How-to: ทำ Explainable AI (SHAP/LIME) ให้โมเดล Predictive Maintenance — 5 ขั้นตอนทำให้ช่างเชื่อ AI จริงๆ
โมเดล AI ทำนายความเสียหายของเครื่องจักรได้แม่นระดับ 90%+ แต่พอถูกถามว่า "ทำไมถึงบอกว่าเครื่องนี้เสี่ยง" กลับตอบไม่ได้ — นี่คือปัญหา black box ที่ทำให้ AI จำนวนมากติดอยู่ใน pilot ไม่มีวันถูกใช้จริงในสายการผลิต วิศวกรซ่อมบำรุงจะไม่มีวันเชื่อคำสั่งหยุดเครื่องที่ไม่มีเหตุผลรองรับ และผู้จัดการโรงงานก็ไม่กล้าเสี่ยงตัดสินใจตามตัวเลขที่อธิบายไม่ได้ บทความนี้เป็นคู่มือปฏิบัติ 5 ขั้นตอน สำหรับเพิ่มความโปร่งใสให้โมเดล predictive maintenance ด้วยเทคนิค Explainable AI (XAI) ปัญหา: ความแม่นยำไม่ใช่ข้ออ้างของความไว้วางใจ สถานการณ์มาตรฐานที่เราพบบ่อย: ทีม data scientist สร้างโมเดล gradient boosting ทำนายความเสี่ยงแบริ่งพังใน 14 วัน ได้ F1 สูงมากใน test set แต่พอ deploy จริง ช่างเทคนิคกลับแค่ "ดูเลข" แล้วเดินผ่าน เพราะโมเดลไม่เคยบอกว่าสัญญาณมาจากไหน — ความร้อน? การสั่น? หรือค่าไฟฟ้าที่ปนเปื้อน? ผลคือระบบถูกละเลยจนถูกถอดออกในที่สุด งานวิจัยด้าน XAI ในภาคอุตสาหกรรมชี้ตรงกันว่า การนำ AI ไปใช้กับงาน maintenance ล้มเหลวไม่ใช่เพราะโมเดลไม่แม่น แต่เพราะ คนในสายการผลิตไม่มีเครื่องมือตรวจสอบเหตุผลของโมเดลได้ ซึ่ง XAI แก้ปัญหานี้ตรงจุด 2 เทคนิคหลัก: LIME และ SHAP โมเดล gradient boosting หรือ neural network รุ่นใหม่แม่นกว่า linear model มาก แต่แลกมาด้วยความอธิบายไม่ได้ XAI จึงเข้ามาเป็น "สะพาน" ระหว่างความแม่นกับความเข้าใจ: LIME (Local Interpretable Model-agnostic Explanations) — สร้างโมเดลลินแมร์ตัวจิ๋วมาลอกเลียนพฤติกรรมของโมเดลใหญ่ "ในบริเวณใกล้" การทำนายหนึ่งๆ แล้วอ่านค่าสัมประสิทธิ์ จะรู้ทันทีว่า feature ไหนดันความน่าจะเป็นขึ้น ตัวไหนฉุดไว้ SHAP (SHapley Additive exPlanations) — ยืมแนวคิด Shapley value จากทฤษฎีเกม คำนวณ "ส่วนแบ่งความดีความชั่ว" ของ feature แต่ละตัวอย่างเป็นธรรม โดยเฉลี่ยผลจากทุก combination ที่เป็นไปได้ ให้ค่าที่ consistent และมีหลักทฤษฎีรองรับ โครงสร้าง hidden layer ของ neural network…
