AI เข้ามามีบทบาทในการทำงานมากขึ้นเรื่อย ๆ ตั้งแต่การวิเคราะห์ข้อมูล ตรวจจับความผิดปกติ ไปจนถึงการช่วยตัดสินใจในกระบวนการต่าง ๆ โดยเฉพาะในภาคอุตสาหกรรมที่เริ่มนำ AI มาใช้เพื่อเพิ่มประสิทธิภาพและลดภาระงานที่ต้องทำซ้ำ

แต่การที่ AI วิเคราะห์ข้อมูลได้รวดเร็ว ไม่ได้หมายความว่าผลลัพธ์จะถูกต้องเสมอไป หรือทุกการตัดสินใจจะสามารถปล่อยให้ AI ดำเนินการเองได้ทั้งหมด

เพราะในการทำงานจริง บางสถานการณ์ไม่ได้มีเพียงข้อมูลให้วิเคราะห์ แต่ยังต้องอาศัยประสบการณ์ ความเข้าใจหน้างาน และการพิจารณาผลกระทบที่อาจเกิดขึ้นจากการตัดสินใจนั้นด้วย

นี่จึงเป็นที่มาของแนวคิด Human-in-the-Loop (HITL) ที่ให้มนุษย์เข้ามามีส่วนร่วมกับ AI ในขั้นตอนที่จำเป็น แทนที่จะปล่อยให้ระบบทำงานโดยอัตโนมัติทั้งหมด

Human-in-the-Loop (HITL) คืออะไร?

Human-in-the-Loop (HITL) คือแนวคิดการออกแบบกระบวนการทำงานที่ให้มนุษย์เข้ามามีส่วนร่วมกับระบบ AI ไม่ว่าจะเป็นการตรวจสอบผลลัพธ์ ให้ข้อเสนอแนะ (Feedback) หรือร่วมตัดสินใจในขั้นตอนสำคัญ

โดยไม่จำเป็นต้องให้มนุษย์ตรวจสอบทุกครั้ง แต่สามารถกำหนดเงื่อนไขไว้ได้ว่า สถานการณ์แบบไหนที่ AI ทำงานต่อได้เอง และสถานการณ์แบบไหนที่ควรส่งให้มนุษย์เข้ามาพิจารณา

เช่น เมื่อ AI ให้ผลลัพธ์ที่มีความมั่นใจต่ำ พบข้อมูลที่แตกต่างจากรูปแบบที่เคยเรียนรู้ หรือเป็นการตัดสินใจที่อาจส่งผลกระทบต่อกระบวนการทำงาน

ลองนึกถึงระบบ AI ที่ใช้ตรวจสอบคุณภาพชิ้นงานจากภาพถ่าย หาก AI พบจุดผิดปกติบนพื้นผิว แต่ยังไม่สามารถระบุได้อย่างมั่นใจว่าเป็นตำหนิจริงหรือเกิดจากแสงสะท้อน ระบบอาจส่งชิ้นงานนั้นให้เจ้าหน้าที่ตรวจสอบก่อนตัดสินใจ

ในกรณีนี้ AI ยังคงทำหน้าที่ตรวจสอบเบื้องต้น ขณะที่มนุษย์เข้ามาช่วยพิจารณาเฉพาะจุดที่ต้องการข้อมูลหรือการตัดสินใจเพิ่มเติม

ดังนั้น HITL ไม่ได้หมายถึงการให้มนุษย์กลับมาทำงานแทน AI แต่เป็นการออกแบบให้ทั้งสองฝ่ายทำงานร่วมกันตามบทบาทที่เหมาะสม

Human-in-the-Loop ทำงานอย่างไร?

