แม้ AI จะกลายเป็นคำที่ใคร ๆ ก็พูดถึงในโลกธุรกิจ แต่ความเป็นจริงในภาคอุตสาหกรรมไทยกลับเผยให้เห็นภาพที่แตกต่าง สถิติล่าสุดชี้ว่า มีโรงงานไทยเพียง 17% เท่านั้นที่สามารถใช้ AI ได้ผลจริงจนมีผลต่อผลประกอบการ ขณะที่อีก 73% ยังไม่ตัดสินใจหรืออยู่ในขั้นวางแผน ทั้งนี้จากข้อมูลที่เปิดเผยในงานสัมมนาจัดโดย เฮกซ่าเทค โซลูชั่นส์ ผู้นำด้านโซลูชันปัญญาประดิษฐ์ครบวงจร และ Profet AI เมื่อเร็ว ๆ นี้ ซึ่งมีผู้เข้าร่วมจากผู้บริหารองค์กรและผู้เชี่ยวชาญหลายสาขา พร้อมนำเสนอกรณีศึกษาจากลูกค้าที่บินตรงมาจากจีนและไต้หวันที่ใช้ AI ได้ผลจริง
วิกฤติ “ความรู้สูญหาย” ผลักดันการใช้ AI จริงจัง
ปัญหาใหญ่ที่ภาคการผลิตไทยกำลังเผชิญคือ วิศวกรและผู้เชี่ยวชาญที่มีประสบการณ์หลายสิบปีกำลังเกษียณ พร้อมกับพาความรู้ล้ำค่าไปด้วย ปัญหานี้เรียกว่า “Tribal Knowledge” หรือความรู้ที่ไม่ได้บันทึกไว้ แต่อยู่ในหัวของผู้เชี่ยวชาญ
“เราเห็นบริษัทไทยกำลังต่อสู้กับปัญหาเดียวกับที่ไต้หวันเคยเผชิญเมื่อทศวรรษที่แล้ว – พนักงานมากประสบการณ์เกษียณ ช่องว่างความรู้ระหว่างคนรุ่นเก่าและรุ่นใหม่ และไม่สามารถขยายความเชี่ยวชาญไปยังโรงงานหลายแห่งได้” โจนาธาน เฉิน จาก Profet AI กล่าว
Profet AI ถือเป็นแพลตฟอร์ม No-Code Auto Machine Learning สำหรับอุตสาหกรรมการผลิตอันดับหนึ่งในเอเชีย ให้บริการลูกค้าองค์กรกว่า 300 แห่ง ใน 20 อุตสาหกรรม รวมถึงกว่า 50% ของเครือข่ายการผลิตของ Nvidia ในเอเชีย จุดเด่นคือช่วยให้บุคลากรที่ไม่ใช่สาย IT สามารถสร้างและใช้งานโมเดล AI ได้ภายใน 3 ชั่วโมง และเห็น ROI ภายใน 90 วัน
กรณีศึกษาองค์กรที่นำ AI ไปใช้สำเร็จ
กรณีศึกษา 1: Minth Group – AI เพื่อคุณภาพและประสิทธิภาพ
Minth Group ผู้ผลิตชิ้นส่วนยานยนต์ระดับโลก ได้เปิดตัวโครงการ “AI+” เพื่อเร่งกระบวนการทำดิจิทัลทรานสฟอร์เมชัน โดยการนำแพลตฟอร์ม AI แบบ no-code มาใช้ และฝึกอบรมพนักงานกว่า 800 คน Minth ได้ยกระดับขีดความสามารถด้าน AI ภายในองค์กร และนำ machine learning มาแก้ไขความท้าทายด้านการผลิตที่สำคัญ
ความท้าทาย
- อัตราของเสียสูงในกระบวนการดัดโค้งชิ้นส่วนยานยนต์ (40-47%)
- การตรวจสอบและแก้ไขแบบแมนวล 100% ลดทอนประสิทธิภาพ
- ต้องการปลูกฝังความรู้และการนำ AI มาใช้ทั่วทั้งองค์กร
