1. สายการผลิต: เพิ่มผลิตภาพ ลดเวลาสูญเปล่า และช่วยแก้ปัญหาหน้างาน
ปัญหา: สายการผลิตมีของเสีย รอบเวลา (cycle time) ไม่คงที่ เปลี่ยนรุ่นสินค้า (changeover) ช้า และเวลาเครื่องหยุดกะทันหันทำให้ยอดตก หัวหน้ากะต้องนั่งไล่ข้อมูลจากหลายระบบเพื่อหาสาเหตุ AI ช่วยอย่างไร: เมื่อมีข้อมูลจาก MES/IIoT (ดูโมดูล 3.1) AI ช่วยวิเคราะห์คอขวด (bottleneck) หาความสัมพันธ์ระหว่างพารามิเตอร์เครื่องกับของเสีย สรุปสาเหตุที่เป็นไปได้เมื่อเกิดการหยุด (แบบเสนอให้วิศวกรตรวจ) และช่วยหัวหน้ากะร่างรายงานกะและแผนแก้ไข ระบบแจ้งเตือน (andon) ที่เสริมด้วย AI ช่วยจัดลำดับความสำคัญของปัญหาได้ ตัวเลขที่ใช้วัดหลักคือประสิทธิผลโดยรวมของเครื่องจักร (OEE) ที่รวมความพร้อมใช้ สมรรถนะ และคุณภาพ ระวัง: AI เสนอสาเหตุได้ แต่ไม่ได้เห็นหน้างานจริง วิศวกรต้องยืนยันก่อนสั่งปรับ และห้ามให้ AI ปรับค่าตั้งเครื่อง (setpoint) อัตโนมัติ ตัวเลข OEE ต้องมาจากข้อมูลจริง ไม่ใช่ให้ AI เดา
2. การควบคุมคุณภาพ (QC): ตรวจของเสียด้วยภาพ ผสาน SPC และหา root cause
ปัญหา: การตรวจด้วยสายตาคนเหนื่อยล้า ไม่คงเส้นคงวา และของเสียบางแบบเล็กจนคนมองข้าม พอของเสียหลุดถึงลูกค้าก็เกิดการเคลม (claim) และเสียชื่อ AI ช่วยอย่างไร: ระบบตรวจคุณภาพด้วยภาพ (computer vision QC) ใช้กล้องและโมเดล AI ตรวจรอยขีดข่วน รอยบุบ ชิ้นส่วนขาด หรือฉลากผิด ได้เร็วและสม่ำเสมอ ใช้ร่วมกับการควบคุมกระบวนการเชิงสถิติ (SPC) เพื่อจับแนวโน้มก่อนของเสียจะเกิด และให้ LLM ช่วยวิเคราะห์สาเหตุราก (root cause) จากข้อมูลของเสียที่บันทึกไว้ แพลตฟอร์มที่พบในตลาด เช่น Landing AI (LandingLens), Cognex, Keyence และบริการ vision บน cloud (รายละเอียดในหน้าเครื่องมือ) ระวัง: โมเดลที่เทรนจากไลน์เดียว แสงเดียว หรือรุ่นเดียว มักใช้กับไลน์อื่นไม่ได้ (model bias/drift) ต้องเก็บภาพให้ครอบคลุมและตรวจสอบความแม่นเป็นระยะ และคนต้องเป็นผู้ยืนยันของเสียในจุดที่กระทบความปลอดภัยเสมอ อย่าให้ AI ตัดสินทิ้ง/ผ่านเองในงานที่เกี่ยวกับความปลอดภัยของผู้บริโภค
| งาน QC | วิธีเดิม | AI ช่วย | ใครตัดสินสุดท้าย |
|---|---|---|---|
