ชไนเดอร์อิเล็คทริคแนะภาคอุตสาหกรรม จัดการวิธีเก็บ'OT data'ปลดล็อคAI

วันที่ 10 มีนาคม 2569 - 22:45 น.

กรุงเทพฯ-ชไนเดอร์ อิเล็คทริค (Schneider Electric) ผู้นำระดับโลกด้านเทคโนโลยีพลังงาน แนะองค์กรใช้โครงสร้างพื้นฐานรวบรวม OT data อย่างมีระบบ ช่วยจัดเก็บข้อมูลเชิงลึกสำหรับภาคอุตสาหกรรมต่อยอดธุรกิจระยะยาว

ปัจจุบันองค์กรชั้นนำในภาคอุตสาหกรรมกำลังเผชิญกับภาวะย้อนแย้งด้านข้อมูล เนื่องจากแต่ละองค์กรมีข้อมูลมหาศาล แต่กลับไม่ใช่ข้อมูลเชิงลึกทางกลยุทธ์ โดยคาดการณ์ว่าภาคอุตสาหกรรมทั่วโลกจะมีปริมาณข้อมูลสะสมสูงถึง 4.4 เซตตะไบต์ ภายในปี 2030 ซึ่งเพิ่มขึ้นกว่า 2 เท่า เมื่อเทียบกับปริมาณข้อมูลสะสมในปี 2023

การรวบรวมข้อมูลเทคโนโลยีเชิงปฏิบัติการ หรือ OT data (Operational Technology Data) ตลอดหลายปีที่ผ่านมา จากระบบเซนเซอร์ การทำงานของเครื่องจักรและในกระบวนการสายการผลิตสะท้อนให้เห็นถึงศักยภาพในการนำไปใช้เพื่อคาดการณ์การบำรุงรักษา การเพิ่มประสิทธิภาพด้านพลังงานและระบบการปฏิบัติการแบบอัตโนมัติ อย่างไรก็ตามการแปลงข้อมูลดิบเหล่านั้นเป็นข้อมูลเชิงลึกและเป็นโอกาสในการยกระดับประสิทธิภาพกลับเป็นเรื่องที่ท้าทาย ซึ่งอุปสรรคสำคัญแทบไม่ได้เกิดจากเครื่องมือวิเคราะห์หรือความมุ่งมั่นขององค์กร แต่ขึ้นอยู่กับความแข็งแกร่งของการวางโครงสร้างด้านบริหารจัดการ OT data

ทั้งนี้จุดเชื่อมต่อที่ขาดหายไปไม่ใช่เรื่องของการเพิ่มระบบวิเคราะห์ให้มากขึ้น แต่คือโครงสร้างพื้นฐานและแนวทางปฏิบัติที่จำเป็นในการทำให้ OT data สามารถนำไปใช้งานได้มากกว่าวัตถุประสงค์เดิมที่ตั้งไว้ ส่งผลให้องค์กรในอุตสาหกรรมจำนวนมากตกอยู่ในภาวะร่ำรวยข้อมูลแต่ยากจนข้อมูลเชิงลึกที่ถูกรายล้อมไปด้วยข้อมูลปฏิบัติการทั่วไป แต่ไม่สามารถนำมาใช้ประโยชน์ในวงกว้างได้อย่างต่อเนื่อง

OT data คืออะไร?

OT data คือ ข้อมูลสื่อสารที่เกิดขึ้นระหว่างอุปกรณ์ต่างๆ ในขณะปฏิบัติการ เช่น สถานะของอุปกรณ์ ตัวแปรของกระบวนการผลิต เหตุการณ์ และสัญญาณแจ้งเตือนต่างๆ เป็นต้น โดยเป็นข้อมูลอธิบายพฤติกรรมแต่ละส่วนของระบบอุตสาหกรรมแบบเรียลไทม์ ส่วนข้อมูลเทคโนโลยีสารสนเทศ หรือ IT data (Information Technology Data) มักเป็นข้อมูลเชิงธุรกรรมและมีโครงสร้างเพื่อรองรับกระบวนการทางธุรกิจเท่านั้น ในขณะที่ OT data มีลักษณะข้อมูลที่ต่อเนื่อง หลากหลาย ซึ่งข้อมูลที่ได้เกิดจากอุปกรณ์ที่ออกแบบมาเพื่อจำกัดการแบ่งปันข้อมูลในวงกว้าง

