เลิกสุ่มตรวจ QC: เริ่มใช้ computer vision ในโรงงานยังไงไม่ให้พัง
โครงการตรวจคุณภาพด้วยกล้องล้มเหลวด้วยเหตุผลเดิม ๆ ไม่กี่ข้อ และแทบไม่เคยเป็นเพราะ AI ไม่เก่งพอ บทความนี้ไล่สาเหตุจริงและลำดับการเริ่มที่ปลอดภัย
"เราสุ่มตรวจ 5%"
ประโยคนี้ฟังดูเป็นกระบวนการที่มีระเบียบ แต่ถ้าแปลตรงตัว มันหมายความว่า ของเสียที่หลุดไปถึงลูกค้า เป็นเรื่องของความน่าจะเป็น ไม่ใช่เรื่องที่ควบคุมได้
การสุ่มตรวจไม่ใช่วิธีที่ผิด มันเป็นวิธีที่สมเหตุสมผลที่สุดภายใต้ข้อจำกัดหนึ่งข้อ — การตรวจต้องใช้สายตาคน และคนมีจำนวนจำกัด เหนื่อยได้ และความแม่นยำลดลงตอนบ่ายสามของกะที่สอง
ข้อจำกัดนั้นเปลี่ยนไปแล้ว แต่โครงการที่พยายามใช้ประโยชน์จากมันกลับล้มเหลวเป็นจำนวนมาก และเกือบทุกครั้งไม่ได้ล้มเพราะเทคโนโลยีไม่ดีพอ
ทำไมโครงการส่วนใหญ่ถึงล้ม
1. เริ่มจากเทคโนโลยี ไม่ได้เริ่มจากของเสียที่แพงที่สุด
รูปแบบที่เจอบ่อยคือ ผู้บริหารเห็นเดโม แล้วสั่งให้ "เอา AI มาตรวจ QC" ทีมงานก็ไปเลือกจุดที่ติดตั้งง่ายที่สุดในไลน์ ซึ่งมักไม่ใช่จุดที่มีปัญหา
หกเดือนต่อมาระบบทำงานได้ ตัวเลขความแม่นยำสวย แต่ไม่มีใครรู้สึกว่าอะไรดีขึ้น เพราะจุดที่ทำให้เสียเงินจริง ยังไม่ถูกแตะ
สิ่งที่ควรทำแทน: เริ่มจากคำถามว่า "ของเสียประเภทไหนที่ทำให้เราเสียเงินมากที่สุดในปีที่ผ่านมา" คำตอบมักไม่ใช่ประเภทที่พบบ่อยที่สุด แต่คือประเภทที่หลุดไปถึงลูกค้าแล้วโดนเคลม เพราะต้นทุนของเสีย ที่จับได้ในไลน์กับที่หลุดออกไป ต่างกันหลายเท่า — ค่าขนส่งกลับ ค่าเปลี่ยนสินค้า เวลาของฝ่ายขาย และความเสียหายต่อความสัมพันธ์ที่ตีมูลค่าไม่ได้
2. ไม่มีภาพของเสียให้ระบบเรียนรู้
นี่คืออุปสรรคที่แท้จริงในโรงงานส่วนใหญ่ และเป็นเรื่องที่ฟังดูย้อนแย้ง
โรงงานที่คุมคุณภาพได้ดี จะมีของเสียน้อยมาก ซึ่งแปลว่ามีตัวอย่างให้ระบบเรียนรู้น้อยมากด้วย บางประเภทเกิดขึ้นเดือนละครั้งสองครั้ง และไม่มีใครถ่ายรูปเก็บไว้ เพราะเมื่อเจอก็แค่คัดออกแล้วทำงานต่อ
พอถึงวันที่จะทำโครงการ คำถาม "ขอภาพของเสียหน่อย" จึงได้คำตอบว่าไม่มี
