ชไนเดอร์ อิเล็คทริค ถอดบทเรียน วิธีเปลี่ยนผ่านสู่ “Autonomous Operations”ในภาคอุตสาหกรรม ด้วย AI อย่างยั่งยืน

ชไนเดอร์ อิเล็คทริค (Schneider Electric) ผู้นำระดับโลกด้านเทคโนโลยีพลังงาน แชร์แนวทางการเปลี่ยนผ่านสู่ "Autonomous Operations" ชี้ในภาคอุตสาหกรรมไม่ใช่การพลิกโฉม แต่ต้องวางรากฐานข้อมูล เปลี่ยนความรู้สู่ระบบดิจิทัลอย่างมั่นคง แนะขับเคลื่อนอุตสาหกรรมด้วย AI บน “EcoStruxure™ Foxboro Software-Defined Automation”

ตลอดหลายปีที่ผ่านมา การยกระดับระบบอัตโนมัติเปรียบได้กับการติด GPS หรือเพิ่มกล้องเข้าไปในรถยนต์ แม้การอัปเกรดเหล่านี้จะช่วยเพิ่มประสิทธิภาพได้ในระดับหนึ่ง แต่ดูเหมือนกับการเพิ่มระบบนำทางที่ไม่สามารถเปลี่ยนรถยนต์คลาสสิกให้กลายเป็นรถยนต์ไร้คนขับได้ การปฏิบัติการแบบอัตโนมัติ (Autonomous operations) จึงจำเป็นต้องมีรากฐานที่แข็งแกร่งกว่านั้น

ข้อมูลที่มีบริบทและเน้นที่ตัวสินทรัพย์เป็นหลัก (Asset-centric) คือรากฐานที่ถูกจัดระเบียบอย่างเป็นระบบภายใต้โครงสร้างของโรงงานที่ชัดเจน สิ่งนี้เองที่ทำให้ระบบอัตโนมัติที่ขับเคลื่อนด้วย AI สามารถปรับขนาดและทำงานร่วมกันได้อย่างแท้จริง หากปราศจากโครงสร้างนี้ ระบบอัตโนมัติก็ไม่อาจก้าวข้ามข้อจำกัดของสถาปัตยกรรมเดิมได้

สำหรับภาพรวมของระบบอัตโนมัติทางอุตสาหกรรมในปัจจุบัน ปฏิเสธไม่ได้ว่า AI ได้เข้ามาช่วยให้วิศวกรทำงานได้รวดเร็วขึ้น ช่วยให้ผู้ปฏิบัติงานตัดสินใจบนพื้นฐานของข้อมูลได้ดีขึ้นและช่วยให้โรงงานปรับปรุงกระบวนการเฉพาะด้านให้เกิดประสิทธิภาพสูงสุด ทว่าเป้าหมายในระยะยาวที่แท้จริงคือ “การปฏิบัติการแบบอัตโนมัติ” คำถามสำคัญที่ตามมาคือจะก้าวจากจุดนี้ไปสู่เป้าหมายดังกล่าวได้อย่างไร โดยไม่ต้องละทิ้งระบบ ความรู้และเม็ดเงินลงทุนที่ได้ทุ่มเทไปแล้ว

ขณะที่คำตอบของโรงงานส่วนใหญ่จะไม่ใช่การก้าวกระโดดแบบพลิกฝ่ามือ แต่จะเป็นการค่อยๆ ก้าวไปทีละขั้นอย่างรอบคอบ โดยต่อยอดจากระบบ ความรู้และการลงทุนที่มีอยู่เดิม พร้อมกับค่อยๆ วางรากฐานเพื่อรองรับความเป็นอัตโนมัติที่จะเพิ่มขีดความสามารถขึ้นเมื่อเวลาผ่านไป