แม้ความแตกต่างเหล่านี้เป็นเพียงรายละเอียดเล็กน้อย แต่มีความสำคัญมาก ในทางปฏิบัติองค์กรต่างๆ ไม่ได้ทำการ "เชื่อมต่อข้อมูล" แต่เป็นการ "เชื่อมต่ออุปกรณ์" เข้าด้วยกัน และเมื่ออุปกรณ์ต่างๆ เชื่อมต่อกันแล้วจึงสามารถดึงข้อมูลออกมาเพื่อระบุบริบทและนำกลับมาใช้ใหม่ได้ หากข้อมูล OT ยังคงถูกจำกัดอยู่แค่ในตัวเครื่องจักรหรือระบบประวัติ มูลค่าของข้อมูลนั้นจะถูกจำกัดโดยสิ้นเชิง

ทำไม OT data สำคัญต่อการวิเคราะห์เชิงอุตสาหกรรม

การวิเคราะห์ข้อมูลเชิงอุตสาหกรรมต้องอาศัยข้อมูลที่ทันต่อสถานการณ์ มีบริบทที่ชัดเจนและเชื่อถือได้เกี่ยวกับประสิทธิภาพการดำเนินงาน แต่ OT data ส่วนใหญ่ที่รวบรวมในปัจจุบันออกแบบมาเพื่อการปฏิบัติตามกฎระเบียบ การตรวจสอบย้อนกลับหรือการติดตามผลขั้นพื้นฐาน ไม่ใช่เพื่อการปรับปรุงประสิทธิภาพ

ข้อมูลสำหรับการปฏิบัติตามกฎระเบียบจะช่วยตอบคำถามว่า กระบวนการผลิตยังคงอยู่ในขอบเขตที่ยอมรับได้หรือไม่ หรือการผลิตชุดนั้นๆ เป็นไปตามข้อกำหนดหรือไม่ ในทางกลับกันข้อมูลจำเป็นต้องรองรับการวิเคราะห์ การเปรียบเทียบและการปรับปรุงอย่างต่อเนื่อง ซึ่งต้องอาศัยอัตราการสุ่มตัวอย่าง โครงสร้างและข้อมูลบริบทที่แตกต่างกันจึงอธิบายได้ว่าทำไมโครงการวิเคราะห์ข้อมูลจำนวนมากจึงหยุดชะงักตั้งแต่ช่วงเริ่มต้น องค์กรอาจมี OT data  ย้อนหลังหลายปี แต่ยังคงประสบปัญหาในการปรับปรุงประสิทธิภาพ ความท้าทายจึงไม่ใช่การขาดแคลนข้อมูล แต่เป็นการขาดแคลนข้อมูลที่พร้อมสำหรับการวิเคราะห์

ความสำคัญของ OT data สำหรับ AI

ปัญญาประดิษฐ์ หรือ AI ยิ่งทำให้ความท้าทายนี้ชัดเจนขึ้น แม้ AI จะได้รับความสนใจอย่างมหาศาล แต่ความสำเร็จนั้นขึ้นอยู่กับคุณภาพและความพร้อมของข้อมูลที่ป้อนเข้าไป ทั้งนี้ในสภาพแวดล้อมทางอุตสาหกรรม โครงการ AI ส่วนใหญ่ล้มเหลวหรือทำงานได้ไม่เต็มประสิทธิภาพ ไม่ใช่เพราะข้อจำกัดของอัลกอริทึม แต่เป็นเพราะ OT data ไม่สมบูรณ์ มีโครงสร้างไม่สม่ำเสมอ ขาดบริบทหรือเข้าถึงได้ยาก

กฎทั่วไปที่ทราบกันดีคือ 80% ของเวลาในโครงการ AI ใช้ไปกับการเตรียมข้อมูล ในส่วนนี้ AI เปรียบเสมือนบทสรุป ไม่ใช่ฉากเปิด โดยทำหน้าที่ขยายผลจากฐานข้อมูลเริ่มต้นที่มีอยู่ หาก OT data ไม่ได้รับการสร้างแบบจำลองและเปิดเผยข้อมูลอย่างสม่ำเสมอ AI จะกลายเป็นระบบที่เปราะบาง มีต้นทุนสูงและขยายผลได้ยาก แทนที่จะเป็นจุดเริ่มต้นแต่กลับเป็นตัวบ่งชี้ว่า องค์กรได้วางรากฐานที่จำเป็นเพื่อให้ OT data สามารถใช้ได้ข้ามไซต์งานและข้ามกรณีการใช้งานต่างๆ แล้วหรือไม่

