วิธีประเมินระบบ AI AOI ก่อนตัดสินใจซื้อ

ประเมินระบบ AI AOI ด้วยการทดสอบซ้ำตามคำกล่าวอ้างบนบอร์ดของคุณเอง ไม่ใช่ด้วยการเปรียบเทียบตารางสเปก นำบอร์ด 6 ประเภทมาทดสอบ (งาน high-mix ที่ยากที่สุดของคุณ, อุปกรณ์สีเดียวกับบอร์ด, ตัวเหนี่ยวนำที่มีมาร์กิ้ง, งานที่ไม่มีข้อมูล CAD, บอร์ดที่มีของเสียจริงที่บันทึกตำแหน่งไว้ และบอร์ดที่สร้าง false-call สูงสุดในปัจจุบันของคุณ) จากนั้นวัดผล 5 ด้าน: เวลาในการเขียนโปรแกรม, อัตรา false-call, อัตรา defect หลุดรอดของของเสียที่ทราบตำแหน่ง, การเรียนรู้งานของผู้ปฏิบัติงาน และความสามารถในการทำซ้ำระหว่างรอบการทดสอบ ให้คะแนนโดยเทียบกับไลน์การผลิตปัจจุบันของคุณเป็นเกณฑ์อ้างอิง baseline ไม่ใช่เทียบกับตัวเลขของผู้จำหน่าย

ผู้จำหน่าย AOI ทุกรายต่างเผยแพร่ตัวเลขความแม่นยำ รวมถึงเราด้วย ตัวเลขเหล่านั้นมีค่าเท่ากับความสามารถของคุณในการสร้างผลลัพธ์ซ้ำบนผลิตภัณฑ์ของคุณเอง บทความนี้คือแนวทางปฏิบัติที่เราคิดว่าผู้ซื้อควรนำไปใช้: สิ่งที่ต้องนำมา สิ่งที่ต้องวัดผล ระยะเวลาที่ต้องทดสอบ และผลลัพธ์ที่ผ่านเกณฑ์เป็นอย่างไร แนวทางนี้ใช้ได้กับเครื่องจักรของผู้จำหน่ายทุกราย และเราต้องการให้คุณนำไปทดสอบกับเครื่องของเรามากกว่าที่จะเชื่อคำพูดของเราเพียงอย่างเดียว

ทำไมคุณจึงวางใจตัวเลขความแม่นยำของ AOI ไม่ได้ทันที?

ตัวเลขความแม่นยำของ AOI แทบจะนำมาเปรียบเทียบกันไม่ได้เพราะตัวหารไม่เหมือนกัน อัตราการตรวจจับมักระบุต่อชิ้นส่วน, ต่อบอร์ด หรือต่อประเภทของเสีย ซึ่งฐานอ้างอิงทั้ง 3 แบบนี้อาจให้ผลต่างกันหลายเท่าตัวบนเครื่องจักรเครื่องเดียวกัน อัตรา false-call ก็เจอปัญหาเดียวกันนี้ ตัวเลขที่เผยแพร่มักไม่ได้ระบุว่ามาจากบอร์ดใด ชุดของเสียแบบไหน และใช้เกณฑ์ threshold แบบใด ตัวเลขเหล่านี้ไม่ได้ตั้งใจหลอกลวงเสมอไป แต่เพียงแค่ไม่สามารถนำมาปรับใช้กับไลน์การผลิตของคุณได้โดยตรง

