปของการตรวจสอบ ถ้าไล่เป็นคอลัมน์ก็คือ วันที่ กะ หมายเลขเครื่อง รหัสสินค้า หัวข้อของเสีย และจำนวนของเสีย โรงงานที่จัดการได้ดีก็เพิ่มมาแค่ชื่อพนักงานตรวจสอบกับช่วงเวลาเท่านั้น

จะเกิดอะไรขึ้นถ้ายกตารางนี้ทั้งตารางส่งให้ AI อัลกอริทึมจะไล่หาคอลัมน์ที่สัมพันธ์กับจำนวนของเสียจากบรรดาคอลัมน์ที่ได้รับมา คอลัมน์ที่ใช้ได้มีแค่ วันที่ กะ หมายเลขเครื่อง และรหัสสินค้า คำตอบที่ออกมาจึงเป็นการผสมกันของ 4 อย่างนี้ “เกิดมากในเช้าวันจันทร์” “เกิดมากที่เครื่องหมายเลข 3” “เกิดมากกับรหัสสินค้า X” ทุกข้ออาจเป็นความจริง แต่นี่ไม่ใช่การวิเคราะห์ มันคือการรวมยอด ใช้ PivotTable ใน Excel 5 นาทีก็ได้คำตอบเดียวกัน

ทำไมจึงเป็นเช่นนี้ เพราะการวิเคราะห์สาเหตุคือการค้นหาตัวแปรที่อธิบายผลลัพธ์ ข้อมูลที่ไม่มีตัวแปรอธิบาย (explanatory variable) อยู่ในนั้น ไม่ว่าจะใช้โมเดลใดก็ไม่มีคำอธิบายโผล่ออกมา สาเหตุที่ทำให้เกิดรอยยุบในงานฉีดพลาสติกอยู่ที่แรงดันย้ำ เวลาหล่อเย็น อุณหภูมิพลาสติกหลอม (melt temperature) และอุณหภูมิแม่พิมพ์ แต่คอลัมน์เหล่านั้นไม่มีอยู่ในตาราง สิ่งที่ไม่มีอยู่ ย่อมไม่มีทางเรียนรู้ได้

นี่คือความล้มเหลวที่เกิดซ้ำอยู่ทั้งอุตสาหกรรม Gartner ระบุว่าโครงการ AI ราว 70-85% ไม่บรรลุวัตถุประสงค์ที่ตั้งไว้ตอนแรก (แหล่งอ้างอิง) และมีการชี้ว่ารากของความล้มเหลวไม่ได้อยู่ที่สมรรถนะของ AI เอง แต่อยู่ที่คุณภาพต่ำของข้อมูลนำเข้า ในอุตสาหกรรมการผลิตของญี่ปุ่น สัดส่วนบริษัทที่ใช้เทคโนโลยีดิจิทัลเพิ่มจากไม่ถึง 50% ในปี 2019 เป็นเกิน 80% ในปี 2023 ขณะที่บริษัทซึ่งมีพนักงานไม่เกิน 300 คนยังใช้งานในระดับต่ำ ความต่างตามขนาดองค์กรจึงปรากฏชัดเจน (แหล่งอ้างอิง) โรงงานแบบจำลองในบทความนี้มีพนักงาน 320 คน ซึ่งอยู่ตรงเส้นแบ่งนี้พอดี

ลองดูฝั่งที่ทำสำเร็จบ้าง มีกรณีที่นำข้อมูลตรวจสอบย้อนหลัง 3 ปีให้ AI เรียนรู้ แล้วดึงองค์ความรู้ออกมาว่า “อัตราของเสียสูงขึ้นเมื่ออุณหภูมิ ความชื้น และความเร็วในการขึ้นรูปมาอยู่ในชุดค่านี้” จากนั้นป้อนกลับเข้าสายการผลิต และลดอัตราของเสียของผลิตภัณฑ์ลงได้ 30% ในกรณีเดียวกันนี้ เวลาจัดทำรายงานผลตรวจสอบลดจาก 30 นาทีเหลือ 5 นาที คือลดลง 83% (แหล่งอ้างอิง)

สิ่งที่ควรสังเกตในกรณีนี้ไม่ใช่ตัวเลข 30% แต่คือข้อเท็จจริงที่ว่า ในข้อมูลสำหรับเรียนรู้นั้นมีตัวแปรอธิบายอย่างอุณหภูมิ ความชื้น และความเร็วในการขึ้นรูป อยู่ในรูปแบบที่นำไปจับคู่กับผลการตรวจสอบได้ ลำดับมันกลับกันกับที่คนส่วนใหญ่คิด ไม่ใช่ว่าใส่ AI เข้าไปแล้วสาเหตุจึงโผล่ออกมา แต่เป็นเพราะตัวแปรที่มีศักยภาพเป็นสาเหตุถูกจัดให้อยู่บนแกนเดียวกันแล้ว AI จึงทำงานได้ อนึ่ง ตัวเลข 30% นี้เป็นกรณีของบริษัทอื่น เป็นคนละเรื่องกับสมมติฐาน “ลด 25%” ที่บทความนี้จะใช้ประเมินโรงงานแบบจำลองต่อไป กรุณาอย่าปะปนกัน

ตรงนี้ขอแบ่งขอบเขตกับหัวข้อข้างเคียงให้ชัด การใช้ AI ในอุตสาหกรรมการผลิตแบ่งตามกระบวนการได้เป็น การตรวจสอบคุณภาพ (การตรวจสอบด้วยภาพโดย AI และการตรวจจับความผิดปกติ) การบำรุงรักษาเครื่องจักร (การบำรุงรักษาเชิงพยากรณ์) และการจัดซื้อกับสินค้าคงคลัง (การพยากรณ์อุปสงค์และการจัดสต๊อกให้เหมาะสม) (แหล่งอ้างอิง) ในกลุ่มนี้ เรื่องการค้นหาของเสียจากภาพนั้นเราเขียนไว้แล้วในคู่มือการนำระบบตรวจสอบด้วยภาพโดย AI มาใช้ บทความนี้คือขั้นถัดไปจากตรงนั้น เราจะพูดถึงการระบุสาเหตุของของเสียที่ตรวจพบแล้วด้วยข้อมูลเชิงตัวเลข กล้องบอกเราได้ว่า “ชิ้นนี้เป็นของเสีย” แต่ไม่ได้บอกว่า “ทำไมจึงกลายเป็นของเสีย”

หน่วยที่ของเสียเกิด กับหน่วยที่บันทึกสภาวะ เหลื่อมกันอยู่

ลองวางแบบฟอร์มหน้างาน 2 ใบเทียบกัน

ใบแรกคือบันทึกการตรวจสอบ “12 สิงหาคม เครื่องหมายเลข 3 รอยยุบ 12 ชิ้น” ใบที่สองคือตารางสภาวะการฉีด “12 สิงหาคม กะ A เครื่องหมายเลข 3 แรงดันย้ำ 45 MPa อุณหภูมิพลาสติกหลอม 240°C เวลาหล่อเย็น 18 วินาที” เขียนด้วยลายมือ หัวหน้ากะเป็นคนกรอก กะละ 1 ครั้ง

เอา 2 ใบนี้มาจับคู่กันแล้วพูดอะไรได้บ้าง “ระหว่างกะ A ที่แรงดันย้ำ 45 MPa เกิดรอยยุบ 12 ชิ้น” ได้แค่นั้น เราไม่รู้ว่าของเสีย 12 ชิ้นนั้นเกิดขึ้นในวินาทีไหนของกะ A และที่จริงเราก็ไม่รู้ด้วยซ้ำว่าแรงดันย้ำอยู่ที่ 45 MPa ตลอด 8 ชั่วโมงจริงหรือไม่ เพราะสิ่งที่ถูกบันทึกไว้คือค่าจากการเดินไปดู 1 ครั้งของหัวหน้ากะเท่านั้น

ขอยืนยันขนาดของโรงงานตามสมมติฐานของแบบจำลอง เครื่องฉีด 20 เครื่อง แม่พิมพ์ 4 คาวิตี้ (cavity) ไซเคิลไทม์ 30 วินาที เดินเครื่อง 2 กะ 16 ชั่วโมง 24 วันทำการ ได้ 7,680 ชิ้นต่อเครื่องต่อวัน 153,600 ชิ้นต่อวัน 3,686,400 ชิ้นต่อเดือน และ 44,236,800 ชิ้นต่อปี ถ้าอัตราของเสียอยู่ที่ 1.5% ของเสียทั้งปีคือ 663,552 ชิ้น หากตั้งความสูญเสียต่อชิ้นจากค่าวัตถุดิบกับค่าแปรสภาพไว้ที่ 2.50 THB ความสูญเสียจากของเสียต่อปีจะเท่ากับ 1,658,880.00 THB

ของเสีย 663,552 ชิ้นนี้ ทุกชิ้นล้วนมีวินาทีที่มันถูกฉีดขึ้นรูป แม่พิมพ์เป็นแบบ 4 คาวิตี้ ดังนั้น 1 ช็อต (shot) จะได้ชิ้นงานออกมาพร้อมกัน 4 ชิ้น ทั้งรอยยุบและขนาดหลุดสเปกต่างก็เกิดขึ้นในช็อตนั้น พูดอีกอย่างคือ หน่วยที่ของเสียเกิดขึ้นคือช็อต แต่หน่วยที่บันทึกสภาวะคือกะ ฝั่งหนึ่งคือ 30 วินาที อีกฝั่งหนึ่งคือ 8 ชั่วโมง การสั่งให้เอา 2 อย่างนี้มาจับคู่กัน ก็ใกล้เคียงกับการบอกให้เอานาฬิกาที่มีแต่เข็มวินาทีไปวางทับปฏิทินแล้วอ่านเวลาให้ได้

และนี่ไม่ใช่ปัญหา “ข้อมูลไม่พอ” แต่เป็นปัญหา หน่วยไม่ตรงกัน ต่อให้เก็บในโรงงานเดียวกัน 3 ปีหรือ 10 ปี ถ้าหน่วยต่างกันมันก็เชื่อมโยงกันไม่ได้ ความพยายามในทิศทางของการเพิ่มปริมาณข้อมูลจะไม่ได้รับผลตอบแทนในจุดนี้

