AI For IE

🤝 รวม 20 Prompt ใช้ ChatGPT ช่วยงาน Autonomous Maintenance
สำหรับ Operator / Maintenance / Production / Supervisor / TPM Team กันครับ

Prompt คำสั่งอยู่ใน Comment

💥Case Study: ใช้ AI Vision ตรวจว่า Operator ทำงานตาม Standard Work ใน Cell หรือไม่💥

Pain Point ก่อน Improve
ในงานประกอบแบบ Cell บางขั้นตอนดูเหมือนง่ายครับ เช่น หยิบชิ้นงาน → ใส่ Jig → ขันน็อต → ตรวจ Torque → ติด Mark → วาง Output แต่พอหน้างานจริงมีงานเร่ง เปลี่ยนกะ คนใหม่เข้าไลน์ หรือมี WIP รออยู่ข้างหน้า ขั้นตอนเล็ก ๆ บางอย่างก็มีโอกาสหลุดได้ โดยเฉพาะ Step สำคัญอย่าง Torque Check หรือ Marking หลังตรวจผ่าน

ปัญหาคือหัวหน้าไลน์หรือ QC ไม่สามารถยืนดูได้ทุก Cycle ส่วนการสุ่มตรวจบางครั้งก็เจอไม่ครบทุกเหตุการณ์ พองานหลุดไปถึงปลายทางแล้วค่อยย้อนกล้อง ก็ใช้เวลานาน และบางครั้งก็ยังตอบไม่ได้ชัดว่า “หลุดที่ Step ไหน” หรือ “เกิดซ้ำบ่อยแค่ไหน”

แนวทางที่นำ AI มาช่วย
เคสนี้เลยลองใช้ AI Vision จากกล้องหน้างานมาช่วยดูว่า Operator ทำงานตามลำดับ Standard Work หรือไม่ โดยให้ระบบช่วยตรวจจับ Step สำคัญในแต่ละ Cycle เช่น มีการใส่ Jig หรือยัง มีการหยิบ Torque Tool หรือไม่ มีการตรวจ Torque ก่อนวาง Output หรือเปล่า ถ้าพบว่ามี Step ที่หายไปหรือทำผิดลำดับ ระบบจะ Flag ให้หัวหน้าไลน์หรือทีม QC ตรวจสอบต่อ

หลัง Improve
สิ่งที่ดีขึ้นคือทีมเริ่มเห็นปัญหาเร็วขึ้น ไม่ต้องรอให้ของเสียหลุดไปปลายทางก่อน แล้วค่อยมานั่งไล่กล้องย้อนหลัง AI ช่วยชี้ให้เห็นว่า Step ไหนมีโอกาสหลุดบ่อย ช่วงเวลาไหนเสี่ยง หรือ Station ไหนควรเข้าไปดูหน้างานเพิ่ม

ผลลัพธ์ที่ได้ไม่ใช่แค่การจับผิดคนครับ แต่ช่วยให้ทีมปรับระบบงานได้ดีขึ้น เช่น ปรับตำแหน่ง Tool ให้อยู่ใกล้มือขึ้น ทำ Visual Control ให้ชัดขึ้น แยกถาด Before / After Check ให้ดูง่ายขึ้น และใช้ข้อมูลจาก AI มาช่วย Training พนักงานใหม่ให้เข้าใจ Standard Work ได้เร็วกว่าเดิม

เคสนี้ AI Vision จะมีประโยชน์มาก ถ้าเราใช้เพื่อช่วยให้คนทำงานถูกได้ง่ายขึ้น ไม่ใช่ใช้เพื่อเพิ่มความกดดันให้หน้างาน เพราะสุดท้ายเป้าหมายไม่ใช่การหาว่าใครผิด แต่คือการทำให้ Standard Work เกิดขึ้นจริงในทุก ๆ Cycle ครับ

🛠️ รวม 20 Prompt ใช้ ChatGPT ช่วยงาน TPM
สำหรับ Maintenance / Production / IE / Supervisor / Manager กันครับ

Prompt คำสั่งอยู่ใน Comment

💥Case Study: ใช้ AI ช่วยจัด Manpower ใน U-Shape Line ตาม Takt Time ที่เปลี่ยนทุกวัน 💥

Pain Point ที่เจอบ่อยใน U-Shape Line คือ แต่ละวันหน้างานไม่เหมือนกันเลยครับ บางวัน Order เยอะ บางวัน Order น้อย บางวันคนครบ บางวันคนลา บางวัน Model ง่าย บางวัน Model ยาก แต่การจัดคนยังใช้วิธีเดิม ๆ คือดูจากประสบการณ์ของหัวหน้าไลน์เป็นหลักว่า “วันนี้น่าจะใช้ 3 คน / 4 คน / 5 คน”

