ຕາຂອງ AI ບໍ່ເມື່ອຍຄືຊ່າງຜູ້ຊ່ຽວຊານ: ວິໄສທັດກົນຈັກ AI ກວດສອບຄຸນນະພາບຈັບທຸກຕຳໜິໃນສາຍການຜະລິດແນວໃດ

ຫົວໜ້າພະແນກ QA ຂອງໂຮງງານອີເລັກໂທຣນິກແຫ່ງໜຶ່ງໃນ Hsinchu ເຄີຍຄິດໄລ່ຕົ້ນທຶນໃຫ້ຂ้าພະເຈົ້າฟังວ່າ: ສາຍການຜະລິດໜຶ່ງມີພະັກງານກວດກາສາຍຕາ (Visual Inspection) 3 ຄົນ ຕ້ອງເຂົ້າເວນ 3 ກະ, ຄິດເປັນຕົ້ນທຶນດ້ານບຸກຄະລາກອນຈຳນວນຫຼວງຫຼາຍໃນແຕ່ລະປີ, ຍິ່ງໄປກວ່ານັ້ນ ເມື່ອຄົນເຮົາມີຄວາມເມື່ອຍລ້າ ອັດຕາການກວດກາຜິດພາດ (漏檢率) ກ็ຈະເພີ່ມສູງຂຶ້ນ — ໂດຍສະເພາະແມ່ນການຈ້ອງມອງແຜ່ນວົງຈອນທີ່ເກືອບຄືກັນຫຼາຍຮ້ອຍແຜ່ນຕິດຕໍ່ກັນ ເພື່ອຊອກຫາຮອຍຂີດຂ່ວນນ້ອຍໆ ອັນໜຶ່ງ. ຕໍ່ມາລາວໄດ້ນຳເອົາລະບົບກວດກາຄຸນນະພາບດ້ວຍ AI ຜ່ານ Vision ມາໃຊ້, ກ້ອງຖ່າຍຮູບຮ່ວມກັບຕົວແບບ (Model) ເຮັດວຽກ 24 ຊົ່ວໂມງໂດຍບໍ່ຮູ້ຈັກເມື່ອຍ ແລະ มาດຕະຖານບໍ່ມີຕົກຫຼົ່ນ, ອັດຕາການກວດກາຜິດພາດຫຼຸດລົງຢ່າງເຫັນໄດ້ຊັດ. ສ່ວນຊັບພະຍາກອນມະນຸດແມ່ນຖືກໂຍກຍ້າຍໄປເຮັດໜ້າທີ່ການກວດກາຊ້ຳ ແລະ ປັບປຸງສ່ວນທີ່ຕ້ອງການການຕັດສິນໃຈຫຼາຍຂຶ້ນ. ນີ້ບໍ່ແມ່ນການມານັ່ງແທນທີ່ຄົນ, ແຕ່เป็นการປົດປ່ອຍຄົນອອກຈາກຂັ້ນຕອນທີ່ໃຊ້ສາຍຕາໜັກໜ່ວງທີ່ສຸດ.

ພື້ນຫຼັງເຫດການ

ການກວດກາຄຸນນະພາບຮູບລັກສະນະພາຍນອກ ແມ່ນວຽກ "ທີ່ຄົນເຮັດແລ້ວເມື່ອຍຫຼາຍ, ເຊິ່ງເຄື່ອງຈັກຄວນເປັນຜູ້ເຮັດ" ທີ່ເປັນແບບຢ່າງທີ່ສຸດໃນອຸດສາຫະກຳການຜະລິດ. ລະບົບ Vision ຂອງເຄື່ອງຈັກແບບດັ້ງເດີມ (ທີ່ໃຊ້ກົດລະບຽບຕາຍຕົວໃນການຕັດສິນໃຈ) ແມ່ນມີມາເປັນເວລາหลายສິບປີແລ້ວ, ແຕ່ມັນມີຈຸດອ່ອນຕາຍໂຕຄື: ມັນສາມາດຈັບໄດ້ແຕ່ຕຳໜິທີ່ "ຂຽນກົດລະບຽບໄວ້ໄດ້ເທົ່ານັ້ນ". ເມື່ອໃດก็ตามທີ່ຮູບແບບຂອງຕຳໜິมีความຫຼາກຫຼາຍ ແລະ ພື້ນຫຼັງມີຄວາມສັບສົນ, ການຂຽນກົດລະບຽບກໍ່ຈະບໍ່ມີວັນໝົດສິ້ນ ແລະ ເກີດການຕັດສິນຜິດພາດຊ້ຳແລ້ວຊ້ຳເລົ່າ.

