คู่มือแบบทีละขั้นตอนสำหรับการนำ AI มาใช้ในสายการผลิต SMT (Surface-Mount Technology) ได้ถูกเผยแพร่ โดยแสดงให้ผู้ผลิตเห็นวิธีเปลี่ยนปัญหาการผลิตเพียงจุดเดียวให้เป็นการเพิ่มผลผลิต (yield) ที่วัดผลได้
ทำไมโครงการ AI ถึงหยุดชะงักในโรงงานอิเล็กทรอนิกส์
ผู้ผลิตอิเล็กทรอนิกส์ไล่ตามกระแส machine learning มานานหลายปี แต่มักจะฝึกฝนโมเดลด้วยข้อมูลที่ไม่เคยเชื่อมโยงกับปัญหาด้านต้นทุนหรือคุณภาพที่แท้จริง ผลลัพธ์คือการสะสมของโครงการพิสูจน์แนวคิด (proofs of concept) ที่ค้างอยู่บนเซิร์ฟเวอร์ ในขณะที่หน้างานยังคงต้องรับมือกับอัตราผลผลิตผ่านครั้งแรก (FPY) ที่ต่ำและอัตราของเสีย (scrap rates) ที่สูง คู่มือฉบับใหม่นี้เปลี่ยนแนวทางใหม่ โดยเริ่มจากการตัดสินใจที่ชัดเจนว่า—“ระบุหน่วยที่ต้องได้รับการตรวจสอบเพิ่มเติมหลัง AOI แต่ก่อน ICT”—และสร้างโมเดลที่สามารถตัดสินได้ด้วยตัวชี้วัดประสิทธิภาพที่มีอยู่เดิม
ความเสี่ยงและผลกระทบสำหรับผู้ผลิต
แผงวงจรที่บกพร่องทุกแผ่นที่หลุดรอดจากการตรวจสอบ หมายถึงส่วนประกอบที่สูญเปล่า แรงงานในการแก้ไขงาน (rework) ที่เพิ่มขึ้น และการเปิดตัวผลิตภัณฑ์ที่ล่าช้า ในทางกลับกัน โมเดลที่คลาดเคลื่อน (drift) หลังจากมีการเปลี่ยนซัพพลายเออร์หรือการย้ายโรงงานสามารถทำให้ประสิทธิภาพลดลง การปฏิบัติต่ออัลกอริทึมเหมือนกับอุปกรณ์อื่นๆ—ทั้งการสอบเทียบ (calibrated) การตรวจสอบ (monitored) และการบำรุงรักษา (maintained)—จะช่วยรักษาความสมดุลให้เกิดผลกำไร
8 ขั้นตอนที่ระบุไว้ในคู่มือ
- กำหนดการตัดสินใจในประโยคเดียว – ระบุการดำเนินการที่แน่นอนที่โมเดลจะสั่งการ เช่น “ระบุหน่วยที่ต้องได้รับการตรวจสอบเพิ่มเติมหลัง AOI แต่ก่อน ICT”
- บันทึกค่าพื้นฐาน (baseline) – บันทึกค่า FPY ปัจจุบัน ต้นทุนของเสีย และเวลาในการแก้ไขงาน ตัวเลขเหล่านี้จะกลายเป็นบรรทัดฐานสำหรับการปรับปรุงใดๆ ที่ AI มอบให้
- รวมข้อมูลเข้าด้วยกัน – เชื่อมโยงหมายเลขซีเรียล (serial numbers) ข้ามกระแสข้อมูล SMT และผลการทดสอบ ดึงข้อมูลค่าความคลาดเคลื่อนในการวางอุปกรณ์ (placement offsets) ปริมาณครีมบัดกรี (paste volumes) และอุณหภูมิการไหลผ่าน (reflow temperatures) เพื่อให้โมเดลเห็นภาพรวมของกระบวนการทั้งหมด
- รวมประวัติ BOM – การเปลี่ยนแปลงขนาดของส่วนประกอบหรือการเปลี่ยนซัพพลายเออร์ส่งผลต่อพฤติกรรมของชิ้นส่วน การติดแท็กแต่ละแผงด้วยเวอร์ชันของรายการวัสดุ (bill-of-materials) จะช่วยให้โมเดลเรียนรู้ความละเอียดอ่อนเหล่านั้นได้
- ออกแบบฟีเจอร์ของกระบวนการ – อย่ามองเครื่องจักรเครื่องใดเครื่องหนึ่งแยกกัน ให้รวมข้อมูลปริมาณครีมบัดกรีที่ต่ำเข้ากับค่าความคลาดเคลื่อนในการวางอุปกรณ์ หรือการเปลี่ยนแปลงของโปรไฟล์การไหลผ่าน (reflow profile) เพื่อค้นหาปัจจัยเสี่ยงที่แท้จริง