| ตรวจตำหนิผิวงาน | สายตาคน สุ่มตรวจ | vision ตรวจ 100% เร็วและสม่ำเสมอ | คน (โดยเฉพาะเคสก้ำกึ่ง/ปลอดภัย) |
| คุมความแปรปรวนกระบวนการ | กราฟ SPC ด้วยมือ | AI จับแนวโน้ม/เตือนก่อนหลุดสเปก | วิศวกรกระบวนการ |
| หาสาเหตุของเสีย | ประชุมไล่เดา | LLM ช่วยจัดกลุ่มและตั้งสมมติฐาน | ทีมคุณภาพยืนยันหน้างาน |
3. การบำรุงรักษาเชิงพยากรณ์ (predictive maintenance)
ปัญหา: เครื่องจักรเสียกะทันหันทำให้สายการผลิตหยุดและเสียหายหนัก ส่วนการซ่อมตามรอบเวลา (preventive) ก็สิ้นเปลืองเพราะบางทีอะไหล่ยังดีอยู่ AI ช่วยอย่างไร: ติดเซนเซอร์ IoT วัดการสั่นสะเทือน อุณหภูมิ กระแสไฟ หรือเสียง แล้วให้ AI เรียนรู้รูปแบบปกติ เพื่อจับความผิดปกติ (anomaly detection) และประเมินว่าชิ้นส่วนใกล้เสียเมื่อไร ช่วยให้วางแผนซ่อม 'ก่อน' เครื่องพัง ลดเวลาเครื่องหยุดที่ไม่ได้วางแผน และยืดอายุอะไหล่ นิยมประมวลผลบางส่วนที่ขอบเครือข่าย (edge) เพื่อลดการส่งข้อมูลขึ้น cloud ระวัง: โมเดลต้องการข้อมูลช่วง 'ปกติ' และ 'ก่อนเสีย' พอสมควรจึงจะแม่น ช่วงแรกจะมีสัญญาณเตือนผิด (false alarm) เยอะ ต้องให้ช่างยืนยันก่อนหยุดเครื่องจริง และการต่อเซนเซอร์เข้าระบบต้องผ่านการประเมินความปลอดภัยไซเบอร์ OT (ดูโมดูล 3.2) ห้ามเปิดช่องให้ cloud สั่งงานเครื่องย้อนกลับ
4. คลังสินค้าและโลจิสติกส์ในโรงงาน
ปัญหา: สต็อกจม (มากไป) หรือของขาด (น้อยไป) พร้อมกันในต่างรายการ หาของในคลังนาน และการจัดเส้นทางรถยกไม่เป็นระบบ AI ช่วยอย่างไร: AI ช่วยพยากรณ์ดีมานด์และคำนวณจุดสั่งซื้อ/สต็อกสำรอง (safety stock) ให้เหมาะกับความผันผวนจริง ช่วยจัดวางตำแหน่งสินค้าตามความถี่การหยิบ และในโรงงานที่ลงทุนมากขึ้นมีการใช้หุ่นยนต์เคลื่อนที่ (AGV/AMR) ที่วางแผนเส้นทางด้วย AI ผู้ช่วย LLM ยังช่วยตอบคำถามสต็อกจาก ERP และร่างเอกสารรับ-จ่ายได้ ระวัง: การพยากรณ์เป็นการ 'ประมาณ' ไม่ใช่ความจริง ควรใส่ช่วงความไม่แน่นอนและให้ผู้วางแผนตัดสินใจสุดท้าย โดยเฉพาะสินค้าที่มีฤดูกาลหรือโปรโมชัน ระวังการเชื่อตัวเลขพยากรณ์จนสั่งผลิต/สั่งซื้อเกินจริง และข้อมูลซัพพลายเออร์/ราคาที่ใช้ต้องดูแลตามสัญญาและ PDPA
5. จัดซื้อและการจัดการซัพพลายเออร์
