fbpx
Friday, November 22Modern Manufacturing

5 มายาคติสำหรับ AI ในงานผลิต

ในโลกปัจจุบันที่ใคร ๆ ต่างก็พูดถึง AI หรือปัญญาประดิษฐ์ไม่ว่าจะเป็นในด้านการเพิ่มความสามารถในการทำงานหรือการเข้ามาแทนที่มันสมองของมนุษย์ แต่ในความเป็นจริงแล้วสิ่งที่จินตนาการกันไปหรือเข้าใจจะเป็นเช่นนั้นหรือไม่?



ปัญญาประดิษฐ์หรือสิ่งเที่ยมมนุษย์นั้นเป็นอะไรที่อยู่ในความฝันกันมาเนิ่นนาน เมื่อวันที่การปฏิวัติอุตสาหกรรมครั้งที่ 4 มาถึง AI และระบบอัตโนมัติก็กลายมาเป็นส่วนสำคัญในการสร้างความเปลี่ยนแปลงโดยผลักดันให้เกิดคุณภาพที่สูงขึ้นในขณะที่สามารถรองรับการเปลี่ยนแปลงที่รวดเร็วได้อย่างหลากหลาย

ผู้ผลิตได้เริ่มปรับใช้เทคโนโลยีใหม่ ๆ เพื่อเปลี่ยนแปลงโรงงานตัวเองให้เป็นโรงงานสำหรับยุค 4.0 แท้จริงแล้วกว่า 79% มีการใช้ Machine Learning เพื่อทำงานอัตโนมัติในกระบวนการต่าง ๆ ต้องยอมรับว่าไม่มีผู้ประกอบการคนไหนที่อยากถูกทิ้งไว้ข้างหลังเมื่อยุคใหม่ของ AI มาถึง มีการประมาณการว่ากว่า 80% ของผู้ผลิตนั้นเคลมว่ามีการใช้งาน AI ในระบบแล้ว แต่ในความเป็นจริง 91% ของผู้ผลิตนั้นมองเห็นกำแงปัญหาในการปรับตัวเพื่อใช้งาน AI ซึ่งเป็นผลมาจากการขาดแคลนโครงสร้างพื้นฐานด้าน IT และผู้เชี่ยวชาญด้าน AI

ในความเป็นจริงแล้วมีผู้ผลิตเพียงหยิบมือเท่านั้นที่มีการใช้งาน AI ในเครื่องจักรหรือกระบวนการที่ซ้บซ้อน ในการทำงานเพื่อเปลี่ยนแปลงเข้าสู่ยุค AI นั้นจำเป็นต้องมีการใช้งานมนุษย์เพื่อสร้างตัวอย่างการเรียนรู้ที่ทำให้ AI มีความเข้าใจในด้านมาตรฐาน เช่น การตรวจสอบต่าง ๆ เป็นต้น หลายครั้งจึงจะพบว่าผู้ประกอบการหรือนักลงทุนจึงมีความเข้าใจที่คลาดเคลื่อนกับความเป็นจริง แล้วความเข้าใจผิด ๆ ที่พบบ่อยนั้นมีอะไรบ้าง?

1. ข้อมูลสำหรับการสร้าง Visual AI สำหรับประมวลภาพที่ปรับแต่งได้สำหรับการควบคุมคุณภาพนั้น ‘ฟรี’

การสร้างหรือออกแบบโมเดล Visual AI เพื่อสร้างการเรียนรู้ของระบบนั้นมีรายละเอียดจุกจิกยิบย่อย ต้องตีความเข้ามูลขาเข้าและข้อมูลขาออกให้สอดคล้องกันไม่ว่าจะเป็นเชิงคุณภาพหรือปริมาณ แต่การเตรียมข้อมูลเหล่านี้เป็นสิ่งที่ใช้เวลามหาศาลและมีค่าใช้จ่ายจำนวนมาก เพื่อให้ระบบสามารถจดจำและระบุผลลัพธ์ที่ควรจำเป็นได้เมื่อทำงาน ซึ่งกระบวนการเหล่านี้เป็นกระบวนการที่ต้องดำเนินการภายในบริษัทเท่านั้นเพื่อให้ได้ข้อมูลที่ตรงกับการใช้งานจริง การนำข้อมูลจากผู้ผลิตอื่น ๆ เป็นไปได้ยากและไม่อาจใช้งานได้ครอบคลุม

