ปัญหาข้อมูลโรงงานที่ผู้ผลิตอาเซียนไม่พูดถึง

อุปสรรคที่พบบ่อยที่สุดต่อการนำ AI มาใช้ในภาคการผลิตของอาเซียนไม่ใช่การขาดงบประมาณ ความมุ่งมั่นของผู้บริหาร หรือการขาดผู้ให้บริการ แต่เป็นสภาพของโครงสร้างพื้นฐานข้อมูลในโรงงาน ปัญหาโครงสร้างพื้นฐานข้อมูลของผู้ผลิตในอาเซียน ทั้งระบบ OT และ IT ที่แยกส่วนกัน การบันทึกข้อมูลเซนเซอร์ที่ไม่สม่ำเสมอ ชั้น ERP และ MES ที่ไม่เชื่อมต่อกัน และการขาดกรอบความรับผิดชอบด้านเจ้าของข้อมูล ล้วนทำให้ AI ไม่สามารถเข้าถึงข้อมูลนำเข้าที่เชื่อถือได้ซึ่งจำเป็นต่อการทำงานในสายการผลิตจริง บทความนี้จะพิจารณาแต่ละปัญหาอย่างละเอียด และอธิบายว่าผู้ผลิตสามารถแก้ไขปัญหาเหล่านี้ได้อย่างไรก่อนที่จะลงทุนในระบบ AI

ทำไมข้อมูลโรงงานจึงเป็นจุดเริ่มต้น

ระบบ AI ในภาคการผลิต ไม่ว่าจะเป็นโมเดลบำรุงรักษาเชิงพยากรณ์ อัลกอริทึมตรวจสอบคุณภาพ หรือเครื่องมือปรับปรุงประสิทธิภาพการผลิต ล้วนมีข้อกำหนดเชิงโครงสร้างเดียวกันคือ ต้องมีข้อมูลที่สม่ำเสมอ มีการติดป้ายกำกับ และต่อเนื่องในเชิงประวัติศาสตร์ เมื่อข้อมูลดังกล่าวไม่มีอยู่ในรูปแบบที่ใช้งานได้ ระบบ AI ก็ไม่สามารถถูกฝึกฝน ตรวจสอบความถูกต้อง หรือติดตามผลในสายการผลิตจริงได้

ผู้ผลิตในอาเซียนจำนวนมากได้ดำเนินโครงการนำร่อง AI ที่ให้ผลลัพธ์ที่น่าพอใจภายใต้สภาวะควบคุม แต่โครงการนำร่องเหล่านั้นกลับล้มเหลวเมื่อขยายขนาด เพราะสภาพแวดล้อมข้อมูลในสายการผลิตจริงไม่ตรงกับสิ่งที่มีอยู่ในช่วงนำร่อง นี่คือปัญหาข้อมูลโรงงาน มันไม่ปรากฏให้เห็นจนกว่าจะขัดขวางความก้าวหน้า รูปแบบนี้ปรากฏอย่างสม่ำเสมอในการนำ AI มาใช้ในภาคการผลิตทั่วอาเซียน รวมถึงโครงการที่จัดวางตามแนวทางอุตสาหกรรม 4.0 ระดับชาติของเวียดนาม

สี่ปัญหาที่ชัดเจน

1. ระบบ OT และ IT ที่แยกส่วนกัน

ระบบเทคโนโลยีปฏิบัติการ (OT) เช่น PLC, SCADA, DCS และระบบเทคโนโลยีสารสนเทศ (IT) เช่น ERP, MES, WMS มักถูกแยกออกจากกันทั้งในด้านโครงสร้างพื้นฐานและขอบเขตขององค์กร ข้อมูลที่เกิดขึ้นในสายการผลิตไม่ได้ไหลเข้าสู่ระบบที่จัดเก็บตรรกะทางธุรกิจและบันทึกทางประวัติศาสตร์โดยอัตโนมัติ

ในโรงงานหลายแห่งในอาเซียน การแยกส่วนนี้สะท้อนทั้งการตัดสินใจจัดซื้อในอดีตและทางเลือกด้านความปลอดภัยที่จงใจ ผลลัพธ์คือระบบ AI ที่ออกแบบมาเพื่อเชื่อมโยงประสิทธิภาพการปฏิบัติงานเข้ากับผลลัพธ์ทางธุรกิจไม่มีช่องทางที่เชื่อถือได้ในการรับข้อมูลนำเข้าที่จำเป็นจากทั้งสองชั้นระบบพร้อมกัน

