พื้นฐาน AI ในโรงงานอย่างปลอดภัย

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

• อธิบายได้ว่า Industry 4.0 (การปฏิวัติอุตสาหกรรมครั้งที่ 4) กับนโยบาย Thailand 4.0 และ EEC ผลักดันให้โรงงานไทยนำ AI และ IIoT มาใช้อย่างไร
• บอกได้ว่างานกลุ่มไหนที่ AI ช่วยได้ปลอดภัย (ร่างเอกสาร วิเคราะห์ข้อมูล ตรวจภาพเบื้องต้น พยากรณ์) และกลุ่มไหนที่ห้ามให้ AI สั่งการเอง (เดินเครื่อง หยุดฉุกเฉิน ระบบความปลอดภัย)
• ใช้หลัก 'คน+เครื่องทำงานร่วมกัน ความปลอดภัยมาก่อน' เป็นกรอบตัดสินใจทุกครั้งก่อนนำ AI มาใช้ในโรงงาน

เนื้อหา

โมดูลแรกวางกรอบความคิดที่เราจะย้ำไปตลอดทั้งหลักสูตร นั่นคือ AI ในโรงงานเป็นตัวช่วยคิดช่วยวิเคราะห์ที่ต้องมีคนคอยกำกับเสมอ ไม่ใช่ตัวสั่งเดินเครื่องหรือตัดสินใจแทนคนแบบอัตโนมัติ คำว่า Industry 4.0 (อุตสาหกรรม 4.0) หมายถึงการปฏิวัติอุตสาหกรรมยุคที่เชื่อมเครื่องจักร เซ็นเซอร์ และข้อมูลเข้าด้วยกันผ่านอินเทอร์เน็ตของสรรพสิ่งในภาคอุตสาหกรรม (IIoT) เพื่อให้โรงงาน 'มองเห็นข้อมูลตัวเอง' และตัดสินใจได้ดีขึ้น ฝั่งไทยมีนโยบาย Thailand 4.0 ที่ผลักดันเศรษฐกิจด้วยนวัตกรรม และมีเขตพัฒนาพิเศษภาคตะวันออก (EEC) ที่ดึงการลงทุนในอุตสาหกรรมเป้าหมาย (S-curve) เช่น ยานยนต์สมัยใหม่และรถยนต์ไฟฟ้า (EV), อิเล็กทรอนิกส์อัจฉริยะ, การแปรรูปอาหาร และปิโตรเคมี ทำให้โรงงานจำนวนมากเริ่มนำ AI เข้ามาช่วยงาน

งานที่ AI ช่วยได้อย่างปลอดภัยและคุ้มค่าที่สุดในตอนนี้คือกลุ่มที่ผลลัพธ์เป็น 'ข้อเสนอ' ให้คนเอาไปตรวจต่อ เช่น การตรวจคุณภาพด้วยภาพ (computer vision QC), การบำรุงรักษาเชิงพยากรณ์ (predictive maintenance) ที่คอยเตือนก่อนเครื่องเสีย, การพยากรณ์ดีมานด์และวางแผนสินค้าคงคลัง, และการใช้ผู้ช่วย AI ร่าง SOP รายงานกะ หรือสรุปคู่มือ ในทางกลับกัน งานที่ 'ห้าม' ให้ AI สั่งการเองแบบอัตโนมัติคือกลุ่มที่กระทบความปลอดภัยของคนหรือของทั้งล็อตโดยตรง เช่น การสั่งเดินหรือหยุดเครื่องจักร การควบคุมหุ่นยนต์ในสายการผลิต และระบบหยุดฉุกเฉิน (E-stop) งานเหล่านี้เป็น safety-critical ที่ต้องมีคนอยู่ในวงจรการตัดสินใจ (human-in-the-loop) และต้องมีคนอนุมัติเสมอ ตลอดหลักสูตรเราจะใช้คำถามง่าย ๆ ว่า 'ถ้า AI พลาด ใครหรืออะไรจะเจ็บ' ถ้าคำตอบคือคนหรือของทั้งล็อต งานนั้นต้องมีคนกำกับเต็มตัว

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

• ใช้ LLM copilot (ChatGPT/Copilot/Gemini/Claude) ช่วยร่างขั้นตอนการทำงานมาตรฐาน (SOP), work instruction, อีเมลถึงซัพพลายเออร์ และสรุปรายงานกะ (shift report)
• ตรวจร่างที่ AI สร้างเพื่อจับตัวเลขผิด ขั้นตอนสลับ และรายละเอียดที่ AI แต่งเติมเอง ก่อนนำไปใช้จริง
• รู้ว่าอะไรที่ห้ามพิมพ์ลงเครื่องมือทั่วไป เช่น สูตรหรือพารามิเตอร์การผลิตที่เป็นความลับ และข้อมูลส่วนบุคคลของพนักงาน (ตาม PDPA)

