Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

ปัญญาประดิษฐ์ถูกนำมาใช้งานในเกือบทุกแง่มุมของชีวิต แอปพลิเคชันที่มีปัญญาประดิษฐ์ฝั่งตัวอยู่นั้นพบได้ทั่วไปในทางการแพทย์ ธรณีวิทยา การวิเคราะห์ข้อมูลลูกค้า ยานพาหนะไร้คนขับ และแม้แต่งานศิลปะ และการใช้งานก็พัฒนาอย่างต่อเนื่อง ปัญญาประดิษฐ์นี้เองจะเป็นผู้พลิกเกมห่วงโซ่คุณค่าในทุกระดับสำหรับผู้ผลิต ไม่ว่าจะเป็น ระบบอัตโนมัติโดยตรง, การบำรุงรักษาเชิงคาดการณ์, เวลาหยุดทำงานลดลง, การผลิตตลอด 24 ชั่วโมงทุกวัน, ความปลอดภัยที่ดีขึ้น, ค่าใช้จ่ายในการดำเนินงานที่ลดลง, ประสิทธิภาพที่มากขึ้น, การควบคุมคุณภาพ และการตัดสินใจที่รวดเร็วขึ้น สิ่งเหล่านี้เป็นเพียงรางวัลบางส่วน สำหรับองค์กรที่ยอมรับการเปลี่ยนแปลงและนำปัญญาประดิษฐ์ไปใช้จนเกิดความเชี่ยวชาญจะได้รับ

การนำปัญญาประดิษฐ์มาใช้ในโรงงานการผลิตกำลังเป็นที่นิยมในหมู่ผู้ผลิต ผลวิจัยของ Capgemini พบว่า ผู้ผลิตในยุโรปมากกว่าครึ่ง (51%) กำลังสร้างระบบงานปัญญาประดิษฐ์ขึ้นมาใช้งาน โดยมีญี่ปุ่น (30%) และสหรัฐอเมริกา (28%) รองลงมาเป็นอันดับสองและสาม การศึกษาเดียวกันยังเผยให้เห็นว่า รูปแบบการใช้งานปัญญาประดิษฐ์ที่ได้รับความนิยมสูงสุดในการผลิต ได้แก่ การปรับปรุงการบำรุงรักษา (29%) และ การปรับปรุงคุณภาพ (27%) ความนิยมที่เกิดขึ้นนี้เป็นผลจากข้อมูลที่ได้จากกระบวนการผลิตซึ่งเป็นรูปแบบที่สอดคล้องต่อการนำไปใช้งานของระบบปัญญาประดิษฐ์และการเรียนรู้ของเครื่องจักร (แมชชีนเลิร์นนิ่ง) กระบวนการผลิตแฝงไปด้วยข้อมูลเชิงวิเคราะห์จำนวนซึ่งเหมาะสำหรับการวิเคราะห์โดยปัญญาประดิษฐ์ แม้จะเป็นเรื่องยากสำหรับมนุษย์ที่จะทำความเข้าใจตัวแปรจำนวนเป็นตัวที่ส่งผลต่อกระบวนการผลิต แต่สำหรับแบบจำลองที่สร้างขึ้นโดยระบบการเรียนรู้ของเครื่องจักรแล้ว จะสามารถทำนายผลกระทบอันซับซ้อนซึ่งเกิดจากตัวแปรแต่ละตัวได้อย่างง่ายดาย แต่อย่างไรก็ดีในอุตสาหกรรมอื่นมีเรื่องของภาษาและอารมณ์มาเกี่ยวข้องนั้น พบว่าปัญญาจักรกลนี้ยังมีความสามารถในการทำงานต่ำกว่ามนุษย์

การศึกษาของ PwC พบว่าประโยชน์เชิงเศรษฐศาสตร์ของปัญญาประดิษฐ์เป็นผลจาก (1) ผลผลิตที่เพิ่มขึ้นจากภาคธุรกิจที่ใช้ระบบอัตโนมัติและนำเทคโนโลยีปัญญาประดิษฐ์ประเภทต่าง ๆ มาเสริมสร้างและสนับสนุนแรงงานมนุษย์ และ (2) ความต้องการของผู้บริโภคที่เพิ่มขึ้นอันเป็นผลจากความหลากหลายของสินค้าและบริการที่มีสามารถปรับแต่งตามความต้องการได้และยังมีคุณภาพสูง นอกจากเทคโนโลยีดังกล่าวนี้ได้นำไปใช้ในงานที่มีความสำคัญทางธุรกิจแล้ว แต่บริษัทห้างร้านต่าง ๆ ยังคำนึงถึงความสำคัญในการนำไปใช้กับกระบวนการทางการผลิตมากขึ้นเรื่อย ๆ ไม่ว่าจะเป็น การพัฒนาการผลิต วิศวกรรม การประกอบ และการทดสอบคุณภาพ ทั้งนี้การผลิตเป็นหนึ่งในภาคส่วนที่สำคัญที่สุดในระบบเศรษฐกิจของโลก คิดเป็น 17% ของ GDP โลกในปี 2021 และสร้างผลผลิตที่มีมูลค่าถึง 16.5 ล้านล้านดอลลาร์ทั่วโลก

