Deep Learning เป็นเทคโนโลยีที่ต่อยอดความสามารถของระบบอัตโนมัติหรือเทคโนโลยี 4.0 ให้กลายเป็นการทำงานอัตโนมัติที่สมบูรณ์แบบได้ด้วยการใช้งานปัญญาประดิษฐ์หรือ AI ที่จะเปลี่ยนโฉมการทำงานและศักยภาพการแข่งขันได้อย่างเด็ดขาด แต่ก่อนที่จะลงทุนเกี่ยวกับ Deep Learning นั้นคุณจะต้องรู้อะไรบ้าง?
จากเอกสาร ‘Getting started with a deep learning factory automation project’ ซึ่งถูกเผยแพร่โดย COGNEX ผู้ผลิตกล้องตรวจจับในงานอุตสาหกรรมอันดับต้น ๆ ของวงการ บอกเล่าถึงข้อได้เปรียบจากการใช้งาน Deep Learning หลายประการ อาทิ การตรวจสอบพื้นผิว การจัดเรียงชิ้นส่วน การตรวจสอบการประกอบขั้นสุดท้าย การจัดเกรดผลิตภัณฑ์ รวมไปถึงการอ่านข้อความที่มีความท้าทาย ซึ่งการใช้งาน Deep Learning สำหรับงานระบบตรวจจับภาพสามารถเปิดโอกาสการใช้งานได้หลากหลาย
ทำไมต้อง Deep Learning?
ระบบตรวจจับภาพทั่วไปที่มีการทำงานตามเงื่อนไขหรือ Rule-based นั้นมีการทำงานที่น่าเชื่อถือและมีความสม่ำเสมอตามมาตรฐาน มักใช้ในการตรวจสอบว่ามีชิ้นส่วนอยู่หรือไม่? ชิ้นส่วนนั้น ๆ มีความคล้ายคลึงกับชิ้นส่วนอื่น ๆ ไหม หรือหุ่นยนต์จะต้องหยิบชิ้นส่วนที่กำหนดไปไว้ตรงไหน ซึ่งเป็นกิจกรรมการผลิตที่สามารถติดตั้งระบบได้ง่ายภายใต้สภาพแวดล้อมปิดหรือสภาพแวดล้อมที่ถูกควบคุมเป็นอย่างดี เหมาะกับการทำงานที่ใช้ความเร็วสูงไม่ว่าจะเป็นการใช้นำร่องการเคลื่อนไหว การตรวจสอบ การตรวจวัดระดับซึ่งมีความแม่นยำสูง แต่คุณแน่ใจไหมว่าสิ่งที่ตรวจจับได้เหล่านี้นั้นจะถูกตรวจวัดได้อย่างละเอียดแลกชัดเจนเหมือนกับที่ใช้แรงงานตรวจความเรียบร้อยทั้งหมด
การใช้งาน Deep Learning คล้ายคลึงกับการใช้งานมนุษย์ มันจำเป็นจะต้องใช้การนผ่านตัวอย่างที่ถูกหยิบยกขึ้นมาเพื่อให้วิเคราะห์ถึงความผิดพลาดและความแตกต่าง เพื่อระบุคุณค่าที่ต้องการได้อย่างชัดแจ้ง ซึ่งสามารถสอนผ่านการยกตัวอย่างรูปภาพที่ดี และการยกตัวอย่างรูปภาพที่แสดงให้เห็นข้อบกพร่อง ซึ่งต้องใช้การสอนผ่านตัวอย่างจำนวนมาก คล้ายกับการเรียนรู้ของคนในการสังเกตและคัดเลือกมาตรฐาน ซึ่งหลักการเหล่านี้จะทำให้เกิดคุณภาพการตรวจสอบที่มีมากยิ่งขึ้น เช่น การตรวจสอบรอยขีดข่วนบนชิ้นส่วนหน้าจอที่การตรวจสอบทั่วไปอาจถูกมองข้าม ซึ่งการใช้ Deep Learning เครื่องจักรสามารถประเมินได้ว่ารอยขนดาไหนอย่างไรที่สมควรคัดออกเป็นของเสีย เป็นต้น
