ระบบ AI ค้นประวัติซ่อมวาล์วจากรายงานตรวจซ่อม สำหรับงานซ่อมบำรุงโรงกลั่นน้ำมัน
ลูกค้า: บริษัทเทคโนโลยีอุตสาหกรรมข้ามชาติ
ระบบนี้คือ AI Knowledge Management บน nimitFlow ที่ให้ทีมซ่อมบำรุงโรงกลั่นน้ำมันสร้างรายงานตรวจซ่อมวาล์วแบบดิจิทัล ส่งออกรายงานเป็นไฟล์ Excel และพิมพ์ถามประวัติซ่อมจากรายงานเดิมผ่านแชต AI เราส่งมอบระบบในปี 2569 และผู้ว่าจ้างลงนามในหนังสือรับรองงานเสร็จ
- อุตสาหกรรม
- พลังงาน
- ปี
- 2569
- ขอบเขตงาน
- ไลเซนส์ nimitFlow Full Enterprise และพัฒนาระบบ Enterprise AI Knowledge Management: ฟอร์มรายงานตรวจซ่อมวาล์ว โครงสร้างข้อมูลและการส่งออกรายงานเป็น Excel แดชบอร์ดตามหน่วยผลิต และผู้ช่วย AI ถามตอบ (RAG) พร้อมปรับแต่งการค้นและคำสั่งที่ส่งให้โมเดล (Prompt)
สรุปสั้น
- เราพัฒนาระบบ AI Knowledge Management บน nimitFlow ให้ทีมซ่อมบำรุงโรงกลั่นน้ำมันค้นประวัติซ่อมวาล์วควบคุม (Control Valve) และส่งมอบในปี 2569
- ข้อมูลตั้งต้นคือรายงานตรวจซ่อม PDF ราว 2,000 ฉบับ แยกตาม Tag No. (รหัสประจำวาล์ว) ซึ่งค้นข้ามฉบับไม่ได้ และนับรวมได้ยาก
- ระบบที่ส่งมอบมี 4 ส่วน คือ ฟอร์มรายงานดิจิทัลที่แนบรูปได้ การส่งออกรายงานเป็นไฟล์ Excel แดชบอร์ดตามหน่วยผลิต และผู้ช่วย AI แบบแชต
- ผู้ช่วย AI ใช้ LLM (โมเดลภาษาขนาดใหญ่) ร่วมกับ RAG (การค้นรายงานที่เกี่ยวข้องก่อนตอบ) และระบุ Tag No. ของรายงานที่ใช้ตอบ เพื่อให้เปิดตรวจสอบรายงานจริงได้
- คำถามเชิงนับรวมทั้งชุดข้อมูลควรตอบจากข้อมูลที่จัดโครงสร้างแล้ว เพราะ RAG ดึงมาเฉพาะรายงานที่เกี่ยวข้องที่สุดเพียงบางส่วน
โจทย์หน้างาน
ประวัติการตรวจซ่อมวาล์วควบคุม (Control Valve) ของโรงกลั่นอยู่ในรายงาน PDF ราว 2,000 ฉบับ แยกตาม Tag No. (รหัสประจำวาล์วแต่ละตัว) วิศวกรต้องเปิดรายงานทีละไฟล์เพื่อหาว่าวาล์วตัวไหนรั่ว หรือเปลี่ยนอะไหล่อะไรไปแล้ว และข้อมูลใน PDF นำมานับรวมเป็นภาพรวมได้ยาก
สิ่งที่เราทำ
เราพัฒนาระบบบน nimitFlow 4 ส่วน คือ ฟอร์มสร้างรายงานตรวจซ่อมแบบดิจิทัลที่แนบรูปได้ การส่งออกรายงานเป็นไฟล์ Excel แดชบอร์ดรวมรายงานตามหน่วยผลิต และผู้ช่วย AI แบบแชต (Enterprise KM Chatbot) ที่ใช้ LLM (โมเดลภาษาขนาดใหญ่) ร่วมกับ RAG (ค้นรายงานที่เกี่ยวข้องก่อนตอบ) โครงการเริ่มจากต้นแบบ (POC) เพื่อสาธิต แล้วจึงพัฒนาเป็นระบบใช้งาน
ผลลัพธ์
เราส่งมอบระบบในปี 2569 และผู้ว่าจ้างลงนามในหนังสือรับรองงานเสร็จ (Job Completion Certificate) ผู้ช่วย AI ออกแบบให้ตอบคำถามเช่น "วาล์ว Tag นี้เปลี่ยนอะไรไปบ้าง" โดยระบุ Tag No. ของรายงานที่ใช้ตอบ เพื่อให้เปิดตรวจสอบรายงานจริงได้