ตัวชี้วัดที่ชื่ออัตราการจับคู่ข้อมูลได้ – สิ่งที่ต้องวัดก่อนความแม่นยำ

แล้วควรเริ่มลงมือจากอะไร ไม่ใช่ความแม่นยำ (precision) และไม่ใช่รีคอล (recall) แต่ให้เริ่มวัดจากอัตราการจับคู่ข้อมูลได้

นิยามและวิธีนับอัตราการจับคู่ข้อมูลได้

อัตราการจับคู่ข้อมูลได้ คือ สัดส่วนของของเสียที่เราสามารถเชื่อมโยงได้อย่างชี้เฉพาะว่า ณ ตอนนั้นเกิดอะไรขึ้นบ้าง ตัวส่วนคือจำนวนรายการของเสีย ตัวเศษคือจำนวนรายการที่ผูกกับข้อมูลสภาวะได้อย่างชี้เฉพาะ

วิธีนับนั้นเรียบง่ายและไม่ต้องใช้ระบบใดเลย หยิบของเสียล่าสุด 50 รายการออกมาจากทะเบียนบันทึก แล้วไล่ทีละรายการ กรอกเครื่องหมาย O หรือ X ลงใน 4 ข้อต่อไปนี้ ข้อที่ 1 รู้เวลาที่เกิดถึงระดับนาที (ถ้าได้ถึงวินาทีจะดีที่สุด) หรือไม่ ข้อที่ 2 ระบุสภาวะการฉีด ณ เวลานั้นได้หรือไม่ ข้อที่ 3 รู้หรือไม่ว่าเป็นเครื่องไหน แม่พิมพ์ไหน ช็อตไหน ข้อที่ 4 รู้หรือไม่ว่าล็อตวัตถุดิบและแบตช์การอบแห้งที่ป้อนเข้าไปคือชุดใด

สิ่งที่สำคัญที่สุดตรงนี้คือคำว่า “อย่างชี้เฉพาะ” อะไรที่กรอกด้วยการอนุมานให้ใส่ X “วันนั้นรหัสสินค้านี้น่าจะเดินที่เครื่องหมายเลข 3” ต้องเป็น X “สภาวะเฉลี่ยของกะ A น่าจะประมาณนี้” ก็เป็น X ช่องที่มนุษย์กรอกด้วยความทรงจำและสัญชาตญาณ ส่งต่อให้เครื่องไม่ได้ ถ้าส่งไป มันจะกลายเป็นข้อมูลเรียนรู้ที่ติดป้ายกำกับผิด

ทำไมต้องวัดตัวนี้ก่อนความแม่นยำ เหตุผลมี 2 ข้อ ข้อแรกคือ ของเสียที่จับคู่ไม่ได้จะไม่เข้าไปอยู่ในข้อมูลสำหรับเรียนรู้ ถ้าอัตราการจับคู่ข้อมูลได้อยู่ที่ 12% ในของเสีย 663,552 ชิ้น ส่วนที่ใช้วิเคราะห์สาเหตุได้จะเป็นเพียงเศษเสี้ยว ไม่ว่าโมเดลจะเก่งแค่ไหน มันก็พูดอะไรเกี่ยวกับส่วนที่มองไม่เห็นไม่ได้

เหตุผลข้อที่สองร้ายแรงกว่า ข้อมูลที่จับคู่ไม่ได้จริงแต่ถูกฝืนผูกเข้าด้วยกัน จะผิด ในรูปแบบที่เราไม่รู้ว่ามันผิด ต่อให้โมเดลคืนค่าความแม่นยำสูงกลับมา นั่นอาจเป็น “ความแม่นยำที่คำนวณบนการผูกข้อมูลที่เหลื่อมกันอยู่” ก็ได้ เพราะความแม่นยำเป็นตัวชี้วัดที่ตั้งอยู่บนสมมติฐานว่าการจับคู่นั้นถูกต้องแล้ว มันจึงกลายเป็นการพูดถึงคุณภาพของหลังคาโดยไม่ได้วัดฐานราก

แบบจำลอง 4 ขั้น (ปัจจุบัน A B และ C)

เราจะจำลองว่าอัตราการจับคู่ข้อมูลได้เปลี่ยนไปอย่างไรในแต่ละขั้นของการลงทุน ตัวเลขต่อไปนี้เป็นสมมติฐานของแบบจำลองในบทความนี้ ไม่ใช่ค่าที่วัดจริงจากโรงงานใดโรงงานหนึ่ง แต่รูปแบบการไต่ระดับขึ้นนั้นเป็นสิ่งที่พบร่วมกันในโรงงานฉีดพลาสติกจำนวนมาก

ตัวเลข 12% ของสภาพปัจจุบัน คือกรณีที่ถึงสภาวะจะหยาบแต่บังเอิญไล่ย้อนได้ เช่น เวลาที่เปลี่ยนล็อตวัตถุดิบบังเอิญถูกจดไว้ในรายงานประจำวัน หรือของเสียออกมาเป็นกลุ่มก้อนทันทีหลังเปลี่ยนแม่พิมพ์ พลิกอีกด้านก็แปลว่า ส่วนที่เหลืออีกมหาศาลคือ “ถูกนับเป็นของเสียไปทั้งที่ไม่รู้ว่าตอนนั้นเกิดอะไรขึ้น”

สิ่งที่อยากให้จับตาคือขั้น A ถึงจะทำบันทึกการตรวจสอบให้เป็นอิเล็กทรอนิกส์ และบันทึกเวลากำกับเป็นรายชิ้นได้แล้ว ก็ยังได้แค่ 28% เพราะตัวส่วนยังคงเป็นของเสียทั้งหมด ส่วนฝั่งสภาวะยังเป็นการเขียนมือ 1 ครั้งต่อกะเหมือนเดิม ต่อให้จัดระเบียบเฉพาะฝั่งตรวจสอบ ถ้าคู่ที่จะเอามาจับยังหยาบอยู่ ก็จับคู่ไม่ได้ นี่คือเหตุผลเชิงโครงสร้างที่ทำให้โครงการซึ่ง “ส่งเฉพาะข้อมูลตรวจสอบให้ผู้ให้บริการ” หยุดชะงัก

ที่ขั้น B ตัวเลขกระโดดไป 76% เพราะมีการเก็บสภาวะจากเครื่องฉีดโดยอัตโนมัติที่รอบ 1 นาที แล้ววางลงบนแกนเวลาเดียวกันกับบันทึกการตรวจสอบ ตรงนี้เองที่ทำให้เริ่มไล่ของเสียซึ่งมีต้นเหตุจากล็อตวัตถุดิบ จากการอบแห้ง และจากการลำเลียงได้ ส่วนขั้น C อยู่ที่ 96% เมื่อเพิ่มการเก็บแบบทริกเกอร์ระดับช็อตและหมายเลขคาวิตี้เข้าไป จะมองเห็นได้ถึงความแปรปรวนภายในช็อตและความต่างระหว่างคาวิตี้

ถ้ารอบการเก็บข้อมูลหยาบ สาเหตุระดับช็อตจะไม่มีวันปรากฏ

เมื่อเสนอกับโรงงานที่หยุดอยู่ที่ขั้น A ว่า “งั้นมาเก็บสภาวะแบบอัตโนมัติกันเถอะ” สิ่งที่เกิดขึ้นต่อมาเสมอคือการถกเรื่องรอบการเก็บข้อมูล (sampling interval) และถ้าตัดสินใจง่าย ๆ ว่า “รอบ 1 นาทีก็พอแล้ว” จะเกิดช่องโหว่ที่ย้อนกลับไปแก้ไม่ได้ในภายหลัง

ไซเคิลไทม์ 30 วินาที เทียบกับรอบ 1 นาที แล้วอะไรหายไปบ้าง

ไซเคิลไทม์ของโรงงานแบบจำลองคือ 30 วินาที เครื่อง 1 เครื่องจะได้ 120 ช็อตต่อ 1 ชั่วโมง ถ้าเอาการเก็บข้อมูลรอบ 1 นาทีมาใช้ตรงนี้ จะเก็บค่าได้เพียง 1 ครั้งต่อ 2 ช็อต สำหรับช็อตอีกครึ่งหนึ่ง ข้อมูลว่าตอนนั้นอุณหภูมิกี่องศา แรงดันกี่ MPa จะไม่มีอยู่ตลอดกาล

นี่ไม่ใช่เรื่องที่ว่า “ความแม่นยำเหลือครึ่งเดียว” แต่เป็นเรื่องที่ว่าการไล่ติดตามระดับช็อตทำไม่ได้ในเชิงหลักการ รอยยุบและชอร์ตช็อต (short shot) ไม่จำเป็นต้องเกิดต่อเนื่องกัน ความแปรปรวนของการตวงวัตถุดิบหรือการติดขัดของเม็ดพลาสติกอาจทำให้สภาวะหลุดกรอบเพียงช็อตเดียวแบบเดี่ยว ๆ ในรอบการเก็บที่ไม่บันทึกช็อตซึ่งหลุดกรอบนั้น ข้อเท็จจริงที่ว่ามันหลุดกรอบก็ไม่มีอยู่จริง ต่อให้ปรับปรุงโมเดลทีหลัง สิ่งที่ไม่มีข้อมูลย่อมกู้คืนไม่ได้

การเก็บตามรอบเวลายังมีกับดักอีกอย่างที่มักถูกมองข้าม นั่นคือกรณีที่ตั้งค่าหน่วยเก็บข้อมูลให้บันทึก “ค่าเฉลี่ยของ 1 นาทีนั้น” เมื่อเฉลี่ยแล้ว ค่าผิดปกติแบบเดี่ยว ๆ จะถูกกลบเรียบเสมอ ทั้งยอดพีคของอุณหภูมิพลาสติกหลอมและแรงดันย้ำที่ตกวูบ ล้วนจมหายไปในค่าเฉลี่ย ค่าเฉลี่ยคือการคำนวณที่มีไว้เพื่อลบความผิดปกติ การถือข้อมูลที่จะใช้ตรวจจับความผิดปกติหรือวิเคราะห์สาเหตุของเสียในรูปของค่าเฉลี่ย จึงเป็นการสลับวัตถุประสงค์กับวิธีการเข้าหากัน