ข้อดีของ Deep Learning นั้นสามารถยกระดับศักยภาพของระบบอัตโนมัติได้อย่างชัดเจน ด้วยการลดต้นทุนค่าใช้จ่าย เพิ่มศักยภาพของกระบวนการ สามารถทำการตวจสอบที่มีความซับซ้อนและไม่แน่นอนได้ดียิ่งขึ้น โดยเฉพาะการทำงานที่ไม่สามารถใชะระบบ Rule-based ได้ แต่เดี๋ยวก่อน! การใช้งานเทคโนโลยีใหม่ ๆ นั้นไม่ได้หมายถึงว่าจะเกิดสิ่งดี ๆ ขึ้นอย่างแน่นอนแต่การนำเทคโนโลยีที่ถูกต้องและเหมาะสมกับโรงงานต่างหากจึงจะเป็นการเพิ่มศักยภาพ ไม่อย่างนั้นแล้วสิ่งที่เกิดขึ้นอาจเป็นเพียงการซื้อเครื่องมือมาทำลายธุรกิจเดิมที่มีอยู่
5 ปัจจัยหลักที่ต้องรู้ก่อนลงทุน Deep Learning
มันไม่มีรูปแบบที่ตายตัวสำหรับการลงทุนหรือปรับแต่งใด ๆ สิ่งที่คุณต้องมองหาก็เหมือนกับเสื้อผ้าที่เหมาะสมกับตัวคุณเอง ดังนั้นเพื่อให้สามารถเข้าใจว่าคุณอยากจะลงทุนอะไร และ Deep Learning เกี่ยวข้องแค่ไหน เรามาดูกันครับว่า COGNEX ได้เสนอแนวคิดพื้นฐาน 5 ข้อเพื่อช่วยคุณตัดสินใจได้ดียิ่งขึ้น
1. มีความคาดหวังที่ถูกต้อง
คุณต้องเข้าใจก่อนว่า Deep Learning นั้นเป็นการเรียนรู้ผ่านคลังภาพจำนวนมากเพื่อให้สามารถระบุสิ่งที่คุณต้องการได้อย่างชัดเจน เช่น แบบไหนที่คุณเรียกว่าชิ้นส่วนที่ดี แบบไหนที่คุณจะเรียกว่าเป็นชิ้นส่วนที่ไร้คุณภาพ มันเป็นการใช้ประโยชน์จากความสามารถในการตัดสินใจของมนุษย์ผสานเข้ากับเครื่องจักรที่รับภาพได้อย่างเป็นเอกเทศและทำงานในจำนวนมากได้ นั่นหมายความว่ามันต้องการ ‘การเรียนรู้’ ที่ดีมีประสิทธิภาพ
ภาพที่ถูกใช้ในการสอนเหล่านี้ต้องมีการให้เกรดและระบุให้ชัดเจนว่าสิ่งที่ตรวจจับได้นั้นเป็นมาตรฐานที่ผ่านหรือไม่ และสิ่งที่ตรวจจับได้นั้นถูกเรียกว่าอะไร เช่น รอยสึกหรอ รอยไหม้ รอยสนิม รอยขีดข่วน อย่าคิดเพียงว่าเมื่อลงทุนแล้วจะออกดอกออกผลทันที แต่การลงทุนกับ Deep Learning นั้นจะให้ผลดีในระยะยาวขึ้นอยู่กับตัวอย่างและการสอนข้อมูลเป็นหลัก
2. เข้าใจ ROI
Deep Learning ทำอะไรให้ได้บ้าง? นี่เป็นคำถามที่หลายคนคงคิดอยู่แน่ ๆ ถ้าจะให้ภาพของคำถามนั้นชัดเจน คือ ลงทุนแล้วจะได้อะไรกลับมา? ถ้าให้ตอบตามจริงเลย คือ การลดต้นทุนค่าใช้จ่ายในขณะที่ยังใช้อุปกรณ์เดิม ๆ ที่มีอยู่ หรือเรียกได้ว่าเป็นการยกระดับกระบวนการเดิมเสียมากกว่า ภาพรวมทั้งหมดที่เกิดขึ้นหลังการลงทุนนั่นแหละ คือ ROI ที่ชัดเจนที่สุด ในกรณีนี้จึงต้องแบ่งออกเป็นสองส่วนให้พิจารณา ได้แก่
ROI ทางตรง การเปรียบเทียบ Deep Learning กับระบบเดิมที่ใช้กันอยู่ไม่ว่าจะเป็นต้นทุนด้านซอฟต์แวร์ ฮาร์ดแวร์ ไปจนถึงต้นทุนด้านระยะเวลาในการพัฒนาไปจนถึงค่าใช้จ่าย เช่น ค่าใช้จ่ายสำหรับชุดคลังข้อมูลภาพ ต้นทุนแรงงาน หรือการวฝึกฝนเป็นต้น