การทำงานของ HITL อาจแตกต่างกันไปตามลักษณะของระบบและกระบวนการที่นำไปใช้ แต่เพื่อให้เห็นภาพชัดขึ้น เราสามารถอธิบายผ่าน 4 ขั้นตอนหลักได้ดังนี้

1. AI Analysis – AI วิเคราะห์ข้อมูล

เริ่มจาก AI รับข้อมูลเข้ามาวิเคราะห์ตามหน้าที่ที่กำหนดไว้ เช่น ตรวจสอบภาพชิ้นงาน วิเคราะห์ข้อมูลจากเครื่องจักร หรือค้นหาความผิดปกติระหว่างกระบวนการผลิต

จากนั้น AI จะสร้างผลลัพธ์เบื้องต้น เช่น ระบุว่าชิ้นงานมีแนวโน้มพบตำหนิ หรือเครื่องจักรมีรูปแบบการทำงานที่ผิดปกติ เพื่อส่งต่อไปยังขั้นตอนถัดไป

2. Review Trigger – คัดกรองกรณีที่ต้องตรวจสอบ

เมื่อ AI วิเคราะห์ข้อมูลแล้ว ระบบจะพิจารณาว่าผลลัพธ์ใดสามารถนำไปใช้ต่อได้ และกรณีใดควรให้มนุษย์เข้ามาตรวจสอบเพิ่มเติม

เงื่อนไขที่ใช้คัดกรองอาจเป็นระดับความมั่นใจของ AI ประเภทของความผิดปกติ หรือระดับความเสี่ยงหากเกิดการตัดสินใจผิดพลาด

หากผลลัพธ์อยู่ในเกณฑ์ที่กำหนด ระบบอาจดำเนินการต่อได้โดยอัตโนมัติ ส่วนกรณีที่เข้าเงื่อนไขการตรวจสอบก็จะถูกส่งต่อให้ผู้รับผิดชอบ

3. Human Review – มนุษย์ตรวจสอบและตัดสินใจ

ในกรณีที่ต้องตรวจสอบเพิ่มเติม มนุษย์จะเข้ามาพิจารณาผลลัพธ์ของ AI ร่วมกับข้อมูลและบริบทของงานจริง

ตัวอย่างเช่น เจ้าหน้าที่ฝ่ายคุณภาพได้รับแจ้งว่า AI ตรวจพบความผิดปกติบนชิ้นงาน เจ้าหน้าที่อาจตรวจสอบลักษณะของรอย เปรียบเทียบกับมาตรฐานคุณภาพ และพิจารณาสภาพชิ้นงานก่อนตัดสินใจว่าจะยอมรับหรือคัดแยกออก

การตรวจสอบในขั้นตอนนี้ช่วยให้การตัดสินใจไม่ได้อาศัยเพียงผลวิเคราะห์จาก AI แต่ยังมีข้อมูลและประสบการณ์จากผู้ปฏิบัติงานเข้ามาประกอบด้วย

4. Action & Feedback – นำผลไปใช้และเก็บข้อมูล

หลังจากตรวจสอบแล้ว ผลการตัดสินใจจะถูกนำไปใช้ในกระบวนการทำงาน เช่น ยอมรับสินค้า คัดแยกชิ้นงาน หรือส่งต่อให้ตรวจสอบเพิ่มเติม

นอกจากนี้ หากระบบรองรับการบันทึก Feedback ข้อมูลจากการตรวจสอบของมนุษย์ยังสามารถนำกลับมาวิเคราะห์ เพื่อหาจุดที่ AI ทำงานผิดพลาดหรือควรปรับปรุงในอนาคตได้

อย่างไรก็ตาม การเก็บ Feedback ไม่ได้หมายความว่า AI จะเรียนรู้และปรับปรุงตัวเองทันที เพราะยังขึ้นอยู่กับวิธีการพัฒนา ทดสอบ และอัปเดตโมเดลของแต่ละระบบ

ตัวอย่าง Human-in-the-Loop ในโรงงาน

เพื่อให้เห็นภาพการนำ HITL มาใช้จริง ลองดูตัวอย่างโรงงานที่ใช้ AI Visual Inspection หรือระบบ AI ตรวจสอบคุณภาพสินค้าผ่านภาพจากกล้อง

