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…