2. การบันทึกข้อมูลเซนเซอร์ที่ไม่สม่ำเสมอ

แม้ว่าจะมีการติดตั้งเซนเซอร์แล้ว การบันทึกข้อมูลก็มักไม่สม่ำเสมอ ปัญหาที่พบบ่อย ได้แก่ อัตราการสุ่มตัวอย่างที่เปลี่ยนแปลงโดยไม่มีการบันทึกเป็นเอกสาร เซนเซอร์ที่หลุดออฟไลน์ระหว่างเปลี่ยนกะและไม่บันทึกข้อมูลใด ๆ แทนที่จะบันทึกค่าว่าง ช่องว่างที่เกิดจากการขัดข้องของเครือข่ายซึ่งไม่ถูกบันทึกในบันทึกการตรวจสอบใด ๆ และการตั้งค่าเซนเซอร์ที่เปลี่ยนแปลงเมื่อมีการบำรุงรักษาอุปกรณ์โดยไม่มีการควบคุมเวอร์ชันของการเปลี่ยนแปลงการตั้งค่า

ความไม่สม่ำเสมอเหล่านี้ก่อให้เกิดข้อมูลฝึกฝนที่มีช่องว่างแฝงและการเปลี่ยนแปลงเชิงโครงสร้าง โมเดล AI ที่ฝึกฝนด้วยข้อมูลนี้อาจดูเหมือนทำงานได้ดีในขั้นตอนพัฒนา แต่กลับให้ผลลัพธ์ที่ไม่น่าเชื่อถือในสายการผลิตจริง เพราะมันเรียนรู้รูปแบบจากข้อมูลที่ไม่ได้สะท้อนกระบวนการที่แท้จริงอย่างถูกต้อง

3. ความไม่เชื่อมต่อระหว่าง ERP และ MES

ระบบบริหารจัดการการผลิต (MES) ติดตามสิ่งที่เกิดขึ้นในสายการผลิต เช่น คำสั่งผลิต ปริมาณการผลิต การระงับด้านคุณภาพ เวลาเครื่องจักรหยุดทำงาน ส่วนระบบวางแผนทรัพยากรองค์กร (ERP) ติดตามชั้นธุรกิจ เช่น สินค้าคงคลัง การจัดซื้อ การเงิน คำสั่งซื้อของลูกค้า

ในการดำเนินงานด้านการผลิตหลายแห่งในอาเซียน ระบบ MES และ ERP ถูกจัดซื้อในช่วงเวลาที่ต่างกัน จากผู้จำหน่ายที่ต่างกัน โดยมีงานเชื่อมต่อแบบกำหนดเองที่ไม่ได้รับการดูแลรักษาอย่างต่อเนื่อง ผลลัพธ์คือข้อมูลจากทั้งสองระบบไม่สามารถเชื่อมโยงกันได้อย่างเชื่อถือได้ ผู้ผลิตที่ต้องการฝึกฝนระบบ AI เพื่อหาความสัมพันธ์ระหว่างพารามิเตอร์การผลิตกับผลลัพธ์ด้านต้นทุน จะต้องเผชิญกับปัญหาพื้นฐานด้านการจัดแนวข้อมูลก่อนที่งานสร้างโมเดลใด ๆ จะเริ่มต้นได้

4. การขาดเจ้าของข้อมูล

ในโรงงานหลายแห่ง ไม่มีใครเป็นเจ้าของข้อมูลอย่างแท้จริง ทีมวิศวกรรมเป็นเจ้าของอุปกรณ์ ทีม IT เป็นเจ้าของเครือข่าย ทีมปฏิบัติการเป็นเจ้าของกระบวนการ ทีมการเงินเป็นเจ้าของการรายงาน เมื่อโครงการ AI เริ่มต้นขึ้น คำถามว่าใครเป็นผู้รับผิดชอบด้านคุณภาพข้อมูล การเข้าถึงข้อมูล และการกำกับดูแลข้อมูล มักไม่มีคำตอบที่ชัดเจน

นี่ไม่ใช่ปัญหาด้านเทคโนโลยี แต่เป็นปัญหาการออกแบบองค์กรที่แสดงออกมาในรูปของข้อจำกัดทางเทคโนโลยี หากไม่มีการกำหนดเจ้าของข้อมูลอย่างชัดเจน ปัญหาด้านคุณภาพข้อมูลจะไม่ได้รับการแก้ไข คำขอเข้าถึงข้อมูลจะหยุดชะงัก และโครงสร้างความรับผิดชอบที่จำเป็นต่อการรักษาระบบ AI ให้ดำเนินงานได้ในสายการผลิตจริงก็จะไม่มีอยู่