ปัญหาคือ พอ Takt Time เปลี่ยน แต่ Manpower ไม่ได้ปรับตาม ไลน์ก็เริ่มเสียจังหวะ บาง Station งานล้น บาง Station คนรอ บางคนเดินช่วยหลายจุดจนเหนื่อย แต่ Output ก็ยังไม่ถึงเป้า สุดท้ายตอนเย็นต้องเปิด OT หรือไม่ก็ไปเร่งท้ายกะ ซึ่งคนหน้างานเหนื่อย และหัวหน้าไลน์ก็ต้องตอบ KPI ใน Morning Meeting อีก

เคสนี้เลยลองเอา AI มาช่วยดูข้อมูลก่อนเริ่มกะ เช่น Plan Qty, Available Time, Takt Time, Cycle Time แต่ละ Station, Skill Matrix ของพนักงาน, คนที่มาทำงานจริง และ Model ที่จะผลิต จากนั้นให้ AI ช่วยจำลองว่า วันนี้ควรใช้กี่คนใน Cell และแต่ละคนควรรับผิดชอบ Station ไหน ถึงจะบาลานซ์กับ Takt Time มากที่สุด

หลัง Improve สิ่งที่เปลี่ยนชัดคือ การจัดคนเริ่มมีเหตุผลมากขึ้น ไม่ได้ใช้ความรู้สึกอย่างเดียว เช่น ถ้า Takt Time บีบมาก AI แนะนำใช้ 5 คนพร้อมแบ่งงานใหม่ ถ้า Takt Time ปานกลาง ใช้ 4 คนแต่ต้องให้คนที่ Skill สูงคุม Station เสี่ยง ถ้า Order น้อย ใช้ 3 คนได้ แต่ต้องเตรียม Part Feeding ให้พร้อม ไม่อย่างนั้นคนจะเดินช่วยกันจนไลน์สะดุด

ผลที่ได้ไม่ใช่แค่ลด OT แต่ช่วยให้ไลน์นิ่งขึ้น คนไม่ต้องวิ่งแก้ปัญหาทั้งวัน หัวหน้าไลน์เห็นภาพก่อนเริ่มงานว่า “วันนี้ควรจัดคนแบบไหนถึงจะไหว” และทีม IE / Production ก็เอาข้อมูลไปปรับ Standard Work, Skill Matrix และแผน Training ต่อได้ง่ายขึ้นครับ

🔄 รวม 20 Prompt ใช้ ChatGPT ช่วยงาน PDCA
สำหรับ IE / QC / Production / Maintenance / Improvement Team กันครับ

Prompt คำสั่งอยู่ใน Comment

💥Case Study: ใช้ AI วิเคราะห์ WIP ค้างใน Cell ว่าเกิดจากเครื่อง คน หรือ Material 💥

ยังอยู่ในโรงงานชิ้นส่วนยานยนต์ครับ เป็น Cellular Line ผลิตงาน Sub Assembly ส่งต่อไปไลน์หลัก หน้างานบอกว่า “Cell นี้ดูเหมือนไหลนะพี่ แต่ไม่รู้ทำไมท้ายวัน Output ไม่ถึง” ฟังแล้วเหมือนประโยคธรรมดา แต่คนโรงงานจะรู้ครับว่า คำว่า “ดูเหมือนไหล” นี่แหละ บางทีข้างในมันซ่อนความพังไว้เงียบ ๆ แบบไม่อยากให้ใครรู้...

ตอนเดินเข้าไปดูช่วงกะเช้า สิ่งแรกที่เห็นคือ WIP กองอยู่หน้า Station 4 ประมาณ 2–3 ตะกร้า แต่ Station 1 กับ Station 2 ยังทำงานเรื่อย ๆ เหมือนไม่มีอะไรเกิดขึ้น Operator ก็ไม่ได้หยุด เครื่องก็ยังมีเสียงทำงาน หัวหน้าไลน์ก็เลยรู้สึกว่า “มันก็เดินอยู่นะ” แต่พอถามว่างานค้างตรงนี้ตั้งแต่กี่โมง ไม่มีใครตอบได้ชัด มีแต่คำตอบสไตล์โรงงานจริง ๆ คือ “น่าจะเมื่อเช้าครับพี่” ซึ่งคำว่า “เมื่อเช้า” ในโรงงานนี่กว้างพอ ๆ กับคำว่า “เดี๋ยวช่างมา”

