ถึงแม้ว่าปัจจุบันจะมีการนำระบบอัตโนมัติและเทคโนโลยี IoT มาใช้ในอุตสาหกรรมการผลิต ซึ่งช่วยเพิ่มความรวดเร็วให้กับกระบวนการผลิต แต่กระบวนการตรวจสอบ defect ซึ่งเป็นขั้นตอนการตรวจคุณภาพผลิตภัณฑ์ ยังมักต้องอาศัยความเชี่ยวชาญของเจ้าหน้าที่เป็นหลัก ซึ่งบางครั้งอาจทำให้เกิดความล่าช้า มีค่าใช้จ่ายสูง เป็นอันตรายแก่เจ้าหน้าที่ อีกทั้งยังอาจทำให้เกิดปัญหาคอขวด และทำให้เกิดการหยุดชะงักได้หากผู้เชี่ยวชาญไม่สามารถปฏิบัติงานได้

ภาพแผงวงจรอิเล็กทรอนิกส์ (PCB) ที่มี defect ซึ่งสังเกตด้วยตาเปล่าแทบไม่เห็น

อย่างไรก็ดี ที่ผ่านมาได้เริ่มมีการนำความสามารถของเทคโนโลยีปัญญาประดิษฐ์ (AI) ในการวิเคราะห์ภาพนิ่งและภาพเคลื่อนไหวมาใช้ เพื่อช่วยผู้ผลิตตรวจหาจุดบกพร่องของชิ้นส่วนต่างๆ พร้อมแจ้งเตือนแบบเรียลไทม์หากพบ defect

หัวใจสำคัญของเทคโนโลยีนี้คือ AI Vision ควบคู่ไปกับการเทรนระบบด้วยแมชชีนเลิร์นนิง โดยนำภาพที่มีความละเอียดสูงจากฝ่ายผลิต มาเปรียบเทียบกับคลังภาพที่แสดงจุดบกพร่องของชิ้นส่วนนั้นๆ โดยเปรียบเทียบชิ้นส่วนที่ดีกับชิ้นส่วนที่ไม่ดี เพื่อนำมาพัฒนาเป็นโมเดลการ cognitive เพื่อตรวจหาข้อบกพร่องในชิ้นส่วน ส่วนประกอบ และผลิตภัณฑ์ต่างๆ ร่วมกับเซิร์ฟเวอร์ประมวลผลแบบ edge ที่เชื่อมต่อกับกล้องในโรงงานผลิต โดยชิ้นส่วนที่มี defect นั้น อาจมีทั้งกรณีที่ส่วนประกอบบนแผงวงจรขาดหาย สีเกิดฟองอากาศ พื้นผิวมีรอยขีดข่วน ติดฉลากผิด หรือมีการผุกร่อน เป็นต้น

หากภาพที่ถ่ายโดยกล้องความละเอียดสูงในโรงงานผลิตสอดคล้องกับจุดบกพร่องที่บันทึกไว้แล้วในคลังภาพ ระบบก็จะแจ้งเตือนให้ตรวจสอบข้อบกพร่องดังกล่าว แต่เนื่องจากโอกาสที่สองสิ่งจะตรงกัน 100% นั้นค่อนข้างต่ำ หัวหน้าฝ่ายตรวจสอบจึงสามารถกำหนดเกณฑ์ขั้นต่ำที่ยอมรับได้ และเมื่อใดที่ตัวเลขต่ำกว่าเกณฑ์ดังกล่าวระบบก็จะแจ้งเตือนให้ตรวจสอบอย่างละเอียด

ตัวอย่างเช่น หากโมเดลการคิดรู้พบว่าภาพที่ตรวจสอบตรงกับภาพจุดบกพร่องทั้งหมด ระดับความมั่นใจก็จะอยู่ที่ 100% แต่หากภาพที่ตรวจสอบไม่ตรงกับภาพจุดบกพร่องทั้งหมด แต่มีความคล้ายคลึงกันมาก ระดับความมั่นใจก็อาจลดลงมาอยู่ที่ 85% เป็นต้น

