อุตสาหกรรมการผลิต เป็นกลุ่มอุตสาหกรรมที่มีข้อมูลขนาดใหญ่มหาศาล ซึ่งข้อมูลส่วนใหญ่เป็นข้อมูลภายใน หรือ Internal Data ทำให้มีความยุ่งยากในการจัดการโครงสร้างของข้อมูลน้อยกว่าการมีข้อมูลภายนอก หรือ External Data เข้ามาเกี่ยวข้องด้วย
ส่วนใหญ่ข้อมูลที่มีในส่วนของการผลิต จะแบ่งออกเป็น 2 ประเภท คือ ข้อมูลแบบ Batch ที่เก็บอยู่ในระบบ เช่น ข้อมูลกำลังผลิต และข้อมูลแบบ Real-Time ที่จะได้จากการติดตั้ง IoT
ในยุคปฏิวัติอุตสาหกรรมครั้งที่ 3 หรือ ยุค Robotic นำพามาซึ่งการลงทุนในเครื่องจักร และระบบสำเร็จรูป ทำให้หลายๆ คนเคยชินกับการลงทุนในระบบที่พร้อมใช้ ต่อมาเมื่อเข้าสู่ยุคปฏิวัติอุตสาหกรรมครั้งที่ 4 หรือ ยุค Digital ที่เน้นการลงทุนในระบบแบบ Customized จึงเกิดเป็นช่องว่างในความเข้าใจ เพราะหากไม่เข้าใจ ก็ยากที่จะสามารถออกแบบเป็นระบบที่เหมาะสมได้
การติดตั้ง IoT จึงมีข้อจำกัดอยู่ว่า จะนำข้อมูลจาก IoT ไปใช้ประโยชน์ได้อย่างไร เพราะถ้าแค่ติดตั้ง IoT เพื่อแจ้งสถานะของตัวเลขในระยะเวลาใดระยะเวลาหนึ่ง ก็คงเป็นการลงทุนที่ไม่คุ้มค่า ยิ่งไปกว่านั้น การติดตั้ง IoT นอกจากจะมีค่าใช้จ่ายเรื่องอุปกรณ์ที่ติดตั้งแล้ว ยังจำเป็นต้องลงทุนใน Data Infrastructure ที่เหมาะสมอีกด้วย เพราะจะมีข้อมูลที่ไหลเข้ามาในระบบอยู่ตลอดเวลา และมีโอการที่จะขยายตัวอย่างรวดเร็ว
ปัญหาใหญ่ คือ เมื่อต้องลงทุนกับ Infrastructure ใหญ่ และต้องติดตั้งอุปกรณ์ใหม่ขนาดนี้ กลับได้ผลลัพธ์เป็นเพียง Dashboard เพื่อแสดง Status ของตัวเลขในแต่ละส่วนของโรงงานเท่านั้นเองหรือ?
เมื่อไม่สามารถแสดงให้เห็นได้ว่า การมีข้อมูลแบบ Real-Time จะเพิ่มประสิทธิภาพการทำงานได้อย่างไร โครงการ Big Data ที่นำไปสู่ Data Driven Process ในอุสาหกรรมการผลิต จึงไม่เกิดผลสำเร็จ
ตัวอย่างของโครงการการใช้ประโยชน์จาก Data สำหรับอุตสาหกรรมการผลิต มีดังต่อไปนี้
1. เพื่อจัดลำดับการผลิตได้อย่างเหมาะสมมากขึ้น
สำหรับโรงงานใด ที่ยังมีการจัดลำดับงานโดย “มนุษย์” อยู่นั้น ถือเป็นความเสี่ยงในการดำเนินการอย่างมาก เช่น การจัดลำดับว่าวันนี้จะผลิตสินค้าแต่ละชนิดเป็นจำนวนเท่าไหร่ Line การผลิตแต่ละ Line จะมีลำดับในการผลิตอย่างไร รวมไปถึง ปริมาณแรงงาน หรือระยะเวลาในการทำงานแต่ละวัน การมี Big Data และ Data Model จะทำให้สามารถออกแบบการจัดลำดับงานได้อย่างมีประสิทธิภาพมากขึ้น และในระยะยาว หากต้องการปรับปรุง Line การผลิต ก็สามารถใช้ Model เพื่อวิเคราะห์ได้ว่า ตรงไหนคือ Fat หรือส่วนที่ทำให้เกิดผลเสียต่อระบบได้อีกด้วย
2.การตัดสินใจหน้างานที่มีประสิทธิภาพมากขึ้น
การผลิตสินค้าบางชนิด มีข้อจำกัดเรื่องสภาพแวดล้อม เช่น อุณหภูมิ อัตราการไหล ความเร็วลม เป็นต้น ทำให้การผลิตยังต้องใช้ทักษะ และประสบการณ์หน้างานเป็นหลัก ถือเป็นความเสี่ยงอย่างนึง ทั้งในมุมของประสิทธิภาพในการทำงาน และความเสี่ยงเรื่องบุคลากร ตามหลักวิชาการแล้ว การทำงานแบบ Closed Loop หรือ จำกัดสภาพแวดล้อมของการผลิต จะทำให้การผลิตมีประสิทธิภาพสูงสุด แต่ในความเป็นจริง การทำงานแบบ Closed Loop นั้น ทำให้เกิดขึ้นได้ยากในโลกแห่งความเป็นจริง ซึ่งในทางปฏิบัติ การใช้ IoT จะสามารถส่งข้อมูลแบบ Real-Time ไปยังหน่วยการประมวลผลได้ ที่หน่วยประมวลผลจะมี Data Model ที่สร้างจากการนำข้อมูลขนาดใหญ่ มาวิเคราะห์ และสร้างเป็นต้นแบบเอาไว้ จากนั้นจะส่งผลลัพธ์เป็นแนวทางปฏิบัติไปแสดงผลให้ผู้ปฏิบัติดำเนินการต่อไป ตัวอย่างโครงการ เช่น การติด IoT เพื่อวัดค่าปริมาณสารคงเหลือในคลัง เพื่อตัดสินใจสั่งซื้อสารจาก Supplier หรือ การติดตั้ง IoT เพื่อวิธีการหลอมแบบภายใต้สภาพแวดล้อมที่ไม่คงที่ เป็นต้น