เตรียมพร้อมรับมือ AI ในอุตสาหกรรม ด้วยการแปลงความรู้ของโรงงานสู่ระบบดิจิทัล

สำหรับโรงงานเดิมที่เปิดดำเนินการมานาน (Brownfield) โอกาสแรกในการนำ AI มาใช้อาจดูไม่น่าตื่นเต้นนัก นั่นคือการนำสิ่งที่โรงงานมีองค์ความรู้อยู่แล้วมาแปลงเป็นดิจิทัล (Digitizing) เนื่องจากความรู้เกี่ยวกับกระบวนการต่างๆ มักกระจัดกระจายอยู่ในแบบแปลน รอยขีดเขียนแก้ไข คู่มือ บันทึกการปฏิบัติงานและประสบการณ์ส่วนตัวของพนักงาน เครื่องมือที่ขับเคลื่อนด้วย AI จะเข้ามาช่วยแปลงข้อมูลเหล่านี้ให้กลายเป็นข้อมูลดิจิทัลที่มีโครงสร้างชัดเจน โดยยังคงมีมนุษย์คอยตรวจสอบเพื่อช่วยตีความข้อมูลเฉพาะทางของโรงงานให้มีความถูกต้องและสอดคล้องกัน

แนวทางแบบระมัดระวังที่ยังคงให้มนุษย์คอยควบคุม (Human-in-the-loop) นี้ สะท้อนให้เห็นถึงเทรนด์ที่กว้างขึ้นของภาคอุตสาหกรรม ปัจจุบันมีการศึกษาและนำ Generative AI มาประยุกต์ใช้ในภาคการผลิตแล้ว ไม่ว่าจะเป็นการวิเคราะห์หาสาเหตุที่แท้จริงของปัญหา (Root-cause analysis) การแก้ไขปัญหาเบื้องต้น หรือการให้คำแนะนำในการปฏิบัติงาน อย่างไรก็ตาม ผู้ปฏิบัติงานที่เป็นมนุษย์ยังคงต้องมีส่วนร่วมอย่างใกล้ชิดในการใช้งานระบบเหล่านี้

เมื่อข้อมูลถูกจัดเรียงตามบริบทแล้ว ความรู้เหล่านั้นจะทวีความมีประโยชน์ขึ้นอย่างมหาศาล ตัวอย่างเช่น เมื่อเกิดสัญญาณเตือนภัย ผู้ปฏิบัติงานจะสามารถระบุอุปกรณ์ที่ได้รับผลกระทบ เรียกดูเอกสารที่เกี่ยวข้อง สำรวจสาเหตุที่เป็นไปได้ และพิจารณาแนวทางแก้ไขที่ระบบแนะนำได้ทันที โดยที่อำนาจในการตัดสินใจและการลงมือทำยังคงอยู่ที่ตัวผู้ปฏิบัติงาน

กระบวนการทั้งหมดนี้ต้องอาศัยข้อมูลที่เชื่อถือได้และผ่านการตรวจสอบแล้ว โมเดล AI จำเป็นต้องทำงานภายใต้ขอบเขตที่กำหนด โดยดึงข้อมูลจากองค์ความรู้ที่เชื่อถือได้ของโรงงาน ในขณะที่ผู้มีประสบการณ์จะทำหน้าที่ตรวจสอบและเสริมความแม่นยำให้กับผลลัพธ์ของโมเดล

นอกจากนี้ AI ยังช่วยรักษาความเชี่ยวชาญของบุคลากรไว้ได้ เมื่อวิศวกรและผู้ปฏิบัติงานระดับอาวุโสสอนให้เข้าใจโมเดลการทำงานของโรงงานและป้อนแนวทางปฏิบัติที่ดีที่สุดเข้าไป ก็เท่ากับว่าพวกเขาได้ถ่ายทอดความรู้เชิงปฏิบัติที่อาจสูญหายไปพร้อมกับการเกษียณอายุของพวกเขา

“ระบบอัตโนมัติที่ควบคุมด้วยซอฟต์แวร์” สร้างรากฐานให้ AI ในอุตสาหกรรมได้อย่างไร

การแปลงความรู้เดิมของโรงงานให้เป็นข้อมูลดิจิทัลที่เชื่อถือได้เป็นเพียงก้าวแรกที่สำคัญ ความท้าทายต่อไปคือการทำให้ข้อมูลเหล่านั้นสามารถเข้าถึงและนำไปใช้งานได้ตลอดทั้งวงจรชีวิตของระบบอัตโนมัติ เพื่อสนับสนุนตั้งแต่งานวิศวกรรม การปฏิบัติการ การบำรุงรักษา ไปจนถึงการจัดการระบบ