ปัญหาเหล่านี้เชื่อมโยงกันอย่างไร

ปัญหาทั้งสี่นี้ไม่ได้แยกจากกันโดยอิสระ ระบบ OT และ IT ที่แยกส่วนกันทำให้การบังคับใช้การบันทึกข้อมูลเซนเซอร์อย่างสม่ำเสมอทำได้ยากขึ้น บันทึกเซนเซอร์ที่ไม่สม่ำเสมอทำให้การกระทบยอดระหว่าง ERP และ MES ไม่น่าเชื่อถือ การขาดเจ้าของข้อมูลหมายความว่าไม่มีใครแก้ไขช่องว่างเมื่อพบเจอ ผลลัพธ์คือการขาดแคลนโครงสร้างพื้นฐานข้อมูลที่ทับถมกันมากขึ้นเรื่อย ๆ ตามปริมาณข้อมูลที่โรงงานผลิตออกมา

ผู้ผลิตที่พยายามแก้ไขปัญหาเหล่านี้เมื่อโครงการ AI ได้เริ่มดำเนินการไปแล้วเท่านั้น จะเผชิญกับความล่าช้าอย่างมาก งานด้านโครงสร้างพื้นฐานที่จำเป็นต้องใช้เวลา โดยทั่วไปหลายเดือนกว่าจะบรรลุความน่าเชื่อถือของข้อมูลในระดับพื้นฐาน และไม่สามารถย่นระยะเวลาได้ด้วยการเพิ่มผู้ให้บริการเทคโนโลยีเข้ามาอีก

ควรเริ่มต้นจากตรงไหน

จุดเริ่มต้นที่ปฏิบัติได้จริงคือการตรวจสอบโครงสร้างพื้นฐานข้อมูลก่อนที่จะเลือกผู้ให้บริการ AI รายใด การตรวจสอบควรทำแผนที่แหล่งข้อมูลทั้งหมดตามประเภท เจ้าของ อัตราการสุ่มตัวอย่าง และตำแหน่งจัดเก็บ ระบุว่าข้อมูล OT และ IT สามารถเชื่อมโยงกันได้ที่ใดและไม่ได้ที่ใด บันทึกช่องว่างที่ทราบทั้งหมดในบันทึกเซนเซอร์ในอดีต และกำหนดเจ้าของข้อมูลชั่วคราวให้กับบทบาทที่เฉพาะเจาะจง

การตรวจสอบนี้ไม่จำเป็นต้องอาศัยความเชี่ยวชาญด้าน AI แต่ต้องอาศัยความรู้ด้านวิศวกรรมและการปฏิบัติงาน ผนวกกับการประเมินสภาพปัจจุบันอย่างตรงไปตรงมา ผู้ผลิตที่ทำการตรวจสอบนี้เสร็จสิ้นก่อนติดต่อผู้ให้บริการ AI จะลดความเสี่ยงของการเปลี่ยนแปลงขอบเขตงานที่มีค่าใช้จ่ายสูงหลังจากโครงการเริ่มต้นไปแล้ว

Gradion ทำงานร่วมกับผู้ผลิตในอาเซียนเรื่องความพร้อมของโครงสร้างพื้นฐานข้อมูลก่อนการนำ AI มาใช้ ทีมวิศวกรรมของเราได้ทำแผนที่สถาปัตยกรรม OT และ IT ในสภาพแวดล้อมอุตสาหกรรมทั่วทั้งภูมิภาค และเข้าใจข้อจำกัดเฉพาะที่ปรากฏในสถานประกอบการที่ไม่ได้ถูกออกแบบมาโดยคำนึงถึงการเชื่อมโยงข้อมูลตั้งแต่แรก จากประสบการณ์ในโครงการ AI ด้านการผลิตทั้งในเวียดนามและภูมิภาคอาเซียนที่กว้างขึ้น ข้อค้นพบที่สอดคล้องกันมากที่สุดคือความพร้อมของข้อมูลเป็นตัวกำหนดระยะเวลาของโครงการมากกว่าการเลือกโมเดลหรือทรัพยากรการประมวลผล

คำถามที่พบบ่อย

ปัญหาข้อมูลโรงงานที่ทำให้ผู้ผลิตในอาเซียนไม่สามารถนำ AI มาใช้ได้คืออะไร

ปัญหาข้อมูลโรงงานหมายถึงกลุ่มความท้าทายด้านโครงสร้างพื้นฐานที่ทำให้ระบบ AI ไม่สามารถได้รับข้อมูลที่เชื่อถือได้และสม่ำเสมอซึ่งจำเป็นต่อการทำงานในสายการผลิตจริง ปัญหาหลักคือระบบ OT และ IT ที่แยกส่วนกัน การบันทึกข้อมูลเซนเซอร์ที่ไม่สม่ำเสมอ ความไม่เชื่อมต่อระหว่าง ERP และ MES และการขาดกรอบความรับผิดชอบด้านเจ้าของข้อมูล ปัญหาเหล่านี้พบได้ทั่วไปในภาคการผลิตของอาเซียน เพราะโรงงานถูกสร้างขึ้นมาตลอดหลายทศวรรษด้วยระบบที่จัดซื้อแยกกันโดยอิสระ และการเชื่อมโยงข้อมูลแทบไม่เคยถูกออกแบบไว้ตั้งแต่แรก