ที่มาของโจทย์
โจทย์ของเคสนี้คือการค้นประวัติซ่อมของวาล์วควบคุมแต่ละตัวได้จากที่เดียว รายงานตรวจซ่อมหนึ่งฉบับบันทึกสภาพชิ้นส่วนที่พบ อะไหล่ที่เปลี่ยน และผลทดสอบหลังซ่อม แต่รายงานเหล่านี้เป็นไฟล์ PDF ราว 2,000 ฉบับ แยกตาม Tag No. ข้อมูลจึงค้นข้ามฉบับไม่ได้
วาล์วควบคุมในโรงกลั่นมีจำนวนมาก และแต่ละตัวมีประวัติซ่อมสะสมหลายครั้ง การตัดสินใจว่าจะซ่อมซ้ำ เปลี่ยนอะไหล่ หรือวางแผนตรวจรอบถัดไป ต้องใช้ข้อมูลย้อนหลังของวาล์วตัวนั้น เมื่อข้อมูลอยู่ใน PDF คำถามอย่าง "วาล์วตัวนี้เปลี่ยนอะไรไปบ้าง" ต้องเปิดรายงานทีละไฟล์
ข้อกำหนดและข้อจำกัด
ระบบต้องใช้รายงานเดิมเป็นข้อมูลตั้งต้น และต้องรับรายงานใหม่ในรูปแบบเดียวกัน ข้อกำหนดและข้อจำกัดหลักมีดังนี้
- ข้อมูลตั้งต้นคือรายงาน PDF เดิม ซึ่งต้องจัดให้อยู่ในโครงสร้างเดียวกันก่อนจึงค้นข้ามฉบับได้
- รายงานใหม่ต้องกรอกผ่านฟอร์มดิจิทัลและแนบรูปได้ โดยหัวข้อต้องตรงกับรายงานที่ทีมใช้อยู่
- ต้องส่งออกรายงานเป็นไฟล์ Excel ได้
- คำตอบของ AI ต้องระบุ Tag No. ของรายงานที่ใช้ตอบ เพื่อให้ผู้ใช้เปิดรายงานจริงตรวจทานได้
- ระบบพัฒนาบน nimitFlow (แพลตฟอร์ม Low-Code สำหรับสร้างระบบงาน) ภายใต้ไลเซนส์ Full Enterprise
ทำไมต้องจัดรายงานเป็นข้อมูลโครงสร้างก่อนให้ AI ตอบ
เพราะ AI จะค้นและสรุปได้ดีเมื่อรายงานทุกฉบับมีหัวข้อเดียวกัน เราจึงจัดข้อมูลรายงานให้อยู่ในโครงสร้างเดียวกันบน nimitFlow ก่อน แล้วให้ผู้ช่วย AI ค้นและสรุปคำตอบจากข้อมูลชุดนั้น ข้อมูลชุดเดียวกันยังใช้ส่งออก Excel และแสดงบนแดชบอร์ดได้โดยไม่ต้องผ่าน AI
เราเลือก RAG แทนการให้โมเดลตอบจากความรู้ทั่วไป เพราะคำถามของทีมซ่อมบำรุงเป็นคำถามเรื่องวาล์วของโรงกลั่นเอง คำตอบจึงต้องอิงรายงานจริง และต้องบอกได้ว่ามาจากรายงานของ Tag No. ใด ส่วนการตัดสินใจซ่อมหรือเปลี่ยนอะไหล่ยังเป็นของวิศวกร
RAG คืออะไร
RAG (Retrieval-Augmented Generation) คือวิธีให้ AI ค้นเอกสารขององค์กรที่เกี่ยวข้องกับคำถามก่อน แล้วจึงเรียบเรียงคำตอบจากเนื้อหาที่ค้นเจอ คำตอบจึงอิงเนื้อหาจากเอกสารจริง แทนที่จะตอบจากความรู้ทั่วไปของโมเดลเพียงอย่างเดียว
สิ่งที่ส่งมอบ
เราส่งมอบไลเซนส์ nimitFlow Full Enterprise และระบบ Enterprise AI Knowledge Management 4 ส่วน พร้อมงานปรับแต่งการค้นของ RAG และคำสั่งที่ส่งให้โมเดล (Prompt)
- ฟอร์มรายงานตรวจซ่อมวาล์ว: กรอกข้อมูลและแนบรูปบน nimitFlow