ถ้าต้องการไล่ติดตามในระดับช็อต ให้เปลี่ยนจากการเก็บตามรอบเวลาเป็นการเก็บแบบทริกเกอร์ (trigger-based collection) คือรับสัญญาณจบช็อตแล้วเขียน 1 เรกคอร์ด เนื่องจากเป็น 1 ช็อตต่อ 1 บรรทัด จึงไม่มีการตกหล่น วิธีนี้ต้องดึงสัญญาณจากฝั่งเครื่องจักรและตั้งค่าฝั่ง PLC ดังนั้นรายละเอียดวิธีการดึงข้อมูล กรุณาดูที่แนวปฏิบัติการเก็บข้อมูลจาก PLC

อย่างไรก็ตาม ไม่จำเป็นต้องทำการเก็บแบบทริกเกอร์กับทุกเครื่องและทุกหัวข้อ ดังที่จะเห็นในหัวข้อถัดไป โหมดของเสีย (defect mode) ที่ต้องใช้ระดับช็อตนั้นมีจำกัด ตรงนี้จะกลายเป็นประเด็นหลักของครึ่งหลังของบทความนี้

ก่อนจะถี่รอบขึ้น ให้ตั้งเวลาให้ตรงกันก่อน

มีปัญหาที่ต้องเคลียร์ก่อนการถกเรื่องรอบการเก็บข้อมูล นั่นคือนาฬิกา

ในโรงงานมีอุปกรณ์ที่ถือเวลาอยู่หลายตัว เครื่องปลายทางสำหรับป้อนข้อมูลในกระบวนการตรวจสอบ คอนโทรลเลอร์ของเครื่องฉีด หน่วยเก็บข้อมูล เซิร์ฟเวอร์ MES และ PC ในสำนักงาน นาฬิกาเหล่านี้ถ้าปล่อยทิ้งไว้จะคลาดเคลื่อนแน่นอน นาฬิกาภายในของอุปกรณ์ที่ไม่ได้ตั้งค่าการซิงค์เวลา (time synchronization) จะสะสมการดริฟต์ไปเรื่อย ๆ ทีละน้อย

ในสายการผลิตที่มีไซเคิลไทม์ 30 วินาที ถ้านาฬิกาของเครื่องปลายทางตรวจสอบกับเครื่องฉีดเหลื่อมกัน 2 นาทีจะเกิดอะไรขึ้น ชิ้นงานที่ถูกบันทึกว่า “ตรวจพบของเสียเวลา 10 นาฬิกา 15 นาที” จะถูกผูกกับสภาวะการฉีดของ 2 นาทีก่อนหน้า ไซเคิลไทม์คือ 30 วินาที ดังนั้นใน 2 นาทีนั้นมีหลายช็อตไหลผ่านไปแล้ว เท่ากับเราป้อนให้เครื่องเรียนรู้ว่าสภาวะของช็อตอื่นซึ่งคนละช็อตกันเลย เป็นสาเหตุของของเสียชิ้นนั้น

สิ่งที่น่ากลัวคือความผิดพลาดนี้ ไม่ปรากฏออกมาเป็นข้อผิดพลาด ข้อมูลครบ จำนวนบรรทัดตรงกัน โมเดลก็รันได้ ตัวเลขความแม่นยำก็ออกมา เพียงแต่เนื้อในเหลื่อมทั้งหมด และเมื่อผลการวิเคราะห์ไม่ตรงกับความรู้สึกของหน้างาน สิ่งที่ถูกสงสัยมักไม่ใช่นาฬิกา แต่เป็นโมเดล นี่คือเส้นทางที่ถูกที่สุดในการไปถึงข้อสรุปว่า “AI พึ่งพาไม่ได้”

แล้วต้องตรงกันแค่ไหนจึงจะพอ บทความนี้ตั้ง 1 ใน 10 ของไซเคิลไทม์ นั่นคือภายใน 3 วินาที ไว้เป็นเกณฑ์คร่าว ๆ นี่เป็นค่าที่บทความนี้เลือกใช้เป็นเกณฑ์เชิงปฏิบัติ ไม่ใช่ค่าที่กำหนดไว้ในมาตรฐานใด หากจะให้เหตุผลรองรับตัวเลข 3 วินาที ก็คือแนวคิดที่ว่าต้องเล็กกว่าเวลาของ 1 ช็อตอย่างเพียงพอ เป็นความคิดแบบขอเพียงให้อยู่ในช่วงที่ไม่สลับช็อตกัน

ในเชิงการติดตั้ง พื้นฐานคือตั้งเซิร์ฟเวอร์ NTP ไว้ในโรงงาน 1 เครื่อง แล้วให้เครื่องปลายทาง หน่วยเก็บข้อมูล และเซิร์ฟเวอร์ ซิงค์กับเครื่องนั้น บางกรณีคอนโทรลเลอร์ของเครื่องฉีดเก่าเกินไปจนไม่รองรับ NTP ในกรณีเช่นนั้น การออกแบบให้ประทับเวลาที่ฝั่งหน่วยเก็บข้อมูล แล้วตัดสินใจไปเลยว่าจะไม่ใช้นาฬิกาของคอนโทรลเลอร์ในการจับคู่ข้อมูล เป็นทางที่ปฏิบัติได้จริงกว่า การกำหนดให้อำนาจในการบอกเวลามีเพียงแหล่งเดียว ปลอดภัยกว่าการฝืนใช้อุปกรณ์ที่ซิงค์ไม่ได้ นอกจากนี้ ถ้าเก็บล็อกที่บันทึกปริมาณความคลาดเคลื่อนเป็นรายวันไว้ด้วย ภายหลังจะสามารถตัดสินได้ว่า “ข้อมูลของช่วงนี้เชื่อถือไม่ได้” ส่วนวิธีดึงเวลาจากฝั่งตรวจสอบ สามารถดูการออกแบบระบบเก็บข้อมูลตรวจสอบอัตโนมัติ ประกอบได้

ความละเอียดที่ต้องใช้ต่างกันตามโหมดของเสีย – ควรลงลึกถึงระดับไหน

อ่านมาถึงตรงนี้ อาจคิดว่า “งั้นก็เก็บระดับช็อตและระดับคาวิตี้ให้หมดทุกอย่างเลยสิ” ในเชิงเทคนิคก็ถูกต้อง แต่ในเชิงการลงทุนไม่จำเป็นต้องเป็นเช่นนั้นเสมอไป เหตุผลคือหน่วยที่สาเหตุเกิดขึ้นนั้นต่างกันไปตามโหมดของเสีย

ของเสียที่ใช้หน่วยระดับล็อตวัตถุดิบก็เพียงพอ

สามรายการบนของตารางคือโหมดที่หน่วยการเกิดของสาเหตุหยาบกว่าช็อต

ลองพิจารณาจุดดำและสิ่งปนเปื้อน ในกรณีที่ต้นเหตุอยู่ฝั่งวัตถุดิบ สาเหตุคือ “มันปนเข้ามาในล็อตนั้น” ล็อตวัตถุดิบมีหน่วยเป็นถุงหรือพาเลท และกว่าจะใช้หมดก็กินเวลาหลายชั่วโมง สิ่งที่ต้องการจึงมีแค่หมายเลขล็อตวัตถุดิบกับเวลาที่ป้อนล็อตนั้นเข้าไป ถ้ารู้ 2 อย่างนี้ก็ไล่ได้ในรูปแบบ “หลัง 10 นาฬิกา 40 นาที ซึ่งเป็นเวลาที่ป้อนล็อต X เข้าไป จุดดำเกิดถี่ขึ้น” อุณหภูมิพลาสติกหลอมระดับช็อตไม่ได้เพิ่มอะไรให้กับการตัดสินนี้เลย

ซิลเวอร์สตรีคก็มีโครงสร้างเดียวกัน เมื่อสงสัยว่าอบแห้งไม่พอ หน่วยที่ใช้คือแบตช์ของเครื่องอบ แค่รู้ว่าใช้แบตช์ไหนเมื่อไรก็เพียงพอ คือเวลาอบและอุณหภูมิของแต่ละแบตช์ กับเวลาที่ป้อนเข้าไป สิ่งเหล่านี้จับได้เพียงพอด้วยการเก็บข้อมูลรอบ 1 นาที

รอยขูดจากการหยิบชิ้นงานและการลำเลียงมีลักษณะต่างออกไปเล็กน้อย เพราะหน่วยการเกิดคือชิ้นงานรายชิ้น แต่ข้อมูลสภาวะที่ต้องใช้คือ “เวลา × กระบวนการ” ไม่ใช่สภาวะการฉีดระดับช็อต การจะดูว่าเกิดการเสียดสีที่จุดใด ระหว่างแขนหุ่นยนต์หยิบชิ้นงาน สายพานลำเลียง หรือกระบวนการบรรจุกล่อง แค่รู้ว่าชิ้นงานผ่านกระบวนการใดเมื่อไรก็พอ เรื่องนี้ก็สำเร็จได้ในขอบเขต B

จุดร่วมของ 3 โหมดนี้คือ สาเหตุคงอยู่ต่อเนื่องเป็นเวลานาน สาเหตุที่คงอยู่ต่อเนื่องนั้นจับได้แม้ด้วยบันทึกที่หยาบ

ของเสียที่ต้องใช้หน่วยระดับช็อตและระดับคาวิตี้

สองรายการล่างของตารางต่างออกไป

รอยยุบและชอร์ตช็อต ในกรณีที่สาเหตุคือความแปรปรวนของสภาวะ จะเกิดในระดับช็อต ความแปรปรวนของการตวง การสึกหรอของวงแหวนกันไหลย้อน การป้อนวัตถุดิบไม่สมบูรณ์ สิ่งเหล่านี้เกิดเฉพาะบางช็อตแล้วกลับสู่ปกติในช็อตถัดไป ดังที่กล่าวในหัวข้อก่อนหน้า บันทึกที่ได้ 1 ครั้งต่อ 2 ช็อตจับสิ่งนี้ไม่ได้ ต้องทำการเก็บแบบทริกเกอร์ให้เป็น 1 เรกคอร์ดต่อ 1 ช็อตเสียก่อน จึงจะเห็นแรงดันย้ำและอุณหภูมิพลาสติกหลอมของช็อตนั้น