ตอนแรกทีมสงสัยว่าเครื่อง Station 4 น่าจะเป็นคอขวด เพราะ WIP กองตรงนั้น แต่พอไปถามช่างซ่อมบำรุง ช่างบอกว่า “เครื่องไม่ได้ Breakdown นะพี่ มีแค่ Alarm สั้น ๆ สองสามครั้ง” ฝั่ง Production บอกว่า “คนอาจจะยังไม่ชำนาญ” ฝั่ง Warehouse บอกว่า “Material ส่งครบแล้วนะครับ” ฟังครบสามฝ่ายแล้วสรุปได้อย่างหนึ่งครับ ทุกฝ่ายดูมีเหตุผล และทุกฝ่ายเริ่มโยนลูกกันเบา ๆ เหมือนเล่นวอลเลย์บอลใน Morning Meeting

ผมเลยไม่รีบชี้ว่าใครผิด แต่เริ่มดึงข้อมูลหลายชุดมาวางรวมกันก่อน ได้แก่ Cycle Time ราย Station, Output รายชั่วโมง, Machine Stop Log, Material Delay Record, เวลาที่ Part Refill เข้ามาหน้า Cell และจำนวน WIP ที่ค้างในแต่ละช่วงเวลา จากนั้นใช้ AI ช่วยจัดข้อมูลให้อยู่บน Timeline เดียวกัน เพื่อดูว่า WIP เริ่มกองเมื่อไหร่ และก่อนที่มันจะกอง มีสัญญาณอะไรเกิดขึ้นบ้าง

พอภาพ Timeline ออกมา มันเริ่มสนุกครับ WIP ไม่ได้กองเพราะ Station 4 ช้าตลอดทั้งวัน แต่เริ่มกองชัด ๆ ช่วง 10:20–11:10 น. ช่วงนั้น Station 3 ทำ Output ได้เร็วขึ้น เพราะเปลี่ยนคนที่ชำนาญกว่าเข้ามา แต่ Station 4 มีเวลารอ Material ย่อย ๆ หลายครั้ง ครั้งละ 3–5 นาที เพราะถาด Part B ที่ต้องใช้คู่กัน refill ไม่ทัน พูดง่าย ๆ คือ เครื่องไม่ได้เสีย คนไม่ได้ช้า แต่ Material มาทีละนิด ทำให้ Station 4 วิ่ง ๆ หยุด ๆ จน WIP ข้างหน้าค่อย ๆ สูงขึ้นแบบเงียบ ๆ

จุดที่น่าสนใจคือ ถ้าดูเฉพาะ Machine Stop Report จะเห็นว่าเครื่องหยุดแค่นิดเดียว ถ้าดูเฉพาะ Output รายวันก็เห็นแค่ว่าไม่ถึงเป้า ถ้าดูเฉพาะสายตาหน้างานก็เห็นแค่ว่า WIP กองหน้า Station 4 แต่พอ AI ช่วยรวม CT, Output, Machine Stop และ Material Delay เข้าด้วยกัน มันทำให้เห็นว่า Root Cause จริงไม่ใช่เครื่องจักรตัวเดียว แต่เป็นจังหวะการป้อน Material ที่ไม่สัมพันธ์กับ Cycle ของ Cell

หลังจากนั้น Action ที่ทำจริงไม่ได้เริ่มจากซื้อเครื่องใหม่ หรือเพิ่มคนทันทีครับ เราเริ่มจากปรับ Part Feeding Plan ก่อน เปลี่ยนรอบเติม Part B ให้ถี่ขึ้นแต่ปริมาณเหมาะสม ทำ Min-Max WIP หน้า Station 4 ให้เห็นชัด เพิ่ม Visual Signal เวลา Part ต่ำกว่า Minimum และปรับ Standard Work ของคนจ่ายของให้สัมพันธ์กับ Takt Time ของ Cell มากขึ้น ส่วน Station 4 ก็ปรับพื้นที่วางถาดให้หยิบง่ายขึ้น ไม่ต้องเอื้อมเหมือนจะไปหยิบอนาคต

พอทดลองครึ่งวัน ภาพเริ่มดีขึ้น WIP หน้า Station 4 ไม่กองยาวเหมือนเดิม Output รายชั่วโมงนิ่งขึ้น และที่สำคัญคือ Morning Meeting วันถัดมาไม่ต้องนั่งเดาว่า “เครื่อง คน หรือของ” เพราะข้อมูลมันชี้ชัดขึ้นว่า ถ้า Material Delay ขยับขึ้น WIP ก็เริ่มกองตามทันที แบบนี้คุยกันง่ายกว่าเดิมเยอะครับ โดนสวดก็ยังโดนอยู่บ้าง แต่โดนสวดแบบมีกราฟรองรับ อย่างน้อยก็เจ็บแบบมีหลักฐาน

WIP ที่กองอยู่หน้า Cell ไม่ได้แปลว่า Station นั้นเป็นคอขวดเสมอไป บางครั้งมันเกิดจากเครื่องหยุดสั้น ๆ บางครั้งเกิดจากคนทำงานไม่สมดุล บางครั้งเกิดจาก Material มาไม่ทัน และบางครั้งเกิดจากทุกอย่างรวมกันแบบพอดีจนพา KPI ลงเหว...

