AI สามารถช่วยลดเวลาที่โรงงานอิเล็กทรอนิกส์ต้องเสียไปกับการไล่ตาม "ข้อบกพร่องลวง" (phantom defects) ในสายการผลิตแบบ surface-mount ได้ คู่มือแบบทีละขั้นตอนฉบับใหม่นี้จะแสดงให้ผู้ผลิตเห็นถึงวิธีการทดลองใช้โมเดล AI เพื่อจัดลำดับการแจ้งเตือนที่ผิดพลาด (false calls) ของระบบตรวจสอบด้วยแสงอัตโนมัติ (AOI) ซึ่งจะช่วยให้พนักงานตรวจสอบสามารถมุ่งเน้นไปที่รูปภาพที่มีโอกาสพบปัญหาจริงได้มากที่สุด

ระบบ AOI จะแจ้งเตือนทุกจุดที่อาจเป็นข้อบกพร่อง แต่การแจ้งเตือนส่วนใหญ่มักเป็นเพียงความคลาดเคลื่อนที่ไม่มีอันตรายของรูปร่างชิ้นส่วนหรือการกระจายของตะกั่วบัดกรี พนักงานตรวจสอบต้องเสียเวลาหลายนาทีในการคัดกรอง "การแจ้งเตือนที่ผิดพลาด" เหล่านี้ ในขณะที่ข้อบกพร่องที่แท้จริงบางครั้งอาจหลุดรอดไปยังสถานีทดสอบในขั้นตอนถัดไป แนวคิดหลักของคู่มือนี้เรียบง่ายมาก นั่นคือการใช้ AI ไม่ใช่เพื่อมาแทนที่กลไกการตัดสินใจของ AOI แต่เพื่อจัดลำดับการแจ้งเตือนใหม่เพื่อให้รายการที่มีความเสี่ยงสูงสุดปรากฏขึ้นเป็นอันดับแรก

ทำไมปัญหานี้จึงสำคัญในตอนนี้

สายการผลิต SMT (Surface-Mount Technology) ทำงานด้วยความเร็วสูงจนแทบไม่มีเวลาให้มนุษย์ตรวจสอบซ้ำ เมื่อการแจ้งเตือนที่ผิดพลาดมีจำนวนมากเกินไป พนักงานควบคุมเครื่องจะต้องหยุดสายการผลิต เพื่อตรวจสอบแต่ละรูปภาพด้วยตนเอง และบันทึกการซ่อมแซม คอขวดดังกล่าวทำให้ต้นทุนแรงงานสูงขึ้นและลดประสิทธิภาพการผลิต (throughput)

กรอบการทำงานสำหรับการทดลอง – จากแนวคิดสู่สินทรัพย์

  1. กำหนดวัตถุประสงค์ที่แคบและปลอดภัย การทดลองควรทำเพียงแค่จัดลำดับการแจ้งเตือนของ AOI เท่านั้น ไม่ใช่การยอมรับหรือปฏิเสธแผงวงจรโดยอัตโนมัติ การให้มนุษย์เป็นผู้ตัดสินใจจะช่วยรับประกันว่าโมเดลจะไม่ทำให้เกิดการละเมิดมาตรฐานคุณภาพโดยไม่รู้ตัว

  2. สร้างเกณฑ์มาตรฐาน ก่อนที่จะนำโมเดลมาใช้กับข้อมูล ให้บันทึกตัวชี้วัดปัจจุบันไว้ ได้แก่ อัตราการแจ้งเตือนผิดพลาด (false-call rate), เวลาเฉลี่ยในการตรวจสอบต่อแผงวงจร, อัตราการหลุดรอดของข้อบกพร่อง (defect escape rate) และ FPY ใช้ตัวเลขเหล่านี้เป็นบรรทัดฐานในการวัดผลการปรับปรุง

  3. รวบรวมข้อมูลที่ครบถ้วนและเชื่อมโยงกัน ดึงรูปภาพจาก AOI มาพร้อมกับผลการตัดสินของพนักงานตรวจสอบ, รหัสการซ่อมแซมที่ได้รับมอบหมาย, ผลการทดสอบสุดท้าย และข้อมูลบริบทอื่นๆ เช่น หมายเลขซีเรียล, ประทับเวลา และสูตรการตั้งค่าเครื่องจักร (machine recipe) ยิ่งชุดข้อมูลมีความละเอียดมากเท่าไหร่ โมเดลก็จะยิ่งมีความแม่นยำและซับซ้อนมากขึ้นเท่านั้น

  4. ป้องกันการปนเปื้อนของข้อมูล คำสั่งเปลี่ยนแปลงทางวิศวกรรม (Engineering Change Orders หรือ ECOs) มักจะเปลี่ยนรูปแบบของชิ้นส่วน (footprints) หรือรูปแบบของแผ่นทองแดง (pad patterns) การนำรูปภาพก่อนและหลัง ECO มาปนกันจะทำให้โมเดลสับสนและนำไปสู่การทำนายที่ผิดพลาด ควรแบ่งส่วนข้อมูลตามรุ่นการแก้ไข (revision) หรือตามวันที่ที่มีการเปลี่ยนแปลง

  5. ใช้ป้ายกำกับที่มีความหมาย แทนที่จะใช้เพียงแค่ "มีข้อบกพร่อง / ไม่มีข้อบกพร่อง" ให้ใช้หมวดหมู่ เช่น "ต้องซ่อมแซม" (rework required), "ต้องให้วิศวกรตรวจสอบ" (engineering review needed) หรือ "ความคลาดเคลื่อนที่ยอมรับได้" (acceptable variation) ป้ายกำกับที่ละเอียดจะช่วยให้โมเดลได้รับสัญญาณที่ชัดเจนขึ้นเกี่ยวกับความรุนแรงของการแจ้งเตือนแต่ละครั้ง