ระหว่างการตรวจสอบ AI พบว่าชิ้นงานชิ้นหนึ่งมีรอยบนพื้นผิว และประเมินว่ารอยดังกล่าวอาจเป็นตำหนิที่ส่งผลต่อคุณภาพสินค้า

แต่ในสภาพแวดล้อมการผลิตจริง รอยที่ AI ตรวจพบอาจไม่ได้เป็นตำหนิเสมอไป บางครั้งอาจเกิดจากแสงสะท้อน มุมกล้อง หรือสภาพพื้นผิวของวัสดุ

หากระบบคัดแยกชิ้นงานออกทันที ก็มีโอกาสที่สินค้าซึ่งผ่านมาตรฐานจะถูกคัดออกโดยไม่จำเป็น

ในทางกลับกัน หาก AI ไม่สามารถตรวจพบตำหนิที่เกิดขึ้นจริง สินค้าที่ไม่ได้มาตรฐานก็อาจผ่านไปยังขั้นตอนถัดไปได้เช่นกัน

HITL จึงเข้ามามีบทบาทในจุดนี้ โดยสามารถออกแบบการทำงานเป็น 3 ส่วน

AI ตรวจพบ: ระบบวิเคราะห์ภาพและระบุว่ามีรอยบนพื้นผิวที่อาจเป็นตำหนิ

มนุษย์ตรวจสอบ: เจ้าหน้าที่พิจารณารอยดังกล่าวร่วมกับมาตรฐานคุณภาพ เพื่อแยกว่าเป็นตำหนิจริงหรือเกิดจากปัจจัยอื่น เช่น แสงสะท้อน

ผลการตัดสินใจ: เจ้าหน้าที่ตัดสินใจว่าจะยอมรับ คัดแยก หรือส่งชิ้นงานไปตรวจสอบเพิ่มเติมตามเกณฑ์ที่กำหนด

ด้วยวิธีนี้ AI ยังสามารถช่วยตรวจสอบชิ้นงานจำนวนมากได้อย่างต่อเนื่อง ขณะที่เจ้าหน้าที่ไม่จำเป็นต้องตรวจสอบทุกชิ้น แต่เข้ามามีส่วนร่วมในกรณีที่ระบบกำหนดว่าต้องตรวจสอบเพิ่มเติม

ทั้งนี้ รูปแบบการตรวจสอบจะขึ้นอยู่กับความสามารถของ AI มาตรฐานคุณภาพ และระดับความเสี่ยงที่โรงงานยอมรับได้

ทำไม AI ยังต้องมีมนุษย์เข้ามาช่วยตรวจสอบ?

แม้ AI จะช่วยวิเคราะห์ข้อมูลและทำงานหลายอย่างได้ แต่ก่อนนำไปใช้ในกระบวนการจริง ยังมีข้อจำกัดบางประการที่องค์กรควรพิจารณา

1. AI ยังสามารถให้ผลลัพธ์ผิดพลาดได้

ความแม่นยำของ AI ขึ้นอยู่กับหลายปัจจัย ทั้งข้อมูลที่ใช้พัฒนาระบบ คุณภาพของข้อมูลที่ได้รับ และความแตกต่างระหว่างข้อมูลที่ใช้ฝึกโมเดลกับสถานการณ์จริง

ตัวอย่างเช่น ระบบตรวจสอบคุณภาพที่เคยทำงานได้ดีภายใต้สภาพแสงแบบหนึ่ง อาจให้ผลลัพธ์ต่างออกไปเมื่อมีการเปลี่ยนแปลงแสง มุมกล้อง หรือวัสดุที่ใช้ผลิต