ความต่างระหว่างคาวิตี้ในกรณีขนาดหลุดสเปกยิ่งยุ่งยากกว่า สมมติว่าในแม่พิมพ์ 4 คาวิตี้ มีเพียง 1 คาวิตี้ที่ท่อน้ำหล่อเย็นเริ่มอุดตัน หรือช่องระบายแก๊สเสื่อมสภาพ ชิ้นงานที่ออกมาจากคาวิตี้นั้นเท่านั้นที่ขนาดหลุดสเปก แต่ถ้าบันทึกการตรวจสอบไม่มีหมายเลขคาวิตี้ เราจะมองทั้ง 4 ชิ้นรวมเป็นก้อนเดียว ต่อให้มีคาวิตี้เดียวที่หลุดไปมาก เมื่อมองเป็นการกระจายตัวของ 4 ชิ้น ก็จะเห็นเพียงว่า “ความผันแปรค่อนข้างกว้างหน่อย” ทั้งที่สาเหตุกระจุกอยู่ที่จุดเดียว มันกลับแปลงร่างเป็นปัญหาความผันแปรของทั้งระบบ

การแปลงร่างแบบนี้ทำให้ทิศทางของมาตรการแก้ไขผิดพลาดตั้งแต่ราก ถ้าวินิจฉัยว่าเป็นปัญหาความผันแปร ก็จะไปไล่ปรับสภาวะการฉีดทั้งชุด ทั้งที่สิ่งที่ต้องทำจริง ๆ มีเพียงการล้างท่อน้ำหล่อเย็นของคาวิตี้เดียว แค่ขาดคอลัมน์เดียวที่ชื่อหมายเลขคาวิตี้ ก็ไปไม่ถึงมาตรการที่ถูกต้องตลอดกาล นี่คือเหตุผลของการมีอยู่ของขอบเขต C

การจะเก็บหมายเลขคาวิตี้ได้ ต้องสลักเครื่องหมายลงบนแม่พิมพ์ และต้องมีกลไกอ่านค่านั้นในกระบวนการตรวจสอบ ซึ่งเป็นทั้งการดัดแปลงแม่พิมพ์และการเพิ่มงานตรวจสอบ ไม่ใช่เรื่องที่จบได้ด้วยการเปลี่ยนการตั้งค่าซอฟต์แวร์

ยิ่งเพิ่มความละเอียด ต้นทุนยิ่งโตแบบไม่เป็นเส้นตรง

มาถึงตรงนี้ ชัดเจนแล้วว่ายิ่งเพิ่มความละเอียด สิ่งที่มองเห็นก็ยิ่งมากขึ้น ปัญหาอยู่ที่รูปแบบการเพิ่มขึ้นของต้นทุน ไม่ได้มีหน้าตาเหมือนรูปแบบการเพิ่มขึ้นของประโยชน์

เมื่อยกระดับจาก B ไป C สิ่งที่ต้องเพิ่มคือการระบุคาวิตี้ (สลักแม่พิมพ์และอ่านค่า) 20 แม่พิมพ์ แม่พิมพ์ละ 22,000 THB บวกกับการสร้างโมเดลและออกแบบการใช้งานอีก 200,000 THB เงินลงทุนเริ่มต้นจะเพิ่มจาก 1,660,000 THB เป็น 2,300,000 THB ค่าใช้จ่ายรายปีก็เพิ่มจาก 300,000 THB เป็น 450,000 THB

สิ่งที่เพิ่มขึ้นไม่ได้มีแค่จำนวนเงิน ข้อที่ 1 คือปริมาณข้อมูล การเก็บแบบทริกเกอร์เป็น 1 เรกคอร์ดต่อ 1 ช็อต ดังนั้นเครื่อง 1 เครื่องใน 1 ชั่วโมงจะได้บรรทัดเท่ากับ 120 ช็อต แล้วสะสมคูณด้วย 20 เครื่อง 2 กะ 16 ชั่วโมง และ 24 วันทำการ จำนวนบรรทัดจะพุ่งสูงขึ้นเมื่อเทียบกับการเก็บตามรอบเวลา และจำเป็นต้องออกแบบการจัดเก็บกับการค้นหาใหม่

ข้อที่ 2 คือภาระในการใช้งานจริง การสลักแม่พิมพ์หมายถึงมีสิ่งที่ต้องบำรุงรักษาเพิ่มขึ้น 1 รายการ ถ้ารอยสลักสึกจนอ่านไม่ออก เรกคอร์ดที่อ่านไม่ได้ก็จะจับคู่ไม่ได้ ในกระบวนการตรวจสอบก็มีงานอ่านหมายเลขคาวิตี้ทีละชิ้นเพิ่มเข้ามา ต่อให้เป็นเพียงไม่กี่วินาทีต่อชิ้น ในแง่ภาระของพนักงานตรวจสอบก็ละเลยไม่ได้

ข้อที่ 3 คือการใช้งานโมเดล ข้อมูลระดับช็อตมีค่าผิดปกติปะปนมากกว่าข้อมูลที่หยาบกว่า ทั้งช่วงก่อนและหลังเครื่องหยุด ช่วงเริ่มเดินเครื่องหลังเปลี่ยนแม่พิมพ์ และช่วงเปลี่ยนถ่ายวัตถุดิบ จำเป็นต้องสร้างกฎสำหรับคัดสิ่งเหล่านี้ออก และต้องรักษากฎนั้นไว้ต่อเนื่อง งานนี้ไม่ใช่ทำครั้งเดียวตอนติดตั้งแล้วจบ แต่ต้องทบทวนทุกครั้งที่เปลี่ยนสภาวะ

สรุปคือการลงทุนไปสู่ C นอกจากเงินลงทุนเริ่มต้นที่บวกเพิ่มแล้ว ยังเป็นการซื้อความหนักของการใช้งานแบบถาวรเข้ามาด้วย บริษัทของท่านมีโหมดของเสียที่คุ้มกับความหนักนี้หรือไม่ นั่นคือจุดแบ่งของการตัดสินใจ

การประเมินแบบจำลองสำหรับโรงงานในไทย – สมมติฐานและวิธีวางประโยชน์

มาแปลงเป็นตัวเลขกัน สมมติฐานของโรงงานแบบจำลองมีดังนี้

ขอเสริมเรื่องสมมติฐานของค่าแรงต่อชั่วโมง ค่าจ้างในไทยอยู่ในแนวโน้มขาขึ้น อัตราการขึ้นค่าจ้างของบริษัทญี่ปุ่นอยู่ที่ 3.8% ในปี 2023 และ 4.58% ในปี 2024 ส่วนปี 2025 คาดว่าจะอยู่ที่ 4.64% ค่าจ้างขั้นต่ำเองก็ปรับเป็นวันละ 337-400 THB (กรุงเทพมหานครอยู่ที่ 372 THB) จากการปรับเมื่อวันที่ 1 มกราคม 2025 (แหล่งอ้างอิง และ แหล่งอ้างอิง) บทความนี้คำนวณด้วยค่าแรงต่อชั่วโมง ณ ปัจจุบันโดยไม่รวมส่วนที่จะเพิ่มขึ้น แต่ประโยชน์ประเภทลดชั่วโมงงานจะมีมูลค่าเพิ่มขึ้นตามปีที่ผ่านไป พูดอีกอย่างคือ การประเมินต่อไปนี้มองฝั่งประโยชน์อย่างระมัดระวัง

เราวางประโยชน์ไว้ 4 รายการ

ประโยชน์ที่ 1 ตั้งอยู่บนสมมติฐานว่าลดของเสียทั้งปี 663,552 ชิ้นลง 25% ตัวเลข 25% นี้เป็นสมมติฐานของแบบจำลองในบทความนี้ ไม่ใช่ผลงานจริงที่เกิดขึ้นแล้ว และเป็นคนละตัวเลขกับกรณีลด 30% ของบริษัทอื่นที่แนะนำไปในหัวข้อก่อนหน้า จึงกรุณาอย่าปะปนกัน เรานำจำนวนที่ลดได้ 165,888 ชิ้น คูณกับความสูญเสียต่อชิ้น 2.50 THB ได้เป็น 414,720.00 THB

ประโยชน์ที่ 2 คือชั่วโมงงานวิเคราะห์สาเหตุที่ต้องเดินทุกครั้งที่เกิดของเสีย เราตั้งสมมติฐานไว้ที่ 48 ครั้งต่อปี นั่นคือเดือนละ 4 เคส วางไว้ว่าสิ่งที่เคยใช้เวลา 40 ชั่วโมงต่อเคสจะเหลือ 16 ชั่วโมง เนื้อในของ 40 ชั่วโมงนั้น ส่วนใหญ่คือเวลารวบรวมแบบฟอร์ม เวลาคัดลอกตารางสภาวะ และเวลาสร้างกราฟใน Excel ส่วนเวลาที่ใช้คิดจริง ๆ กลับมีน้อยนิด ถ้ามีข้อมูลที่จับคู่เรียบร้อยแล้วอยู่ในมือ ขั้นตอนต้นน้ำเหล่านี้จะหายไป คิดเป็น 1,152 ชั่วโมงต่อปี ที่ค่าแรงวิศวกร 337.5 THB ต่อชั่วโมง ได้ 388,800.00 THB

ประโยชน์ที่ 3 คือการจับคู่ข้อมูลในงานประจำวัน แต่ละกะมีพนักงาน 1 คนใช้เวลาวันละ 1.5 ชั่วโมง จับคู่บันทึกการตรวจสอบกับตารางสภาวะการฉีดแล้วสรุปเป็นรายงานประจำวัน คิดเป็น 24 วัน × 12 เดือน ได้ 864 ชั่วโมงต่อปี เมื่อลดงานนี้ลง 80% ส่วนที่ลดได้คือ 691.2 ชั่วโมง ที่ค่าแรงพนักงานธุรการ 210.0 THB ต่อชั่วโมง ได้ 145,152.00 THB งานนี้มีลักษณะต่างจากอีก 3 รายการตรงที่มันเกิดขึ้นทุกวันไม่ว่าจะมีของเสียหรือไม่ก็ตาม