3.การพยากรณ์รอบการผลิตที่ต่ำลง หรือ Preventive Accident
ในโรงงานการผลิต ที่ใช้เครื่องจักรอยู่ตลอดเวลา จะมีรอบการเกิดอุบัติเหตุ ทำให้จะมีแผนการซ่อมบำรุงเป็นค่ามาตรฐานเป็นค่าที่ทางบริษัทเครื่องมือได้กำหนดเอาไว้ ในความเป็นจริง อายุของเครื่องมือ สภาพแวดล้อม และอัตราการผลิต ต่างส่งผลให้เกิดอุบัติเหตุ หรือ อัตราการผลิตที่ลดต่ำลง แต่ละโรงงาน แม้จะซื้อเครื่องมือเดียวกัน จะเป็นไปได้ว่า รอบการผลิตที่เริ่มต่ำลง ที่จำเป็นจะต้องบำรุงรักษาระบบไม่พร้อมกัน ข้อมูลขนาดใหญ่ ทั้งจาก IoT จากระบบการผลิต และจากการเก็บลักษณะของการบำรุงรักษา จะสามารถนำมาสร้างเป็น Preventive Accident ได้ อย่างไรก็ตาม การจะสร้าง Model ประเภทนี้ อาจจะต้องรอให้มีข้อมูลที่มากพอ เพราะเป็นไปได้ว่า ปริมาณ Accident หรือ อุบัติเหตุที่เกิดขึ้นในระบบ จะเกิดขึ้นไม่บ่อยครั้ง จนไม่สามารถนำมาสร้างเป็นต้นแบบของเหตุผลในการเกิดแต่ละครั้งได้ (แนะนำว่า ควรจะต้องมีข้อมูลย้อนหลังอย่างน้อย 5 ปี)
3 ตัวอย่างที่นำเสนอ เป็นเพียงตัวอย่างอย่างงาน ที่หลายๆ โรงงาน หรือ หลายๆ องค์กรได้ทำสำเร็จเป็นที่เรียบร้อย ยังมีอีกหลายโครงการ ที่มีการพัฒนาขึ้นแบบเป็นเอกลักษณ์ หรือ Customized System ที่จะเหมาะกับการแก้ปัญหาเฉพาะที่ และไม่อาจจะนำไปแก้ปัญหาที่อื่นได้
การเป็น Data Driven Process คือ การที่ระบบดำเนินการไปเรื่อยๆ โดยมีข้อมูลไหลผ่าน และเกิดการประมวลผลอยู่ตลอดเวลา ซึ่งหากมีพฤติกรรมเปลี่ยนแปลงไป เกิดเป็นความผิดปกติทั้งในทางที่ดี หรือไม่ดี ระบบจะมีการกระทำ หรือมีการแจ้งเตือน เพื่อให้ผู้รับผิดชอบดำเนินการต่อไป โดยที่ไม่จำเป็นต้องมี “มนุษย์” หรือผู้รับผิดชอบ คอย Monitor ข้อมูลเหล่านั้น นอกจากจะเป็นการลดงานบางอย่างลงแล้ว ยังเป็นการนำข้อมูลมาใช้ให้เกิดประโยชน์ ได้ผลลัพธ์ที่มีประสิทธิภาพ และวัดผลได้จริงอีกด้วย
ข้อจำกัดหลัก คือ ความเข้าใจ เพราะอุตสาหกรรมการผลิต เป็นอุตสาหกรรมขนาดใหญ่ ทั้งในเรื่องของขนาดองร์กร ขนาดการผลิต ขนาดของข้อมูล และขนาดของการลงทุน ถ้าไม่เริ่มให้ถูกทางตั้งแต่แรก ก็จะยากที่จะเดินต่ออย่างถูกต้อง
การจะสร้าง Data Driven Process ให้เกิดขึ้นได้ในอุตสาหกรรมการผลิต จึงต้องใช้ข้อมูลขนาดใหญ่กว่าอุตสาหกรรมแบบปกติ จึงต้องมีการออกแบบ Infrastructure อย่างรัดกุม ถือว่าเป็นโครงการ Big Data ที่ท้าทายอย่างมาก และอาจจะต้องใช้เวลาในการดำเนินการ ทำให้ในการออกแบบโครงการ ควรออกแบบโครงการออกเป็นส่วนๆ หรือ Phase ย่อยๆ เพื่อมีจังหวะในการวัดผล และประเมินความเหมาะสมของเทคโนโลยี เนื่องจากในแต่ละช่วงเวลาจะมีเทคโนโลยีใหม่ๆ เกิดขึ้น ระบบที่เหมาะสม คือ ระบบที่ยืดหยุ่น และพร้อมต่อการเปลี่ยนแปลง เช่นเดียวกับ บุคลากร ที่จะต้องมีความรู้ทั้งในเชิงกว้าง และลึก ที่จะสามารถเข้าใจ Flow ของข้อมูลได้ตั้งแต่ต้นน้ำ จนถึงปลายน้ำ
สนใจโครงการออกแบบ Data Lake, Data Infrastructure, Data Model และดำเนินโครงการ Big Data อย่างเต็มรูปแบบ ติดต่อทีม Coraline ได้ที่ inquiry@coraline.co.th
Comments