ROI ทางอ้อม เป็นการวัดผลที่มองไปให้ไกลกว่าตัวเงิน แม้ว่าในบางกรณีอาจไม่สามารถวัดผลที่คาดหวังได้อย่างชัดเจนแต่ยังถือเป็นสิ่งสำคัญที่ต้องพิจารณา ตัวอย่างผลลัพธ์เหล่านั้น ได้แก่ Traceability หรือความสามารถในการติดตามข้อมูลที่เกิดขึ้น การพัฒนาอย่างต่อเนื่อง การควบคุมขั้นตอนกระบวนการต้นน้ำและการวิเคราะห์ต่าง ๆ ซึ่งจำเป็นอย่างยิ่งสำหรับระบบอัตโนมัติในโรงงานและ Digital Transformation
3. การวางแผนทรัพยากรและความต้องการ
ในการใช้งาน Deep Learning มี 4 ปัจจัยที่ต้องมีการดำเนินการเป็นหลักซึ่งแรงงานหนึ่งคนอาจรับผิดชอบมากกว่าหนึ่งหัวข้อก็เป็นได้ โดยปัจจัยเหล่านี้ได้แก่
- Vision Developer ทำหน้าที่ปรับแต่งโซลูชันสำหรับวิเคราะห์ภาพของ Deep Learning ซึ่งรวมถึงการจัดการแสงไฟ-ความสว่าง และรูปแบบประเภทของภาพที่จะนำมาใช้
- Image Labeler กระบวนการตอบสนองปฏิสัมพันธ์กับข้อมูลรูปที่ได้มา้ะื่อระบุจุดที่มีความผิดพลาด หรือจุดที่มีความน่าสนใจ การ Label นั้นต้องมีความแม่นยำและใส่ใจในรายละเอียดสูง ซึ่งทุกรูปที่ใช้ในการฝึกฝนต้องทำการตรวจสอบและ Label ให้ชัดเจนทั้งหมด มันเป็นทำงานกับข้อมูลภาพจำนวนมหาศาลผู้ที่รับหน้าที่นี้อาจเป็นหนึ่งในตำแหน่งอื่นที่เกี่ยวข้องเว้นแต่ Quality Expert ซึ่งต้องทำงานหนักเช่นเดียวกันอยู่แล้ว
- Quality Expert ทำหน้าที่วิเคราะห์ภาพและให้เกรด ต้องลงลึกไปในรายละเอียดของข้อมูลที่เกิดขึ้น ผ่าน/ไม่ผ่าน ประเภทของความเสียหายที่เกิดขึ้น ความสำคัญของการทำงานในส่วนนี้นั้นเป็นสิ่งที่ไม่ควรถูกประเมินคุณค่าต่ำ เพราะนี่คือพื้นฐานสำคัญสำหรับ Deep Learning ในการที่จะทำงานได้อย่างชัดเจนและให้เกรดของภาพที่ถูกฝึกมาจากระบบได้อย่างแม่นยำ
- Data Collector ทำหน้าที่บันทึกและบริหารจัดการข้อมูลทั้งหมด ไม่ว่าจะเป็นภาพ เกรด Label และ Metadata ทั้งหลาย ทำการเพิ่มประสิทิภาพของระบบด้วยการทดสอบกับชุดข้อมูลที่ได้ ผู้เก็บข้อมูลยังทำหน้าที่บันทึกการตัดสินใจของผู้ตรวจสอบหากเกิดการตรวจสอบด้วยแรงงานขึ้นมาเพื่อให้ได้ชุดข้อมูลที่ตรงกัน
4. เริ่มต้นโครงการนำร่องขนาดเล็ก
การประยุกต์เทคโนโลยีใหม่เข้ากับระบบสามารถใช้การทำงานที่ยากและซับซ้อนที่สุดที่คิดขึ้นมาก็ได้ ถ้า Deep Learning ทำสำเร็จผู้จัดการด้านระบบอัตโนมัติอาจคิดว่าอะไรก็เป็นไปได้แล้วทีนี้ และนี่เองทำให้บริษัทที่คิดแบบนี้ต้องเจอกับความทุกข์ทนและความล่าช้าเพราะไม่รู้จะทำอะไรกับเทคโนโลยี Deep Learning
