เทคโนโลยีปัญญาประดิษฐ์ (AI) ช่วยในการควบคุมคุณภาพ

เทคโนโลยีที่ใช้ปัญญาประดิษฐ์อย่าง Machine Learning และ Deep Learning กำลังเปลี่ยนแปลงวิธีการมองของผู้ผลิตในการแก้ไขปัญหาการควบคุมคุณภาพสำหรับชิ้นส่วนหรือแม่พิมพ์ของพวกเขา ในความเป็นจริง เทคโนโลยี Deep Learning กำลังได้รับความสนใจจากทั่วอุตสาหกรรมต่างๆ จากประโยชน์ที่มีมากมาย บทความนี้จะไขความกระจ่างว่า AI,ML และ DL ต่างกันอย่างไร และใช้งานแบบใดบ้าง?

เรามักได้ยินกันมาบ้างว่าเทคโนโลยีรุ่นถัดไปอย่างปัญญาประดิษฐ์, Machine Learning (ML) และ Deep Learning (DL) กำลังค่อยๆ รวมเข้าไปในโรงงานอัจฉริยะในปัจจุบัน ซึ่งกำลังอยู่ในหนทางที่จะสอดรับกับ ‘อุตสาหกรรม 4.0’ แต่คำจำกัดความเหล่านี้ มีความแตกต่างกันอย่างไร? มาค้นหาคำตอบไปด้วยกันครับ 

AI, ML และ DL ทั้งหมดเกี่ยวกับอะไร?

Artificial Intelligent (ปัญญาประดิษฐ์) ถ้าจะพูดให้ง่ายก็คือ ทั้งหมดที่เกี่ยวกับเครื่องจักรหรือระบบอัจฉริยะที่มีความสามารถในการดำเนินการในงานซึ่งโดยปกติแล้วกระทำโดยมนุษย์ อย่างเช่น แชทบอทบนเว็บไซต์

Machine Learning เป็นอีกคำที่อยู่ในกระแส และมักสับสนกันกับปัญญาประดิษฐ์ ทั้งสองคำมีความแตกต่างกันเพียงเล็กน้อย โดย ML เป็นสาขาหนึ่งของ AI ที่ช่วยแอปพลิเคชั่นซอฟต์แวร์เรียนรู้อย่างเป็นอัตโนมัติ โดยใช้อัลกอริธึมและข้อมูลย้อนหลัง กระบวนการนี้ทำให้ระบบสามารถปรับปรุงให้ดีขึ้นจากประสบการณ์ในข้อมูลที่ป้อนเข้าไป และจากนั้นสามารถคาดการณ์ผลลัพธ์ด้วยความถูกต้องแม่นยำสูง

ในขณะที่เทคโนโลยี ‘Deep Learning’ เป็นสาขาหนึ่งของ machine learning และประกอบด้วยโครงข่ายประสาทสามชั้นหรือมากกว่า ทำให้มันสามารถ ‘เรียนรู้’ จากชุดข้อมูลที่มีขนาดใหญ่ จึงช่วยให้ DL สามารถทำการคาดการณ์ที่ถูกต้องแม่นยำได้ ชั้นที่เพิ่มเติมช่วยในการขัดเกลาและปรับข้อมูลให้เหมาะสม เพื่อความถูกต้องแม่นยำของข้อมูล, DL ใช้ในการพัฒนารถยนต์ขับเคลื่อนด้วยตนเองรุ่นถัดไป ตลอดจนแอปพลิเคชั่นที่ใช้เป็นกิจวัตรอื่นๆ อีกมากมาย

ในแผนภาพจะเห็นรูปภาพแสดงความสัมพันธ์ระหว่าง AI, ML และ DL ทั้ง Machine Learning และ Deep Learning เป็นเทคโนโลยีปัญญาประดิษฐ์ซึ่งมีข้อดีมากมาย และถูกใช้ในอุตสาหกรรมที่หลากหลายรวมถึงภาคการผลิต

ปัจจัยด้าน ‘การควบคุมคุณภาพ’