สิ่งที่ควรทำ และควรเริ่มทำวันนี้แม้ยังไม่คิดจะทำโครงการ: ตั้งกล้องธรรมดาถ่ายเก็บทุกชิ้นที่ถูกคัดออก พร้อมบันทึกว่าเป็นของเสียประเภทไหน ไม่ต้องมีระบบอะไรทั้งนั้น มือถือกับโฟลเดอร์แยกตามประเภทก็พอ
สะสมหกเดือนแล้วคุณจะมีสิ่งที่มีค่าที่สุดสำหรับโครงการแบบนี้ ซึ่งเงินซื้อไม่ได้และเป็นสิ่งที่กำหนดว่า โครงการจะสำเร็จหรือไม่ มากกว่าการเลือกผู้ขาย
มีอีกทางหนึ่งสำหรับกรณีที่ของเสียหายากจริง ๆ คือสอนระบบให้รู้จัก "ของดี" อย่างละเอียดแทน แล้วให้มันแจ้งเตือนทุกอย่างที่ผิดไปจากนั้น วิธีนี้ต้องใช้ภาพของดีจำนวนมาก ซึ่งหาง่ายกว่ามาก แต่แลกมาด้วยการแจ้งเตือนเกินจำเป็นในช่วงแรก
3. ตั้งเกณฑ์ความแม่นยำโดยไม่เทียบกับกระบวนการจริง
หากทีมตั้งเกณฑ์โดยไม่กำหนดชนิดข้อบกพร่อง วิธีนับ ความเสี่ยง และบทบาทของคน ผลทดลองอาจไม่ช่วยให้ตัดสินใจได้
กรอบประเมินที่รอบคอบกว่า: เปรียบเทียบระบบกับกระบวนการตรวจปัจจุบันโดยใช้ข้อมูลของไลน์เดียวกัน กำหนด coverage, false accept, false reject, ต้นทุนความผิดพลาด และจุดที่ต้องมีคนตรวจ ตัวเลขสมมติจาก ไลน์อื่นไม่ควรถูกใช้รับรองผลหรือใช้เป็นเกณฑ์ตัดสินใจแทนการทดลองจริง
4. ระบบตัดสินเองแล้วผิด จนไม่มีใครไว้ใจอีกเลย
เคสที่ทำลายโครงการเร็วที่สุดคือ ระบบคัดของดีทิ้งไปหลายร้อยชิ้นเพราะแสงเปลี่ยน หรือปล่อยของเสีย ผ่านไปเป็นล็อต หลังจากนั้นไม่มีใครในโรงงานเชื่อมันอีกเลย และการกู้ความเชื่อมั่นกลับมาใช้เวลานาน กว่าการเริ่มใหม่
สิ่งที่ป้องกันได้: ระบบต้องมีเกณฑ์ความมั่นใจ ชิ้นที่มันไม่มั่นใจต้องถูกส่งให้คนตัดสิน ไม่ใช่ให้มัน เดาแล้วลงมือ
หลักการนี้เหมือนกับที่ใช้กับระบบอ่านเอกสาร — ระบบที่รู้ตัวว่าไม่รู้ มีค่ามากกว่าระบบที่แม่นกว่า แต่มั่นใจผิด ๆ ทุกครั้ง
5. ไม่มีคนในโรงงานเป็นเจ้าของ
ระบบถูกติดตั้งโดยผู้ขาย ทำงานได้ดีสามเดือน แล้ววันหนึ่งเปลี่ยนสเปกชิ้นงาน หรือย้ายตำแหน่งไฟ ระบบเริ่มเตือนผิด ไม่มีใครในโรงงานปรับได้ ต้องรอผู้ขาย ระหว่างรอก็ปิดระบบไปก่อน แล้วไม่ได้เปิดอีกเลย
สิ่งที่ควรกำหนดในสัญญา: ต้องมีคนในโรงงานอย่างน้อยหนึ่งคนที่ปรับเกณฑ์ ดูผล และเพิ่มตัวอย่างใหม่ ให้ระบบเรียนรู้ได้เอง ถ้าทุกการเปลี่ยนแปลงต้องผ่านผู้ขาย ระบบจะตายภายในปีแรก
ลำดับการเริ่มที่ปลอดภัย