ทางที่ดีเริ่มต้นแบบเล็ก ๆ ทำโครงการที่มีผลตอบรับที่ชัดเจนและสามารถแก้ไขปัญหาได้ง่ายคล้ายกับ Rule-based ก็ได้แต่อย่าให้มันยากเกินไปจนสถานการณ์เหล่านั้นไม่อาจเกิดขึ้นได้จริงในสายการผลิต ให้ความสำคัญกับความต้องการหลักและพัฒนาหัวใจนั้นขึ้นมาภายใต้ความเข้าใจถึงความสามารถและข้อจำกัดของ Deep Learning ภายใต้สภาวะของระบบอัตโนมัติสำหรับโรงงาน
โครงการนำร่องนั้นควรมีสองเป้าหมายหลัก ได้แก่
- ประเมินความหลากหลายในการใช้งานสำหรับยุทธศาสตร์ระบบอัตโนมัติในภาพรวม
- ทำให้ระบบตรวจสอบหรือกระบวนการยืนยันที่ยังไม่เรียบร้อยหรือทำการดำเนินการด้วยแรงงานให้เป็นระบบอัตโนมัติทั้งหมด
ถ้ายังคิดไม่ออกว่าจะเริ่มตรงไหน 2 ตำแหน่งสุดฮิตที่นิยมทำโครงการนำร่อง คือ ปลายสายการผลิตซึ่งเป็นขั้นตอนการตรวจสอบคุณภาพและการตรวจสอบยืนยันที่เกิดขึ้นในสายการประกอบ
5. กำหนดขั้นตอนการทำงานในแต่ละขั้นตอนของโครงการให้ชัดเจน
โครงการ Deep Learning สามารถแบ่งขั้นตอนออกเป็น 4 ช่วง ได้แก่
A. การทำต้นแบบ
- การทำความเข้าใจกระบวนการและการประเมินว่า Deep Learning นั้นสามารถเป็นผู้ช่วยแก้ไขสถานการณ์ได้ดีขึ้นหรือไม่
- ทำฐานข้อมูลเล็กน้อยสำหรับเกรดภาพและ Label
- สร้างเงื่อนไขสำหรับยืนยันแนวคิดของระบบเพื่อทดสอบแนวคิดว่าใช้ได้หรือไม่
B. การเก็บข้อมูลภาพ
- ทำการผสมผสานการใช้งานกล้องและระบบแสงสว่างในสายการผลิตเข้าด้วยกัน
- เก็บและบริหารจัดการข้อมูลให้เป็นระบบและทำการตรวจผลการตรวจสอบด้วยมนุษย์
- Optimize และ Label ชุดข้อมูลรูปอย่างสม่ำเสมอ
C. Optimization
- ถือเป็นขั้นตอนที่ใช้เวลามากที่สุด ด้วยการยกระดับโซลูชันของ Deep Learning ให้สามารถทำงานได้ตรงกับศักยภาพเป้าหมายที่ต้องการ
- เปรียบเทียบผลของการทำงานของ Deep Learning กับผลการทำงานตามมาตรฐานเดิมและการทำงานแบบ Manual
- ปรับแต่งระบบและทำการฝึกฝนอีกครั้งตามความต้องการ
D. การประเมินและการติดตั้งใช้งานจริง
- ประเมินคุณภาพของโซลูชันและเริ่มต้นใช้งานในกระบวนการผลิต
- ผ่านการยอมรับในการทดสอบมาตรฐานของโรงงานและทำการล็อคค่าที่ตั้งไว้
- ประยุกต์เข้ากับสายการผลิตและขยายผลไปยังสายการผลิตที่เกี่ยวข้อง
- เตรียมความพร้อมสหรับการเปลี่ยนแปลงในอนาคตและติดตามการทำงานอย่างต่อเนื่อง รวมถึงทำการยกระดับกระบวนการ
ท้ายที่สุดแล้วก่อนการลงทุน Deep Learning หรือการประยุกต์ใช้เทคโนโลยีใหม่ ๆ ต้องเริ่มต้นที่การทำความเข้าใจในเทคโนโลยีเหล่านั้นเสียก่อนเพื่อทำให้สามารถมองเห็นถึงแนวทางการใช้งานและการสร้างประโยชน์ในอนาคต การมีความเข้าใจและวิสัยทัศน์ที่แข็งแรงสามารถทำให้วางแผนการประเมินผลตอบแทนและความคุ้มค่าได้อย่างมีประสิทธิภาพ
ที่มา:
COGNEX