ข้อมูลภาพจำนวนหลายพันหรือหลายหมื่นจำเป็นต้องได้รับการระบุลักษณะให้ถูกต้องว่าเป็นชิ้นส่วนที่ได้คุณภาพ ชิ้นส่วนที่ตกมาตรฐาน หรือระบุข้อมูลที่สำคัญอื่น ๆ ทีละภาพเพื่อให้ระบบรู้จักสิ่งเหล่านี้และสามารถประเมินได้ การใช้ระบบ AI ที่แตกต่างกันมาช่วยตรวจสอบซ้ำอาจเป็นแนวทางที่ดีเช่นกัน เพื่อช่วยในการตัดสินสินค้าที่ดี สินค้าที่เสีย และสินค้าที่พิจารณาแล้วว่ามีแนวโน้มที่จะไม่ใช่ ‘สินค้าที่ดี’

ด้วยเวลาที่ใช้ในการเก็บข้อมูล จัดหมวดหมู่ ระบุคุณภาพ รวมถึงแรงงานจะพบว่ามีต้นทุนอยู่มากมายเรียกได้ว่าไม่มีทางลัดสำหรับขั้นตอนการเรียนรู้ใด ๆ ก็ว่าได้

2. มันง่ายนะที่จะจ้างผู้เชี่ยวชาญด้าน AI เพื่อสร้างโซลูชัน AI สำหรับภายในองค์กร

รู้ไหมว่าผู้เชี่ยวชาญด้าน AI นั้นหายากมาก ทั่วโลกนั้นมีผู้เชี่ยวชาญด้าน AI อยู่ประมาณ 3 แสนคน และสำหรับผู้จบการศึกษาระดับปริญญาเอกมีอยู่ประมาณ 22,000 คนเท่านั้น ในขณะที่ความต้องการของตลาดนั้นมีมากมายมหาศาลมากกว่าผู้เชี่ยวชาญ นอกจากนี้ทักษะความรู้เฉพาะด้านสำหรับ AI นั้นยังต้องใช้เวลาศึกษาเชิงลึก และการออกแบบระบบสำหรับแต่ละบริษัทนั้นเป็นเหมือนกับช่างตัดเสื้อที่ต้องออกแบบให้พอดีเหมาะสมแตกต่างกันไปตามความต้องการ มันจึงไม่ใช่เรื่องง่ายที่จะทั้งหาผู้เชี่ยวชาญและการออกแบบที่ได้ผลในเวลาอันสั้น

3. เมื่อ PoC สำหรับการพัฒนาระบบสุดท้ายสำเร็จ การใช้จริงจะเป็นการ ‘ต่อยอดจากเดิม’

เมื่อมีการออกแบบและทดสอบ PoC (Proof of Concept) แล้วผู้คนมักจะเข้าใจกันว่าอีกไม่นานโซลูชันเหล่านี้จะสามารถใช้งานได้จริงแล้ว ความจริงในการปรับใช้งาน AI ในสายการผลิตนั้นต้องการข้อบเขตการทำงานและวัดผลที่ชัดเจนและมีแนวทางที่หลากหลาย PoC เป็นเพียงขั้นแรก กระบวนการต่าง ๆ ที่ใช้ประยุกต์เข้ากับ AI นั้นมีรายละเอียดที่ต้องวางแผนเฉพาะในแต่ละจุดเพื่อหลีกเลี่ยงการเสียเวลาและเงินทุน องค์กรณ์ต้องระบุเกณฑ์ที่ชัดเจนและตารางเวลาทำงานล่วงหน้าเพื่อตัดสินใจว่าควรจะใช้ AI ควรใช้ในสายการผลิตหรือไม่ เช่น ถ้า PoC สามารถสร้างผลลัพธ์ X ได้ด้วยฟังก์ชัน Y ได้อย่างมีประสิทธิภาพจะเริ่มต้นใช้งานที่จุดนี้ และจุดนั้นในเวลาไหนก็ว่ากันไป