ต้องใช้เวลานานเท่าใดในการแก้ไขโครงสร้างพื้นฐานข้อมูลโรงงานก่อนนำ AI มาใช้

ระยะเวลาขึ้นอยู่กับความรุนแรงของช่องว่างที่มีอยู่และความซับซ้อนของสภาพแวดล้อมในโรงงาน สภาพแวดล้อมที่ไม่ซับซ้อนซึ่งมีช่องว่างการเชื่อมโยงในระดับปานกลาง มักใช้เวลาสามถึงหกเดือนเพื่อบรรลุความน่าเชื่อถือของข้อมูลในระดับพื้นฐาน ส่วนการดำเนินงานหลายสถานที่ที่ซับซ้อน ซึ่งมีระบบ OT เก่าและการติดตั้ง ERP ที่กระจัดกระจาย อาจต้องใช้เวลานานกว่านั้น การตรวจสอบโครงสร้างพื้นฐานข้อมูลที่ดำเนินการตั้งแต่ต้นกระบวนการจะให้ค่าประมาณที่แม่นยำยิ่งขึ้นสำหรับสถานประกอบการเฉพาะแห่งนั้น

ผู้ผลิตสามารถนำ AI มาใช้ในบางส่วนของโรงงาน ในขณะที่กำลังแก้ไขโครงสร้างพื้นฐานข้อมูลในส่วนอื่น ๆ ได้หรือไม่

ได้ ในบางกรณี โมเดลบำรุงรักษาเชิงพยากรณ์สำหรับหมวดหมู่อุปกรณ์เฉพาะสามารถนำไปใช้ได้โดยอาศัยข้อมูลเซนเซอร์จากอุปกรณ์เหล่านั้นเพียงอย่างเดียว โดยไม่จำเป็นต้องเชื่อมโยง OT และ IT อย่างสมบูรณ์ อย่างไรก็ตาม ระบบ AI ที่ต้องการข้อมูลข้ามฟังก์ชัน เช่น การหาความสัมพันธ์ระหว่างพารามิเตอร์การผลิตกับต้นทุน คุณภาพ และข้อมูลการจัดซื้อ จะไม่สามารถนำไปใช้ได้อย่างน่าเชื่อถือจนกว่าช่องว่างการเชื่อมโยงพื้นฐานจะได้รับการแก้ไข

ความแตกต่างระหว่าง OT และ IT ในบริบทของภาคการผลิตคืออะไร

เทคโนโลยีปฏิบัติการ (OT) หมายถึงฮาร์ดแวร์และซอฟต์แวร์ที่ตรวจสอบและควบคุมอุปกรณ์ทางกายภาพ ได้แก่ ตัวควบคุมลอจิกแบบโปรแกรมได้ (PLC) ระบบควบคุมแบบกระจาย (DCS) และแพลตฟอร์ม SCADA เทคโนโลยีสารสนเทศ (IT) หมายถึงระบบธุรกิจที่จัดการข้อมูลและกระบวนการในระดับองค์กร ได้แก่ ERP, MES, WMS และแพลตฟอร์ม CRM ในโรงงานส่วนใหญ่ ทั้งสองชั้นนี้พัฒนาแยกจากกัน และต้องอาศัยงานเชื่อมโยงที่จงใจเพื่อแบ่งปันข้อมูลอย่างเชื่อถือได้

ใครควรเป็นผู้รับผิดชอบการกำกับดูแลข้อมูลในองค์กรด้านการผลิต

การกำกับดูแลข้อมูลในภาคการผลิตทำงานได้ดีที่สุดเมื่อมีการกำหนดเจ้าของในสองระดับ ในระดับสินทรัพย์ ทีมวิศวกรรมหรือทีมปฏิบัติการควรเป็นเจ้าของการตั้งค่าเซนเซอร์ บันทึกการสอบเทียบ และมาตรฐานการบันทึกข้อมูลสำหรับอุปกรณ์เฉพาะ ในระดับองค์กร ฝ่าย IT หรือฝ่ายดิจิทัลควรเป็นเจ้าของนโยบายการเข้าถึงข้อมูล สถาปัตยกรรมการเชื่อมโยง และการติดตามคุณภาพข้อมูล หากขาดความรับผิดชอบในระดับใดระดับหนึ่ง ปัญหาด้านคุณภาพข้อมูลจะถูกระบุแต่ไม่ได้รับการแก้ไข เพราะความรับผิดชอบไม่ชัดเจน