ขั้นที่ 0 — เก็บภาพด้วยทรัพยากรที่องค์กรมีอยู่
ถ่ายภาพของเสียทุกชิ้นที่คัดออก แยกโฟลเดอร์ตามประเภท บันทึกวันที่และกะการผลิต ทำต่อเนื่องอย่างน้อยสามเดือนก่อนคุยกับผู้ขายรายไหน
ขั้นนี้ทำให้คุณอยู่ในตำแหน่งการเจรจาที่ต่างไปโดยสิ้นเชิง เพราะคุณจะรู้ก่อนผู้ขายว่าปัญหาจริงคืออะไร
ขั้นที่ 1 — เลือกจุดเดียว
เลือกของเสียประเภทเดียวที่แพงที่สุด ที่จุดเดียวในไลน์ ห้ามเริ่มด้วยการตรวจทุกอย่างพร้อมกัน
เกณฑ์เลือกจุด: ชิ้นงานอยู่ในตำแหน่งค่อนข้างคงที่ตอนถูกถ่าย ความเร็วสายพานคงที่ และมีที่ว่างพอติดกล้องกับไฟโดยไม่ต้องรื้ออะไร
ขั้นที่ 2 — คุมแสงให้ได้ก่อนซื้อกล้องแพง
นี่คือขั้นที่ถูกมองข้ามมากที่สุดและเป็นสาเหตุความล้มเหลวทางเทคนิคอันดับหนึ่ง
แสงในโรงงานเปลี่ยนตลอดวัน แสงจากหน้าต่างตอนเช้ากับตอนบ่ายไม่เหมือนกัน หลอดไฟเสื่อมลงตามเวลา เงาของคนที่เดินผ่านทำให้ภาพเปลี่ยน ระบบที่เรียนรู้จากภาพในสภาพแสงหนึ่ง จะทำงานแย่ลงทันทีเมื่อแสงเปลี่ยน
การลงทุนกับไฟที่ควบคุมได้ ให้ผลมากกว่าการอัปเกรดกล้องเกือบทุกครั้ง และถูกกว่ามาก ทำกล่องครอบจุดถ่ายภาพเพื่อกันแสงภายนอก ใช้ไฟ LED ที่ความสว่างคงที่ และวัดค่าแสงเป็นระยะ
ขั้นที่ 3 — เดินคู่กับวิธีเดิม
อย่าให้ระบบตัดสินอะไรในช่วงแรกเด็ดขาด ให้มันดูและบันทึกผลไว้เฉย ๆ ขนานไปกับการตรวจแบบเดิม
ทุกสัปดาห์เอาผลมาเทียบกัน: ชิ้นที่คนบอกเสีย ระบบเห็นไหม ชิ้นที่ระบบบอกเสีย คนเห็นด้วยไหม ชิ้นที่ทั้งสองฝ่ายไม่ตรงกัน เกิดจากอะไร
ช่วงนี้ควรกินเวลาอย่างน้อยสี่ถึงหกสัปดาห์ และมันคือช่วงที่มีค่าที่สุดของโครงการ เพราะทุกความไม่ตรงกัน คือข้อมูลที่ทำให้ระบบดีขึ้น และมันเกิดขึ้นโดยไม่มีความเสี่ยงต่อการผลิตเลย
ผลพลอยได้ที่มักเกิดขึ้นเสมอ: การเทียบผลจะเผยว่าคนตรวจแต่ละคนใช้เกณฑ์ไม่เหมือนกัน ซึ่งเป็นข้อมูลที่มีประโยชน์มากแม้จะไม่ได้ทำโครงการ AI ต่อ
ขั้นที่ 4 — ให้ตัดสินเฉพาะที่มั่นใจ
เมื่อผลเทียบนิ่งแล้ว จึงให้ระบบเริ่มตัดสิน แต่เฉพาะกรณีที่ความมั่นใจสูงกว่าเกณฑ์ ที่เหลือส่งให้คนดู
ตั้งเกณฑ์ให้เข้มไว้ก่อนแล้วค่อย ๆ ผ่อน ดีกว่าตั้งหลวมแล้วต้องมาแก้ความเชื่อมั่นที่เสียไปแล้ว
ขั้นที่ 5 — ค่อยขยาย