ปัญหา: งานจัดซื้อมีเอกสารเยอะ ทั้งใบขอราคา (RFQ) ใบเสนอราคา และสัญญา การเทียบผู้ขายหลายรายใช้เวลานาน และความเสี่ยงของซัพพลายเออร์ (ส่งช้า คุณภาพตก) มักรู้ตอนสายไป AI ช่วยอย่างไร: LLM ช่วยร่าง RFQ สรุปและเทียบใบเสนอราคาเป็นตาราง ดึงประเด็นสำคัญจากร่างสัญญา (แบบเสนอให้ฝ่ายกฎหมายตรวจ) และช่วยวิเคราะห์ประวัติการส่งมอบเพื่อจัดกลุ่มความเสี่ยงซัพพลายเออร์ ทำ RAG กับนโยบายจัดซื้อภายในเพื่อตอบคำถามพนักงานได้ ระวัง: AI อาจสรุปเงื่อนไขสัญญาผิดหรือมองข้ามข้อสำคัญ ทุกประเด็นทางกฎหมายและราคาต้องให้คนตรวจ ห้ามให้ AI อนุมัติสั่งซื้อหรือเลือกผู้ขายเอง ข้อมูลราคาและเงื่อนไขของคู่ค้าเป็นข้อมูลอ่อนไหวทางธุรกิจ ต้องระวังไม่อัปโหลดขึ้นเครื่องมือสาธารณะที่อาจนำข้อมูลไปเทรนต่อ และดูแลข้อมูลบุคคลของผู้ติดต่อตาม PDPA
6. ความปลอดภัยในโรงงาน (ต้องระวังเป็นพิเศษ)
ปัญหา: อุบัติเหตุจากการไม่สวมอุปกรณ์ป้องกัน (PPE) การเข้าเขตอันตราย และเหตุการณ์เกือบเกิดอุบัติเหตุ (near-miss) ที่ไม่ถูกบันทึก AI ช่วยอย่างไร: ระบบวิเคราะห์ภาพจากกล้องช่วยตรวจว่าพนักงานสวมหมวก/แว่น/ถุงมือครบไหม แจ้งเตือนเมื่อมีคนเข้าเขตหวงห้าม และช่วยรวบรวม/จัดหมวดรายงาน near-miss เพื่อหาแนวโน้มความเสี่ยง LLM ยังช่วยร่างการวิเคราะห์งานเพื่อความปลอดภัย (JSA) และสื่อความปลอดภัยได้ ระวัง: นี่คือจุดที่ต้องระวังที่สุด กล้องจับภาพพนักงานเป็นข้อมูลส่วนบุคคลตาม PDPA ต้องมีฐานทางกฎหมาย แจ้งให้ทราบ ติดป้าย และจำกัดการใช้เฉพาะเรื่องความปลอดภัย ห้ามนำไปจับผิดหรือประเมินผลงานรายบุคคลอย่างลับ ๆ และที่สำคัญที่สุด AI ตรวจ PPE เป็นแค่ 'ตัวช่วยเตือน' ห้ามใช้แทนระบบความปลอดภัยจริง (เช่น ม่านแสง เซนเซอร์หยุดฉุกเฉิน สวิตช์ interlock) ซึ่งต้องเป็นระบบที่ผ่านการรับรอง ไม่ใช่กล้อง AI
เส้นที่ห้ามข้าม: ห้ามใช้ AI/กล้องแทนระบบความปลอดภัยเชิงกลไก (safety-critical) ที่ต้องหยุดเครื่องจริง AI ใช้ได้แค่เป็นชั้นเตือนเสริม ส่วนการหยุดฉุกเฉินต้องเป็นฮาร์ดแวร์ที่ผ่านมาตรฐาน และการใช้กล้องต้องทำตาม PDPA อย่างเคร่งครัด
7. พลังงานและสาธารณูปโภค