- โครงสร้างข้อมูลและการส่งออก: จัดเก็บรายงานตาม Tag No. และส่งออกรายงานเป็นไฟล์ Excel
- แดชบอร์ด: รวมรายงานตามหน่วยผลิต
- ผู้ช่วย AI แบบแชต (Enterprise KM Chatbot): ตอบคำถามจากรายงานด้วย LLM ร่วมกับ RAG โดยระบุ Tag No. ของรายงานที่ใช้ตอบ
ขั้นตอนดำเนินงาน: จากต้นแบบสู่ระบบใช้งาน
โครงการนี้เริ่มจากต้นแบบ (POC) ก่อนพัฒนาเป็นระบบใช้งาน ต้นแบบใช้สาธิตว่าผู้ช่วย AI ตอบคำถามจากรายงานได้ จากนั้นเราจึงพัฒนาฟอร์ม โครงสร้างข้อมูล การส่งออก Excel แดชบอร์ด และผู้ช่วย AI ในระบบจริง
- ต้นแบบ (POC): สาธิตการถามตอบจากรายงานตรวจซ่อม
- พัฒนาระบบบน nimitFlow: ฟอร์ม โครงสร้างข้อมูล การส่งออก Excel แดชบอร์ด และผู้ช่วย AI
- ปรับแต่งการค้นของ RAG และคำสั่งที่ส่งให้โมเดล (Prompt)
- ส่งมอบระบบให้ทีมซ่อมบำรุงในปี 2569
ผลที่ยืนยันได้จากการส่งมอบ
ผลที่ยืนยันได้คือหนังสือรับรองงานเสร็จ (Job Completion Certificate) ที่ผู้ว่าจ้างลงนาม หลังเราส่งมอบระบบ AI Knowledge Management ให้ทีมซ่อมบำรุงโรงกลั่นน้ำมันในปี 2569
ผู้ช่วย AI ออกแบบให้ตอบคำถามอย่าง "วาล์ว Tag นี้เปลี่ยนอะไรไปบ้าง" หรือ "รายงานไหนพบการรั่ว (Leak)" โดยระบุ Tag No. ของรายงานที่ใช้ตอบ เคสนี้ไม่มีตัวเลขวัดผลทางธุรกิจ เราจึงรายงานเฉพาะผลที่มีเอกสารยืนยัน
สิ่งที่เราเรียนรู้
งานนี้ให้หลักการสำหรับงาน AI กับเอกสารซ่อมบำรุงดังนี้
- จัดข้อมูลให้เป็นโครงสร้างก่อนใช้ AI รายงานที่มีหัวข้อเดียวกันใช้ได้ทั้งการค้นด้วย AI การส่งออก Excel และแดชบอร์ด ส่วน AI เป็นเพียงอีกช่องทางหนึ่งที่อ่านข้อมูลชุดเดียวกัน
- เลือกวิธีตอบตามชนิดคำถาม คำถามเรื่องวาล์วตัวใดตัวหนึ่งเหมาะกับ RAG ส่วนคำถามเชิงนับรวมทั้งชุดข้อมูล เช่น "มีรายงานของยี่ห้อนี้กี่ฉบับ" ควรตอบจากข้อมูลที่จัดโครงสร้างแล้ว เพราะ RAG ดึงมาเฉพาะรายงานที่เกี่ยวข้องที่สุดเพียงบางส่วน
- คำตอบของ AI ต้องย้อนกลับไปหารายงานต้นทางได้ การระบุ Tag No. ในคำตอบทำให้วิศวกรเปิดตรวจสอบรายงานจริงได้ก่อนตัดสินใจ และควรใช้รายการคำถามที่ทีมงานถามจริงเป็นชุดทดสอบตั้งแต่ต้นโครงการ
นำแนวทางนี้ไปใช้กับรายงานซ่อมบำรุงของคุณได้อย่างไร
ถ้าทีมของคุณมีรายงานตรวจซ่อมอุปกรณ์สะสมจำนวนมาก และรายงานส่วนใหญ่ใช้แบบฟอร์มเดียวกัน คุณใช้แนวทางเดียวกับเคสนี้ได้ คือจัดรายงานเป็นโครงสร้างเดียวกัน เก็บตามรหัสอุปกรณ์ แล้วให้ผู้ช่วย AI ตอบโดยระบุรายงานที่ใช้ตอบ ส่วนที่ต้องปรับคือฟอร์มและโครงสร้างข้อมูล ซึ่งต้องออกแบบตามรายงานของคุณ
ส่วนที่ใช้ซ้ำได้ และส่วนที่ต้องปรับ
| ส่วนของระบบ | ใช้ซ้ำได้ | ต้องปรับเมื่อ |