ตลาดการผลิตอัจฉริยะทั่วโลกในปี 2022 มีมูลค่า 97.6 พันล้านเหรียญสหรัฐ และคาดว่าจะมีมูลค่าถึง 228.3 พันล้านเหรียญสหรัฐภายในปี 2027 โดยคาดว่าจะเติบโตที่ CAGR 18.5% ระหว่างปี 2022 ถึง 2027 นอกจากนี้ การบำรุงรักษาเชิงคาดการณ์เป็นเคสหนึ่งเป็นหนึ่งในการประยุกต์ใช้งานในการผลิตที่สำคัญ ๆ ซึ่ง PWC รายงานว่าการบำรุงรักษาเชิงคาดการณ์จะเป็นหนึ่งในเทคโนโลยีการเรียนรู้ของเครื่องจักรที่กำลังเติบโตที่สำคัญที่สุดในอุตสาหกรรมการผลิต โดยจะเพิ่มมูลค่าตลาดถึง 38% ในช่วงปี 2020 ถึง 2025 การบำรุงรักษาที่ไม่มีแผนการรองรับนั้นสามารถก่อเกิดความเสียหายอย่างร้ายแรงแก่ธุรกิจ การได้ล่วงรู้ล่วงหน้าว่าความล้มเหลวจะเกิดกับอุปกรณ์ใด จะช่วยให้ผู้ผลิตหลีกเลี่ยงความสูญเสียจากอุปกรณ์หยุดทำงานและความสูญเปล่าในการลงทุนได้ รายงานจาก Deloitte พบว่า การบำรุงรักษาเชิงคาดการณ์จะช่วยเพิ่มผลผลิตได้ 25% ลดการสูญสียเชิงการผลิตได้ 70% ลดต้นทุนการบำรุงรักษาลง 25% และเพิ่มประสิทธิภาพการทำงานของอุปกรณ์ได้ 10 ถึง 20% โดยรวมแล้ว ค่าใช้จ่ายในการบำรุงรักษาจะลดลง 5 ถึง 10% และลดเวลาการวางแผนการบำรุงรักษาได้ถึง 20 ถึง 50%

เมื่อธุรกิจได้ตัดสินใจใช้การบำรุงรักษาเชิงคาดการณ์แล้ว การเดินทาง (สู่การใช้การบำรุงรักษาเชิงคาดการณ์อย่างเต็มตัว) จะเริ่มต้นด้วยการเรียนรู้ข้อมูลเชิงลึกใหม่ๆ ที่มีอยู่ตามเส้นทาง แม้ว่าข้อมูลเหล่านั้นจะยังแม่นยำที่จะถึงระดับของการทำนายความล้มเหลว แต่สิ่งที่ได้รับนั้นนำไปสู่ผลลัพธ์ที่ดีขึ้นแน่นอนลดความสูญเสียการหยุดทำงานของเครื่องจักรและเพิ่มผลผลิต ในขั้นที่ 0 การทำความเข้าใจการประมวลผลว่าใช้ข้อมูลชนิดใดคือวัตถุประสงค์หลัก ในขั้นที่ 1 จะต้องมีข้อมูลที่สร้างจากตัวเซ็นเซอร์ส่งออกมาอย่างสม่ำเสมอ ข้อมูลทั้งหมดจากเซ็นเซอร์ทุกตัวจะไหลมารวมกันบนแพลตฟอร์ม ผู้เชี่ยวชาญสามารถระบุได้ว่าพารามิเตอร์ใดบ่งชี้ถึงความล้มเหลวที่จะเกิดขึ้นอันใกล้ด้วยเครื่องมืออันทรงพลังที่เรียกว่า “วิชวลไลเซชัน” ในขั้นที่ 2 ความสำคัญอยู่ที่ ผู้เชี่ยวชาญที่เป็นมนุษย์ และ ข้อมูลจำพวกตัวแปรจากกระบวนการผลิตนั้น ซึ่งจะสามารถคัดกรองประกอบสร้างกฎหลักการที่ลดทอนความซับซ้อนลง แต่สามารถนำไปใช้เพื่อการป้องกันความสูญเสียจากความล้มเหลวของอุปรกณ์เครื่องจักร