คุณภาพถือว่าเป็นปัจจัยที่สำคัญอย่างยิ่ง เนื่องจากมันสามารถนำไปสู่ความสูญเสียที่มหาศาล ส่งผลกระทบต่อสมรรถนะของชิ้นส่วนนั้นๆ และในเวลาเดียวกันก็มีส่วนรับผิดชอบต่อการเสื่อมเสียชื่อเสียงของบริษัท ดังนั้นการวิเคราะห์วิจัยจำนวนมากจึงอยู่เบื้องหลังการเลือกเทคโนโลยีหรือกระบวนการควบคุมคุณภาพที่ถูกต้องสำหรับโซลูชั่นของบริษัท

หลายโซลูชั่นได้เพิ่มเทคโนโลยีปัญญาประดิษฐ์เข้าไป เพื่อทำให้แน่ใจว่าผู้ผลิตจะส่งมอบอะไรที่ไม่น้อยไปกว่าชิ้นส่วนที่สมบูรณ์แบบให้กับลูกค้า ตัวอย่างเช่น ชุด Surfmax ของ Zeiss ที่มาพร้อมกับ machine learning ที่ขึ้นกับอัลกอริธึมที่พัฒนาภายในบริษัทและเทคโนโลยีเกี่ยวกับการมองเห็น (optical) โซลูชั่นไม่เพียงแต่สามารถดำเนินการตรวจสอบข้อบกพร่องของพื้นผิวอย่างถูกต้องแม่นยำบนชิ้นส่วนต่างๆ จากอุตสาหกรรมยานยนต์ การบินอวกาศ การแพทย์และอุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภค แต่ยังจำแนกข้อบกพร่องโดยอัตโนมัติในเวลาจริงอีกด้วย

ในการอธิบายขยายความเทคโนโลยี Deep Learning โดยโฟกัสเป็นพิเศษในการควบคุมคุณภาพ Christian Eckstein ผู้จัดการผลิตภัณฑ์เครื่องมือ Deep Learning บริษัท MV Tec กล่าวว่า “Deep Learning ได้ให้วิธีการมากมายในการแก้ไขปัญหาการควบคุมคุณภาพของชิ้นส่วน/แม่พิมพ์ต่างๆ สิ่งเหล่านี้รวมถึงการจำแนกรูปภาพของชิ้นส่วนต่างๆ เป็นข้อบกพร่องระดับชั้น (คลาส) ที่แตกต่างกัน วัตถุต่างๆ สามารถตรวจพบในภาพ  ลักษณะหรือข้อบกพร่องแต่ละอย่าง สามารถถูกแบ่งเป็นกลุ่ม (segment) ได้ ระบบที่ใช้ Deep Learning สามารถหาได้แม้กระทั่งความผิดปกติในรูปภาพที่แตกต่างจากรูปภาพที่ระบบได้รับการฝึกมา”

ซอฟต์แวร์ของบริษัท MV Tec Halcon สำหรับการมองเห็นของเครื่องจักร ถูกรวมกับเทคโนโลยี Deep Learning เนื่องด้วยประสบการณ์ของบริษัท, deep learning เดี่ยวๆ แทบไม่เคยแก้ไขปัญหาได้ โดยปกติ deep learning จึงมักถูกรวมเข้ากับการมองเห็นของเครื่องจักรดั้งเดิมแทน เพื่อดึงผลลัพธ์ที่ดีที่สุดจากข้อจำกัดของฮาร์ดแวร์และเวลาประมวลผลที่มี การมีเครื่องมือทั้งหมด ครบในแพ็กเกจเดียวช่วยทำให้นักพัฒนาสามารถทำงานของพวกเขาได้อย่างมีประสิทธิภาพจริงๆ

Ruben Ferraz หัวหน้าฝ่ายขายผลิตภัณฑ์การมองเห็น บริษัท Cognex กล่าวว่า “กระบวนการมักมีความอ่อนไหวต่อความล้มเหลวเสมอ ดังนั้นจึงสำคัญที่จะมีระบบซึ่งสามารถตรวจสอบชิ้นส่วนทั้งหมดที่ผลิตด้วยการมองเห็น เทคโนโลยี Deep Learning เก่งกว่าเมื่อมาถึงข้อบกพร่องที่อาจเกิดขึ้นที่มักมีรูปลักษณ์ ขนาดและรูปทรงที่แตกต่างกัน, DL ไม่ใช่ระบบตามกฎ (rules-based) หมายถึงมันสามารถตรวจพบข้อบกพร่องตามตัวอย่าง เหมือนกับที่ทำโดยผู้ปฏิบัติการที่เป็นมนุษย์ พลังของเครือข่ายประสาทที่ได้รับการฝึกอบรมมาอย่างดี จะลดจำนวนของผลบวกหรือผลลบปลอม ดังนั้นจึงเพิ่มคุณภาพของกระบวนการ”