การสำรวจคำกล่าวอ้างทั่วไปแสดงให้เห็นความแตกต่างอย่างชัดเจน แหล่งข้อมูลอิสระในปี 2025 และ 2026 รายงานตัวเลขที่หลากหลาย เช่น false calls ลดลง 30 to 40 percent, false rejects ลดลง 70 to 85 percent และอัตราการตรวจจับจุดบัดกรีวิกฤตอยู่ที่ 98 to 99 percent ขึ้นอยู่กับแหล่งที่มา (Overview.ai 2025; Boolean & Beyond 2026; Jidoka 2026) DaoAI ประเมินความแม่นยำในการตรวจจับไว้ที่ 98 percent หรือสูงกว่า ในขณะที่ false calls จะลดลงเมื่อผู้ปฏิบัติงานป้อนข้อมูลย้อนกลับ ตัวเลขเหล่านี้อธิบายการทดลองที่แตกต่างกันซึ่งไม่มีใครบันทึกรายละเอียดไว้มากพอที่จะทำซ้ำได้ ดังนั้นจงตรวจสอบประสิทธิภาพบนบอร์ดของคุณเอง

คำถาม 3 ข้อนี้จะช่วยขจัดความสับสนส่วนใหญ่ และคุณสามารถถามคำถามเหล่านี้กับตัวเลขใดๆ ก็ได้ รวมถึงตัวเลขของเรา:

• เทียบต่ออะไร? ต่อชิ้นส่วนที่ตรวจสอบ ต่อบอร์ด หรือต่อเหตุการณ์ที่แจ้งเตือน ต้องระบุตัวหารให้ชัดเจน
• บนบอร์ดรุ่นใด? บอร์ดสาธิตที่ออกแบบมาเพื่อให้ผลลัพธ์ดูดี หรือบอร์ดผลิตจริงแบบ high-mix ที่ใช้ชิ้นส่วนจาก second-source
• ที่การตั้งค่า threshold ระดับใด? การตรวจจับและ false calls เป็นสิ่งแลกเปลี่ยนซึ่งกันและกัน ตัวเลขที่ระบุมาเดี่ยวๆ โดยไม่มีอีกค่ากำกับไว้แทบไม่มีความหมายอะไรเลย

ทั้งหมดนี้ไม่ได้หมายความว่าการทดสอบเป็นเรื่องไร้ประโยชน์ แต่มันหมายความว่าการทดสอบต้องเกิดขึ้นบนหน้างานจริงของคุณ

คุณควรนำบอร์ดประเภทใดมาใช้ในการทดสอบเดโม AOI?

นำบอร์ดมา 6 ประเภท โดยแต่ละประเภทจะทดสอบขีดความสามารถเฉพาะด้าน: งาน high-mix ที่ยากที่สุดของคุณ, บอร์ดที่มีอุปกรณ์สีเดียวกับแผ่นวงจร, บอร์ดที่มีชิป inductor หรือ crystal oscillator ที่มีมาร์กิ้ง, งานที่คุณไม่มีข้อมูล CAD, บอร์ดที่มีของเสียจริงที่สร้างขึ้นหรือบันทึกไว้ และบอร์ดที่สร้างอัตรา false-call แย่ที่สุดของคุณในปัจจุบัน ผู้จำหน่ายจะเสนอบอร์ดสาธิตของพวกเขาเอง ซึ่งสิ่งนั้นบอกได้แค่ว่าเครื่องทำงานอะไรได้ดี แต่นั่นไม่ใช่คำถามที่คุณต้องการคำตอบ

บอร์ดที่มีของเสียที่ทราบตำแหน่งมีข้อควรระวังเป็นพิเศษ: คุณต้องใช้ของเสียจริงที่มีการบันทึกไว้ ไม่ใช่ของเสียจำลอง โดยต้องเป็นบอร์ดที่ดึงมาจากของเสียในไลน์ของคุณเอง และมีรายการของเสียที่ได้รับการยืนยันโดยสถานีตรวจสอบตามเกณฑ์ IPC-A-610 ให้เก็บรายการนี้ไว้เป็นความลับระหว่างการสาธิต ระบบที่ถูกประเมินโดยที่ผู้จำหน่ายทราบตำแหน่งของเสียล่วงหน้า ไม่ถือเป็นการประเมินผลจริง

นอกจากนี้ ให้นำบอร์ดทั่วไปที่ไม่ซับซ้อนมาด้วย งานธรรมดาที่ yield สูงสักหนึ่งงานจะช่วยกำหนดระดับ false-call ขั้นต่ำของคุณ ถ้าระบบยังสร้างสัญญาณรบกวนบนงานง่ายๆ ไม่ว่าระบบจะทำผลงานได้ดีแค่ไหนในงานยากๆ ก็ช่วยอะไรคุณไม่ได้

สิ่งที่คุณควรวัดผลจริงๆ คืออะไร?