ประโยชน์ที่ 4 คือการตั้งสภาวะหลังเปลี่ยนแม่พิมพ์ ตั้งสมมติฐานว่าในการเปลี่ยนแม่พิมพ์ 480 ครั้งต่อปี จะย่นเวลาปรับจนได้งานดีอย่างเสถียรลงครั้งละ 0.6 ชั่วโมง ถ้าสภาวะตอนที่เคยได้งานดีด้วยแม่พิมพ์เดียวกันและวัตถุดิบเดียวกันในอดีต อยู่ในสภาพที่ดึงออกมาได้พร้อมเวลากำกับ ก็ใช้จุดนั้นเป็นค่าตั้งต้นได้ คิดเป็น 288 ชั่วโมงต่อปี ที่ 337.5 THB ได้ 97,200.00 THB

ขอเสริมเรื่องสภาพแวดล้อมการลงทุนสักเล็กน้อย คำขอส่งเสริมการลงทุนในไทยช่วงครึ่งแรกของปี 2026 เพิ่มขึ้น 37% จากปีก่อนหน้า แตะระดับ 4.36 หมื่นล้านดอลลาร์สหรัฐ จำนวน 1,299 โครงการ โดยในจำนวนนี้เป็นสาขาดิจิทัล 3.3 หมื่นล้านดอลลาร์สหรัฐ (แหล่งอ้างอิง) ส่วนมาตรการ Smart and Sustainable Industry ของ BOI ก็มีคำขอที่มีวัตถุประสงค์เพื่อปรับเปลี่ยนเครื่องจักร นำเทคโนโลยีดิจิทัลมาใช้ และผสานหุ่นยนต์อัตโนมัติ เข้ามา 132 โครงการ มูลค่า 507.6 ล้านดอลลาร์สหรัฐ (แหล่งอ้างอิง) การจะใช้สิทธิประโยชน์ตามมาตรการได้หรือไม่นั้นขึ้นกับการพิจารณาเป็นรายโครงการ เราจึงไม่ได้นำมารวมไว้ในการประเมินต่อไปนี้ เมื่อนำเสนอขออนุมัติงบ กรุณาตรวจสอบแยกต่างหากว่าบริษัทของท่านเข้าข่ายหรือไม่

ขอระบุสมมติฐานเรื่องการปันส่วนประโยชน์ให้ชัดเจนด้วย ประโยชน์ทั้ง 4 รายการข้างต้นจะแบ่งให้ขอบเขต A B และ C อย่างไร บทความนี้วางไว้ดังนี้

• A = ประโยชน์ที่ 3 (145,152.00) + 30% ของประโยชน์ที่ 2 (116,640.00) = 261,792.00
• B = A + 70% ที่เหลือของประโยชน์ที่ 2 (272,160.00) + ประโยชน์ที่ 4 (97,200.00) + 60% ของประโยชน์ที่ 1 (248,832.00) = 879,984.00
• C = B + 40% ที่เหลือของประโยชน์ที่ 1 (165,888.00) = 1,045,872.00

เหตุที่แบ่งประโยชน์ที่ 1 ระหว่าง B กับ C เป็น 6 ต่อ 4 เพราะในตารางโหมดของเสียในหัวข้อก่อนหน้า เราวางไว้ว่าโหมดของเสียที่ไปถึงได้ด้วย B (จุดดำและสิ่งปนเปื้อน ซิลเวอร์สตรีค รอยขูดจากการลำเลียง) คิดเป็น 60% เมื่อวัดเป็นจำนวนเงิน สัดส่วน 60% นี้เป็นสมมติฐานของบทความนี้ ไม่ใช่ค่าที่วัดจริง ถ้าสัดส่วนของเสียในบริษัทของท่านต่างออกไป การปันส่วนนี้ก็จะเปลี่ยน และดังที่จะกล่าวต่อไป สิ่งที่ทำให้ข้อสรุปพลิกกลับได้ก็คืออัตราส่วนนี้เอง

ต้นทุนกับระยะคืนทุน – ขอบเขตที่แม่นที่สุดไม่ใช่ขอบเขตที่เร็วที่สุด

เราจะเปรียบเทียบขอบเขตทั้ง 3 ถ้าว่ากันด้วยอัตราการจับคู่ข้อมูลได้ A อยู่ที่ 28% B อยู่ที่ 76% และ C อยู่ที่ 96% ระดับความแม่นของการวิเคราะห์นั้น C สูงที่สุด แล้วคืนทุนเร็วที่สุดด้วยหรือไม่ คำตอบคือไม่ใช่

ขอบเขต A วิเคราะห์ด้วย AI จากข้อมูลตรวจสอบอย่างเดียว (3.39 ปี)

ทำบันทึกการตรวจสอบให้เป็นอิเล็กทรอนิกส์ 300,000 THB (เครื่องปลายทาง 8 เครื่องกับการออกแบบแบบฟอร์ม) และฐานการแสดงผลด้วย BI อีก 180,000 THB เงินลงทุนเริ่มต้น 480,000 THB ค่าใช้จ่ายรายปี 120,000 THB

สิ่งที่ทำได้จากตรงนี้คือสภาพที่ผลการตรวจสอบถูกเก็บไว้ในรูปอิเล็กทรอนิกส์เป็นรายชิ้นพร้อมเวลากำกับ และสามารถรวมยอดกับแสดงผลได้ภายในวันเดียวกัน งานจับคู่ข้อมูลประจำวัน (ประโยชน์ที่ 3) แทบจะหายไปที่ขั้นนี้ ส่วนชั่วโมงงานวิเคราะห์สาเหตุ (ประโยชน์ที่ 2) ก็เบาลงเฉพาะส่วนของการรวบรวมแบบฟอร์ม จึงประเมินไว้เท่ากับ 30% คือ 116,640.00 THB ประโยชน์รวมเท่ากับ 261,792.00 THB หักค่าใช้จ่ายรายปีแล้วได้ประโยชน์สุทธิ 141,792.00 THB เทียบกับเงินลงทุนเริ่มต้น 480,000 THB ระยะคืนทุนคือ 3.39 ปี (40.6 เดือน)

สิ่งที่อยากยืนยันตรงนี้คือ การลดของเสีย (ประโยชน์ที่ 1) ถูกลงบัญชีไว้เป็นศูนย์ เหตุผลเป็นดังที่กล่าวไปแล้ว เพราะอัตราการจับคู่ข้อมูลได้หยุดอยู่ที่ 28% ถ้าฝั่งสภาวะยังเป็นการเขียนมือ 1 ครั้งต่อกะ ก็ระบุสาเหตุไม่ได้ ถ้าระบุสาเหตุไม่ได้ก็เปลี่ยนสภาวะกระบวนการไม่ได้ และถ้าสภาวะกระบวนการไม่เปลี่ยน ของเสียก็ไม่ลด บทความนี้จึงวางไว้ว่า A คือการลงทุนเพื่อให้บันทึกข้อมูลได้เร็วขึ้น ไม่ใช่การลงทุนเพื่อลดของเสีย

ขอบเขต B เก็บสภาวะการฉีดบนแกนเวลาเดียวกัน (2.86 ปี)

เพิ่มจาก A ด้วยหน่วยเก็บข้อมูลจากเครื่องฉีด 20 ชุด (ชุดละ 42,000 THB รวม 840,000 THB) การจัดวางการซิงค์เวลาและเครือข่ายอีก 180,000 THB และการขยายฐานข้อมูลอีก 160,000 THB เงินลงทุนเริ่มต้น 1,660,000 THB ค่าใช้จ่ายรายปี 300,000 THB

ตรงนี้เองที่ผลการตรวจสอบกับสภาวะการฉีดได้ขึ้นมาอยู่บนแกนเวลาเดียวกันเป็นครั้งแรก อัตราการจับคู่ข้อมูลได้ขยับไปที่ 76% ของเสียที่มีต้นเหตุจากล็อตวัตถุดิบ จากการอบแห้ง และจากการลำเลียง จะไล่ติดตามได้ และเกิดประโยชน์จากการลดของเสียเท่ากับ 60% คือ 248,832.00 THB ส่วน 70% ที่เหลือของการวิเคราะห์สาเหตุ (272,160.00 THB) และการตั้งสภาวะหลังเปลี่ยนแม่พิมพ์ (97,200.00 THB) ก็อยู่ตรงนี้ เพราะการจะดึงสภาวะของงานดีในอดีตออกมาได้ ต้องมีการบันทึกสภาวะโดยอัตโนมัติไว้ก่อน

ประโยชน์รวม 879,984.00 THB ประโยชน์สุทธิ 579,984.00 THB เทียบกับเงินลงทุนเริ่มต้น 1,660,000 THB ระยะคืนทุนคือ 2.86 ปี (34.3 เดือน) เงินลงทุนเริ่มต้นมากกว่า A เกิน 3 เท่า แต่ระยะคืนทุนกลับสั้นลงจาก 3.39 ปีเหลือ 2.86 ปี

ขอบเขต C แยกเป็นรายชิ้นลงถึงระดับช็อตและคาวิตี้ (3.86 ปี)

เพิ่มจาก B ด้วยการระบุคาวิตี้ (สลักแม่พิมพ์และอ่านค่า) 20 แม่พิมพ์ รวม 440,000 THB และการสร้างโมเดลกับออกแบบการใช้งานอีก 200,000 THB เงินลงทุนเริ่มต้น 2,300,000 THB ค่าใช้จ่ายรายปี 450,000 THB

อัตราการจับคู่ข้อมูลได้ขึ้นไปที่ 96% ทั้งความแปรปรวนระดับช็อตของรอยยุบและชอร์ตช็อต และความต่างระหว่างคาวิตี้ของขนาดหลุดสเปก ล้วนมองเห็นได้ ในความหมายของความแม่นในการวิเคราะห์ ตรงนี้แข็งแรงที่สุดอย่างชัดเจน

ประโยชน์รวม 1,045,872.00 THB ประโยชน์สุทธิ 595,872.00 THB ระยะคืนทุนคือ 3.86 ปี (46.3 เดือน) ช้ากว่าทั้ง B และ A