|---|---|---|
| ฟอร์มรายงาน | ฟอร์มกรอกข้อมูลและแนบรูปบน nimitFlow | รายงานของคุณมีหัวข้อต่างจากรายงานตรวจซ่อมวาล์ว ต้องออกแบบฟอร์มและโครงสร้างข้อมูลใหม่ |
| รายงานเดิม | การจัดรายงาน PDF เดิมให้อยู่ในโครงสร้างเดียวกัน | รายงานเดิมมีหลายรูปแบบ ต้องตรวจตัวอย่างก่อนว่าจัดเป็นโครงสร้างเดียวกันได้หรือไม่ |
| การจัดเก็บและแดชบอร์ด | การเก็บรายงานตามรหัสอุปกรณ์ (Tag No.) และแดชบอร์ดตามหน่วยผลิต | อุปกรณ์ของคุณใช้รหัสหรือการจัดกลุ่มแบบอื่น ต้องตกลงรหัสหลักก่อน |
| การส่งออก | การส่งออกรายงานเป็นไฟล์ Excel | ผู้รับรายงานต้องการรูปแบบไฟล์เฉพาะ ต้องกำหนดรูปแบบก่อนพัฒนา |
| ผู้ช่วย AI | LLM ร่วมกับ RAG ที่ตอบโดยระบุรายงานที่ใช้ตอบ | คำถามส่วนใหญ่เป็นการนับรวมทั้งชุดข้อมูล ต้องออกแบบให้ตอบจากข้อมูลที่จัดโครงสร้างแล้ว |
- เตรียมตัวอย่างรายงานเดิมและแบบฟอร์มที่ใช้อยู่
- รวบรวมรายการคำถามที่ทีมงานถามจริง เพื่อใช้ทดสอบคำตอบก่อนส่งมอบ
- ให้ผู้ใช้หน้างานตรวจทานศัพท์เฉพาะและชื่อหัวข้อในฟอร์ม เพราะต้องตรงกับรายงานที่ทีมใช้อยู่
- เริ่มจากต้นแบบกับรายงานชุดเล็กและคำถามที่ถามบ่อย แล้วจึงขยายไปยังรายงานทั้งหมด
เทคโนโลยีที่ใช้
คำถามที่พบบ่อย
ระบบนี้ใช้กับรายงานที่เป็น PDF อยู่แล้วได้ไหม
ได้ ในเคสนี้ข้อมูลตั้งต้นคือรายงาน PDF เดิม เราจัดข้อมูลในรายงานให้อยู่ในโครงสร้างเดียวกันก่อน แล้วจึงให้ผู้ช่วย AI ค้นและตอบจากข้อมูลชุดนั้น ส่วนรายงานใหม่กรอกผ่านฟอร์มดิจิทัลบน nimitFlow
AI ตอบจากอะไร ตรวจสอบย้อนกลับได้ไหม
ได้ ผู้ช่วย AI ใช้ RAG ค้นรายงานที่เกี่ยวข้องก่อนตอบ และระบุ Tag No. ของรายงานที่ใช้ตอบ คุณจึงตรวจสอบย้อนกลับได้จาก Tag No. ผู้ใช้ควรเปิดรายงานจริงตรวจทานก่อนนำคำตอบไปใช้ตัดสินใจ
ถาม AI ให้นับจำนวนรายงานทั้งหมดได้ไหม
คำถามเชิงนับรวมทั้งชุดข้อมูลควรออกแบบให้ตอบจากข้อมูลที่จัดโครงสร้างแล้ว ไม่ใช่จาก RAG อย่างเดียว เพราะ RAG ดึงมาเฉพาะรายงานที่เกี่ยวข้องที่สุดเพียงบางส่วน ควรตกลงชนิดคำถามตั้งแต่ต้น เพื่อเลือกวิธีตอบให้เหมาะกับแต่ละคำถาม
ใช้กับอุปกรณ์อื่นนอกจากวาล์วได้ไหม
ได้ ถ้ารายงานตรวจซ่อมของอุปกรณ์นั้นมีแบบฟอร์มชัดเจน แต่ต้องออกแบบโครงสร้างข้อมูลและฟอร์มใหม่ตามรายงานของอุปกรณ์นั้น เราต้องดูตัวอย่างรายงานก่อนจึงจะยืนยันขอบเขตได้
ราคาและระยะเวลาพัฒนาเท่าไร
ไม่มีราคาตายตัว ราคาและระยะเวลาขึ้นกับจำนวนและรูปแบบรายงาน จำนวนผู้ใช้ และขอบเขตฟังก์ชัน เราเสนอราคาหลังดูตัวอย่างรายงานและรายการคำถามที่ทีมของคุณต้องการถาม