ການຮຽນຮູ້เชิงເລິກ (Deep Learning) ໄດ້ປ່ຽນແປງສິ່ງນີ້. AI Machine Vision ບໍ່ໄດ້ອີງໃສ່ການຂຽນກົດລະບຽບຂອງຄົນ, ແຕ່ແມ່ນຜ່ານການເບິ່ງຮູບພາບ "ສິນຄ້າດີ" ແລະ "ສິນຄ້າທີ່ມີຕຳໜິ" ຈຳນວນຫຼວງຫຼາຍ ແລ້ວຮຽນຮູ້ທີ່ຈະແຍກແຍະຄວາມຜິດປົກກະຕິດ້ວຍຕนເອງ. สิ่งນີ້ເຮັດໃຫ້ມັນສາມາດຈັດການກັບຕຳໜິທີ່ສັບສົນຊຶ່ງລະບົບກົດລະບຽບແບບເກົ່າບໍ່ສາມາດແກ້ໄຂໄດ້, ແລະ ນี่ยังເປັນກຸນແຈສຳຄັນທີ່ເຮັດໃຫ້ AI ກວດກາຄຸນນະພາບໃນໂຮງງານຮອບນີ້ສາມາດນຳມາໃຊ້ໄດ້ຕົວຈິງ.

ຈຸດສຳຄັນໃນຄັ້ງນີ້

• ແພລດຟອມກວດກາການມອງເຫັນແບບອັດຕະໂນມັດ: ແພລດຟອມເຊັ່ນ Akridata ຊ່ຽວຊານດ້ານການກວດກາຄຸນນະພາບການຜະລິດໂດຍສະເພາະ, ເຮັດໜ້າທີ່ປ້າຍຊື່ຮູບພາບອັດຕະໂນມັດ, พັດທະນາ Model ແລະ ตรวจຈັບຕຳໜິໃນສາຍການຜະລິດ, ເຊິ່ງຊ່ວຍລົດຄວາມສັບສົນໃນສິ່ງທີ່ທີມງານວິທະຍາສາດຂໍ້ມູນເຄີຍຕ້ອງເຮັດໃນອະດີດ.
• ຜູ້ຊ່ວຍເວລາຈິງສຳລັບແຮງງານທີ່ເຊື່ອມຕໍ່ເຄືອຂ່າຍ: ແພລດຟອມແຮງງານເຊື່ອມຕໍ່ເຄືອຂ່າຍເຊັ່ນ Augmentir ນຳເອົາ AI ມາໃຊ້ໃນອີກດ້ານໜຶ່ງ — ປ່ຽນ SOP, ວິດີໂອ, ແລະ ໃບກວດກາ ໃຫ້กลາຍເປັນຄູ່ມືການເຮັດວຽກແບບດິຈິຕອນທີ່ມີການໂຕ້ຕອບ, ພ້ອມທັງໃຫ້ຄຳແນະນຳໃນການແກ້ໄຂບັນຫາໜ້າວຽກໄດ້ທັນທີເມື່ອເກີດຄວາມຜິດພາດຂຶ້ນ.
• ການເຊື່ອມໂຍງເຂົ້າກັບລະບົບທົ່ວໂຮງງານ: ການນຳໃຊ້ລະບົບຂະໜາດໃຫຍ່ຈະເຊື່ອມຕໍ່ການກວດກາ Vision ເຂົ້າກັບ MES ແລະ ລະບົບຄຸນນະພາບ, ຂໍ້ມູນຕຳໜິຈະຖືກສົ່ງກັບໄປເພື່ອປັບປຸງຂະບວນການຜະລິດ, ບໍ່ແມ່ນພຽງແຕ່ "ຈັບແລ້ວຖິ້ມ", ແຕ່ແມ່ນ "ຊອກຫາສາເຫດວ່າເປັນຫຍັງຈึงມີຕຳໜິ".

ການວິເຄາະຜົນກະທົບຕໍ່ຕະຫຼາດ

ສຳລັບผู้ໃຊ້ຊາວไຕ້ຫວັນ (ພະນັກງານ QA ແລະ ພະນັກງານໜ້າວຽກ): AI ກວດກາຄຸນນະພາບເຂົ້າມາຮັບໜ້າທີ່ຄັດກອງເບື້ອງຕົ້ນທີ່ໃຊ້สายຕາຫຼາຍທີ່ສຸດ, ໂດຍໃຫ້ຄົນຫັນໄປເຮັດໜ້າທີ່ກວດກາຊ້ຳ, ຕັດສິນກໍລະນີທີ່ຢູ່ຂອບເຂດກ້າມກ້ຳ, ແລະ วิเคราะห์ສາເຫດຂອງຕຳໜິ. เนื้อຫາວຽກໄດ້ຮັບການຍົກລະດັບຈາກການ "ນັ່ງຈ້ອງເບິ່ງ" ມາເປັນການ "ຄິດຫາເຫດຜົນ", ເຊິ່ງໃນຄວາມເປັນຈິງແລ້ວແມ່ນການຍົກລະດັບຄວາມສາມາດຂອງພະນັກງານ QA chứບໍ່ແມ່ນການຖືກເລີກຈ້າງ.