- แบ่งข้อมูลตามเวลา ไม่ใช่แบบสุ่ม – การแบ่งข้อมูลแบบสุ่มอาจทำให้ข้อมูลในอนาคตรั่วไหลเข้าไปในการฝึกฝน ซึ่งจะทำให้คะแนนความสำเร็จสูงเกินจริง การแบ่งตามลำดับเวลา (chronological split) จะเลียนแบบการใช้งานในโลกแห่งความเป็นจริงได้ดีกว่า
- ทดสอบด้วยเงื่อนไขจริง – ตรวจสอบความถูกต้องของโมเดลในกลุ่มผลิตภัณฑ์ การตั้งค่าเครื่องจักร และล็อตวัสดุที่แตกต่างกัน เพื่อให้มั่นใจในความแข็งแกร่ง (robustness)
- ใช้โหมดเงา (shadow mode) – รันการทำนายควบคู่ไปกับสายการผลิตจริงโดยไม่ส่งผลกระทบต่อสายการผลิต เปรียบเทียบการแจ้งเตือนของ AI กับผลการทดสอบจริงก่อนที่จะตัดสินใจเปลี่ยนแปลงกระบวนการใดๆ
AI ควรเข้ามาเสริม ไม่ใช่มาแทนที่การตรวจสอบที่มีอยู่เดิม
คู่มือเน้นย้ำว่า AI คือพันธมิตรของวิศวกร ไม่ใช่สิ่งทดแทนการตรวจสอบมาตรฐาน เช่น SPI (การตรวจสอบครีมบัดกรี) หรือ AOI (การตรวจสอบด้วยแสงอัตโนมัติ) การรวมสัญญาณจากหลายแหล่งช่วยให้อัลกอริทึมสามารถเผยให้เห็นรูปแบบต่างๆ เช่น ปฏิสัมพันธ์ที่ละเอียดอ่อนระหว่างปริมาณครีมบัดกรีและค่าความคลาดเคลื่อนในการวางอุปกรณ์ ซึ่งมนุษย์อาจมองข้ามไป นอกจากนี้ เอเจนต์ที่ขับเคลื่อนด้วย AI ยังสามารถช่วยรวบรวมข้อมูลโดยอัตโนมัติและส่งการแจ้งเตือนไปยังช่างเทคนิคที่รับผิดชอบได้ แต่ต้องไม่เปลี่ยนแปลงขีดจำกัดการทดสอบ (test limits) หรือสูตรการผลิต SMT (SMT recipes) ด้วยตัวเองโดยเด็ดขาด
การตรวจสอบและบำรุงรักษาสุขภาพของโมเดล
ประสิทธิภาพของโมเดลจะลดลงเมื่อตัวแปรต้นน้ำเปลี่ยนแปลง เช่น การเปลี่ยนผู้จำหน่ายส่วนประกอบรายใหม่ หรือการย้ายฐานการผลิตไปยังโรงงานอื่น ให้ปฏิบัติต่อ AI เหมือนกับอุปกรณ์โรงงานอีกชิ้นหนึ่งที่ต้องมีบันทึกการสอบเทียบ การบำรุงรักษาเชิงป้องกัน และแผนการยกเลิกการใช้งานที่ชัดเจน
มุมมองแย้ง: ความเสี่ยงของการใช้ระบบอัตโนมัติที่มากเกินไป
นักวิจารณ์โต้แย้งว่า AI อาจกลายเป็น "กล่องดำ" (black box) ซึ่งทำให้โรงงานเชื่อถือการทำนายที่พวกเขาไม่เข้าใจ การที่คู่มือเน้นย้ำเรื่องโหมดเงา (shadow mode) และการแบ่งข้อมูลตามเวลาเป็นการตอบโจทย์ความกังวลนั้นโดยตรง โดยบังคับให้มีการตรวจสอบความจริงก่อนที่ระบบอัตโนมัติจะถูกนำมาใช้จริง อย่างไรก็ตาม บริษัทต่างๆ ต้องลงทุนในบุคลากรที่สามารถตีความผลลัพธ์ของโมเดลและเข้าแทรกแซงได้เมื่อพบความผิดปกติ
สิ่งที่ต้องจับตามองต่อไป
บทสรุป: แนวทางที่มุ่งเน้นและขับเคลื่อนด้วยข้อมูล ซึ่งเริ่มต้นจากปัญหาการผลิตเพียงจุดเดียวที่วัดผลได้ สามารถเปลี่ยน AI จากโครงการที่คาดเดาไม่ได้ ให้กลายเป็นเครื่องมือเพิ่มผลผลิตที่จับต้องได้ในสายการผลิต SMT คู่มือฉบับใหม่นี้ให้พิมพ์เขียวที่นำไปใช้ได้จริง แต่บททดสอบที่แท้จริงจะอยู่ที่การดำเนินการอย่างมีวินัยและการดูแลโมเดลที่สร้างขึ้นอย่างต่อเนื่อง
Source: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0