ปัญหา: ค่าไฟและค่าพลังงานเป็นต้นทุนก้อนใหญ่ ระบบทำความเย็น อากาศอัด (compressed air) และหม้อไอน้ำมักใช้พลังงานเกินจำเป็น และการรายงานคาร์บอนเพื่อส่งออกก็ทำมือได้ยาก AI ช่วยอย่างไร: AI วิเคราะห์ข้อมูลมิเตอร์ย่อยเพื่อหาจุดที่ใช้พลังงานสูงผิดปกติ ช่วยปรับตารางการเดินเครื่องให้เลี่ยงช่วงค่าไฟแพง (peak) และคาดการณ์การใช้พลังงาน สอดคล้องกับระบบจัดการพลังงาน ISO 50001 นอกจากนี้ยังช่วยรวบรวมข้อมูลเพื่อคำนวณคาร์บอนฟุตพรินต์ (CFP) และเตรียมรายงานสำหรับ CBAM/ลูกค้า (ดูโมดูล 3.3) ระวัง: AI แนะนำการปรับได้ แต่การปรับเดินเครื่องจริงต้องให้วิศวกรพลังงานตัดสิน เพราะเกี่ยวกับความปลอดภัยและคุณภาพการผลิต และตัวเลขคาร์บอนทุกตัวต้องมีหลักฐานตรวจสอบได้ ไม่ให้ AI ประมาณลอย ๆ เพราะข้อมูลคาร์บอนที่ผิดเสี่ยงถูกมองว่าฟอกเขียว
| ระบบ | โอกาสประหยัด | AI ช่วย | ข้อควรระวัง |
|---|---|---|---|
| อากาศอัด (compressed air) | ลดการรั่วและแรงดันเกิน | จับแนวโน้มการใช้ผิดปกติ | วิศวกรตรวจก่อนปรับแรงดัน |
| ระบบทำความเย็น/ชิลเลอร์ | ปรับตามภาระจริง | คาดการณ์ภาระ เสนอ setpoint | คนอนุมัติ ไม่ให้ AI สั่งเอง |
| รายงานคาร์บอน (CFP/CBAM) | เตรียมข้อมูลส่งออก | รวมข้อมูล คำนวณเบื้องต้น | ทุกตัวเลขต้องมีหลักฐาน |
8. เจาะอุตสาหกรรม: แปรรูปอาหาร
ปัญหา: อุตสาหกรรมอาหารไทย (เช่น CP, Thai Union, Betagro) ต้องคุมความปลอดภัยอาหารเข้มงวด ตรวจสอบย้อนกลับได้ และผ่าน GMP/HACCP ขณะที่ของเสียและสิ่งปนเปื้อนมีต้นทุนสูง AI ช่วยอย่างไร: vision QC ช่วยคัดแยกวัตถุดิบ ตรวจสิ่งแปลกปลอมและฉลาก/วันหมดอายุ AI ช่วยจัดระเบียบบันทึกการตรวจสอบย้อนกลับของล็อตวัตถุดิบ ช่วยพยากรณ์ดีมานด์สินค้าสดที่อายุสั้น และร่างเอกสารระบบคุณภาพก่อนการตรวจ (audit) ระวัง: ความปลอดภัยอาหารเป็นเรื่องกฎหมายและสุขภาพผู้บริโภค ค่าวิกฤต (critical limit) เช่น อุณหภูมิ-เวลา ต้องยึดตามข้อกำหนดจริงและผู้เชี่ยวชาญ ไม่ใช่ให้ AI กำหนด การตรวจจับสิ่งปนเปื้อนที่กระทบความปลอดภัย (เช่น โลหะ) ต้องใช้เครื่องตรวจที่ผ่านการรับรองเป็นด่านหลัก AI เป็นเพียงตัวเสริม และ AI อาจอ้างเลขข้อกำหนด อย./HACCP ผิดได้ ต้องตรวจกับเอกสารทางการเสมอ