สุดท้าย ก่อนจะสรุปว่า “ต้องเพิ่มคน” หรือ “เครื่องนี้ไม่ดี” ลองเดินไปดู WIP ก่อนครับ มันมักจะพูดความจริงกับเราเสมอ แค่ปัญหาคือมันพูดเป็นกองตะกร้า ไม่ได้พูดเป็นภาษาไทย AI เลยเข้ามาช่วยแปลภาษากอง WIP ให้กลายเป็นข้อมูลที่ Production, Maintenance, Warehouse และ IE คุยกันรู้เรื่องขึ้นครับ

📌 รวม 20 Prompt ใช้ ChatGPT ช่วยงาน Project Management โรงงาน สำหรับ Project Manager / IE / Production / Maintenance / Engineering กันครับ

Prompt คำสั่งอยู่ใน Comment

🌟Case Study: ใช้ AI วิเคราะห์ Line Balance ใน U-Shape Line ว่าคนเดินเยอะเกินไปหรือไม่🌟

วันก่อนผมเข้าไปดูไลน์ประกอบชิ้นส่วนยานยนต์แห่งหนึ่ง เป็นไลน์แบบ U-Shape Line ผลิตชิ้นส่วน Sub Assembly ส่งต่อไปไลน์หลัก หน้างานบอกปัญหามาสั้น ๆ ว่า “ไลน์นี้ทำไม่ทันครับ ต้องขอ OT เกือบทุกวัน” ฟังแค่นี้ก็เริ่มได้กลิ่นแล้วครับ กลิ่นไม่ใช่น้ำมันเครื่องนะ กลิ่น KPI จะพาเราโดนสวดตอนประชุมเช้า...

พอเดินไปถึงไลน์ ภาพแรกที่เห็นคือ Layout ดูดีมากครับ Station เรียงเป็นตัว U มีโต๊ะประกอบ มี Jig มี Part Rack มีเครื่อง Press มีจุด Torque Check มีจุด Visual Check ครบหมด ถ้าดูจากรูปถ่ายนี่แทบจะเอาไปใส่ Slide Lean ได้เลย แต่พอยืนดูจริงประมาณ 10 นาที เริ่มเห็นอะไรแปลก ๆ Operator คนหนึ่งเดินวนจาก Station 1 ไป Station 3 แล้วถอยกลับมา Station 2 จากนั้นเดินไปหยิบ Part ด้านหลัง แล้วกลับมา Press งานใหม่อีกรอบ

ตอนแรก Production บอกว่า “คนไม่พอ” แต่พอถาม Operator แบบคุยกันข้างไลน์ เขาพูดประโยคหนึ่งที่ชัดมาก “งานผมไม่ได้ยากนะ แต่ของมันอยู่ไม่ถูกที่ ผมเดินจนจำลายพื้นได้หมดแล้ว”
ประโยคนี้เจ็บกว่ากราฟ OEE สีแดงอีกครับ เพราะมันแปลว่าเราอาจไม่ได้มีปัญหาที่คนทำงานช้า แต่เราจัดระบบให้เขาต้องเดินแบบไม่จำเป็นทุก Cycle

เราเลยไม่ได้เริ่มจากการเปิด Excel ก่อน แต่เริ่มจากการยืนดูรอบงานจริง ๆ จับเวลาแยกเป็นช่วงสั้น ๆ เช่น หยิบ Part, ใส่ Jig, Press, รอเครื่อง, ตรวจ Torque, เดินไปหยิบกล่อง, วางงานลง Tray แล้วก็ถ่ายวิดีโอสั้น ๆ ไว้ดูเส้นทางเดินซ้ำ ๆ จากนั้นค่อยเอาข้อมูลเข้า AI ให้ช่วยจัดกลุ่มว่าเวลาใน 1 Cycle หายไปกับอะไรบ้าง

