IBM เผยแพร่บทวิเคราะห์ชี้ องค์กรอุตสาหกรรมทั่วภูมิภาคเอเชียแปซิฟิกกำลังเผชิญความเสี่ยงจากความรู้ทางวิศวกรรมที่กำลังสูญหายไปพร้อมกับวิศวกรอาวุโสที่ทยอยเกษียณ ขณะที่ AI สำเร็จรูปทั่วไปยังไม่สามารถเข้าใจบริบทเฉพาะของระบบอุตสาหกรรมที่ซับซ้อนได้ดีพอ IBM เสนอแนวทางที่เรียกว่า ‘Architecture-led AI’ ซึ่งเริ่มต้นจากการออกแบบโครงสร้างความรู้ ก่อนจะเลือกใช้โมเดล AI
ในภาคพลังงาน สาธารณูปโภค โครงสร้างพื้นฐาน และการผลิตขั้นสูง ความรู้เชิงปฏิบัติการสะสมมาหลายทศวรรษไม่ได้ถูกบันทึกไว้ในระบบเอกสาร แต่ฝังอยู่ในตัววิศวกรที่มีประสบการณ์ ทั้งความเข้าใจว่าโรงงานจะตอบสนองอย่างไรภายใต้ภาวะกดดัน และการคาดการณ์ว่าการเปลี่ยนสเปกเพียงเล็กน้อยจะกระทบระบบที่เชื่อมโยงกันอย่างไร ปัญหานี้ทวีความรุนแรงขึ้นตามระบบอุตสาหกรรมที่ถูก Digitize มากขึ้นและมีกฎเกณฑ์กำกับดูแลเข้มงวดขึ้น
IBM ระบุว่า Large Language Model (LLM) ทั่วไปเก่งในการสรุปเอกสารหรือตอบคำถามเชิงเทคนิคกว้างๆ แต่ขาดบริบทเฉพาะทางที่จำเป็นต่อการให้เหตุผลกับระบบอย่างโรงไฟฟ้า Waste-to-Energy หรือโรงงานกระบวนการผลิต เพราะสภาพแวดล้อมเหล่านี้ต้องพึ่งพาข้อมูลเฉพาะองค์กรและดุลยพินิจของผู้เชี่ยวชาญที่ไม่มีอยู่ในชุดข้อมูลฝึกสอนสาธารณะ การตีความ Instrument Tag เพียงจุดเดียวผิดพลาดบนแผนผัง P&ID (Piping and Instrumentation Diagram) อาจลุกลามเป็นความผิดพลาดด้านการออกแบบหรือความเสี่ยงด้านความปลอดภัยได้ ขณะที่ข้อมูลวิศวกรรมเองก็กระจัดกระจายอยู่ตามเจ้าของงาน ผู้รับเหมา และซัพพลายเออร์ ส่วนใหญ่อยู่ในรูปแบบ PDF หรือแบบแปลนเก่าที่ไม่มีโครงสร้าง และการตรวจสอบผลลัพธ์จาก AI ก็ยังต้องพึ่งพาผู้เชี่ยวชาญอาวุโส ซึ่งเป็นทรัพยากรเดียวกับที่องค์กรพยายามขยายกำลังอยู่พอดี
แนวทาง Architecture-led AI ของ IBM วางอยู่บนหลักการออกแบบ 3 ข้อ ข้อแรกคือสร้าง Semantic Backbone ด้วยการเข้ารหัสองค์ความรู้ให้อยู่ในรูปแบบ Ontology หรือโครงสร้างความสัมพันธ์ระหว่างกระบวนการ อุปกรณ์ และมาตรฐาน เพื่อให้เกิดภาษากลางระหว่างคนกับเครื่อง ข้อสองคือปลดล็อกเอกสารวิศวกรรมเก่า ด้วยการผสาน