วัดผล 5 ด้าน: เวลาในการเขียนโปรแกรม (จับเวลาตั้งแต่นำบอร์ดเข้าเครื่องจนถึงการตรวจสอบครั้งแรก), อัตรา false-call (จำนวนการแจ้งเตือนหารด้วยจำนวนชิ้นส่วนที่ตรวจสอบ โดยใช้ตัวหารเดียวกันอย่างสม่ำเสมอ), อัตรา defect หลุดรอด (ของเสียที่ตรวจพบหารด้วยของเสียจริงที่มีอยู่), การเรียนรู้งานของผู้ปฏิบัติงาน (พนักงานทั่วไปที่ไม่ใช่วิศวกรสามารถทำการ changeover ได้ด้วยตัวเองหรือไม่) และความสามารถในการทำซ้ำ (นำบอร์ดเดิมมาทดสอบซ้ำ 3 ครั้งแล้วเปรียบเทียบผลลัพธ์) บันทึกตัวเลขในระหว่างการทดสอบทันที เพราะความประทับใจในห้องสาธิตจะจางหายไปภายในหนึ่งวัน

รายละเอียดทั้ง 5 ด้านพร้อมวิธีคำนวณที่ชัดเจน:

1. เวลาในการเขียนโปรแกรม เริ่มจับเวลาเมื่อบอร์ดถึงเครื่อง และหยุดเมื่อการตรวจสอบครั้งแรกเริ่มต้นขึ้น นับรวมทุกขั้นตอน: การนำเข้าข้อมูล, การจัดการไลบรารี, การกำหนดพื้นที่ตรวจสอบ และการตั้งค่า threshold คำกล่าวอ้างของผู้จำหน่ายเกี่ยวกับความเร็วในการตั้งค่ามักไม่รวมขั้นตอนที่ใช้เวลานานที่สุด เพื่อดูรายละเอียดว่ามีขั้นตอนอะไรบ้าง โปรดดูการทำงานของการเขียนโปรแกรมโดยไม่ต้องใช้ CAD
2. อัตรา false-call คำนวณจากจำนวน false calls หารด้วยจำนวนชิ้นส่วนที่ตรวจสอบ แสดงเป็น PPM หรือ percent เลือกตัวหารแบบเดียวแล้วใช้กับทุกระบบที่คุณประเมิน รวมถึงเครื่องจักรเดิมของคุณ การยึดเกณฑ์นี้เพียงอย่างเดียวจะทำให้การเปรียบเทียบมีความถูกต้องแม่นยำมากกว่าขั้นตอนอื่นๆ ในแบบทดสอบ
3. อัตรา defect หลุดรอด คำนวณจากของเสียจริงที่ตรวจพบหารด้วยของเสียจริงทั้งหมดที่มีอยู่ จากบอร์ดของเสียที่คุณบันทึกไว้ ตัวเลขนี้คือสิ่งที่จะปกป้องคุณภาพของคุณ ระบบที่ลด false calls ได้ครึ่งหนึ่งแต่กลับปล่อยให้ของเสียจริงหลุดรอดไปแม้แต่ประเภทเดียว ไม่ได้ช่วยอะไรคุณเลย
4. การเรียนรู้งานของผู้ปฏิบัติงาน ให้พนักงานฝ่ายผลิต ไม่ใช่วิศวกรกระบวนการผลิตและไม่ใช่วิศวกรแอปพลิเคชันของผู้จำหน่าย ทำการ changeover ตั้งแต่ต้นจนจบ จับเวลา และจดบันทึกทุกครั้งที่พวกเขาต้องการความช่วยเหลือ หากขั้นตอนการทำงานดำเนินได้เฉพาะเมื่ออยู่ในมือของผู้เชี่ยวชาญ แผนการจัดสรรบุคลากรของคุณจะต้องเปลี่ยนไปทันที
5. ความสามารถในการทำซ้ำ ตรวจสอบบอร์ดเดิมซ้ำ 3 ครั้งโดยไม่ปรับเปลี่ยนการตั้งค่า เปรียบเทียบการแจ้งเตือน ความแปรปรวนระหว่างรอบการทดสอบที่เหมือนกันคือสัญญาณรบกวนของระบบวัด และมันเป็นตัวจำกัดประสิทธิภาพสูงสุดที่การปรับจูน threshold จะทำได้ นี่คือการตรวจสอบ Gage R&R ในเวอร์ชันของ AOI และคุ้มค่าที่จะทดสอบกับเครื่องเดิมของคุณด้วยเช่นกัน เพราะค่า baseline อาจทำให้คุณประหลาดใจ