EcoStruxure™ Foxboro Software-Defined Automation (SDA) หรือระบบอัตโนมัติที่ควบคุมด้วยซอฟต์แวร์ ได้ขยายแนวทางแบบให้มนุษย์คอยควบคุมนี้ ให้ก้าวไกลไปกว่าแค่การรวบรวมข้อมูล โดยต่อยอดไปสู่ขั้นตอนการสั่งการระบบอัตโนมัติ สถาปัตยกรรมแบบเปิดที่ควบคุมด้วยซอฟต์แวร์ซึ่งต่อยอดมาจาก EcoStruxure Automation Expert นี้ จะช่วยเชื่อมโยงข้อมูลทางวิศวกรรมและการปฏิบัติการเข้าด้วยกันตลอดวงจรชีวิต ซึ่งเป็นการสร้างบริบทที่ AI จำเป็นต้องใช้เพื่อส่งมอบผลลัพธ์ที่มีความหมาย

ในสภาพแวดล้อมของระบบอัตโนมัติแบบเดิม ความรู้ที่สำคัญมักกระจัดกระจายอยู่ตามเครื่องมือทางวิศวกรรม เอกสาร แอปพลิเคชันควบคุม และตัวผู้เชี่ยวชาญแต่ละคน ระบบอัตโนมัติที่ควบคุมด้วยซอฟต์แวร์จะเข้ามาช่วยทลายกำแพงไซโลเหล่านี้ ทำให้ AI สามารถมองเห็นภาพรวมข้อมูลของโรงงานได้สมบูรณ์ยิ่งขึ้น โดยที่วิศวกรและผู้ปฏิบัติงานยังคงเป็นผู้กุมอำนาจในการตัดสินใจ ซึ่งความสามารถบางส่วนที่กล่าวมานี้สามารถนำมาใช้งานจริงได้แล้วในปัจจุบัน

ตัวอย่างเช่น AI สามารถดึงข้อมูลจากแบบแปลนระบบท่อและอุปกรณ์วัดคุมแบบดิจิทัล แผนผังการไหลของกระบวนการทำงาน รวมถึงข้อมูลเหตุและผล เพื่อช่วยร่างแอปพลิเคชันควบคุมเบื้องต้นขึ้นมา จากนั้นวิศวกรจึงค่อยทำการตรวจสอบ ยืนยัน และปรับแต่งผลลัพธ์โดยอิงตามแนวทางปฏิบัติที่ลูกค้าต้องการ ไม่ว่าจะเป็นการตั้งค่าปั๊ม เครื่องปฏิกรณ์ เครื่องแลกเปลี่ยนความร้อน และสินทรัพย์อื่นๆ

นอกจากนี้ AI ยังสามารถตรวจสอบตรรกะของแอปพลิเคชันที่มีอยู่เดิม และค้นหาช่องทางในการปรับปรุงประสิทธิภาพและการบำรุงรักษา ตัวอย่างเช่น ฟังก์ชันบล็อกบางตัวอาจมีความซับซ้อนเกินจำเป็นหรือใช้เวลาประมวลผลนานกว่าที่ควร การนำลอจิกนั้นมาแบ่งการทำงานออกเป็นฟังก์ชันย่อยๆ ที่เป็นอิสระต่อกันจะช่วยเพิ่มประสิทธิภาพความเร็วในการประมวลผลและลดภาระในการบำรุงรักษาระยะยาว

วัตถุประสงค์หลักไม่ได้ต้องการนำมา "แทนที่วิศวกร" แต่การลดเวลาที่ต้องเสียไปกับการคัดลอกข้อมูล ค้นหาเอกสาร หรือทำงานซ้ำซ้อน จะช่วยให้วิศวกรมีเวลาโฟกัสกับการตัดสินใจด้านการออกแบบ การปรับปรุงการทำงาน และการนำความเชี่ยวชาญเฉพาะตัวมาประยุกต์ใช้ได้อย่างเต็มศักยภาพมากขึ้น

จากคำแนะนำของ AI สู่การยกระดับกระบวนการให้เกิดประสิทธิภาพสูงสุด (Process Optimization)

ข้อมูลในอดีตอาจบอกเราได้ว่าเกิดอะไรขึ้น แต่มักไม่สามารถบอกเหตุผลได้เสมอไป ดังนั้นการสร้างโมเดลที่มีประโยชน์สำหรับโรงงานเดิมจึงอาจต้องอาศัยบันทึกการปฏิบัติงานหรือข้อมูลอื่นๆ ประกอบ เพื่อให้เห็นว่าการแทรกแซงของมนุษย์ในรูปแบบใดที่ส่งผลให้เกิดผลลัพธ์เหล่านั้น