อย่างไรก็ตาม การตรวจจับความผิดปกติต้องการข้อมูลจากเซ็นเซอร์ที่มีปริมาณมากเพียงพอ ระบุเป็นข้อมูลเชิงปริมาณขั้นต่ำ คือ ความถี่การส่งข้อมูลต่อหนึ่งหน่วยเวลา ข้อมูลนี้ช่วยให้เราสามารถกำหนดบรรทัดฐานสำหรับกระบวนการนั้น ๆ การแจ้งเตือนไปยังผู้ปฏิบัติงานจะเกิดขึ้นเมื่อข้อมูลที่ได้รับผิดไปจากตัวกำหนดบรรทัดฐาน ซึ่งผู้ปฏิบัติงานจะต้องตัดสินใจว่าเกิดความล้มเหลวจริงหรือไม่  ข้อมูลความล้มเหลวจำนวนมากพร้อมด้วยบันทึกโดยละเอียดมีความสำคัญต่อการแก้ไขและป้องกันสถานการณ์ที่ไม่พึ่งประสงค์ หากนำการวิเคราะห์ขั้นสูงมาร่วมด้วย ก็จะได้สามารถตรวจพบความล้มเหลวได้ทันควันอีกทั้งมีความน่าเชื่อถือ และในการการวิเคราะห์สาเหตุนั้น จะต้องบันทึกทั้งวิธีแก้ไขความล้มเหลวที่สำเร็จและไม่สำเร็จ สิ่งเหล่าวนี้จะทำให้ตีกรอบสาเหตุของความสูญเสียได้แคบลง เพื่อนำเสนอแนวทางดำเนินการที่เหมาะสม

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

Artificial intelligence (AI) is gradually being implemented in almost every aspect of our lives. Its applications are everywhere in medicine, geology, customer data analysis, autonomous vehicles, and even art, and its uses are constantly evolving. It will be a game-changer at every value chain level for manufacturers. Direct automation, predictive maintenance, reduced downtime, 24/7 production, improved safety, lower operational costs, greater efficiency, quality control, and faster decision-making are just some rewards to the organization that embraces the transformation and masters the implementation of AI throughout its entire business.

Implementing AI in manufacturing facilities is getting popular among manufacturers. According to Capgemini’s research, more than half of the European manufacturers (51%) are implementing AI solutions, with Japan (30%) and the US (28%) following in second and third. The same study also reveals that the most popular AI use cases in manufacturing are improving maintenance (29%) and quality (27%). The popularity is driven by manufacturing data being a good fit for AI/machine learning. Manufacturing is full of analytical data, which is easier for machines to analyze. In addition, hundreds of variables impact the production process. While these are very hard to study for humans, machine learning models can easily predict the impact of individual variables in such complex situations. In other industries involving language or emotions, machines still operate below human capabilities, showing down their adoption.

According to PwC, the economic benefits of AI will primarily be the result of the productivity gains from businesses that automate processes and augment the work of their existing labor force with different types of AI technologies and increased consumer demand, resulting from the availability of personalized and higher-quality digital and AI-enhanced products and services. While the technology has been implemented throughout the critical parts of the business, companies have focused slightly more on adding AI solutions to their core production processes: production development, engineering, assembly, and quality testing. Manufacturing is one of the most critical sectors in the world’s economy. It accounted for 17% of the global GDP in 2021 and generated an output of $16.5 trillion globally. 

The global smart manufacturing market in 2022 was valued at USD97.6 billion and is projected to reach USD 228.3 billion by 2027. It is estimated to grow at a CAGR of 18.5% from 2022 to 2027. Predictive maintenance is one of the core tenants of machine learning’s role in manufacturing. PWC reported that predictive maintenance will be one of the most significant growing machine learning technologies in manufacturing, increasing 38% in market value from 2020 to 2025. Unscheduled maintenance has the potential to cut into a business’s deeply. Knowing well ahead of time when an asset will fail avoids unplanned downtimes and broken investments. According to Deloitte, predictive maintenance increases productivity by 25%, reduces breakdowns by 70%, lowers maintenance costs by 25%, and increases equipment uptime by 10 to 20%. Overall, maintenance costs are reduced by 5 to 10%, and maintenance planning time is even reduced by 20 to 50%.

Having decided to implement predictive maintenance, businesses begin a journey with new learnings and insights waiting along the way. Initially, there is no certainty as to which level of failure prediction can be reached. Each step yields better results leading to reduced downtimes and increased productivity. When starting at stage 0, understanding the process through data is the primary objective. For step 1, we need a consistent sensor data stream into an integrated platform. With the help of powerful visualization, experts can identify which parameters indicate imminent failure. For step 2, expert insights about the process and its parameters are vital. With their help, we can deduct simple rules. Applying these may prevent a large proportion of failures from occurring already.