จดบันทึกผลลัพธ์ลงในแผ่นเดียวระหว่างการทดสอบ: ผู้จำหน่าย A เทียบกับ ผู้จำหน่าย B เทียบกับ ไลน์การผลิตปัจจุบันของคุณ โดยใช้หัวข้อ 5 แถวเดียวกัน

การทดสอบนำร่องควรใช้เวลานานแค่ไหน?

การสาธิต 2 ชั่วโมงสามารถวัดเวลาการเขียนโปรแกรม, false calls ที่เห็นได้ชัด, พฤติกรรมการหลุดรอดของของเสียที่ทราบตำแหน่ง และการเรียนรู้งานของผู้ปฏิบัติงานได้ แต่ไม่สามารถวัดได้ว่า false calls จะลดลงตามระยะเวลาหรือไม่ ระบบจัดการกับการเปลี่ยนล็อตชิ้นส่วนอย่างไร หรืออัตราการหลุดรอดที่แท้จริงในระดับปริมาณการผลิตจริงเป็นอย่างไร สิ่งเหล่านี้ต้องใช้เวลา 2 ถึง 4 สัปดาห์บนไลน์การผลิตจริง ให้มองว่าการสาธิตคือการคัดกรอง และการทดสอบนำร่องคือขั้นตอนการตัดสินใจ

สิ่งที่แต่ละขั้นตอนสามารถบอกคุณได้จริง:

การสาธิต 2 ชั่วโมง ขอบเขตที่วัดได้จริง เวลาในการตั้งค่าเกิดขึ้นจริงและวัดได้ที่นี่ เช่นเดียวกับพฤติกรรมต่ออุปกรณ์สีเดียวกับบอร์ดและมาร์กิ้ง เพราะสิ่งเหล่านี้เป็นปัญหาในภาพระดับเฟรมเดียว การเรียนรู้งานของผู้ปฏิบัติงานจะปรากฏให้เห็นในทันที พฤติกรรมการหลุดรอดบนบอร์ดของเสียที่ทราบตำแหน่งให้ผลที่เชื่อถือได้ในระดับตัวอย่างเพียงบอร์ดเดียว

การทดสอบ 2 ถึง 4 สัปดาห์บนไลน์ผลิต สิ่งที่ขั้นตอนนี้เท่านั้นจะเปิดเผยได้ อัตรา false-call มีแนวโน้มลดลงหรือไม่เมื่อผู้ปฏิบัติงานป้อนการแก้ไขย้อนกลับ ซึ่งเป็นกลไกที่แยกแยะระหว่างระบบที่เรียนรู้ได้กับระบบคงที่ทั่วไป (อ่านกลไกโดยละเอียดที่นี่) การเปลี่ยนล็อตชิ้นส่วนใหม่หรือชิ้นส่วนจาก second-source ทำให้ระบบมีปัญหาหรือไม่ อัตราการหลุดรอดของของเสียยังคงที่ในระดับการผลิตจริงหรือไม่ ไม่ใช่แค่บนตัวอย่างบอร์ดเดียว และภาระการบำรุงรักษาตรงตามที่ผู้จำหน่ายระบุไว้หรือไม่