ทำไมระยะคืนทุนของ C จึงยืดออก

เหตุผลคือรูปแบบการเพิ่มขึ้นของตัวเศษกับตัวส่วนไม่เหมือนกัน

เมื่อเดินจาก B ไป C เงินลงทุนเริ่มต้นเพิ่มจาก 1,660,000 THB เป็น 2,300,000 THB ค่าใช้จ่ายรายปีเพิ่มจาก 300,000 THB เป็น 450,000 THB ในขณะที่ประโยชน์สุทธิเพิ่มจาก 579,984.00 THB ไปได้แค่ 595,872.00 THB แทบจะเท่าเดิม เมื่อตัวส่วนโตขึ้นมากแต่ตัวเศษแทบไม่โต จำนวนปีที่ใช้คืนทุนย่อมยืดออก

ทำไมตัวเศษจึงไม่เพิ่ม เพราะประโยชน์ที่เกิดขึ้นใหม่ที่ C มีเพียง 40% ที่เหลือของประโยชน์ที่ 1 (165,888.00 THB) เท่านั้น ขอให้นึกถึงตารางโหมดของเสียในหัวข้อก่อนหน้า โหมดของเสียที่ไล่ได้เฉพาะด้วย C มี 2 อย่างคือ รอยยุบกับชอร์ตช็อต และขนาดหลุดสเปก ภายใต้สมมติฐานของบทความนี้ สองอย่างนี้คิดเป็น 40% เมื่อวัดเป็นจำนวนเงิน การจะไปเก็บ 40% ส่วนนั้น ต้องซื้อทั้งการสลักแม่พิมพ์ 20 แม่พิมพ์และโครงสร้างการดูแลโมเดลเข้ามาทั้งชุด ยิ่งไปกว่านั้น ค่าใช้จ่ายรายปียังหนักขึ้นจาก 300,000 THB เป็น 450,000 THB ประโยชน์ที่เพิ่มมาส่วนใหญ่จึงหายไปตรงนั้น

จากตรงนี้พูดได้ 2 เรื่อง

เรื่องแรก ระดับความแม่นของการวิเคราะห์กับประสิทธิภาพของการลงทุน เป็นคนละแกนกัน อัตราการจับคู่ข้อมูลได้ 96% เป็นจุดหมายที่ถูกต้องในเชิงเทคนิค แต่ถ้าเงินลงทุนเพิ่มเติมที่ต้องใช้เพื่อไปให้ถึง 96% สูงกว่าประโยชน์ที่เก็บได้ใหม่จาก 96% นั้น ในแง่การลงทุนก็ถือว่าแพ้ ข้อเสนอที่บอกว่า “มาเพิ่มความแม่นยำกันอีกเถอะ” ส่วนใหญ่ไม่ได้แยกแยะเรื่องนี้

เรื่องที่สอง จุดแบ่งอยู่ที่สัดส่วนของเสียของบริษัทท่านเอง บทความนี้วางประโยชน์ที่ 1 ระหว่าง B กับ C ไว้ที่ 6 ต่อ 4 นี่เป็นสมมติฐานของบทความนี้ ไม่ใช่ค่าที่วัดจริง หากมูลค่าของเสียส่วนใหญ่ของบริษัทท่านมาจากรอยยุบ ชอร์ตช็อต และขนาดหลุดสเปก อัตราส่วนนี้จะพลิกกลับ และมีความเป็นไปได้ที่ระยะคืนทุนของ C จะสั้นกว่า B ในทางกลับกัน ถ้าเป็นโรงงานที่อธิบายของเสียส่วนใหญ่ได้ด้วยจุดดำ สิ่งปนเปื้อน และการอบแห้งไม่พอ ก็แทบไม่มีเหตุผลที่จะเดินหน้าไป C

ข้อสรุปจึงเป็นดังนี้ ความละเอียดไม่ใช่สิ่งที่ต้องเพิ่มให้สุดเท่าที่เพิ่มได้ แต่เป็นสิ่งที่ต้องปรับให้ตรงกับหน่วยที่โหมดของเสียของบริษัทท่านเรียกร้อง และในสภาพที่ยังไม่รู้สัดส่วนโหมดของเสียของตัวเองเมื่อวัดเป็นจำนวนเงิน การตัดสินใจนี้ก็ทำไม่ได้ตั้งแต่ต้น สิ่งแรกที่ต้องทำจึงไม่ใช่การลงทุน แต่คือการนับสัดส่วนของของเสียล่าสุด

อนึ่ง ทั้ง 3 ขอบเขตที่เปรียบเทียบกันตรงนี้ ล้วนต้องผ่าน B เส้นทางที่กระโดดจาก A ไป C เลยนั้นไม่มีอยู่จริง เพราะการระบุระดับช็อตจะวางอยู่ได้ก็เฉพาะบนฐานของการเก็บสภาวะอัตโนมัติและการซิงค์เวลาเท่านั้น การไต่ไปทีละขั้นจึงเป็นสิ่งที่เลี่ยงไม่ได้ สิ่งที่ต้องตัดสินใจคือ “จะหยุดที่ B หรือจะไปถึง C” ไม่ใช่ “จะเลือก A หรือ C”

สิ่งที่ต้องทำใน 90 วัน – เริ่มจากการวัดอัตราการจับคู่ข้อมูลได้

ถ้าเสนอขออนุมัติงบขอบเขต B ไปเลยทันที ก็จะถูกถามหาเหตุผลรองรับแล้วหยุดชะงัก เราจะใช้เวลา 90 วันเตรียมวัตถุดิบที่จำเป็นต่อการตัดสินใจ ซึ่งแทบไม่มีค่าใช้จ่าย

วันที่ 1-30 นับอัตราการจับคู่ข้อมูลได้จากของเสียล่าสุด 50 รายการ

30 วันแรกไม่พูดเรื่องระบบเลยแม้แต่น้อย แค่นับอย่างเดียว

หยิบของเสียล่าสุด 50 รายการออกมาจากทะเบียนบันทึก จำนวน 50 รายการเพียงพอแล้ว เพราะสิ่งที่สำคัญกว่าความเข้มงวดทางสถิติคือการไล่ดูทุกรายการทีละรายการด้วยมือ จากนั้นไล่ทีละรายการ กรอกเครื่องหมาย O หรือ X ว่าระบุได้หรือไม่ใน 4 เรื่อง คือเวลาที่เกิด สภาวะการฉีด เครื่องกับแม่พิมพ์ และล็อตวัตถุดิบ กรุณาตกลงกฎกับทุกคนตั้งแต่ต้นว่า ช่องที่กรอกด้วยการอนุมานให้ใส่ X ถ้าตรงนี้หย่อนยาน อัตราการจับคู่ข้อมูลได้ที่ออกมาจะสูงกว่าความเป็นจริง

พร้อมกันนั้นให้ทำอีก 1 ตาราง เป็นตารางที่จำแนกของเสีย 50 รายการนั้นตามโหมดของเสีย แล้วรวมยอดจำนวนเงินของแต่ละโหมด (จำนวนชิ้น × ความสูญเสียต่อชิ้น) ทั้งจุดดำและสิ่งปนเปื้อน ซิลเวอร์สตรีค รอยขูดจากการลำเลียง รอยยุบและชอร์ตช็อต และขนาดหลุดสเปก จะแบ่งกันอย่างไรใน 5 กลุ่มนี้ ดังที่กล่าวในหัวข้อก่อนหน้า อัตราส่วนจำนวนเงินระหว่างโหมดที่ไปถึงด้วย B กับโหมดที่ต้องใช้ C คือสิ่งที่กำหนดว่าจะหยุดที่ B หรือไปถึง C สมมติฐาน 6 ต่อ 4 ของบทความนี้ใช้ได้กับบริษัทท่านหรือไม่ มีแต่ตารางนี้เท่านั้นที่บอกได้

สิ่งที่ได้จาก 30 วันนี้คือตัวเลข 2 ตัว ได้แก่อัตราการจับคู่ข้อมูลได้ของบริษัทท่านเอง และสัดส่วนมูลค่าของเสียแยกตามโหมด เวลานำขึ้นเอกสารขออนุมัติงบ 2 ตัวนี้จะเป็นวัตถุดิบที่แข็งแรงกว่าตัวเลขใด ๆ จากกรณีของบริษัทอื่น

วันที่ 31-60 ตัดสินใจเรื่องการซิงค์เวลาและรอบการเก็บข้อมูล

30 วันถัดมาให้ปักหมุดสมมติฐานทางเทคนิค

เริ่มจากนาฬิกา ทำรายการอุปกรณ์ทุกตัวในโรงงานที่ถือเวลาอยู่ แล้วถ่ายรูปหน้าจอ ณ วินาทีเดียวกันมาเทียบกัน ทั้งเครื่องปลายทางตรวจสอบ คอนโทรลเลอร์เครื่องฉีด หน่วยเก็บข้อมูล เซิร์ฟเวอร์ และ PC ในสำนักงาน วัดจริงว่าคลาดเคลื่อนกันกี่วินาที ดูว่าอยู่ในเกณฑ์คร่าว ๆ ของบทความนี้คือภายใน 3 วินาทีหรือไม่ แล้วตรวจสอบว่าตัวที่ไม่อยู่ในเกณฑ์นั้นซิงค์ NTP ได้หรือไม่ ถ้ามีอุปกรณ์ที่ไม่รองรับ ให้ตัดสินใจว่าจะไม่ใช้เวลาของอุปกรณ์นั้นในการจับคู่ข้อมูล และกำหนดแทนว่าจะใช้อะไรประทับเวลา

ต่อมาคือรอบการเก็บข้อมูล ตรงนี้สัดส่วนแยกตามโหมดจากวันที่ 1-30 จะเริ่มออกฤทธิ์ ถ้าจำนวนเงินส่วนใหญ่อยู่ในโหมดที่ไปถึงด้วย B รอบ 1 นาทีก็เพียงพอ ถ้าโหมดที่ต้องใช้ C มีน้ำหนักมาก ให้สอบถามผู้ผลิตเครื่องฉีดว่าทำการเก็บแบบทริกเกอร์ได้หรือไม่ กรุณาอย่าตัดสินแบบ “เอาละเอียดไว้ก่อน” แต่ให้ผูกกับเหตุผลว่า “ใช้รอบนี้เพื่อไล่โหมดนี้” รอบการเก็บข้อมูลนั้นทำให้หยาบลงทีหลังได้ แต่ข้อมูลที่ไม่ได้เก็บไว้นั้นสร้างขึ้นทีหลังไม่ได้ การบันทึกเหตุผลของการตัดสินใจไว้เป็นเอกสารจึงสำคัญ