ສຳລັບການນຳໃຊ້ຂອງວິສາຫະກິດ: ไຕ້ຫວັນແມ່ນຖານການຜະລິດທີ່ສຳຄັນ, ບໍ່ວ່າจะเป็นອຸດສາຫະກຳອີເລັກໂທຣນິກ, ຈໍສະແດງຜົນ, ເຊມິຄອນດັກເຕີ (Semiconductor), ໝວກກຽວ (Fasteners), ຫຼື ສິ່ງທໍ ຕ່າງก็มีความຕ້ອງການສູງໃນການກວດກາຮູບລັກສະນະພາຍນອກ, ເຊິ່ງນີ້ແມ່ນສະໜາມຮົບຫຼັກຂອງ AI Vision ໃນການກວດກາຄຸນນະພາບ. ຄວາມຫຍຸ້ງຍາກໃນການນຳໃຊ້ບໍ່ໄດ້ຢູ່ at ເຕັກໂນໂລຊີ, ແຕ່ຢູ່ at "ຂໍ້ມູນ" — ການທີ່ AI ຈະຮຽນຮູ້ວິທີຈັບຕຳໜິໄດ້, ກ່ອນອື່ນໝົດຕ້ອງມີຕົວຢ່າງຕຳໜິທີ່ຫຼາຍພໍ ແລະ ມີການປ້າຍຊື່ທີ່ດີພໍ, ຂະນະທີ່ໂຮງງານຈຳນວນมากຕຳໜິຖືເປັນ "ເຫດການທີ່ພົບໄດ້ຍາກ", ເຮັດໃຫ້ການເກັບກຳຕົວຢ່າງເປັນເລື່ອງยาก. ນີ້ຄືຄວາມເປັນຈິງທີ່ຕ້ອງຄິດໃຫ້ຖີ່ຖ້ວນກ່ອນນຳມາໃຊ້.

ສຳລັບນັກພັດທະນາ ແລະ ຜູ້ປະສານງານລະບົບ (Integrators): ຕົວແບບຈະໃຊ້ງານໄດ້ດີຂະໜາດໃດນັ້ນ, 70% ຂຶ້ນຢູ່ກັບວິສະວະກຳຂໍ້ມູນ (Data Engineering). ຜູ້ປະສານງານລະບົບທີ່ຮູ້ວິທີຊ່ວຍໂຮງງານສ້າງຊຸດຂໍ້ມູນຮູບພາບຕຳໜິ, ແກ້ໄຂບັນຫາຕົວຢ່າງໜ້ອຍ (Few-shot problem), ແລະ ຈັດວາງ Model ລົງໃນອຸປະກອນ Edge ຂອງສາຍການຜະລິດນັ້ນ ມີມູນຄ່າສູງກວ່າຜູ້ທີ່ພຽງແຕ່ເອົາ Model ມາໃສ່ຊື່ໆ ຫຼາຍເທົ່າ. ນີ້ກໍ່ແມ່ນຊ່ອງວ່າງທີ່ທີມງານເຕັກໂນໂລຊີຂອງໄຕ້ຫວັນສາມາດເຈາະເຂົ້າໄປໄດ້.

ທ່າອ່ຽງການພັດທະນາໃນອະນາຄົດ

ມີທ່າອ່ຽງຢູ່ 2 ເສັ້ນທາງຄື: ໜຶ່ງແມ່ນ "ການຮຽນຮູ້ແບບຕົວຢ່າງໜ້ອຍ" (Few-shot Learning) ແລະ ຂໍ້ມູນສັງເຄາະ (Synthetic Data), ໂດຍການໃຊ້ AI ເພື່ອສ້າງຕົວຢ່າງຕຳໜິຂຶ້ນມາສຳລັບຝຶກອົບຮົມ AI, ເພື່ອແກ້ໄຂຈຸດເຈັບປວດທີ່ວ່າຕົວຢ່າງຕຳໜິແທ້ແມ່ນເກັບยาก; ສອງແມ່ນການກ້າວຈາກ "ການກວດກາ" ໄປສູ່ "ການຄາດຄະເນ" — ບໍ່ພຽງແຕ່ຈັບຕຳໜິ at ປາຍສາຍການຜະລິດເທົ່ານັ້ນ, ແຕ່ແມ່ນການຕິດຕາມຍ້ອນຫຼັງໄປຂ້າງໜ້າ, ແຈ້ງເຕືອນກ่อนທີ່ພາຣາມິເຕີຂອງຂະບວນການຜະລິດຈະເລື່ອນຈົນກໍ່ໃຫ້ເກີດຕຳໜິ, ເຊິ່ງເຊື່ອມໂຍງເຂົ້າກັບການບຳລຸງຮັກສາແບບຄາດຄະເນ (Predictive Maintenance) ທີ່ໄດ້ກ່າວໄວ້ໃນບົດຄວາມກ່ອນໜ້າ. ເປົ້າໝາຍສູງສຸດຂອງການກວດກາຄຸນນະພາບກໍຄື ການເຮັດໃຫ້ຕຳໜິບໍ່ເກີດຂຶ້ນເລີຍຕັ້ງແຕ່ທຳອິດ.