ข้อควรระวัง 2 ประการเกี่ยวกับการด่วนสรุปเร็วเกินไป: การสาธิตไม่สามารถพิสูจน์คำกล่าวอ้างเรื่องการเรียนรู้ของระบบได้ เพราะการเรียนรู้ต้องใช้เวลาและการป้อนข้อมูลกลับจากการผลิตจริง และการสาธิตบนเครื่องที่ผู้จำหน่ายเตรียมความพร้อมมาอย่างดีไม่ได้บอกอะไรเลยเกี่ยวกับสิ่งที่ทีมของคุณจะดูแลรักษาได้หลังผ่านไป 3 เดือน ให้ถามว่าเครื่องจักรมีสภาพและสถานะอย่างไรก่อนที่คุณจะเดินเข้าไปดู

ผลลัพธ์ที่ถือว่าผ่านเกณฑ์มีลักษณะอย่างไร?

กำหนดเกณฑ์ผ่านโดยอิงตามไลน์การผลิตของคุณเอง ไม่ใช่อิงตามตัวเลขลอยๆ ให้บันทึก baseline ของเวลาการเขียนโปรแกรม, อัตรา false-call, อัตรา defect หลุดรอด และกำลังคนในการตรวจสอบซ้ำในปัจจุบัน จากนั้นตัดสินใจล่วงหน้าว่าต้องพัฒนาขึ้นมากน้อยเพียงใดจึงจะคุ้มค่ากับการลงทุนและการปรับเปลี่ยนกระบวนการ การกำหนดตัวเลขเกณฑ์ขั้นต่ำไว้ก่อนการสาธิตคือสิ่งที่จะช่วยให้การตัดสินใจเป็นไปอย่างเที่ยงตรง เพราะทุกระบบจะดูน่าประทับใจเสมอเมื่อผู้จำหน่ายเป็นคนควบคุมเครื่อง

ตารางการให้คะแนนที่ควรกรอกไว้ล่วงหน้าก่อนที่ใครจะเข้ามาสาธิต:

กฎ 2 ข้อในการกรอกตารางนี้ ข้อแรก แถวของเสียหลุดรอดคือตัวตัดสิทธิ์เด็ดขาด ไม่ใช่สิ่งที่จะเอามาแลกเปลี่ยนได้: ระบบที่พัฒนาด้านอื่นๆ ได้ทั้งหมดแต่ยังปล่อยให้ของเสียจริงหลุดรอด ถือว่าสอบตกทันที โดยไม่ต้องสนใจคอลัมน์อื่น ข้อที่สอง กำหนดตัวเลขในคอลัมน์กลางก่อนการสาธิต เกณฑ์ที่ตั้งขึ้นมาภายหลังเป็นเพียงข้ออ้างหาเหตุผลเข้าข้างตัวเองเท่านั้น

หากคุณยังอยู่ในขั้นตอนการคัดเลือกประเภทและการกำหนดค่าของเครื่องจักร มากกว่าการตรวจสอบคำกล่าวอ้าง คู่มือการเลือกเครื่องจักร จะครอบคลุมขั้นตอนดังกล่าว รวมถึงคำถาม 7 ข้อที่คุณควรถามผู้จำหน่ายทุกราย

คำถามที่พบบ่อย

เกิดอะไรขึ้นถ้าผู้จำหน่ายไม่ยอมให้ฉันนำบอร์ดของตัวเองไปทดสอบ?