ภาพระบบ AI ตรวจพบ defect (สี่เหลี่ยมสีแดง) พร้อมระบบลักษณะของ defect ว่าตัวเข็มงอ (bent pin)

การมีตัวชี้วัดเช่นนี้ช่วยให้พนักงานสามารถตรวจสอบเฉพาะรายการที่มีระดับความมั่นใจต่ำกว่าเกณฑ์ที่กำหนดไว้ โดยที่ผู้เชี่ยวชาญสามารถนำเวลาที่มีไปโฟกัสที่การระบุจุดบกพร่องประเภทใหม่ๆ โดยความสามารถด้าน cognitive ของเทคโนโลยีนี้จะนำสู่การเรียนรู้และปรับปรุงอย่างต่อเนื่องของระบบตามฟีดแบ็คที่ได้จากผู้เชี่ยวชาญ

Smart Modular ผู้ผลิตส่วนประกอบหน่วยความจำที่ใช้ในคอมพิวเตอร์ ได้ผสานการเทคโนโลยีนี้เข้ากับหุ่นยนต์เพื่อระบุและแยกส่วนประกอบเซมิคอนดักเตอร์ที่บกพร่องออกมาก่อนที่ชิ้นส่วนนั้นจะเข้าสู่ขั้นต่อไปของการประมวลผล

ผู้ผลิตรถยนต์ระดับโลกแห่งหนึ่งก็ได้นำ AI สำหรับ Quality Inspection มาใช้จัดทำระบบอัตโนมัติสำหรับตรวจสอบจุดบกพร่องของชิ้นส่วนรถยนต์ด้วยภาพระหว่างกระบวนการผลิต โดยมุ่งตรวจสอบจุดบกพร่อง 5 ประเภท คือ รอยขีดข่วน, รอยบุบ, Bibiri, Suana และ Dansuki) บนชิ้นส่วน 5 ชนิด ได้แก่ เพลาลูกเบี้ยว A, เพลาลูกเบี้ยว B, เพลาข้อเหวี่ยง, ฝาสูบ และเสื้อสูบ

IBM เองก็ได้นำเทคโนโลยีดังกล่าวมาใช้กับโรงงานผลิตเซิร์ฟเวอร์ Power Systems ที่เมืองกวาดาลาฮาราด้วยเช่นกัน เพื่อยกระดับการตรวจหา defect ในกระบวนการผลิตให้ดียิ่งขึ้น

เทคโนโลยี AI Quality Inspection ยังถูกนำไปใช้ในอีกหลายอุตสาหกรรม ตั้งแต่น้ำมันและเชื้อเพลิง ไปจนถึงการศึกษาด้านเนื้องอก ดังตัวอย่างของ Abu Dhabi Natural Oil Company ที่มีการนำโมเดล Deep Learning มาเสริมความสามารถให้กับนักธรณีวิทยาที่ทำหน้าที่วิเคราะห์ดินเพื่อให้สามารถตรวจหาบ่อน้ำมันได้อย่างแม่นยำ หรือ Promare ซึ่งเป็นองค์กรด้านการวิจัยและสำรวจทะเล ก็กำลังใช้โมเดล Deep Learning เรียนรู้จากประวัติศาสตร์ 400 ปี เพื่อให้เรือ Mayflower สามารถเดินทางข้ามมหาสมุทรแอตแลนติกด้วยตัวเอง

วันนี้ยังได้มีการนำระบบคลาวด์เข้ามาใช้ เพื่อให้อุตสาหกรรมสามารถจัดการกับกระบวนการตรวจสอบได้จากส่วนกลางโดยผ่านแดชบอร์ด ซึ่งมีตัวชี้วัดสำหรับการรายงานที่หลากหลาย โดยสามารถจัดทำรายงานแบบเรียลไทม์ หรือตามรอบเวลาที่กำหนดตามความเหมาะสม และสรุปข้อมูลกิจกรรมที่ดำเนินอยู่รวมถึงเจาะลึกลงไปในแต่ละกระบวนการได้

เพราะวันนี้ ยุคนี้ โรงงานต่างๆ ต้องไม่ปิด และเดินหน้าผลิตต่อไปได้แม้ในสถานการณ์ที่ไม่คาดคิด!