พร้อมกันนี้ให้ตัดสินใจเรื่องวิธีถือข้อมูลที่จะบันทึกด้วย ว่า 1 เรกคอร์ดจะให้ถืออะไรบ้าง ความละเอียดของเวลาจะเอาถึงวินาทีหรือไม่ และจะเตรียมคอลัมน์หมายเลขคาวิตี้ไว้เป็นช่องว่างตั้งแต่แรกหรือไม่ แนวคิดการออกแบบภาพรวมนั้นเราเรียบเรียงไว้ในแนวคิดของระบบบริหารจัดการข้อมูลคุณภาพ

วันที่ 61-90 ตรวจสอบผลด้วยโหมดของเสียเพียงโหมดเดียว

30 วันสุดท้ายให้จำกัดขอบเขตเหลือเรื่องเดียวแล้วลงมือทำจริง กรุณาอย่าเริ่มทุกโหมดพร้อมกัน

สิ่งที่ควรเลือกคือโหมดที่ไปถึงด้วย B ซึ่งมีจำนวนเงินสูงที่สุดจากวันที่ 1-30 ในโรงงานฉีดพลาสติกจำนวนมากมักเป็นจุดดำและสิ่งปนเปื้อน หรือซิลเวอร์สตรีค เป้าหมายคือเครื่องฉีด 1-2 เครื่อง จัดหมายเลขล็อตวัตถุดิบกับเวลาที่ป้อนเข้า แบตช์การอบแห้งกับเวลา และผลการตรวจสอบ ให้อยู่บนแกนเวลาเดียวกันเป็นเวลา 30 วัน จะทำด้วยมือก็ได้ ใช้ Excel ก็ได้

สิ่งที่ต้องยืนยันใน 30 วันนี้ไม่ใช่ความแม่นยำของโมเดล แต่คือ อัตราการจับคู่ข้อมูลได้เพิ่มขึ้นจริงหรือไม่ ค่าที่นับไว้ในวันที่ 1-30 จะขยับไปได้ถึงไหนภายใต้การทำงานแบบนี้ และภายใต้อัตราการจับคู่ข้อมูลได้ที่สูงขึ้นแล้ว จะคัดกรองผู้ต้องสงสัยที่เป็นสาเหตุให้แคบลงได้จริงหรือไม่ ถ้ามองเห็นความสัมพันธ์ว่า “จุดดำเยอะเฉพาะตอนที่ใช้ล็อต X” เท่านี้ก็เพียงพอ ในขั้นนี้ยังไม่ต้องใช้โมเดล AI ถ้าสิ่งที่ควรจะมองเห็นได้ด้วยแผนภาพการกระจายและตารางไขว้ยังมองไม่เห็น ใส่ AI เข้าไปก็มองไม่เห็นเช่นกัน

เมื่อจบ 90 วัน จะเหลืออยู่ในมือ 3 สิ่ง คืออัตราการจับคู่ข้อมูลได้ของบริษัทท่าน สัดส่วนมูลค่าของเสียแยกตามโหมด และผลการตรวจสอบด้วยโหมดเดียว ถ้ามี 3 สิ่งนี้ ก็จะถกกันได้ว่าจะหยุดที่ B หรือไปถึง C ด้วยตัวเลขของบริษัทท่านเอง ไม่ใช่ด้วยกรณีของบริษัทอื่น

ความล้มเหลวที่พบบ่อย 4 แบบ

ส่งเฉพาะผลการตรวจสอบให้ผู้ให้บริการ นี่คือรูปแบบที่พบมากที่สุด สิ่งที่ยื่นให้พร้อมคำพูดว่า “เรามีข้อมูลคุณภาพ 3 ปี” กลับเป็นเพียงตารางที่มีวันที่ หมายเลขเครื่อง รหัสสินค้า หัวข้อของเสีย และจำนวนของเสีย ฝั่งผู้ให้บริการเองเมื่อรับมาแล้วก็ต้องส่งอะไรกลับไปสักอย่าง จึงได้รายงานที่ใกล้เคียงกับการรวมยอดกลับมา แล้วการประเมินว่า “AI ก็ไม่ได้เรื่องอะไรมาก” ก็ฝังตัวอยู่ในองค์กร ก่อนจะส่งให้ใคร กรุณานับก่อนว่าในตารางนั้นมีตัวแปรอธิบายอยู่กี่คอลัมน์ ถ้าเป็นศูนย์ ส่งไปก็ไม่ได้สาเหตุออกมา

ทิ้งข้อมูลของงานดี การทำงานแบบบันทึกสภาวะเฉพาะตอนที่เกิดของเสียนั้นไม่ใช่เรื่องแปลก แต่การวิเคราะห์สาเหตุคืองานเปรียบเทียบสภาวะตอนเกิดของเสียกับตอนได้งานดี ถ้ามีแค่ด้านเดียวก็เปรียบเทียบไม่ได้ ต่อให้สะสมบันทึกว่า “เกิดของเสียที่แรงดันย้ำ 45 MPa” มากแค่ไหน ถ้าตอนได้งานดีก็อยู่ที่ 45 MPa เหมือนกัน แรงดันย้ำก็ไม่ใช่สาเหตุ ข้อมูลตอนได้งานดีต่างหากที่เป็นกลุ่มควบคุม การเก็บสภาวะแบบต่อเนื่องก็คือการเก็บข้อมูลของช่วงเวลาที่ส่วนใหญ่เป็นงานดีนั่นเอง ถ้าตัดตรงนี้ออก วัตถุประสงค์ของการเก็บข้อมูลก็พังทั้งหมด

ป้อนให้เรียนรู้ทั้งที่เวลายังคลาดเคลื่อน ดังที่กล่าวในหัวข้อก่อนหน้า ปัญหาใหญ่ที่สุดคือมันไม่ถูกรับรู้ว่าเป็นความล้มเหลว จำนวนบรรทัดตรงกัน โมเดลรันได้ ความแม่นยำก็ออกมา ทั้งที่เหลื่อมกันทั้งหมด ยิ่งไปกว่านั้น เมื่อผลการวิเคราะห์ไม่ตรงกับความรู้สึกของหน้างาน สิ่งที่ถูกสงสัยไม่ใช่นาฬิกาแต่คือ AI ก่อนเริ่มเก็บข้อมูล กรุณาวัดเวลาของอุปกรณ์ทุกตัวจริงก่อนเสมอ การมารู้ทีหลังว่า “ข้อมูลช่วงนั้นใช้ไม่ได้” คือฉากที่แย่ที่สุด

ไม่ต่อยอดสาเหตุที่ค้นพบไปสู่การเปลี่ยนสภาวะกระบวนการ ต่อให้วิเคราะห์แม่นแค่ไหน ลำพังแค่นั้นของเสียก็ไม่ลดลงแม้แต่ชิ้นเดียว เมื่อได้ผลลัพธ์ว่า “ชอร์ตช็อตเพิ่มขึ้นในช็อตถัดจากจังหวะที่อุณหภูมิพลาสติกหลอมหลุดต่ำกว่าค่าควบคุมล่าง” ก็ต้องทบทวนค่าล่างนั้น แก้ไขมาตรฐานการทำงาน ตั้งเงื่อนไขการแจ้งเตือนสำหรับการเฝ้าระวัง และวัดผลหลังการเปลี่ยนแปลง ทำถึงตรงนี้แล้วประโยชน์ที่ 1 จึงจะเกิดขึ้น พูดกลับกันคือ ถ้ายังไม่ได้กำหนดผู้รับผิดชอบและอำนาจในการนำผลการวิเคราะห์ไปสะท้อนลงตารางสภาวะและเอกสารมาตรฐาน ก็ควรลงบัญชีประโยชน์ที่ 1 เป็นศูนย์ตั้งแต่แรก ในกรณีเช่นนี้ การตัดสินใจลงทุนจะกลายเป็นการถามว่าคุ้มหรือไม่ด้วยประโยชน์ระดับ A เพียงอย่างเดียว สิ่งที่ออกฤทธิ์เป็นลำดับสุดท้ายในการนำ AI มาใช้ ไม่ใช่สมรรถนะของโมเดล แต่คือวงจรภายในองค์กรที่ส่งผลลัพธ์กลับเข้าสู่กระบวนการ

คำถามที่พบบ่อย

การวิเคราะห์ข้อมูลตรวจสอบคุณภาพด้วย AI คืออะไร

คือการนำผลของเสียที่ได้จากการตรวจสอบ มาจับคู่กับข้อมูลสภาวะว่าตอนนั้นเกิดอะไรขึ้นในการผลิต เพื่อระบุสาเหตุของของเสียในเชิงตัวเลข การรวมยอดเฉพาะผลการตรวจสอบแล้วดูว่า “เกิดมากเมื่อไรและที่ไหน” ไม่ใช่การวิเคราะห์ แต่หยุดอยู่แค่การรวมยอด การจะได้สาเหตุออกมา ต้องมีตัวแปรอธิบายอย่างแรงดันย้ำ อุณหภูมิพลาสติกหลอม และล็อตวัตถุดิบ วางอยู่บนแกนเวลาเดียวกันกับผลการตรวจสอบ บทความนี้เรียกสัดส่วนที่จับคู่กันได้นี้ว่าอัตราการจับคู่ข้อมูลได้ และถือเป็นตัวชี้วัดที่ควรวัดก่อนความแม่นยำ