เพิ่มประเภทของเสียทีละอย่าง หรือเพิ่มจุดตรวจทีละจุด ทุกครั้งที่ขยายให้กลับไปทำขั้นที่ 3 ใหม่เสมอ สำหรับส่วนที่เพิ่มเข้ามา
ผลพลอยได้ที่มักมีค่ากว่าที่ตั้งใจไว้ตอนแรก
เกือบทุกโครงการที่ทำสำเร็จ สิ่งที่ลูกค้าพูดถึงมากที่สุดหลังผ่านไปหนึ่งปี ไม่ใช่จำนวนของเสียที่จับได้
เมื่อทุกชิ้นถูกถ่ายภาพเก็บไว้ พร้อมเวลาและหมายเลขล็อต การเถียงกันเรื่องเคลมจะจบลง
ลูกค้าโทรมาบอกว่าล็อตนี้มีปัญหา แทนที่จะเป็นการโต้เถียงว่าของเสียเกิดที่โรงงานหรือระหว่างขนส่ง มันกลายเป็นการเปิดภาพดูว่าชิ้นนั้นตอนออกจากไลน์หน้าตาเป็นอย่างไร
และเมื่อมีข้อมูลสะสมพอ จะเริ่มเห็นรูปแบบที่ไม่เคยเห็นมาก่อน — ของเสียประเภทหนึ่งเกิดถี่ขึ้นในกะดึก หรือเพิ่มขึ้นทุกครั้งหลังเปลี่ยนล็อตวัตถุดิบ ข้อมูลพวกนี้ไม่มีทางเห็นได้จากการสุ่มตรวจ เพราะการสุ่มตรวจไม่ได้เก็บอะไรไว้
ควรเริ่มเมื่อไร และเมื่อไรไม่ควร
เหมาะที่จะเริ่มถ้า: ผลิตซ้ำ ๆ ปริมาณมาก · ของเสียมีลักษณะที่มองเห็นได้ด้วยตา · มีเคสเคลมจากลูกค้าที่หาสาเหตุไม่เจอ · ต้องการขยายกำลังผลิตโดยไม่เพิ่มคน QC ตามสัดส่วน
ยังไม่เหมาะถ้า: ผลิตงานสั่งทำที่ไม่ซ้ำกันเลย · ของเสียเป็นเรื่องที่ตาไม่เห็น เช่น ความแข็งแรงภายใน หรือส่วนผสมทางเคมี (ต้องใช้เครื่องมือวัดคนละแบบ) · ปริมาณการผลิตน้อยจนคนตรวจครบทุกชิ้นได้อยู่แล้ว · หรือยังไม่มีใครในโรงงานที่จะรับเป็นเจ้าของระบบ
ข้อสุดท้ายสำคัญกว่าที่คิด และเป็นเหตุผลที่เราแนะนำให้ลูกค้าบางรายชะลอโครงการออกไป
สรุป
โครงการตรวจคุณภาพด้วยกล้องไม่ได้ล้มเพราะ AI ไม่เก่งพอ มันล้มเพราะเริ่มผิดจุด ไม่มีภาพให้เรียนรู้ คุมแสงไม่ได้ ให้ระบบตัดสินเร็วเกินไป และไม่มีใครในโรงงานเป็นเจ้าของ
ทั้งห้าข้อนี้แก้ได้ด้วยการเรียงลำดับให้ถูก และขั้นแรกที่มีค่าที่สุด — เก็บภาพของเสีย — เริ่มได้วันนี้ โดยอาจเริ่มจากทรัพยากรที่องค์กรมีอยู่ ทั้งนี้ยังอาจมีต้นทุนด้านเวลา อุปกรณ์ การจัดเก็บ และการดูแลข้อมูล
อยากคุยเรื่องกระบวนการก่อนตัดสินใจ — ดูรายละเอียดที่ AI สำหรับโรงงานผลิต หรือติดต่อเรา เพื่อขอประเมินขอบเขต เรื่องไลน์ผลิตของคุณ โดยยังไม่ต้องพูดถึงราคา
อ่านต่อ: บริการดูแลระบบ AI หลังติดตั้ง
