How-to: วางระบบ AutoML ในโรงงาน 6 ขั้นตอน — สร้าง ML Pipeline ได้โดยไม่ต้องมี Data Scientist ประจำโรงงาน

โรงงานไทยจำนวนมากอยากใช้ Machine Learning กับข้อมูล production ที่มีอยู่ — ข้อมูล SCADA ย้อนหลัง 3 ปี, ค่า energy รายชั่วโมง, สถิติ scrap rate รายล็อต — แต่ติดที่ “ไม่มี data scientist ประจำโรงงาน” งานวิจัย review ปี 2025 ใน International Journal of Machine Learning Studies (Quaranta et al.) ระบุว่า AutoML คือแนวทางที่ promising ที่สุดในการลดการพึ่งพา ML professional โดยตรง และตลาด AutoML โลกเติบโต CAGR 44.5% ช่วง 2026-2030 จากมูลค่า 3.34 พันล้านดอลลาร์ในปี 2025 (Technavio)

แต่ AutoML ในบริบทโรงงานไม่ได้ “กดปุ่มเดียวแล้วจบ” บทความนี้คือคู่มือ 6 ขั้นตอนติดตั้ง AutoML บนข้อมูล industrial แบบที่ทีมวิศวกรโรงงานทำเองได้จริง

ขั้นที่ 1: จัดแนวปัญหาให้ถูกประเภท

AutoML ทำงานได้ดีกับปัญหา tabular ล้วน เช่น ทำนาย scrap rate จากพารามิเตอร์กระบวนการ, จำแนกล็อตที่มีความเสี่ยง, พยากรณ์ demand ราย SKU สิ่งที่มัก fail คือโจทย์ที่ยังเป็นภาพหรือ signal ดิบ — อันนั้นต้องแปลงเป็น feature ก่อน (ดูขั้นที่ 3) ตั้ง objective ให้ชัดว่าต้องการ accuracy หรือ recall — งานตรวจจับของเสียควร optimize recall เพราะปล่อยของเสียหลุดแพงกว่า reject ของดี

ขั้นที่ 2: เตรียมข้อมูลให้ AutoML กินได้

ข้อมูลโรงงานมี 3 ปัญหาคลาสสิกที่ AutoML แก้ให้ไม่ได้ ต้องแก้เอง:

• Time alignment — ค่าจาก sensor กับผล QC ไม่ได้อยู่บน timestamp เดียวกัน ต้อง join ด้วย lot number หรือ window ที่เหมาะสม
• Leakage — ห้ามให้คอลัมน์อนาคต (เช่น ผลตรวจของล็อตนั้น) หลุดเข้าไปเป็น feature ต้อง split train/test ตามเวลา ไม่ใช่แบบสุ่ม
• Class imbalance — defect อาจมีแค่ 0.3% ของล็อต ต้องใช้ class weight หรือ resampling

ขั้นที่ 3: แปลง Signal ให้เป็น Feature

ถ้าข้อมูลเป็น time-series ดิบจากเซ็นเซอร์ อย่าโยนเข้า AutoML ตรงๆ ให้ extract feature เชิงสถิติก่อน ตัวอย่าง feature ที่ใช้ได้ทันที: RMS, kurtosis, crest factor จาก waveform การสั่น; ค่า energy ในแต่ละ frequency band จาก FFT; rolling mean/std ของ process parameter

ขั้นที่ 4: รัน AutoML Search

ขั้นตอนนี้คือหัวใจของ AutoML: ระบบจะทดลองเองทั้ง algorithm selection, preprocessing pipeline, feature encoding, และ hyperparameter tuning แบบอัตโนมัติ งานวิจัย AutoML for Industrial Process Control (TH Wildau, 2025) ที่ใช้จริงกับระบบควบคุมกระบวนการผลิต พบว่า pipeline ที่ AutoML เลือกเองให้ผลดีกว่า baseline ที่วิศวกรตั้งมือในหลาย use case และลดเวลาพัฒนาจากหลักสัปดาห์เหลือหลักชั่วโมง

ขั้นที่ 5: ตรวจ Leaderboard อย่างมีวินัย

ขั้นที่ 6: Deploy + Monitor ด้วยคนโรงงาน

ข้อได้เปรียบที่คนมองข้ามของ AutoML คือ โมเดลเป็นสิ่งที่ทีมโรงงานเข้าใจและดูแลต่อได้เอง เพราะทั้ง pipeline ถูก document อัตโนมัติ ตั้ง retraining schedule ตาม season (เช่น ทุกไตรมาส) และติด alarm เมื่อ input distribution เปลี่ยน (PSI > 0.2 คือค่าที่ใช้กันทั่วไปว่าข้อมูลเริ่ม drift)

ข้อจำกัดที่ต้องยอมรับ

• AutoML เก่ง tabular แต่ยังอ่อนกับ raw signal และโจทย์ที่ต้อง domain knowledge สูง เช่น feature ทางกายภาพเฉพาะเครื่องจักร
• AutoML ตอบ “โมเดลไหนแม่นสุด” แต่ไม่ตอบ “คำถามที่ใช่หรือยัง” — problem framing ยังเป็นหน้าที่คน
• แนวโน้มใหม่ที่จะช่วยได้: การรวม AutoML กับ LLM (งานวิจัย International Journal of Production Research, 2026) ทำให้ขั้นตอนตั้งโจทย์และตีความผลลัพธ์อัตโนมัติมากขึ้น

Key Takeaways

1. AutoML ทำให้ทีมโรงงานสร้าง ML pipeline ได้โดยไม่ต้องมี data scientist ประจำ — ตลาดโต CAGR 44.5% (2026-2030)
2. งานเตรียมข้อมูล 70% ยังเป็นของคน: time alignment, leakage prevention, class imbalance
3. แปลง time-series เป็น feature เชิงสถิติ (RMS, kurtosis, FFT band energy) ก่อนเข้า AutoML เสมอ
4. แยก validation ตามเวลา ไม่ใช่แบบสุ่ม — วิธีเดียวที่ป้องกัน overfitting กับข้อมูล production
5. PSI > 0.2 คือ threshold มาตรฐานสำหรับตรวจ data drift หลัง deploy
6. AutoML เปลี่ยน role ของวิศวกรโรงงานจาก “ผู้สร้างโมเดล” เป็น “ผู้ตั้งโจทย์และผู้ตรวจสอบ” — ทักษะที่สำคัญขึ้นไม่ใช่ลดลง