การบริหารคุณภาพด้วย AI กับการตรวจสอบด้วยภาพโดย AI ต่างกันอย่างไร

การตรวจสอบด้วยภาพโดย AI คือเทคโนโลยีที่ “ค้นหา” ของเสียจากภาพ ใช้กล้องกับโมเดลรู้จำภาพตัดสินรอยขีดข่วน รอยแหว่ง และสิ่งปนเปื้อน ในทางกลับกัน การวิเคราะห์สาเหตุที่บทความนี้พูดถึงคือขอบเขตของการ “ระบุสาเหตุ” ของของเสียที่ค้นพบแล้ว และสิ่งที่ใช้ไม่ใช่ภาพแต่เป็นข้อมูลเชิงตัวเลข ทั้งสองอย่างเสริมกัน การที่ผลตัดสินของเสียรายชิ้นถูกเก็บไว้ในรูปอิเล็กทรอนิกส์จากการตรวจสอบด้วยภาพ จะช่วยยกคุณภาพของข้อมูลนำเข้าฝั่งการวิเคราะห์สาเหตุด้วย เรื่องการทำให้การตรวจสอบเองเป็นอัตโนมัตินั้นเราเขียนไว้ในบทความอื่น กรุณาเลือกใช้ตามวัตถุประสงค์

การวิเคราะห์สาเหตุของเสียต้องใช้ข้อมูลปริมาณเท่าไร

สิ่งที่เป็นปัญหาคือหน่วย ไม่ใช่ปริมาณ ต่อให้เก็บไว้ 3 ปี ถ้าหน่วยการเกิดของเสียคือช็อตแต่หน่วยการบันทึกสภาวะคือกะ ก็จับคู่ไม่ได้จึงไม่ได้สาเหตุออกมา ในทางกลับกัน ถ้าสภาวะถูกจัดวางบนแกนเวลาเดียวกันแล้ว ต่อให้เป็นช่วงเวลาที่ค่อนข้างสั้นก็มองเห็นผู้ต้องสงสัยที่เป็นสาเหตุได้ ในแผน 90 วันของบทความนี้ เราจัดสรร 30 วันสุดท้ายไว้สำหรับการตรวจสอบผลที่จำกัดเหลือโหมดของเสียเดียวและเครื่องฉีด 1-2 เครื่อง การนับอัตราการจับคู่ข้อมูลได้ของบริษัทท่านเองต้องมาก่อนการเพิ่มปริมาณข้อมูล

การวิเคราะห์ข้อมูลตรวจสอบคุณภาพด้วย AI มีค่าใช้จ่ายเท่าไร

ในโรงงานแบบจำลองของบทความนี้ (ไทย ฉีดพลาสติก พนักงาน 320 คน เครื่องฉีด 20 เครื่อง) เราประเมินไว้ 3 แบบตามขอบเขต ขอบเขต A ซึ่งหยุดอยู่แค่การทำบันทึกการตรวจสอบเป็นอิเล็กทรอนิกส์และแสดงผลด้วย BI อยู่ที่เงินลงทุนเริ่มต้น 480,000 THB และค่าใช้จ่ายรายปี 120,000 THB ขอบเขต B ซึ่งเพิ่มการเก็บสภาวะการฉีดอัตโนมัติและการซิงค์เวลาอยู่ที่เงินลงทุนเริ่มต้น 1,660,000 THB และค่าใช้จ่ายรายปี 300,000 THB ส่วนขอบเขต C ซึ่งรวมการระบุคาวิตี้และการสร้างโมเดลอยู่ที่เงินลงทุนเริ่มต้น 2,300,000 THB และค่าใช้จ่ายรายปี 450,000 THB ระยะคืนทุนคือ 3.39 ปี 2.86 ปี และ 3.86 ปี ตามลำดับ

AI ตรวจจับความผิดปกติกับการวิเคราะห์สาเหตุเป็นสิ่งเดียวกันหรือไม่

เป็นคนละอย่างกัน การตรวจจับความผิดปกติคือกลไกที่ตรวจจับว่า “เกิดสภาพที่ต่างจากปกติขึ้นแล้ว” โดยเรียนรู้รูปแบบตอนปกติแล้วแจ้งเตือนเมื่อเบี่ยงเบนออกจากนั้น ส่วนการวิเคราะห์สาเหตุคือกลไกที่ระบุว่า “ทำไมจึงกลายเป็นของเสีย” ด้วยตัวแปรอธิบาย ถึงการตรวจจับความผิดปกติจะร้องเตือน เราก็ไม่รู้ว่าสาเหตุคือแรงดันย้ำหรือวัตถุดิบ ในทางกลับกัน ของเสียก็เกิดได้จากความแปรปรวนของสภาวะแบบค่อยเป็นค่อยไปในช่วงที่การตรวจจับความผิดปกติไม่ร้องเตือน หากจะเดินทั้งสองอย่างพร้อมกัน ทั้งคู่ใช้ข้อมูลสภาวะชุดเดียวกันเป็นข้อมูลนำเข้า ฐานการเก็บข้อมูลจึงใช้ร่วมกันได้

สรุป

สาเหตุที่การวิเคราะห์ข้อมูลตรวจสอบคุณภาพด้วย AI ไม่แม่น ไม่ใช่สมรรถนะของโมเดล และไม่ใช่ปริมาณข้อมูลสำหรับเรียนรู้ แต่คือการที่หน่วยซึ่งของเสียเกิดขึ้น กับหน่วยซึ่งบันทึกสภาวะการผลิต ไม่ตรงกัน ฝั่งหนึ่งคือช็อตขนาด 30 วินาที อีกฝั่งหนึ่งคือกะขนาด 8 ชั่วโมง สองอย่างนี้ต่อให้สะสมมากแค่ไหนก็เชื่อมโยงกันไม่ได้

ดังนั้นสิ่งที่ควรวัดก่อนความแม่นยำหรือรีคอลคืออัตราการจับคู่ข้อมูลได้ นั่นคือสัดส่วนของของเสียที่เชื่อมโยงได้อย่างชี้เฉพาะว่า ณ ตอนนั้นเกิดอะไรขึ้น ในแบบจำลองของบทความนี้ เราวางไว้ว่าสภาพปัจจุบันอยู่ที่ 12% ขั้น A ที่ทำบันทึกการตรวจสอบเป็นอิเล็กทรอนิกส์อยู่ที่ 28% ขั้น B ที่เก็บสภาวะการฉีดอัตโนมัติบนแกนเวลาเดียวกันอยู่ที่ 76% และขั้น C ที่แยกเป็นรายชิ้นลงถึงช็อตและคาวิตี้อยู่ที่ 96% ประเด็นสำคัญคือ A ได้แค่ 28% ต่อให้จัดระเบียบเฉพาะฝั่งตรวจสอบ ถ้าคู่ที่จะเอามาจับยังหยาบอยู่ ก็จับคู่ไม่ได้

และก่อนจะเริ่มเก็บข้อมูล กรุณาตั้งเวลาให้ตรงกันก่อน ข้อมูลที่เก็บมาทั้งที่เวลายังคลาดเคลื่อน จะผิดในรูปแบบที่เราไม่รู้ว่ามันผิด บทความนี้ตั้งเกณฑ์คร่าว ๆ ไว้ที่ 1 ใน 10 ของไซเคิลไทม์ คือภายใน 3 วินาที นี่เป็นเกณฑ์ของบทความนี้ ไม่ใช่ค่าตามมาตรฐาน

มาถึงเรื่องค่าใช้จ่าย ขอบเขตที่วิเคราะห์ได้แม่นที่สุดคือ C แต่ขอบเขตที่คืนทุนเร็วที่สุดคือ B ที่ 2.86 ปี ส่วน A อยู่ที่ 3.39 ปี และ C อยู่ที่ 3.86 ปี เมื่อเดินหน้าไป C เงินลงทุนเริ่มต้นเพิ่มจาก 1,660,000 THB เป็น 2,300,000 THB ค่าใช้จ่ายรายปีเพิ่มจาก 300,000 THB เป็น 450,000 THB ทั้งที่ประโยชน์สุทธิแทบไม่ขยับ คือจาก 579,984.00 THB ไปเป็น 595,872.00 THB เพราะโหมดของเสียที่ไล่ได้เฉพาะด้วย C นั้น ภายใต้สมมติฐานของบทความนี้ คิดเป็นเพียง 40% ของจำนวนเงิน การปันส่วน 40% กับ 60% นี้เป็นสมมติฐานของบทความนี้ ไม่ใช่ค่าที่วัดจริง

ข้อสรุปจึงเป็นดังนี้ ความละเอียดไม่ใช่สิ่งที่ต้องเพิ่มให้สุดเท่าที่เพิ่มได้ แต่เป็นสิ่งที่ต้องปรับให้ตรงกับหน่วยที่โหมดของเสียของบริษัทท่านเรียกร้อง และถ้ายังไม่เข้าใจสัดส่วนของเสียของตัวเองในเชิงจำนวนเงิน การตัดสินใจนั้นก็ทำไม่ได้ ก่อนลงทุน ให้นับก่อน

ถ้าอยากได้จุดตั้งต้นสำหรับการถกเถียงภายในองค์กร แค่หยิบของเสียล่าสุด 50 รายการออกมาจากทะเบียนบันทึก แล้วไล่นับทีละรายการด้วยเครื่องหมาย O หรือ X ว่า “พูดได้อย่างชี้เฉพาะหรือไม่ว่าตอนนั้นเกิดอะไรขึ้น” เท่านี้ก็เพียงพอแล้ว จะเป็น 12% หรือจะเป็น 40% เพียงมีตัวเลขตัวเดียวนั้น บวกกับสัดส่วนมูลค่าของเสียแยกตามโหมด การถกกันว่าจะเลือก B หรือ C ก็จะทำได้ด้วยภาษาของบริษัทท่านเอง TOMAS TECH ยินดีให้คำปรึกษาแก่ผู้ผลิตสัญชาติญี่ปุ่นในประเทศไทย ทั้งวิธีวัดอัตราการจับคู่ข้อมูลได้ วิธีกำหนดการซิงค์เวลาและรอบการเก็บข้อมูล และวิธีดำเนินการตรวจสอบผลด้วยโหมดของเสียเพียงโหมดเดียว แม้ยังอยู่ในขั้นพิจารณาและยังไม่ได้ตัดสินใจนำมาใช้ก็ทักมาได้ ติดต่อเราได้ที่แบบฟอร์มติดต่อ