ให้ถือว่านั่นคือคำตอบแล้ว ข้อจำกัดด้านการรักษาความลับเป็นเรื่องจริงที่เกิดขึ้นได้และจัดการได้ด้วยสัญญา NDA แต่ผู้จำหน่ายที่ไม่เต็มใจทดสอบผลิตภัณฑ์ของคุณไม่ว่าจะด้วยเงื่อนไขใดก็ตาม กำลังบอกเป็นนัยว่าตัวเลขประสิทธิภาพของพวกเขามีผลเฉพาะบนบอร์ดของพวกเขาเองเท่านั้น การประเมินผลอย่างจริงจังทุกครั้งต้องทดสอบบนผลิตภัณฑ์ของผู้ซื้อ

ต้องใช้บอร์ดจำนวนเท่าใดเพื่อให้ผลลัพธ์มีความหมายและน่าเชื่อถือ?

สำหรับการสาธิต ความครอบคลุมทั้ง 6 ประเภทมีความสำคัญมากกว่าปริมาณ ส่วนการทดสอบนำร่อง คุณต้องการบอร์ดจากการผลิตจริงมากพอที่จะทำให้อัตรา false-call มีความเสถียร ไม่ใช่ผลลัพธ์จากความบังเอิญ ซึ่งในทางปฏิบัติหมายถึงการเดินไลน์การผลิตตามปกติเป็นเวลา 2 ถึง 4 สัปดาห์ มากกว่าการมานั่งนับจำนวนบอร์ดที่แน่นอน

วิศวกรของผู้จำหน่ายสามารถปรับแต่งระบบระหว่างการทดสอบนำร่องได้หรือไม่?

ได้ และปล่อยให้พวกเขาทำ แต่ให้บันทึกทุกการปรับแก้ที่พวกเขาทำ บันทึกนั้นคือการคาดการณ์การบำรุงรักษาของคุณ: ทุกสิ่งที่วิศวกรแอปพลิเคชันทำในระหว่างการทดสอบนำร่อง คืองานที่คนในโรงงานของคุณต้องรับผิดชอบหลังจากนั้น หากรายการบันทึกยาวเป็นหางว่าว ให้ถามว่าใครจะเป็นคนทำสิ่งนี้ในเดือนที่ 6

ระบบ AI ที่ทำงานได้ดีในการทดสอบนำร่องจะมีประสิทธิภาพลดลงในภายหลังเมื่อผลิตจริงหรือไม่?

รูปแบบความล้มเหลวที่ควรถามถึงคือ ปรากฏการณ์ drift: จะเกิดอะไรขึ้นเมื่อล็อตชิ้นส่วน, การปรับปรุงแก้ไขบอร์ด หรือสภาพแสงเปลี่ยนไปหลังจากโมเดลได้รับการเทรนแล้ว ระบบที่เรียนรู้จากฟีดแบ็กของผู้ปฏิบัติงานถูกออกแบบมาเพื่อรองรับปัญหานี้ และ DaoAI รายงานว่าอัตรา false-call จะลดลงตามการใช้งานแทนที่จะเพิ่มขึ้น (DaoAI-reported) ควรถามผู้จำหน่ายทุกรายว่าโมเดลอัปเดตอย่างไร ใครเป็นผู้สั่งอัปเดต และเกิดอะไรขึ้นเมื่อมีการเปลี่ยน revision ของบอร์ด

นำแบบทดสอบนี้มาทดสอบกับเรา

นำแนวทางปฏิบัตินี้ไปทดสอบกับเครื่องจักรทุกเครื่องที่อยู่ในรายชื่อตัวเลือกของคุณ หากเครื่องของเราคือหนึ่งในนั้น ให้นำบอร์ดทั้ง 6 ประเภทมา เก็บรายการของเสียไว้เป็นความลับ และตัดสินเราด้วยตารางคะแนนเดียวกันกับผู้จำหน่ายรายอื่น