  6. แบ่งข้อมูลอย่างถูกวิธี การสุ่มข้อมูลลงในชุดฝึกสอน (training set) และชุดทดสอบ (test set) อาจทำให้โมเดลดูดีเกินความเป็นจริงเมื่อนำไปใช้งานจริง ควรแบ่งข้อมูลตามช่วงเวลาหรือตามรุ่นของผลิตภัณฑ์ เพื่อให้ชุดทดสอบสะท้อนถึงข้อมูลในอนาคตที่โมเดลยังไม่เคยเห็นได้อย่างแท้จริง

  7. ตรวจสอบความถูกต้องกับการใช้งานจริง หลังจากการฝึกสอน ให้จัดลำดับชุดข้อมูลตรวจสอบ (validation batch) และวัดว่ามีข้อบกพร่องที่แท้จริงจำนวนเท่าใดที่ติดอยู่ใน 20% แรกของรายการ หากโมเดลสามารถดึงปัญหาจริงส่วนใหญ่ออกมาได้ตั้งแต่ต้น แสดงว่าพร้อมสำหรับการเริ่มใช้งานจริงแบบควบคุม (controlled rollout)

  8. ปฏิบัติกับโมเดลในฐานะสินทรัพย์ในการผลิต บันทึกทุกเวอร์ชัน, ชุดข้อมูลฝึกสอน และการปรับจูนไฮเปอร์พารามิเตอร์ (hyper-parameter) ไว้ในระบบควบคุมการเปลี่ยนแปลง (change-control system) แบบเดียวกับที่ใช้ติดตามการแก้ไขฮาร์ดแวร์ เส้นทางการตรวจสอบ (audit trail) นี้จะช่วยให้คุณสามารถย้อนกลับ (roll back) หรืออัปเดตโมเดลได้อย่างมั่นใจ

  9. รันควบคู่กันไป อย่าเพิ่งแทนที่ ติดตั้งกลไกการจัดลำดับด้วย AI ควบคู่ไปกับขั้นตอนการตรวจสอบที่มีอยู่เดิม เปรียบเทียบคำแนะนำของ AI กับการตัดสินใจของพนักงานตรวจสอบและผลการทดสอบสุดท้ายเป็นเวลาหลายสัปดาห์ ก่อนที่จะเปลี่ยนแปลงเกณฑ์การยอมรับใดๆ

  10. ปรับปรุงก่อนขยายผล การทดลองที่ประสบความสำเร็จคือการเปลี่ยนแปลงกระบวนการที่มีการควบคุม ไม่ใช่การทดลองที่ไม่มีขอบเขต เมื่อโมเดลสามารถปรับปรุงตัวชี้วัดพื้นฐานได้อย่างสม่ำเสมอแล้ว ให้ใช้ระเบียบวิธีนี้กับกรณีการใช้งานอื่นๆ เช่น การบำรุงรักษาเชิงคาดการณ์ (predictive maintenance) หรือคุณภาพของซัพพลายเออร์

ความเสี่ยงและข้อโต้แย้ง

  • คุณภาพข้อมูลคือหัวใจสำคัญ – การประทับเวลาที่ไม่สมบูรณ์หรือรหัสการซ่อมแซมที่ขาดหายไปจะทำให้โมเดลเกิดสัญญาณรบกวน (noisy model) และทำงานได้ไม่ดี การมีกิจวัตรการเก็บข้อมูลที่มีวินัยจึงเป็นเรื่องที่ต่อรองไม่ได้
  • การเปลี่ยนแปลงของโมเดล (Model drift) – ชิ้นส่วนใหม่ๆ จะทำให้ลักษณะทางสถิติของรูปภาพ "ปกติ" เปลี่ยนไป การฝึกสอนโมเดลใหม่เป็นประจำโดยใช้กระบวนการควบคุมการเปลี่ยนแปลงแบบเดิม จะช่วยลดปัญหาการเปลี่ยนแปลงนี้ได้
  • ความเหนื่อยล้าจากการที่มนุษย์ต้องคอยตรวจสอบ – การจัดลำดับการแจ้งเตือนยังคงต้องให้พนักงานตรวจสอบรูปภาพจำนวนมาก หากการจัดลำดับไม่สามารถแยกข้อบกพร่องจริงออกจากสัญญาณรบกวนได้ เวลาที่คาดว่าจะประหยัดได้ก็จะหายไป ควรตรวจสอบเวลาที่ใช้ในการตรวจสอบต่อแผงวงจรอย่างต่อเนื่อง

สิ่งที่ควรจับตามองต่อไป

ผู้ผลิตที่สามารถทำโครงการนำร่องการจัดลำดับ AOI ได้สำเร็จ สามารถขยายรูปแบบนี้ไปยังกรณีการใช้งานอื่นๆ เช่น การบำรุงรักษาเชิงคาดการณ์ หรือการควบคุมคุณภาพของซัพพลายเออร์

สรุปประเด็นสำคัญ: AI จะช่วยเพิ่มประสิทธิภาพของสายการผลิต SMT ได้ก็ต่อเมื่อมีการนำระบบแจ้งเตือนแบบจัดลำดับความสำคัญมาใช้งานร่วมกับข้อมูลที่สะอาด มีการควบคุมเวอร์ชัน และผ่านการตรวจสอบความถูกต้องกับเหตุการณ์ของเสียที่เกิดขึ้นจริง หากคุณปฏิบัติกับโมเดลเสมือนเป็นสินทรัพย์ในการผลิต ไม่ใช่เพียงแค่การสาธิตใช้งานเพียงครั้งเดียว ผลตอบแทนที่ได้จะกลายเป็นความได้เปรียบที่สามารถสร้างซ้ำได้อย่างต่อเนื่อง