---

• ปัญญาประดิษฐ์ เรื่องเกินจริงอิงนิยาย? หรือจุดหมายคือเทคโนโลยีอนาคต?
• การผลิตแห่งอนาคต: เครื่องมือมีประสิทธิภาพมากขึ้นเมื่อใช้ผ่านปัญญาประดิษฐ์
• เครื่องพิมพ์สามมิติแรกที่รวมปัญญาประดิษฐ์ (AI) และ Machine learning

ซอฟต์แวร์ Cognex Deep Learning ถูกพัฒนามาอย่างเฉพาะตัวเพื่อระบบอัตโนมัติในโรงงาน การโฟกัสของ Deep Learning ตามรูปภาพถูกผสานกับอัลกอริธึมที่แตกต่างหลากหลายมาก (Deep Learning, Edge Learning, และเครื่องมือการมองเห็นแบบคลาสสิก) ซอฟต์แวร์สามารถถูกปรับใช้โดยเครื่องพีซีที่มีความซับซ้อนหรือซอฟต์แวร์ที่ง่ายต่อการใช้งานสุดๆ ที่ฝังตัวอยู่ในกล้องอัจฉริยะทั้งแบบไฮเอนด์หรือโลว์เอนด์     สรุป คือ ซอฟต์แวร์มีสมรรถนะสูง ง่ายต่อการใช้งาน (ไม่จำเป็นต้องเป็นผู้เชี่ยวชาญ Deep Learning หรือโปรแกรมเมอร์) และมีความยืดหยุ่นมากมายในแง่ของแพลตฟอร์มที่จะนำไปปรับใช้ได้ ซึ่งเป็นข้อดีที่สำคัญ

ในอีกด้านหนึ่ง บริษัทสตาร์ทอัพ Covision ได้แนะนำซอฟต์แวร์ที่เป็นการปฏิวัติ ทำให้การตรวจสอบด้วยการมองเห็นเป็นอัตโนมัติและปรับเสกล ตลอดจนตรวจจับข้อบกพร่อง โดยมาพร้อมกันกับ Machine Learning และการมองเห็นของคอมพิวเตอร์ โซลูชั่นที่ใช้เครือข่ายประสาท ช่วยให้บรรลุความแม่นยำได้มากถึง 99% รอบกระบวนการหนึ่งสามารถมีพารามิเตอร์รวมกันได้ประมาณ 30 ตัว และสามารถที่จะเพิ่มตัวใหม่ๆ ได้ในภายหลัง เมื่อการเปลี่ยนแปลงของกระบวนการตรวจจับและการจำแนกเสร็จสิ้นแล้ว ผู้ผลิตสามารถเร่งปริมาณการผลิตได้ ด้วยโซลูชั่นนี้ ต้นทุนที่เกี่ยวข้องกับการควบคุมคุณภาพยังสามารถลดลงได้อย่างมีนัยสำคัญ

เทคโนโลยีที่ใช้ปัญญาประดิษฐ์ในการพิมพ์แบบสามมิติเชิงอุตสาหกรรม

เทคโนโลยีเหล่านี้สามารถถูกประยุกต์ใช้กับอุตสาหกรรมการผลิตแบบเติมวัสดุได้ด้วยเช่นกัน ตัวอย่างเช่น บริษัทซอฟต์แวร์ปัญญาประดิษฐ์ Peltarion ร่วมมือกับบริษัทการพิมพ์สามมิติ Amexci เพื่อพัฒนาหลักฐานของแนวคิดที่รอบๆ การควบคุมคุณภาพในการพิมพ์สามมิติเชิงอุตสาหกรรม ซึ่งใช้กรรมวิธี Laser Powder Bed Fusion (L-PBF) ซึ่งในกรรมวิธีนี้มีความเป็นไปได้สูงที่ชิ้นส่วนหรือผลิตภัณฑ์อาจเสียรูปเนื่องจากอุณหภูมิสูงที่ใช้ในกระบวนการเชื่อมต่อเข้าด้วยกัน ดังนั้นแต่ละชั้นจำเป็นที่จะต้องได้รับการตรวจสอบคุณภาพ ซึ่งแต่ละผลิตภัณฑ์สร้างรูปภาพจำนวนนับไม่ถ้วนพร้อมปริมาณข้อมูลมหาศาลซึ่งเป็นไปไม่ได้ที่จะวิเคราะห์ (ด้วยมนุษย์)