Extraction Model เข้ากับ Vision-Language AI แปลงแบบแปลนเก่าให้กลายเป็น System Graph ที่เครื่องสืบค้นได้ ทำให้ AI เข้าใจว่าโรงงานถูกออกแบบให้ทำงานอย่างไร ไม่ใช่แค่เอกสารเขียนว่าอะไร และข้อสามคือเก็บองค์ความรู้โดยไม่สร้างภาระให้ผู้เชี่ยวชาญ ผ่านกระบวนการสามฝ่ายที่โมเดล ‘ครู’ ขนาดใหญ่ร่างคำตอบ ผู้เชี่ยวชาญตรวจสอบและแก้ไข ส่วนโมเดล ‘นักเรียน’ ขนาดเล็กในองค์กรตั้งคำถามต่อยอดเพื่อดึงความรู้ที่ผู้เชี่ยวชาญอาจไม่ได้นึกถึง ภาระของผู้เชี่ยวชาญจึงเปลี่ยนจากการเขียนอธิบายเป็นการตรวจทาน
องค์กรที่ใช้แนวทางนี้เริ่มเห็นผลภายในไม่กี่เดือน ทั้งการร่างคำตอบทางเทคนิคสำหรับการทบทวนแบบ การตอบคำถามเชิงวิศวกรรมที่อ้างอิงแบบแปลนโดยตรง และการแจ้งความไม่แน่นอนแทนการสร้างคำตอบผิดๆ ขึ้นมาเอง ระบบยังพัฒนาต่อเนื่องจากทุกเอกสารและทุกการแก้ไขจากผู้เชี่ยวชาญ จนนำไปสู่การฝึกโมเดลขนาดเล็กเฉพาะทางที่ติดตั้งใช้งานในองค์กรได้เองในระยะยาว ลดทั้งความหน่วง ต้นทุน และการพึ่งพา Cloud
‘ขาดแคลนแรงงานทักษะสูง’ ปัญหาที่เกิดขึ้นในวงกว้างที่ต้องเร่งปรับตัว
IBM ระบุชัดเจนว่าปัญหานี้ปรากฏทั่วภูมิภาคเอเชียแปซิฟิก ซึ่งรวมถึงกลุ่มอุตสาหกรรมหนัก ปิโตรเคมี พลังงาน และสาธารณูปโภคในไทยด้วยเช่นกัน โรงงานไทยจำนวนไม่น้อยพึ่งพาวิศวกรอาวุโสในการตีความแบบแปลนเก่าและตัดสินใจแก้ปัญหาเฉพาะหน้า ขณะที่แรงงานกลุ่มนี้กำลังเข้าสู่วัยเกษียณเช่นเดียวกับที่ IBM อธิบาย บทเรียนที่นำมาปรับใช้ได้โดยตรงคือโครงสร้างความรู้สำคัญกว่าขนาดโมเดล และผู้เชี่ยวชาญควรทำหน้าที่ตรวจทานมากกว่าต้องเขียนอธิบายเอง ซึ่งทีมวิศวกรรมและ OT ในโรงงานไทยเริ่มพิจารณาได้ตั้งแต่วันนี้ ก่อนความรู้เหล่านั้นจะเกษียณไปพร้อมกับตัวคน
ความรู้ที่หายไปพร้อมวิศวกรอาวุโส เป็นสิ่งที่ถูกพูดถึงและรับรู้กันมาอย่างยาวนานในภาคการผลิต ซึ่งการส่งต่อความรู้รูปแบบเดิมผ่านการพัฒนาคนทีละรุ่นอาจไม่ทันต่อความต้องการอีกต่อไป การมาถึงของเทคโนโลยี AI จึงสามารถช่วให้องค์กรเก็บรักษาทักษะที่จำเป็นเพื่อส่งต่อและปรับปรุงได้อย่างยั่งยืน ซึ่งองค์กรต้องพิจารณาในประเด็นดังกล่าวในระยะยาว
ที่มา:
IBM