However, anomaly detection requires sufficient accumulated sensor data with a minimum frequency of measurements per time unit and sensor. This data allows us to define the norm for any given process. Aberrations from the norm can then trigger alerts to the operators – who will have to decide if an actual failure has occurred. We need many failures with detailed log data to be reactive and preventive. Applying advanced analytics, failures can then be detected immediately and reliably. Root cause analysis requires recordings of successful and unsuccessful approaches to resolve failures. Causes for occurring losses can be narrowed down, and appropriate actions proposed.

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

人工知能(AI)は、私たちの生活のほぼすべての側面に徐々に使われています。その用途は、医学、地質学、顧客データ分析、自動運転車、さらには芸術のいたるところにあり、その用途は常に進化しています。AIは、メーカーのあらゆる価値連鎖でゲームチェンジャーとなるでしょう。直接自動化、予知保全、ダウンタイムの削減、週 7 日 24 時間年中無休の生産、安全性の向上、運用コストの削減、効率性の向上、品質管理、意思決定の迅速化は、変革を受け入れ、ビジネス全体を通じて AI の実装を習得する組織にとっての報酬のほんの一部です。

製造業におけるAIの活用は、メーカーの間で人気が高まっています。キャップジェミニの調査によると、欧州のメーカーの半数以上(51%)がAIソリューションを導入しており、日本(30%)と米国(28%)が2位と3位に続いています。同じ調査では、製造業で最も人気のあるAIユースケースは、メンテナンス(29%)と品質(27%)の向上であることも明らかになりました。製造データがAIや機械学習に適していることで、AIは流行っています。製造業は分析データでいっぱいで、機械が分析しやすいです。さらに、何百もの変数が生産プロセスに影響を与えます。これらは人間にとって非常に難しいものですが、機械学習モデルは、このような複雑な状況で個々の変数の影響を簡単に予測できます。言語や感情を含む他の業界では、機械作業は依然として人間の能力に及ばず、その採用を示しています。

PWCによると、AIの経済的メリットは主に、プロセスを自動化し、さまざまな種類のAIテクノロジーで既存の労働力の作業を強化する企業による生産性の向上と、パーソナライズされた高品質のデジタルおよびAIで強化された製品とサービスがもたらす消費者の増える需要の結果です。このテクノロジーはビジネスの重要な部分全体に活用されていますが、企業は生産開発、エンジニアリング、組み立て、品質テストなどのコア生産プロセスにAIソリューションを追加することに少し焦点を当てています。製造業は、世界経済において最も重要なセクターの1つです。2021年には世界のGDPの17%を占め、世界で16.5兆ドルの生産高を生み出しました。

2022年の世界のスマートマニュファクチャリング市場は976億米ドルと評価され、2027年までに2,283億米ドルに達すると予測されています。2022年から2027年にかけて18.5%のCAGR（年平均成長率）で成長すると推定されています。予知保全は、製造業における機械学習の役割の中核となるテナントの 1 つです。PWCは、予知保全は製造業で最も成長している機械学習技術の1つであり、2020年から2025年にかけて市場価値が38%増加すると報告しました。予定外のメンテナンスは、ビジネスに深く切り込む可能性があります。資産がいつ故障するかを事前に十分に把握することで、計画外のダウンタイムや投資の失敗を回避できます。Deloitteによると、予知保全は生産性を25%向上させ、故障を70%削減し、メンテナンスコストを25%削減し、機器の稼働時間を10〜20%増加させます。全体として、メンテナンスコストは5〜10%削減され、メンテナンス計画時間はさらに20〜50%短縮されます。

予知保全の導入を決定した企業は、新しい学習と洞察を待っている旅を始めます。 最初は、どのレベルの故障予測はできるのか確実とは言えません。各ステップはより良い結果をもたらし、ダウンタイムの短縮と生産性の向上につながります。ステージ0から始める場合、データを通じてプロセスを理解することが主な目的です。ステップ1では、統合プラットフォームへの一貫したセンサーデータストリームが必要です。強力な視覚化のおかげで、専門家はどのパラメータが差し迫った障害を示しているかを特定できます。ステップ2では、プロセスとそのパラメータに関する専門家の洞察が不可欠です。これらの助けを借りて、私たちは簡単なルールを差し引くことができます。これらを適用すると、障害の大部分が既に発生するのを防ぐことができます。

ただし、異常検出には、時間単位およびセンサーあたりの測定頻度を最小限に抑えた十分なセンサーデータの蓄積が必要です。このデータにより、任意のプロセスのノルムを定義できます。標準からの逸脱は、オペレーターへのアラートをトリガーすることができ、オペレーターは実際の障害が発生したかどうかを判断する必要があります。事後対応と予防のためには、詳細なログデータに関する多くの障害が必要です。高度な分析を適用することで、障害を迅速かつ確実に検出できます。根本原因分析では、失敗を解決するための成功したアプローチと失敗したアプローチの記録が必要です。損失発生原因を絞り込み、適切な対応を提案できます。