เปิดสูตร 'ชไนเดอร์' ปั้นโรงงาน AI เริ่มที่ 'ข้อมูล' ไม่ใช่ทุ่มซื้อเทคโนโลยี

การนำปัญญาประดิษฐ์ (AI) มาใช้ในภาคอุตสาหกรรมกำลังขยายบทบาทจากการช่วยวิเคราะห์ข้อมูลและเพิ่มประสิทธิภาพการผลิต ไปสู่การพัฒนาระบบที่สามารถบริหารจัดการกระบวนการทำงานได้โดยอัตโนมัติมากขึ้น แต่การเปลี่ยนผ่านดังกล่าวไม่ได้หมายถึงการนำ AI เข้ามาแทนที่ระบบเดิมทั้งหมด หากต้องอาศัยโครงสร้างข้อมูลและระบบควบคุมที่สามารถทำงานร่วมกันได้

ชไนเดอร์ อิเล็คทริค (Schneider Electric) เสนอแนวทางเปลี่ยนผ่านสู่การปฏิบัติการแบบอัตโนมัติ (Autonomous Operations) โดยมองว่า โรงงานส่วนใหญ่ไม่จำเป็นต้องปรับเปลี่ยนระบบครั้งใหญ่ในทันที แต่สามารถต่อยอดจากเทคโนโลยี องค์ความรู้ และการลงทุนเดิม เพื่อพัฒนาขีดความสามารถอย่างเป็นขั้นตอน

ปัจจุบัน AI ช่วยให้วิศวกรทำงานรวดเร็วขึ้น สนับสนุนการตัดสินใจ และปรับปรุงประสิทธิภาพการผลิต แต่การก้าวสู่ Autonomous Operations ต้องอาศัยการจัดการข้อมูลโดยยึดสินทรัพย์ของโรงงานเป็นศูนย์กลาง (Asset-centric) และเชื่อมโยงข้อมูลกับบริบทของกระบวนการผลิต เพื่อให้ AI ทำงานร่วมกับระบบอื่นและขยายการใช้งานได้ในระยะยาว

เปลี่ยนองค์ความรู้โรงงานเป็นข้อมูลดิจิทัล

สำหรับโรงงานที่เปิดดำเนินการมานาน หรือ Brownfield ความท้าทายสำคัญคือองค์ความรู้เกี่ยวกับกระบวนการผลิตที่กระจัดกระจายอยู่ในเอกสาร แบบแปลน คู่มือ บันทึกการปฏิบัติงาน และประสบการณ์ของบุคลากร

ชไนเดอร์ มองว่า จุดเริ่มต้นของการใช้ AI ควรเป็นการแปลงองค์ความรู้เหล่านี้เป็นข้อมูลดิจิทัลที่มีโครงสร้างชัดเจน โดยใช้ AI ช่วยรวบรวมและจัดระเบียบข้อมูล พร้อมให้ผู้เชี่ยวชาญตรวจสอบความถูกต้องตามหลัก Human-in-the-loop ซึ่งยังคงให้มนุษย์มีส่วนร่วมในการตรวจสอบและตัดสินใจ

แนวทางดังกล่าวสามารถนำ Generative AI มาใช้วิเคราะห์สาเหตุของปัญหา (Root-cause Analysis) และให้คำแนะนำแก่ผู้ปฏิบัติงาน เช่น เมื่อเกิดสัญญาณเตือน ระบบสามารถช่วยระบุอุปกรณ์ที่ได้รับผลกระทบ วิเคราะห์สาเหตุ และเสนอแนวทางแก้ไข โดยยังคงให้ผู้ปฏิบัติงานเป็นผู้ตัดสินใจ

นอกจากนี้ การจัดเก็บองค์ความรู้ในระบบดิจิทัลยังช่วยรักษาความเชี่ยวชาญของวิศวกรและบุคลากรที่มีประสบการณ์ ลดความเสี่ยงจากการสูญเสียองค์ความรู้เมื่อบุคลากรเกษียณอายุ

เชื่อมระบบอัตโนมัติ-ข้อมูลทั้งโรงงาน

ความท้าทายต่อมาคือการเชื่อมโยงข้อมูลให้สามารถใช้งานได้ตลอดวงจรชีวิตของระบบอัตโนมัติ ตั้งแต่งานวิศวกรรม การปฏิบัติการ ไปจนถึงการบำรุงรักษา เนื่องจากระบบเดิมมักมีข้อมูลกระจัดกระจายอยู่ในเครื่องมือและแอปพลิเคชันต่างๆ

ชไนเดอร์ เสนอการใช้ระบบอัตโนมัติที่ควบคุมด้วยซอฟต์แวร์ (Software-defined Automation) เพื่อเชื่อมโยงข้อมูลและลดข้อจำกัดของระบบที่แยกจากกัน ทำให้ AI เข้าถึงภาพรวมกระบวนการผลิตได้มากขึ้น โดยวิศวกรยังคงรับผิดชอบการตรวจสอบและตัดสินใจ