เมื่อทีมงานมีโมเดลที่มีประสิทธิภาพเพียงพอแล้ว ทีมสามารถนำไปใช้งานแบบออฟไลน์และประยุกต์ใช้การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) โดยการกำหนดผลลัพธ์ที่ต้องการ เช่น ปริมาณงาน คุณภาพ ประสิทธิภาพพลังงานหรือการลดความแปรปรวน พร้อมระบุข้อจำกัดในการทำงาน โมเดลจะสามารถสำรวจกลยุทธ์ใหม่ๆ ได้โดยไม่ต้องเสี่ยงทดลองกับโรงงานที่กำลังเดินเครื่องอยู่จริง

ในห้องปฏิบัติการของชไนเดอร์ อิเล็คทริค ที่เมืองฟ็อกซ์โบโร รัฐแมสซาชูเซตส์ ทีมวิศวกรได้ทดลองใช้การเรียนรู้แบบเสริมกำลังกับกระบวนการถังระบบปิด (Closed-loop) แบบง่ายๆ และพบว่าระบบสามารถควบคุมความแปรปรวนได้แคบกว่าระบบลูป PID ที่ปรับแต่งแบบดั้งเดิม แม้ว่าเป็นเพียงตัวอย่างในระดับห้องปฏิบัติการ และไม่ใช่กรณีที่จะนำมาแทนที่ระบบควบคุมแบบ PID ทั้งหมด แต่แสดงให้เห็นถึงศักยภาพในการทำงานให้เข้าใกล้จุดที่เหมาะสมที่สุดในขณะที่ระบบความปลอดภัยอิสระก็ยังคงทำหน้าที่เป็นปราการด่านสำคัญต่อไป

สร้างการปฏิบัติการที่เป็นอัตโนมัติและยืดหยุ่นต่อสถานการณ์

การปรับปรุงกระบวนการให้เกิดประสิทธิภาพสูงสุด เป็นเพียงเสี้ยวหนึ่งของการเดินทางสู่ความเป็นอัตโนมัติเท่านั้น เพื่อก้าวไปสู่การปฏิบัติการแบบอัตโนมัติ ระบบอัตโนมัติเองจะต้องมีความยืดหยุ่นและมีขีดความสามารถในการรับมือกับปัญหาขัดข้องที่เกิดขึ้นเป็นประจำได้ดีขึ้นเรื่อยๆ

ตัวอย่างเช่น การหลีกเลี่ยงการหยุดชะงักในระบบที่ต้องการความพร้อมใช้งานสูง (High availability) จะใช้การจัดการระบบแบบรวมศูนย์ (Orchestration) เพื่อตอบสนองต่อเหตุการณ์ที่คอนโทรลเลอร์ทำงานล้มเหลว โดยระบบจะทำการย้ายภาระงานควบคุมไปยังฮาร์ดแวร์ตัวอื่นที่พร้อมใช้งานแทน พร้อมกู้คืนระบบสำรอง (Redundancy) โดยอาศัยการแทรกแซงจากมนุษย์ให้น้อยลง สิ่งนี้นำเสนอแนวคิด “ระบบที่สามารถช่วยดูแลรักษาตัวเองได้” เป็นอีกก้าวสำคัญสู่วิสัยทัศน์ระบบอัตโนมัติแบบไร้การสัมผัส (Zero-touch automation) ในวงกว้าง

อย่างไรก็ตาม คำว่า “Toward” คือหัวใจสำคัญ ภาคอุตสาหกรรมไม่ได้จะปล่อยให้ AI เข้ามาควบคุมระบบทั้งหมดในทันที แต่คือการ ทำให้เกิดขึ้น ไปสู่การเปลี่ยนแปลง ชไนเดอร์ อิเล็คทริค กำลังอยู่ในช่วงของการค่อยๆ พัฒนาขีดความสามารถ ทดสอบการทำงาน เรียนรู้ว่า AI จะช่วยเพิ่มมูลค่าได้ในจุดไหน รวมถึงสร้างความมั่นใจว่า AI จะสามารถทำงานได้อย่างเสถียรและเชื่อถือได้