จึงไม่ควรพิจารณาเพียงว่า AI มีความแม่นยำสูงแค่ไหน แต่ต้องดูด้วยว่าความแม่นยำนั้นเพียงพอสำหรับการนำไปใช้ในสถานการณ์จริงหรือไม่

2. บางการตัดสินใจต้องอาศัยบริบทหน้างาน

AI สามารถวิเคราะห์ข้อมูลตามรูปแบบที่เรียนรู้มาได้ แต่ไม่ได้หมายความว่าจะมีข้อมูลครบทุกด้านของสถานการณ์ที่เกิดขึ้น

บางครั้งการตัดสินใจอาจต้องพิจารณาสภาพเครื่องจักร ประวัติการผลิต ข้อจำกัดของกระบวนการ หรือปัจจัยอื่นที่ไม่ได้อยู่ในข้อมูลที่ AI ได้รับ

ประสบการณ์และความเข้าใจของผู้ปฏิบัติงานจึงยังมีความสำคัญ โดยเฉพาะในกรณีที่ต้องประเมินสถานการณ์มากกว่าการดูผลวิเคราะห์เพียงอย่างเดียว

3. ความผิดพลาดบางอย่างอาจส่งผลกระทบสูง

ในโรงงาน การตัดสินใจผิดพลาดบางกรณีอาจไม่ได้กระทบแค่ผลลัพธ์ของงานหนึ่งชิ้น แต่อาจส่งผลต่อคุณภาพสินค้า ความต่อเนื่องของการผลิต หรือความปลอดภัยของผู้ปฏิบัติงาน

สำหรับขั้นตอนที่มีความเสี่ยงสูง การกำหนดให้มนุษย์เข้ามาตรวจสอบหรืออนุมัติก่อนดำเนินการ จึงเป็นหนึ่งในแนวทางที่ช่วยควบคุมความเสี่ยงได้

อย่างไรก็ตาม การมีมนุษย์เข้ามาตรวจสอบก็ไม่ได้รับประกันว่าจะไม่มีข้อผิดพลาด เพราะมนุษย์เองสามารถตัดสินใจผิดได้เช่นกัน

การออกแบบ HITL จึงควรมีเกณฑ์การตรวจสอบที่ชัดเจน มีข้อมูลเพียงพอสำหรับการตัดสินใจ และกำหนดผู้รับผิดชอบในแต่ละขั้นตอนไว้อย่างเหมาะสม

งานแบบไหนควรมีมนุษย์ช่วยตรวจสอบ AI?

ไม่ใช่ทุกงานที่ใช้ AI จะต้องมีมนุษย์คอยตรวจสอบทุกขั้นตอน

บางงานมีรูปแบบการทำงานชัดเจน มีความเสี่ยงต่ำ และสามารถปล่อยให้ AI ทำงานอัตโนมัติได้ภายใต้เงื่อนไขที่กำหนด

แต่สำหรับงานที่มีความซับซ้อน หรือการตัดสินใจอาจส่งผลกระทบต่อกระบวนการผลิต องค์กรควรประเมินให้ชัดเจนว่า AI สามารถทำงานได้ถึงจุดไหน และเมื่อไรควรมีมนุษย์เข้ามาช่วยตรวจสอบ

โดยอาจเริ่มพิจารณาจาก 4 คำถามต่อไปนี้

1. ผลกระทบ – ถ้า AI ตัดสินใจผิด จะเกิดอะไรขึ้น?

ลองประเมินว่าหาก AI ให้ผลลัพธ์ผิดพลาด จะส่งผลต่อคุณภาพสินค้า ความปลอดภัย หรือความต่อเนื่องของกระบวนการผลิตมากน้อยแค่ไหน

หากความผิดพลาดนั้นอาจสร้างผลกระทบสูง การมีจุดตรวจสอบโดยมนุษย์ก่อนนำผลลัพธ์ไปใช้ก็อาจเป็นสิ่งจำเป็น

2. ความแม่นยำ – AI ให้ผลลัพธ์น่าเชื่อถือเพียงพอหรือยัง?