เนื้อหา

งานที่ปลอดภัยและเห็นผลเร็วที่สุดสำหรับมือใหม่คือให้ AI ช่วยงานเอกสารประจำวัน ผู้ช่วยแบบ LLM (โมเดลภาษาขนาดใหญ่) อย่าง ChatGPT, Microsoft Copilot, Gemini หรือ Claude ช่วยร่างขั้นตอนการทำงานมาตรฐาน (SOP) และคำสั่งงาน (work instruction) จากหัวข้อที่เราให้, ช่วยเรียบเรียงอีเมลถึงซัพพลายเออร์เรื่องวัตถุดิบหรือใบสั่งซื้อ, และช่วยสรุปรายงานกะ (shift report) จากบันทึกสั้น ๆ ให้เป็นรายงานที่อ่านง่าย เช่น สรุปยอดผลิต จำนวนของเสีย เหตุขัดข้อง (downtime) และเรื่องส่งต่อให้กะถัดไป หลักสำคัญคือทุกอย่างที่ AI ทำให้เป็นแค่ 'ร่าง' (draft) ที่คนต้องตรวจและเซ็นรับผิดชอบก่อนใช้เสมอ AI ไม่ได้รู้ว่าเกิดอะไรขึ้นจริงในกะนั้น มันแค่เรียบเรียงจากสิ่งที่เราป้อนให้

ข้อควรระวังที่สุดคือการมั่วข้อมูล (hallucination) คือ AI แต่งตัวเลขหรือรายละเอียดที่ดูน่าเชื่อขึ้นมาเอง เช่น เติมค่าผลผลิตที่เราไม่ได้ให้ หรือสลับลำดับขั้นตอนใน SOP โดยเฉพาะขั้นตอนความปลอดภัยที่สลับแล้วอันตราย จึงต้องตรวจตัวเลขทุกตัวกับแหล่งจริง (เช่น ระบบ MES หรือใบบันทึกการผลิต) และให้ผู้เชี่ยวชาญหน้างานตรวจขั้นตอนใน SOP อีกเรื่องที่ต้องระวังคือข้อมูลลับ อย่าป้อนสูตรการผลิต พารามิเตอร์เครื่องจักรที่เป็นความลับทางการค้า หรือข้อมูลส่วนบุคคลของพนักงานลงเครื่องมือทั่วไป เพราะข้อมูลอาจถูกเก็บหรือนำไปใช้ต่อได้ ถ้าจำเป็นควรใช้รุ่นสำหรับองค์กร (enterprise) ที่มีข้อตกลงเรื่องการไม่นำข้อมูลไปเทรนต่อ

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

• อธิบายหลักการตรวจคุณภาพด้วยภาพได้ ตั้งแต่ถ่ายภาพชิ้นงาน ให้โมเดลจำแนกว่าเป็นของดีหรือของเสีย ไปจนถึงการตั้งเกณฑ์ตัดสิน (threshold)
• เข้าใจข้อจำกัดสำคัญ เช่น การตรวจผิดพลาด (false positive/false negative), การเจอ defect แบบใหม่ที่ไม่เคยสอน และผลจากแสงและมุมกล้องที่เปลี่ยนไป
• วางจุดให้คนยืนยัน (human verification) เคสก้ำกึ่งที่โมเดลไม่มั่นใจ และเชื่อมผลตรวจเข้ากับระบบบันทึกคุณภาพ

เนื้อหา

การตรวจคุณภาพด้วยภาพ (computer vision QC) คือการใช้กล้องถ่ายภาพชิ้นงาน แล้วให้โมเดล AI จำแนกว่าเป็นของดีหรือของเสีย หรือชี้ตำแหน่งข้อบกพร่อง (defect) งานที่ทำได้ดีเช่น ตรวจตำหนิผิว (รอยขีดข่วน รอยบุบ คราบ), ตรวจว่าประกอบชิ้นส่วนครบไหม (เช่น บอร์ดอิเล็กทรอนิกส์ PCBA), และตรวจขนาดหรือรูปทรงเบื้องต้น แพลตฟอร์มที่ใช้กันมีทั้ง Cognex, Landing AI (LandingLens) และบริการ cloud vision การจะใช้งานได้ต้องมี 'ข้อมูลติดป้าย' (labeled data) คือภาพตัวอย่างที่คนบอกไว้แล้วว่าอันไหนดีอันไหนเสีย เอาไปสอนโมเดล แล้วตั้งเกณฑ์ตัดสิน (threshold) ว่าโมเดลต้องมั่นใจแค่ไหนถึงจะตัดสินว่าเป็นของเสีย จุดแข็งที่คนสู้ไม่ได้คือความเร็วและความสม่ำเสมอ มันตรวจได้ทุกชิ้นตลอดกะโดยไม่ล้า