เนื่องด้วยเบื้องหลังที่เป็นเช่นนี้ Peltarion จึงพัฒนาโมเดล deep learning ซึ่งตั้งเป้าที่จะช่วยบริษัทในการแก้ไขความหายนะของการควบคุมคุณภาพ โมเดลใหม่ถูกคาดหวังให้รวมกลุ่มรูปต่างๆ ที่คล้ายคลึงกัน จากนั้นถูกฝึกให้ระบุและทำนายข้อบกพร่อง การทำสิ่งนี้จำเป็นต้องใช้ข้อมูลขนาดใหญ่เพื่อให้ DL เรียนรู้, Amexci จึงเปิดตัวความคิดริเริ่ม ‘โปรโตคอล Rosetta’ ที่ซึ่งบริษัทต่างๆ ในแวดวงเดียวกันถูกขอให้แบ่งปันข้อมูลรูปภาพที่เกี่ยวข้องเพื่อฝึกโมเดลที่จะเปลี่ยนเกมสำหรับอุตสาหกรรม

ดีกว่าโซลูชั่นการควบคุมคุณภาพมาตรฐาน

จากการผงาดขึ้นมาของการเปลี่ยนแปลงดิจิทัลในหมู่อุตสาหกรรม ผู้ผลิตต่างกำลังมองหาโซลูชั่นใหม่ที่มีความก้าวหน้าทางเทคโนโลยีมากขึ้น เพื่อตอบสนองข้อกำหนดการควบคุมคุณภาพของพวกเขา นี้หมายถึงว่า ในตอนนี้โซลูชั่นการควบคุมคุณภาพมาตรฐานได้ล้าสมัยไปแล้ว “เทคโนโลยีการตรวจสอบคุณภาพมาตรฐานได้ถูกใช้ใน 40 ปีที่ผ่านมาและกำลังถึงขีดจำกัดของมัน เทคโนโลยี Deep Learning ได้เปิดขอบฟ้าใหม่อย่างสมบูรณ์ โดยเติมเต็มการมองเห็นของเครื่องจักรแบบดั้งเดิมด้วยเครือข่ายประสาทที่สามารถดำเนินการตรวจสอบต่างๆ ที่ไม่เคยแม้จะคิดมาก่อน” Ferraz เล่าว่า “การตรวจสอบมากมายมีระดับของความไม่สามารถคาดการณ์ได้และความผันแปรตามธรรมชาติของกระบวนการ หนทางเดียวที่จะเอาชนะความท้าทายเหล่านี้ได้ คือการใช้เทคโนโลยีที่เลียนแบบสมองมนุษย์ นี่คือสิ่งที่ DL ทำและหลายบริษัทได้เข้าใจแล้วถึงประโยชน์และกำลังลงทุนอย่างหนักในเทคโนโลยี Deep Learning”

Eckstein ได้ขยายความว่า “Deep Learning มีศักยภาพที่จะใช้ประโยชน์จากข้อมูลที่ซ่อนอยู่ในข้อมูลรูปภาพจำนวนมหาศาล ระบบได้รับข้อมูลที่มีโครงสร้าง และได้รับมอบหมายให้ทำซ้ำในโครงสร้างนั้น ตรงกันข้ามกับการมองเห็นของเครื่องจักรแบบดั้งเดิม คุณสมบัติต่างๆ ที่ถูกเลือกให้ทำ ไม่ได้ถูกสอนอย่างชัดแจ้ง แต่เรียนรู้โดยระบบผ่านการปฏิสัมพันธ์ของการลองผิดลองถูกหลายล้านครั้ง สิ่งนี้นำไปสู่ผลลัพธ์ที่ดีกว่ามากสำหรับปัญหาบางอย่าง ปัญหาที่ไม่สามารถแก้ไขได้ในอดีต ตอนนี้สามารถแก้ไขได้ด้วยแนวทางใหม่นี้”