ตัวอย่างการใช้งาน ได้แก่ การใช้ AI วิเคราะห์ข้อมูลจากแบบแปลนระบบท่อ แผนผังการผลิต และข้อมูลความสัมพันธ์เชิงเหตุและผล เพื่อช่วยสร้างร่างแอปพลิเคชันควบคุมเบื้องต้น ก่อนให้วิศวกรตรวจสอบและปรับแต่งให้เหมาะสมกับระบบของแต่ละโรงงาน

AI ยังสามารถตรวจสอบตรรกะการทำงานของแอปพลิเคชันเดิม เพื่อค้นหาส่วนที่ซับซ้อนเกินจำเป็นและเสนอแนวทางเพิ่มประสิทธิภาพการประมวลผล ลดภาระบำรุงรักษาในระยะยาว

เป้าหมายจึงไม่ใช่การแทนที่วิศวกร แต่เป็นการลดงานซ้ำซ้อน ทั้งการคัดลอกข้อมูล ค้นหาเอกสาร และตรวจสอบระบบ เพื่อให้บุคลากรมีเวลากับงานออกแบบและปรับปรุงกระบวนการผลิตมากขึ้น

เพิ่มประสิทธิภาพกระบวนการผลิต

อีกขั้นตอนคือการนำ AI มาใช้ปรับปรุงกระบวนการผลิต (Process Optimization) โดยอาศัยข้อมูลการดำเนินงานในอดีตควบคู่กับบันทึกการปฏิบัติงาน เพื่อทำความเข้าใจปัจจัยที่ส่งผลต่อผลลัพธ์ของกระบวนการผลิต

เมื่อพัฒนาโมเดลที่เหมาะสม สามารถนำไปทดสอบในสภาพแวดล้อมออฟไลน์ด้วยเทคนิคการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) เพื่อสำรวจแนวทางเพิ่มปริมาณการผลิต รักษาคุณภาพ เพิ่มประสิทธิภาพพลังงาน และลดความแปรปรวน โดยไม่ต้องทดลองกับโรงงานที่กำลังเดินเครื่องจริง

การก้าวสู่ Autonomous Operations ยังต้องพัฒนาระบบให้สามารถรับมือกับเหตุขัดข้องและรักษาความต่อเนื่องของการดำเนินงานได้มากขึ้น อย่างไรก็ตาม ชไนเดอร์ ย้ำว่า ไม่ได้หมายถึงการปล่อยให้ AI ควบคุมระบบทั้งหมดทันที แต่ต้องค่อยๆ พัฒนาขีดความสามารถ ทดสอบ และประเมินผล เพื่อให้ระบบทำงานได้อย่างเสถียรและเชื่อถือได้

แนะ 4 ขั้นตอนลงทุน AI ให้วัดผลได้

สำหรับองค์กรอุตสาหกรรมที่ต้องการนำ AI มาใช้ ชไนเดอร์ เสนอให้เริ่มจากการประเมินปัญหาและโอกาสทางธุรกิจ แทนการเริ่มต้นจากการเลือกเทคโนโลยี โดยมี 4 ขั้นตอนสำคัญ ได้แก่

• ระบุปัญหาและโอกาส : พิจารณากระบวนการทำงานที่มีข้อจำกัด และจุดที่ AI สามารถช่วยเพิ่มประสิทธิภาพได้
• ประเมินความพร้อมของข้อมูล : ตรวจสอบข้อมูลการผลิต เอกสาร องค์ความรู้ของบุคลากร และคุณภาพข้อมูลที่มีอยู่
• เลือกกรณีใช้งานให้เหมาะกับระบบเดิม : ประเมินสถาปัตยกรรมระบบอัตโนมัติ และเลือกแอปพลิเคชันที่ AI สามารถสร้างมูลค่าได้
• กำหนดผลตอบแทนจากการลงทุน : ประเมินประโยชน์ด้านการปฏิบัติงานและผลตอบแทนทางการเงิน ก่อนลงทุนหรือขยายระบบในวงกว้าง

องค์กรสามารถเริ่มต้นจากโครงการขนาดเล็ก วัดผลลัพธ์และสะสมประสบการณ์ ก่อนขยายการลงทุนควบคู่กับการพัฒนาระบบ อัตโนมัติให้รองรับ AI ที่ซับซ้อนขึ้น

หัวใจของการเปลี่ยนผ่านจึงอยู่ที่การเชื่อมโยงข้อมูลทางวิศวกรรมและการปฏิบัติการ โดยให้ความสำคัญกับข้อมูลที่เชื่อถือได้ การมีส่วนร่วมของมนุษย์ และผลลัพธ์ที่วัดได้ เพื่อรองรับการขยายขีดความสามารถของระบบอัตโนมัติในระยะยาว