บริบทไทย: อาหารส่งออกอยู่ภายใต้การกำกับของ อย. และ มกอช. (ACFS) และตลาดปลายทางมักขอ GMP/HACCP หรือมาตรฐานสูงกว่า เช่น BRCGS/FSSC 22000 — AI ช่วยเตรียมเอกสารได้ แต่การรับรองเป็นของผู้ตรวจภายนอก
9. เจาะอุตสาหกรรม: ยานยนต์และชิ้นส่วน/EV
ปัญหา: อุตสาหกรรมยานยนต์ไทยกำลังเปลี่ยนผ่านสู่ยานยนต์ไฟฟ้า (EV) มีผู้ผลิตทั้งเดิมและรายใหม่เข้ามาลงทุน คุณภาพต้องนิ่งระดับ ppm (ของเสียต่อล้านชิ้น) ตามมาตรฐานยานยนต์ IATF 16949 และการตรวจสอบย้อนกลับต้องแน่น AI ช่วยอย่างไร: vision QC ตรวจรอยเชื่อม รอยประกอบ และมิติชิ้นงานความละเอียดสูง predictive maintenance ดูแลหุ่นยนต์เชื่อม/ปั๊มขึ้นรูป AI ช่วยวิเคราะห์คุณภาพระดับ ppm และในสายแบตเตอรี่ EV ช่วยตรวจเซลล์และคุมกระบวนการที่อ่อนไหว รวมถึงพยากรณ์ดีมานด์ชิ้นส่วนในซัพพลายเชนที่ซับซ้อน ระวัง: ชิ้นส่วนยานยนต์กระทบความปลอดภัยผู้ใช้รถโดยตรง งานที่เกี่ยวกับความปลอดภัย (safety-critical part) ต้องมีการตรวจสอบซ้ำโดยคนและระบบที่รับรอง การผลิตแบตเตอรี่มีความเสี่ยงไฟ/สารเคมี ระบบความปลอดภัยต้องเป็นฮาร์ดแวร์ที่ผ่านมาตรฐาน ไม่ใช่ให้ AI ควบคุมเอง และการตรวจสอบย้อนกลับต้องเชื่อถือได้เพราะอาจต้องใช้ตอนเรียกคืนสินค้า (recall)
10. เจาะอุตสาหกรรม: อิเล็กทรอนิกส์และเครื่องใช้ไฟฟ้า
ปัญหา: อิเล็กทรอนิกส์ไทย (ฮาร์ดดิสก์ แผงวงจร PCB การประกอบเซมิคอนดักเตอร์) ผลิตปริมาณมากด้วยความละเอียดสูงมาก ตำหนิเล็กระดับไมครอนตรวจด้วยตาคนแทบไม่ได้ และมีการเปลี่ยนรุ่นสินค้าบ่อย AI ช่วยอย่างไร: ระบบตรวจด้วยภาพความละเอียดสูงและการตรวจแผงวงจรอัตโนมัติ (AOI - Automated Optical Inspection) เสริมด้วย AI ช่วยลดทั้งของเสียที่หลุด (escape) และการตีของดีเป็นเสีย (false reject) AI ช่วยวิเคราะห์ข้อมูลกระบวนการที่มีตัวแปรมากเพื่อคุม yield และช่วยเร่งการปรับตั้ง (ramp-up) เมื่อเปลี่ยนรุ่น ระวัง: ห้องผลิตสะอาด (cleanroom) และกระบวนการที่อ่อนไหวต้องคุมเข้ม การเปลี่ยนโมเดล AI ต้องผ่านการตรวจสอบความถูกต้อง (validation) ก่อนใช้จริง เพราะการตั้งค่าที่ผิดอาจทำของเสียหลุดจำนวนมากอย่างรวดเร็ว โมเดลตรวจตำหนิต้องอัปเดตเมื่อเปลี่ยนรุ่นหรือวัสดุ และข้อมูลกระบวนการซึ่งเป็นความลับทางการค้าต้องดูแลไม่ให้รั่วออกนอกองค์กร