แม้ PoC จะมีผลลัพธ์ที่น่าพอใจแล้วแต่การทดสอบอย่างละเอียดในสถานการณ์จริงไม่อาจทำให้ฝันเป็นรูปร่างขึ้นมาได้ในเวลาที่คิดกันไปว่าอีกไม่นาน แต่มันยังคงต้องการการทดสอบและตรวจวัดผลที่ชัดเจนซึ่งต้องการเวลาอีกเช่นกัน ดังนั้นมันจะไม่ใช่แค่การต่อยอดแต่จะเป็นการทดสอบในสภาพแวดล้อมจริงพร้อมตัวแปรที่เพิ่มขึ้นแทน

4. เมื่อเปิดใช้ AI แล้วก็ไม่ต้องไปยุ่งเกี่ยวอะไรกับมันอีก

หากสมมุติว่ามีการติดตั้ง AI สุดแสนสมบูรณ์ในระบบแล้วอย่าลืมว่าการทำงานมีการเปลี่ยนแปลงและพัฒนาอยู่เสมอจะแน่ใจได้อย่างไรว่าจะไม่มี AI ที่ทำงานนอกเหนือไปจากที่กำหนด ผู้ใช้งานก็ยังต้องการการปรับแต่ง การสร้างสิ่งต่าง ๆ การอัพเดทอัตโนมัติโดยไม่ต้องการผู้เชี่ยวชาญ AI มาดำเนินการตลอดทุกครั้ง

องค์กรที่ประสบความสำเร็จจะเข้าใจเงื่อนไขในการปฏิบัติงานที่ AI ต้องการ การคิดที่ถูกต้องนั้นรวมถึงการพิจารณาหน่วยเก็บข้อมูลหรือเครื่องมือสำหรับบริหารจัดการ การควบคุมต้นทุนและเวลา รวมถึงภาพรวมของอายุการใช้งานเครื่องมือสำหรับบริหารจัดการ AI ที่จำเป็นเพื่อไม่ให้ AI กลายเป็นความวินาศเสียเองอีกด้วย

5. ก็แค่เอา AI ไว้บน Cloud 

จากมายาคติข้อที่แล้ว คำถามสำคัญ คือ เราจะเอาโซลูชัน AI ไว้ที่ไหน? ประเด็นของฮาร์ดแวร์สำหรับ AI มักถูกหลงลืมไว้เป็นประเด็นท้ายสุด การมี Wi-Fi ที่เชื่อถือได้และมีความมั่นใจในการใช้งานเป็นกรณีที่สำคัญ แต่กับบริบทของโรงงานอุตสาหกรรมมันมีความซับซ้อนกว่านั้น การขาดหายของสัญญาณ จุดอับสัญญาณ ความเสถียรต่ำ ซึ่งหลายครั้ง AI ต้องการดำเนินการในเครื่องจักรที่มีการผลิต 10 ชิ้นต่อวินาที การผลิตจะต้องไม่สะดุด ต้องมีทางออกที่สองเสมอ เช่น การมี AI ที่สามารถใช้ได้ทั้ง Online และผ่านเครือข่ายภายในพื้นฐาน เช่น Lan เป็นต้น การคิดแต่จะเอาไปไว้บน Cloud หากเครือข่ายออนไลน์เกิดปัญหาการทำงานก็จะทวีคูณปัญหาได้อีกเช่นกัน

ที่มา:
Machinedesign.com

Thos
"I can't understand why people are frightened of new ideas. I'm frightened of the old ones"
John Milton Cage Jr.