แม้ AI จะทำงานได้ดีในสถานการณ์ทั่วไป แต่ก็อาจมีบางกรณีที่ผลลัพธ์ยังไม่แน่นอน

องค์กรจึงควรประเมินว่า AI มีความแม่นยำเพียงพอกับลักษณะงานหรือไม่ รวมถึงกำหนดว่าผลลัพธ์แบบไหนที่ควรส่งให้มนุษย์ตรวจสอบเพิ่มเติม

3. การตัดสินใจ – งานนี้ต้องใช้ประสบการณ์ของมนุษย์หรือไม่?

บางงานไม่สามารถตัดสินใจจากข้อมูลที่ AI วิเคราะห์ได้เพียงอย่างเดียว แต่ยังต้องอาศัยประสบการณ์ของผู้ปฏิบัติงาน ความเข้าใจสถานการณ์จริง หรือข้อมูลที่ระบบยังไม่สามารถเข้าถึงได้

หากเป็นงานลักษณะนี้ การให้มนุษย์เข้ามาร่วมพิจารณาจะช่วยเพิ่มมุมมองประกอบการตัดสินใจ

4. การอนุมัติ – AI สามารถดำเนินการต่อได้เองหรือไม่?

AI อาจช่วยวิเคราะห์และเสนอแนวทางได้ แต่ไม่ได้หมายความว่าควรให้ระบบนำข้อเสนอนั้นไปดำเนินการทันทีในทุกกรณี

ตัวอย่างเช่น หาก AI เสนอให้ปรับค่าการทำงานของเครื่องจักร ซึ่งอาจส่งผลต่อคุณภาพสินค้าหรือความปลอดภัย โรงงานอาจกำหนดให้วิศวกรตรวจสอบและอนุมัติก่อนนำค่าดังกล่าวไปใช้จริง

คำถามทั้ง 4 ข้อนี้ไม่ใช่เกณฑ์ตายตัวสำหรับทุกระบบ แต่เป็นจุดเริ่มต้นที่ช่วยให้องค์กรพิจารณาได้ว่า ควรให้ AI ทำงานอัตโนมัติในระดับไหน และขั้นตอนใดที่ยังจำเป็นต้องมีมนุษย์เข้ามามีส่วนร่วม

สรุป: Human-in-the-Loop ไม่ใช่การให้คนตรวจสอบทุกขั้นตอน

การนำ AI มาใช้ไม่ได้หมายความว่าองค์กรต้องเลือกระหว่างการให้ AI ทำงานทั้งหมด หรือให้มนุษย์ตรวจสอบทุกผลลัพธ์

Human-in-the-Loop เป็นแนวทางที่ช่วยออกแบบการทำงานระหว่าง AI และมนุษย์ให้เหมาะกับลักษณะงาน โดยให้ AI รับหน้าที่วิเคราะห์ข้อมูล ตรวจจับความผิดปกติ และช่วยลดภาระงานบางส่วน ขณะที่มนุษย์เข้ามาตรวจสอบหรือร่วมตัดสินใจในกรณีที่จำเป็น

หัวใจของ HITL จึงไม่ใช่การให้คนตรวจสอบทุกขั้นตอน แต่คือการกำหนดให้ชัดว่าเมื่อไร AI สามารถทำงานต่อได้เอง และเมื่อไรควรมีมนุษย์เข้ามามีส่วนร่วม

สำหรับภาคอุตสาหกรรม การนำ AI มาใช้ให้เกิดประโยชน์จึงไม่ได้ขึ้นอยู่กับความสามารถของเทคโนโลยีเพียงอย่างเดียว แต่ยังขึ้นอยู่กับว่าองค์กรออกแบบให้ AI ทำงานร่วมกับคนและกระบวนการผลิตได้เหมาะสมแค่ไหน