AI ในโรงงาน เริ่มจากข้อมูลที่มีอยู่แล้ว

โครงการ AI ในโรงงานส่วนใหญ่ที่ไม่ไปถึงไหน มักเริ่มจากคำถามว่า "จะใช้ AI ตัวไหนดี" ทั้งที่คำถามแรกควรเป็น "เราอยากตัดสินใจเรื่องอะไรให้ดีขึ้น"

เริ่มจากการตัดสินใจ ไม่ใช่อัลกอริทึม

ในสายการผลิต การตัดสินใจที่เกิดขึ้นทุกวันมีอยู่แล้ว ล็อตไหนควรเข้าเครื่องก่อน เครื่องไหนน่าจะเสียสัปดาห์หน้า วัสดุพอสำหรับกะถัดไปไหม ถ้าเขียนการตัดสินใจนั้นออกมาเป็นประโยคเดียวได้ ก็จะรู้ว่าต้องทำนายอะไร และวัดผลอย่างไร

ข้อมูลส่วนใหญ่มีอยู่แล้ว

โรงงานที่มีระบบบันทึกการผลิตมาหลายปี มีข้อมูลมากกว่าที่คิด บันทึกว่าล็อตผ่านเครื่องไหน ใช้เวลาเท่าไร หยุดเพราะอะไร ในงานวิจัยของผม ข้อมูลตั้งต้นมีเกือบ 18 ล้านแถวจากระบบที่ใช้อยู่แล้ว ไม่ต้องติดเซนเซอร์เพิ่มแม้แต่ตัวเดียว

งานที่หนักจริงคือการทำความสะอาด คัดแถวที่ไม่สมบูรณ์ออก เลือกคุณลักษณะที่มีความหมายกับหน้างาน เช่น รหัสกระบวนการ หมายเลขล็อต และระยะเวลาการผลิต สุดท้ายเหลือข้อมูลที่ใช้ได้จริงราว 4 ล้านแถว

วัดให้ครบ ไม่ใช่แค่ความถูกต้อง

ความถูกต้องสูงอาจหลอกตาได้ ถ้าข้อมูลบางกลุ่มมีน้อยมาก โมเดลที่ตอบกลุ่มใหญ่ทุกครั้งก็ได้คะแนนสูงเหมือนกัน จึงต้องดู Precision, Recall และ F1 แบบเฉลี่ยทุกกลุ่ม และตรวจด้วย cross-validation ว่าผลนิ่งจริง ตอนเทียบสามโมเดล Logistic Regression ได้ความถูกต้องเกือบ 80% แต่ Recall เฉลี่ยแค่ราว 24% แปลว่าพลาดกลุ่มเล็กเกือบทั้งหมด

นำไปไว้ตรงที่คนทำงาน

โมเดลที่อยู่ในโน้ตบุ๊กไม่ได้ช่วยใคร ผมนำโมเดลไปเป็น API ให้ตัววางแผนเรียก และทำแอป Android ที่ใช้งานได้แม้สัญญาณหาย เพราะหน้างานจริงไม่ได้มีเน็ตดีทุกมุม

ให้คนตัดสินใจคนสุดท้าย

ระบบที่ดีบอกเหตุผลของคำแนะนำ และให้คนแก้ได้ ทุกครั้งที่คนแก้ ข้อมูลนั้นกลับมาเป็นตัวอย่างสอนโมเดลรอบถัดไป AI จึงเก่งขึ้นตามความรู้ของคนในโรงงาน ไม่ได้มาแทนที่