การประยุกต์ใช้ AI
- พัฒนาโมเดล machine learning เพื่อวิเคราะห์พารามิเตอร์เชิงกลและการดัดโค้ง
- ระบุปัจจัยหลักที่ส่งผลต่อความมั่นคงในการดัดโค้ง เช่น ความแข็งแรงของวัสดุและตำแหน่งของแขนกล
- ดำเนินการตรวจสอบในสถานที่จริงและเก็บข้อมูลอย่างต่อเนื่องเพื่อปรับปรุงโมเดล
ผลลัพธ์
- ปรับปรุงความเสถียรของกระบวนการ โดยโมเดลแสดงเส้นทางที่ชัดเจนในการลดอัตราของเสีย
- คาดว่าจะได้ประโยชน์โดยตรง 5.9 ล้านหยวนต่อปี และอาจขยายได้ถึง 14.74 ล้านหยวนต่อปี
- ปลูกฝัง AI seed user จำนวน 38 คนและเปิดตัวโครงการ AI 10 โครงการทั่วทั้งองค์กร
แผนการพัฒนาขั้นต่อไป
- ดำเนินการปรับพารามิเตอร์ให้เหมาะสมต่อไปและตรวจสอบปัจจัยด้านการดัดโค้ง/เชิงกลเพิ่มเติมในสถานที่จริง
- ขยายการสร้างโมเดล AI ให้รวมคุณสมบัติของวัตถุดิบและพารามิเตอร์กระบวนการใหม่
- ขยายการประยุกต์ใช้ AI สำหรับการปรับปรุงกระบวนการ การบำรุงรักษาเชิงป้องกัน และการควบคุมคุณภาพ
กรณีศึกษา 2: Chicony Power – การทำ AI Optimization กับระบบ Chiller
ระบบน้ำเย็นมีการใช้พลังงานจำนวนมากและอาศัยการจัดตารางการทำงานแบบแมนนวลโดยวิศวกรโรงงาน Chicony Power ร่วมกับ Profet AI และ JOSUN Engineering ได้นำการสร้างโมเดล AI มาใช้เพื่อปรับระบบ chiller หลายตัวให้เหมาะสม
ความท้าทาย
- การตัดสินใจเปิด/ปิด chiller ด้วยมือโดยอาศัยประสบการณ์ของวิศวกรเป็นหลัก
- ระบบที่ซับซ้อนประกอบด้วย chiller, ปั๊ม และหอระบายความร้อนหลายตัว
- อัตราการใช้พลังงานอยู่ในระดับสูงเมื่อเทียบกับปริมาณการใช้พลังงานทั้งหมดของโรงงาน
การประยุกต์ใช้ AI
- พัฒนาโมเดลพยากรณ์สองรูปแบบ:
- โมเดลพยากรณ์โหลด – ประมาณความต้องการปรับอากาศโดยรวมของโรงงาน โดยวิเคราะห์การใช้ไฟฟ้าในการผลิตร่วมกับสภาพอากาศภายนอก
- โมเดลการใช้พลังงาน – ประเมินการผสมผสาน chiller และการตั้งค่าระบบที่แตกต่างกันจะส่งผลต่อการใช้พลังงานทั้งหมดอย่างไร
- เปิดใช้งานการจัดตารางการทำงานที่ AI ช่วยเสนอแนะเพื่อการผสมผสาน chiller ที่ดีที่สุด จุดตั้งค่าการทำงาน และการใช้ปั๊มให้ได้ประสิทธิภาพสูงสุด
ผลลัพธ์
- ปรับปรุงประสิทธิภาพระบบโดยรวม (COP) และลดต้นทุนพลังงาน
- ระบุการประหยัดพลังงาน 3-15% ในสภาวะโหลดและการผสมผสานอุปกรณ์ที่แตกต่างกัน