แต่ข้อจำกัดก็สำคัญไม่แพ้กัน อย่างแรกคือการตรวจผิดพลาดสองแบบ คือ 'ตีของดีเป็นของเสีย' (false positive/false reject) ทำให้ทิ้งของดีเปล่า ๆ และ 'ปล่อยของเสียผ่าน' (false negative/false accept) ทำให้ของเสียหลุดไปถึงลูกค้า ซึ่งอันหลังอันตรายกว่ามาก อย่างที่สองคือโมเดลจะจำแนกได้แค่ defect แบบที่เคยเห็นในตอนสอนเท่านั้น ถ้าเจอตำหนิแบบใหม่ที่ไม่เคยมีในข้อมูล มันอาจปล่อยผ่านได้ อย่างที่สามคือมันไวต่อสภาพแวดล้อมมาก แสงที่เปลี่ยน มุมกล้องที่ขยับ หรือฝุ่นบนเลนส์ อาจทำให้ผลเพี้ยน ด้วยเหตุนี้เราจึงต้องวางจุดให้คนยืนยัน (human verification) โดยเฉพาะเคสที่โมเดลไม่มั่นใจ (คะแนนใกล้เกณฑ์) และควรตรวจสอบประสิทธิภาพโมเดลเป็นระยะ ที่สำคัญคือ vision QC ควรทำหน้าที่ 'คัดกรอง' และ 'เตือน' ไม่ใช่ตัดสินขั้นสุดท้ายในงานที่กระทบความปลอดภัยของผลิตภัณฑ์โดยไม่มีคนดู

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

• อธิบายหลักการ RAG ได้ ว่าเป็นการให้ AI ค้นข้อความจากคู่มือหรือ SOP จริงของโรงงานมาตอบ พร้อมอ้างอิงหน้าเอกสารต้นทาง
• เข้าใจว่าทำไม RAG ที่อ้างอิงเอกสารจริงจึงปลอดภัยกว่าถาม LLM ลอย ๆ เพราะช่วยลดการมั่วข้อมูล (hallucination) แต่ก็ยังไม่ได้ตัดหมดไป
• เปิดตรวจแหล่งอ้างอิงจริงก่อนทำตามทุกครั้ง โดยเฉพาะงานความปลอดภัย และไม่อัปโหลดคู่มือที่เป็นความลับขึ้นเครื่องมือสาธารณะ

เนื้อหา

โรงงานมีเอกสารมหาศาล ทั้งคู่มือเครื่องจักร (machine manual), สเปกวัสดุ, SOP, ตารางบำรุงรักษา และรหัสข้อผิดพลาด (error code) การหาคำตอบจากเอกสารเหล่านี้ด้วยมือกินเวลามาก เทคนิคที่ช่วยได้อย่างปลอดภัยคือ RAG (Retrieval-Augmented Generation) คือระบบที่ 'ค้น' ข้อความที่เกี่ยวข้องจากเอกสารจริงของเราก่อน แล้วค่อยให้ LLM สรุปตอบ พร้อมอ้างอิงว่ามาจากหน้าไหน จุดที่ทำให้ RAG ปลอดภัยกว่าการถาม AI ลอย ๆ คือคำตอบยึดโยงกับเอกสารจริง (grounding) ไม่ได้เดาจากความจำของโมเดล ตัวอย่างการใช้งานเช่น ถามค่าแรงขันน็อต (torque) ที่ถูกต้อง, ขั้นตอนตั้งเครื่อง (setup), ความหมายของรหัส error ที่ขึ้นหน้าจอ, หรือรอบการบำรุงรักษาตามตาราง เครื่องมือที่ทำได้มีทั้ง copilot สำหรับองค์กรที่เชื่อมเอกสารภายใน และระบบ RAG ที่สร้างเองต่อกับคลังความรู้ของโรงงาน

แต่ต้องเข้าใจว่า RAG 'ลด' การมั่ว ไม่ได้ 'ตัด' การมั่วออกหมด มันยังพลาดได้ เช่น ค้นเจอผิดหน้าแล้วตอบมั่นใจ หรือสรุปเนื้อหาเพี้ยนไปจากต้นฉบับ กฎเหล็กของโมดูลนี้จึงมีสองข้อ ข้อแรกคือ 'เปิดหน้าจริงตรวจก่อนทำตามเสมอ' โดยเฉพาะขั้นตอนความปลอดภัย เช่น การตัดแยกพลังงานก่อนซ่อม (lockout/tagout — LOTO), การทำงานกับแรงดันหรือสารเคมี ซึ่งถ้าทำผิดขั้นตอนอันตรายถึงชีวิต งานเหล่านี้ต้องยืนยันกับคู่มือฉบับทางการและวิศวกรที่รับผิดชอบ ไม่ใช่เชื่อคำสรุปของ AI อย่างเดียว ข้อสองคือเรื่องความลับ คู่มือและสเปกบางส่วนเป็นความลับทางการค้าหรือมีเงื่อนไขลิขสิทธิ์ อย่าอัปโหลดขึ้นเครื่องมือ AI สาธารณะ ควรใช้ระบบภายในหรือรุ่นองค์กรที่ควบคุมข้อมูลได้