เขายังกล่าวต่อไปอีกว่าบรรดาผู้ผลิตมีความกระตือรือร้นที่จะใช้เทคโนโลยีที่ดีที่สุดในการแก้ไขปัญหาของพวกเขา อย่างไรก็ดี พวกเขามักไม่มีภาพลวงตา มันจึงไม่จำเป็นที่จะต้องเป็นโซลูชั่นที่ใช้ Deep learning ซึ่งยังต้องการฮาร์ดแวร์ค่อนข้างมากและจำเป็นต้องมีข้อมูลมาก ซึ่งบางครั้งไม่มี อีกอย่าง ผู้ผลิตบางรายยังคงลังเลเนื่องจากระบบ deep learning ทำตัวเหมือนกล่องดำและการตัดสินใจที่ทำโดยระบบอาจดูคลุมเครือสำหรับวิศวกรผู้ทำการยอมรับเครื่อง

หนทางข้างหน้า …

Ferraz opines ได้สรุปว่า “Deep Learning จะมีส่วนช่วยในการทำให้บริษัทมีความพร้อมสำหรับการปฏิวัติอุตสาหกรรมครั้งที่ 4 (อุตสาหกรรม 4.0) คุณไม่สามารถมีการเชื่อมต่อและระบบอัตโนมัติได้ หากคุณไม่ทำให้การตรวจสอบเป็นไปโดยอัตโนมัติ เทคโนโลยี Deep Learning พร้อมความชาญฉลาดที่เหมือนมนุษย์ ทำให้บริษัทสามารถเอาชนะข้อจำกัดในการตรวจสอบที่มีอยู่ ที่ทำเฉพาะโดยมนุษย์ เรามีเทคโนโลยีที่ถูกต้องในการเปลี่ยนแปลงอุตสาหกรรมและเราได้เริ่มแล้ว”

แม้ว่าเทคโนโลยีนี้จะกำลังถูกใช้ในภาคส่วนอยู่แล้ว แต่มันยังสามารถก้าวหน้าต่อไปได้อีก ในวันนี้ ด้วยเทคโนโลยีและข้อกำหนดของตลาดที่เปลี่ยนแปลงไปตลอดเวลา  ตามที่ Eckstein กล่าว “Deep Learning ยังไปถึงเต็มศักยภาพ ความคืบหน้าอย่างต่อเนื่องในเทคโนโลยี CPU, GPU และ TPU (หน่วยประมวลผล Tensor) จะทำให้สถาปัตยกรรมเครือข่ายที่ซับซ้อนมากขึ้นกว่านี้ สามารถใช้การได้สำหรับอุตสาหกรรม เรายังเห็นการเคลื่อนไปสู่ Deep Learning ใน 3D, ในบริษัท MV Tec เรากำลังประเมินว่าเทคโนโลยี 2D อย่างการตรวจจับสิ่งผิดปกติ มีความหวังแค่ไหน ในการที่จะสามารถรวมเข้ากับการมองสามมิติเพื่อค้นหาข้อบกพร่องของพื้นผิวที่ไม่สามารถตรวจพบได้ด้วยภาพสองมิติแต่เพียงอย่างเดียว – ในขณะที่ได้รับการฝึก เฉพาะกับรูปภาพที่ ‘ดี’ ”

ด้วยมุมมองอันชาญฉลาดต่างๆ มากมาย เราสามารถกล่าวได้ว่า Deep Learning ดูเหมือนจะเป็นเทคโนโลยีใหม่อันถัดไป สำหรับบรรดาผู้ผลิตที่จะแก้ไขปัญหาการควบคุมคุณภาพสำหรับชิ้นส่วนหรือแม่พิมพ์ต่างๆ  เทคโนโลยี DL ไหน ที่คุณกำลังจะเลือกสำหรับธุรกิจของคุณ?

อ้างอิง : https://www.etmm-online.com

About The Author