แนวทางปฏิบัติสำหรับ AI ในภาคอุตสาหกรรม

สำหรับลูกค้าที่สนใจสำรวจขีดความสามารถของ AI ก้าวแรกที่มีประโยชน์มักจะเป็นการนำองค์กรเข้าสู่กระบวนการพลิกโฉมด้วยดิจิทัล (Digital Transformation) แทนที่จะเริ่มตั้งต้นจากตัวเทคโนโลยี ควรเริ่มต้นด้วยการทำความเข้าใจก่อนว่าเทคโนโลยีนี้จะช่วยสร้างมูลค่าที่วัดผลได้ในจุดใด

ระบุอุปสรรคหรือโอกาส: ค้นหาว่าปัญหาด้านการปฏิบัติงานใดที่คุณพยายามแก้ไข หรือมีจุดใดที่ความอัจฉริยะสามารถเข้าไปช่วยเพิ่มประสิทธิภาพได้ทำความเข้าใจข้อมูลที่มีอยู่: ทบทวนข้อมูลกระบวนการ เอกสาร องค์ความรู้ของผู้ปฏิบัติงาน และคุณภาพของข้อมูลที่มีอยู่ในปัจจุบัน เพื่อพิจารณาว่ามีสิ่งใดบ้างที่สามารถรองรับกรณีการใช้งานนั้นๆ ได้

จับคู่กรณีการใช้งานให้เข้ากับสถาปัตยกรรมระบบ: ประเมินว่าสภาพแวดล้อมของระบบอัตโนมัติในปัจจุบันสามารถรองรับอะไรได้บ้าง และเลือกระบุแอปพลิเคชันเป้าหมายที่ AI จะเข้าไปเพิ่มมูลค่าได้ โดยไม่ต้องก้าวกระโดดไปสู่ระบบอัตโนมัติเต็มรูปแบบในทันที

กำหนดผลตอบแทนที่คาดหวัง: ทำความเข้าใจถึงมูลค่าที่คาดว่าจะได้รับ ทั้งในมุมของการปฏิบัติงานและตัวเลขทางการเงิน ก่อนที่จะตัดสินใจลงทุนกับฮาร์ดแวร์ ซอฟต์แวร์ หรือการนำระบบไปใช้งานในสเกลที่กว้างขึ้น

ลูกค้าสามารถเริ่มต้นโปรเจ็กต์จากขนาดเล็กๆ สะสมประสบการณ์ วัดผลลัพธ์และต่อยอดการลงทุนที่ประสบความสำเร็จไปพร้อมๆ กับการพัฒนาสถาปัตยกรรมระบบอัตโนมัติขององค์กร

เริ่มต้นจากมูลค่า สร้างข้อมูลที่เชื่อถือได้ ให้มนุษย์มีส่วนร่วมและเพิ่มขีดความสามารถอย่างตั้งใจ จากนั้นปล่อยให้เกิดหลักฐานเชิงประจักษ์ที่ไม่ใช่แค่ความกระตือรือร้นเพื่อเป็นตัวตัดสินว่า ถึงเวลาที่เหมาะสมควรในการปล่อยมืออีกข้างออกจากพวงมาลัยเพื่อก้าวสู่ความเป็นอัตโนมัติที่มากขึ้น

ก้าวสู่การปฏิบัติการที่ขับเคลื่อนด้วย AI

การสร้างรากฐานสำหรับ AI ในภาคอุตสาหกรรม เริ่มต้นด้วยการเชื่อมโยงข้อมูลทางวิศวกรรมและการปฏิบัติการเข้าด้วยกันตลอดวงจรชีวิตของระบบอัตโนมัติ

EcoStruxure Foxboro SDA หรือระบบอัตโนมัติที่ควบคุมด้วยซอฟต์แวร์ ช่วยสร้างสภาพแวดล้อมที่จัดเรียงบริบทและควบคุมด้วยซอฟต์แวร์ได้อย่างไร ซึ่งสิ่งเหล่านี้จำเป็นอย่างยิ่งต่อการรองรับงานวิศวกรรมที่ขับเคลื่อนด้วย AI การปรับปรุงกระบวนการให้เหมาะสมที่สุด และก้าวสู่การปฏิบัติการแบบอัตโนมัติอย่างเต็มรูปแบบ