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

• บอกเส้นแบ่งที่ห้ามข้ามได้ คือห้ามให้ AI สั่งเดินเครื่อง หยุดสายการผลิต ควบคุมหุ่นยนต์ หรือระบบ safety-critical เองโดยไม่มีคนกำกับ
• เข้าใจข้อกำหนด PDPA กับข้อมูลพนักงานและกล้องวงจรปิด/กล้อง AI ในโรงงาน ทั้งการแจ้ง (privacy notice), การจำกัดวัตถุประสงค์ และข้อมูลชีวมิติ (ใบหน้า) ที่เป็นข้อมูลอ่อนไหว
• รู้ว่าต้องแยกเครือข่ายควบคุมเครื่องจักร (OT) ออกจากเครือข่ายสำนักงาน (IT) และไม่ต่อเครื่องมือ AI เข้าระบบควบคุมโดยตรง

เนื้อหา

โมดูลปิดท้ายระดับพื้นฐานสรุปเส้นแบ่งความปลอดภัยและข้อมูลที่ห้ามข้าม เรื่องแรกและสำคัญที่สุดคือ 'ห้ามให้ AI สั่งควบคุมเครื่องจักรเองโดยไม่มีคนกำกับ' นั่นคือห้ามต่อ AI ให้สั่งงานตัวควบคุม (PLC), สายการผลิต, หุ่นยนต์ หรือระบบหยุดฉุกเฉิน (E-stop) แบบอัตโนมัติ AI ให้ 'คำแนะนำ' ได้ แต่คนต้องเป็นคนกดและอนุมัติ งานที่เป็น safety-critical ต้องมีคนอยู่ในวงจร (human-in-the-loop) และระบบความปลอดภัยที่ต้องหยุดเครื่องเมื่อมีอันตราย ควรพึ่งอุปกรณ์นิรภัย (safety interlock) ที่เป็นฮาร์ดแวร์แยกต่างหาก ซึ่งได้รับการรับรองตามมาตรฐาน ไม่ใช่ให้ AI ที่อาจมั่วมาตัดสินใจแทน

เรื่องที่สองคือข้อมูลส่วนบุคคลตาม PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562) ข้อมูลพนักงาน เช่น ประวัติ ผลการทำงาน ข้อมูลสุขภาพ ล้วนเป็นข้อมูลส่วนบุคคลที่ต้องมีฐานทางกฎหมายในการเก็บและใช้ ที่ต้องระวังเป็นพิเศษคือกล้องวงจรปิด (CCTV) และกล้อง AI ในโรงงาน ถ้ากล้องจับภาพใบหน้าหรือพฤติกรรมพนักงาน ต้องมีการแจ้ง (privacy notice) ติดป้ายบอกว่ามีการบันทึกภาพ ระบุวัตถุประสงค์ให้ชัด และกำหนดระยะเวลาเก็บ ที่สำคัญคือห้ามเอากล้องที่ตั้งไว้เพื่อตรวจคุณภาพ (QC) ไปแอบใช้ประเมินหรือสอดส่องพนักงานโดยไม่แจ้ง เพราะเป็นการใช้ข้อมูลผิดวัตถุประสงค์ และการเก็บข้อมูลชีวมิติอย่างใบหน้าเข้าข่ายข้อมูลอ่อนไหว (sensitive data) ที่ต้องดูแลเข้มกว่าปกติ

เรื่องที่สามคือการแยกระบบ ระบบเทคโนโลยีเชิงปฏิบัติการที่ควบคุมเครื่องจักร (OT — Operational Technology) ต้องแยกออกจากเครือข่ายสำนักงาน (IT) และไม่ควรเชื่อมเครื่องมือ AI บนคลาวด์ตรงเข้ากับ PLC หรือระบบควบคุม เพราะถ้าถูกเจาะหรือทำงานผิดพลาด อาจกระทบการเดินเครื่องและความปลอดภัย เรื่องนี้จะลงลึกในระดับสูง (มาตรฐาน IEC 62443) และเรื่องสุดท้ายคือความลับทางการค้า สูตรและพารามิเตอร์การผลิตอย่าป้อนลงเครื่องมือ AI สาธารณะ ทั้งหมดนี้คือ 'ราวกันตก' ที่ทำให้เราใช้ AI เพิ่มผลิตภาพได้โดยไม่ทำร้ายคน ไม่ผิดกฎหมาย และไม่ทำข้อมูลหลุด

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้