- ลดความเสี่ยงจากการทำงานผิดพลาดและหยุดทำงานผ่านการวิเคราะห์เชิงพยากรณ์และการเตือนล่วงหน้า
- มอบแดชบอร์ดภาพที่ชัดเจน ลดอุปสรรคทางเทคนิคสำหรับวิศวกรโรงงาน
แผนการพัฒนาขั้นต่อไป
- การบูรณาการกับการพยากรณ์อากาศและแผนการผลิตเพื่อให้สามารถจัดตารางงานอัตโนมัติได้อย่างเต็มรูปแบบ
- การเชื่อมต่อกับระบบ FMCS เพื่อการปรับให้เหมาะสมแบบเรียลไทม์และผลกระทบการลดคาร์บอนที่มากขึ้น
เทคโนโลยี “จำลองผู้เชี่ยวชาญ” (Domain Twin)
หัวใจของการทำ AI ให้ได้ผลคือการจับความรู้ของผู้เชี่ยวชาญมาใส่ในระบบ เทคโนโลยีนี้เรียกว่า “Domain Twin”
ต่างจาก AI ทั่วไปที่ดูแค่รูปแบบของตัวเลข เทคโนโลยีนี้เรียนรู้วิธีคิดของคนที่มีประสบการณ์ และสามารถอธิบายได้ว่าทำไมถึงแนะนำแบบนั้น
ตัวอย่างจริงคือโรงงาน PCB ที่เปิดใหม่ในไทย พบปัญหาของเสียในขั้นตอน ENIG เพราะไม่มีคนที่เชี่ยวชาญพอ ระบบ AI ที่ฝังความรู้ของผู้เชี่ยวชาญไต้หวันเข้าไปช่วยแก้ปัญหาได้ พร้อมอธิบายให้คนไทยฟังว่าทำไม
ผสาน “คน–ธุรกิจ–เทคโนโลยี” ให้เป็นสมการสำเร็จ
คุณบัญชาบอกว่า กุญแจความสำเร็จของโครงการ AI คือ เริ่มจากโครงการ “Quick Win” เพื่อพิสูจน์ผลลัพธ์ จากนั้นจึงขยายไปสู่การปรับใช้ในวงกว้าง โดย เฮกซ่าเทค ใช้กระบวนการ 6 ขั้นตอน ตั้งแต่การแม็ปกระบวนการธุรกิจ คัดเลือกโอกาส สร้างโมเดล ทดสอบ และเชื่อมต่อกับระบบ ERP, CRM หรือ MES ที่องค์กรใช้อยู่
“ความสำเร็จของ AI ไม่ได้อยู่ที่เทคโนโลยีอย่างเดียว แต่ต้องผสมผสานให้ตรงกับโจทย์ธุรกิจ ความพร้อมของคน และเทคโนโลยีที่เหมาะสม จึงจะสร้างกระแสเงินสดจากการลดต้นทุน และสร้างรายได้ใหม่ให้กับองค์กร” นายบัญชากล่าว
สรุป
กรณีศึกษาจาก Minth และ Chicony สะท้อนว่าโครงการ AI ที่ประสบความสำเร็จต้อง:
- เลือกโจทย์ที่ชัดและวัดผลได้
- ผสานความเชี่ยวชาญของทั้งคน ธุรกิจ และ AI
- ฝังอยู่ในกระบวนการทำงานจริง ไม่ใช่แค่โครงการทดลอง
- สร้างความพร้อมให้บุคลากรใช้และพัฒนาต่อได้เอง
สำหรับประเทศไทย การก้าวจาก “ทดลองใช้” สู่ “การนำ AI มาใช้อย่างเต็มรูปแบบ” จะเป็นก้าวสำคัญที่ช่วยเพิ่มขีดความสามารถการแข่งขันในยุคที่แรงงานขาดแคลนและการแข่งขันรุนแรงขึ้นเรื่อย ๆ — หากทำได้อย่างถูกทาง ผลลัพธ์ที่ได้จะจับต้องได้ทั้งในแง่ตัวเลขและความยั่งยืนขององค์กร