TheAI學院 ບົດສະຫຼຸບ ແລະ ຄວາມເຫັນ

AI Machine Vision ດ້ານການກວດກາຄຸນນະພາບ ແມ່ນໜຶ່ງໃນການນຳໃຊ້ AI ໃນອຸດສາຫະກຳການຜະລິດທີ່ສາມາດຄິດໄລ່ຜົນຕອບແທນຈາກການລົງທຶນ (ROI) ໄດ້ງ່າຍທີ່ສຸດ: ອັດຕາການກວດກາຜິດພາດ, ຕົ້ນທຶນບຸກຄະລາກອນ, ການຮ້ອງຮຽນຈາກລູກຄ້າ ແລະ ການສົ່ງສິນຄ້າຄືນ, ທຸກໆລາຍການສາມາດປະເມີນເປັນຕົວເລກໄດ້. ແຕ່ຢ່າຫຼົງເຊື່ອຄຳໂຄສະນາທີ່ວ່າ "ຕິດຕັ້ງແລ້ວບໍ່ມີຕຳໜິເລີຍ" — ປະສິດທິພາບຂອງມັນແມ່ນຂຶ້ນຢ່າງສູງກັບຄຸນນະພາບຂອງຂໍ້ມູນທີ່ທ່ານປ້ອນເຂົ້າໄປ, ລວມທັງຄວາມເຕັມໃຈທີ່ຈະບຳລຸງຮັກສາ Model ຢ່າງຕໍ່ເນື່ອງ.

ຄວາມເຫັນໃນປະໂຫຍດດຽວ: Vision Inspection ຂອງເຄື່ອງຈັກແມ່ນການນຳໃຊ້ AI ທີ່ຄິດໄລ່ຜົນຕອບແທນໄດ້ງ່າຍທີ່ສຸດໃນອຸສາຫະກຳການຜະລິດ, ແຕ່ຄວາມສຳເລັດຫຼືຄວາມລົ້ມเหลວ 70% ແມ່ນຂຶ້ນຢູ່ກັບວິສະວະກຳຂໍ້ມູນ ບໍ່ແມ່ນຕົວ Model ເອງ; ໃຫ້ກວດສອບກ່ອນວ່າທ່ານມີຕົວຢ່າງຕຳໜິທີ່ດີພໍແລ້ວບໍ, ແລ້ວຈຶ່ງຄ່ອຍເວົ້າເລື່ອງການນຳມາໃຊ້.

ສຳລັບທີມງານ QA ຂອງອຸສາຫະກຳການຜະລິດໄຕ້ຫວັນ, ນີ້ແມ່ນບາດກ້າວທີ່ຄວນປະເມີນຢ່າງຈິງຈັງ. ສໍາລັບເຄື່ອງມື AI ອຸດສາຫະກຳເພີ່ມເຕີມ ໃຫ້ເບິ່ງ at AI ປະເພດການຜະລິດ ແລະ ອຸດສາຫະກຳ, ສໍາລັບການນຳໃຊ້ AI ອື່ນໆຂອງວິສາຫະກິດ ໃຫ້ເບິ່ງ at ຄູ່ມືໜ້າວຽກ.

แຫຼ່ງທີ່ມາ

ຄຳອະທິບົດຜະລິດຕະພັນຈາກເວັບໄຊທາງການຂອງແຕ່ລະເຄື່ອງມື, ສົມທົບກັບການຮຽບຮຽງຂອງກອງບັນນາທິການ; ຜົນກະທົບຈາກການກວດກາຄຸນນະພາບແມ່ນແຕກຕ່າງກັນໄປຕາມຜະລິດຕະພັນ, ປະເພດຕຳໜິ ແລະ ຄຸນນະພາບຂອງຂໍ້ມູນ, ການປະເມີນຕົວຈິງແມ່ນໃຫ້ຍຶດຖືການກວດສອບໜ້າງານ (PoC) ເປັນມາດຕະຖານ. ຮຽບຮຽງຕາມຂໍ້ມູນສາທາລະນະ.