ผลที่ออกมาค่อนข้างชัดครับ รอบงานเป้าหมายควรอยู่ประมาณ 55–60 วินาที แต่ของจริงบางรอบขึ้นไป 72–78 วินาที พอ AI ช่วยแยกให้ดู พบว่าเวลาทำงานจริงไม่ได้บวมมาก แต่เวลาที่หายคือ Walking Time + Waiting Time รวมกันเกือบ 20 วินาทีต่อรอบ บางจุด Operator เดินไปหยิบ Bolt ด้านหลัง ทั้งที่ Bolt ตัวนั้นถูกใช้ทุกชิ้น บางจุดต้องหันตัวกลับไปหยิบ Label อีกฝั่งหนึ่ง เหมือน Layout แอบบอกว่า “อยาก Lean แต่ขอให้คนเดิน cardio ไปด้วย 555”

ช่วงที่ทีมเริ่มเห็นตัวเลข บรรยากาศในไลน์เปลี่ยนเลยครับ จากเดิมคุยกันว่า “เพิ่มคนดีไหม” กลายเป็นคุยว่า “ทำไม Part ที่ใช้ทุก Cycle ถึงอยู่ไกลขนาดนี้” ช่างซ่อมบำรุงก็เสริมว่าเครื่อง Press ไม่ได้ Breakdown บ่อย แค่รอคนเอางานมาป้อนมากกว่า ส่วนหัวหน้าไลน์ก็นิ่งไปพักหนึ่งแล้วบอกว่า “แปลว่าเครื่องไม่ได้เป็นคอขวด คนก็ไม่ได้อู้ แต่ทางเดินเราทำให้เขาช้าเองใช่ไหมพี่”

หลังจากนั้น AI ช่วยจำลอง Scenario ง่าย ๆ ให้ดู เช่น ถ้าย้าย Part Rack เข้ามาด้านใน U-Line จะลดการเดินได้กี่วินาที ถ้าแยกงาน Label ออกไปไว้หลัง Visual Check จะทำให้ลำดับงานไหลขึ้นไหม ถ้าสลับตำแหน่ง Jig กับกล่อง Part จะลดการหมุนตัวได้กี่ครั้งต่อชั่วโมง และถ้าเอางานตรวจบางอย่างไปรวมกับจุดที่มี Waiting Time อยู่แล้ว จะช่วย Balance งานได้ไหม

สิ่งที่ปรับจริงไม่ได้อลังการเลยครับ ไม่ได้ซื้อเครื่องใหม่ ไม่ได้ติดระบบล้านบาท แค่ย้าย Rack, ลดระยะหยิบ, เอา Tool ที่ใช้บ่อยมาไว้ใน Golden Zone, ปรับลำดับงานใหม่, ทำ Standard Work Combination Sheet ใหม่ และทดลองให้ Operator เดินตาม Pattern ใหม่ประมาณครึ่งวัน ผลคือ Cycle เริ่มนิ่งขึ้น เดินน้อยลง และที่สำคัญคือคนหน้างานเริ่มพูดว่า “แบบนี้ทำงานง่ายกว่าเดิมเยอะ”

บางครั้ง U-Shape Line ที่เราภูมิใจว่าเป็น Lean Layout อาจไม่ได้ Lean จริง ถ้าเรายังไม่เคยดูว่าใน 1 Cycle คนต้องเดินกี่ก้าว หันตัวกี่ครั้ง รอเครื่องกี่วินาที และหยิบของไกลแค่ไหน AI ไม่ได้มาแทน IE ครับ แต่มาช่วยขยายภาพ Waste ที่เราเห็นด้วยตา ให้กลายเป็นตัวเลขที่คุยกับ Production, Maintenance และ Management ได้ง่ายขึ้นครับ

ก่อนจะบอกว่า “คนไม่พอ” ลองดูให้ดีก่อนว่าเราใช้คนไปกับการผลิตจริง หรือใช้คนไปกับการเดินหา Part หยิบ Tool รอเครื่อง และวนอยู่ในไลน์ถ้าแก้ Layout กับ Balance ได้ถูกจุด บางทีเราอาจไม่ต้องเพิ่มคน แค่เลิกใช้คนเป็นระบบขนส่งภายใน Cell ก็พอครับ

📊 รวม 20 Prompt ใช้ ChatGPT ช่วยงาน ROI / Payback Analysis
สำหรับ Manager / IE / Finance / Engineering / Project Team กันครับ

Prompt คำสั่งอยู่ใน Comment

🏷️ รวม 20 Prompt ใช้ ChatGPT ช่วยงาน Standard Cost
สำหรับ Costing / Finance / IE / Production / Planning กันครับ

Prompt คำสั่งอยู่ใน Comment