ทำไมวิธีจัดการ OT data จำเป็นในการเปลี่ยนผ่านสู่ดิจิทัล

เมื่อเป้าหมายด้านดิจิทัลขยายขอบเขตจากการวิเคราะห์เฉพาะจุดไปสู่การเพิ่มประสิทธิภาพระดับองค์กร วิธีจัดการ OT data แบบแก้ปัญหาเฉพาะหน้าจะถึงทางตันอย่างรวดเร็ว การเตรียมข้อมูลทีละกรณีทำให้การใช้งานอาจได้ผลในระยะแรก แต่ไม่สามารถขยายผลได้ในระยะยาว

แนวทางการบริหารจัดการ OT data ที่มีโครงสร้างชัดเจนช่วยสร้างความสม่ำเสมอครอบคลุมทั้งไซต์งาน อุปกรณ์และแอปพลิเคชัน ทำให้ข้อมูลสามารถนำกลับมาใช้ใหม่ รวมถึงต่อยอดและพัฒนาไปตามเวลาแทนที่จะต้องสร้างใหม่ซ้ำๆ สิ่งนี้ช่วยให้โครงการดิจิทัลเปลี่ยนจากการทดลองไปสู่ประสิทธิภาพทางอุตสาหกรรมที่ยั่งยืน โดยประสานการทำงานของฝ่ายปฏิบัติการ ฝ่ายวิศวกรรมและทีมข้อมูลภายใต้มาตรฐานและเป้าหมายเดียวกัน

โครงสร้างพื้นฐานรวบรวม OT data แกนหลักสำคัญที่หายไป

โครงสร้างพื้นฐานในการรวบรวม OT data ทำหน้าที่เสมือนเป็นสะพานเชื่อมต่อระหว่างการปฏิบัติงานและเป้าหมายด้านดิจิทัล ช่วยให้ข้อมูลจากอุปกรณ์ต่างๆ ส่งผ่านไปยังแอปพลิเคชันได้อย่างน่าเชื่อถือ โดยมี 4 แกนหลักที่ OT data ต้องมีความพร้อม

·       ความพร้อมใช้งานของข้อมูล

·       การเข้าถึงข้อมูล

·       การจัดโครงสร้างและระบุบริบทของข้อมูล

·       การเผยแพร่ข้อมูล

ความพร้อมเหล่านี้เมื่อได้รับการสนับสนุนจากเฟรมเวิร์กซอฟต์แวร์และระเบียบวิธีปฏิบัติที่เป็นมาตรฐานเดียวกันช่วยให้มั่นใจได้ว่า ข้อมูลจะถูกดึงออกจากอุปกรณ์ จัดโครงสร้างอย่างเป็นระบบและนำเสนอรูปแบบที่เหมาะสมกับการใช้งานหลากหลาย ไม่ว่าจะเป็นด้านการปฏิบัติตามกฎระเบียบ ความมั่นคงปลอดภัยไซเบอร์ การวิเคราะห์ข้อมูล และ AI

หากไม่มี 4 แกนหลักดังกล่าว โครงการดิจิทัลต่างๆ จะทำงานแบบแยกส่วนและยากต่อการขยายผล ซึ่งการมีโครงสร้างพื้นฐานรวบรวมข้อมูลองค์กรสามารถรองรับ OT data จากอุปกรณ์ใหม่จำนวนหลายรายการที่เชื่อมต่อเข้ามาในแต่ละปีได้ และยังคงรักษาการควบคุมและความสม่ำเสมอไว้ได้ ทำให้เกิดความคืบหน้าอย่างเป็นลำดับและวัดผลได้ นั่นหมายถึงอุปกรณ์จะถูกเชื่อมต่อทีละขั้นตอน สามารถยกระดับมาตรฐานได้อย่างต่อเนื่อง ส่งผลให้มูลค่าของข้อมูลเพิ่มขึ้นทุกครั้งที่มีการนำไปใช้งาน

OT data ที่เชื่อถือได้ ต้องมีไซเบอร์ซีเคียวริตี้จากการออกแบบ

ในขณะที่เส้นทางรับ-ส่ง OT data ขยายขอบเขตครอบคลุมตั้งแต่เซนเซอร์และคอนโทรลเลอร์ที่เอดจ์ไปจนถึงระบบวิเคราะห์และแอปพลิเคชัน AI บนคลาวด์ ความถูกต้องครบถ้วนของข้อมูลจึงกลายเป็นเรื่องสำคัญไม่น้อยไปกว่าความพร้อมใช้งาน ปัจจุบันข้อมูลอุตสาหกรรมต้องส่งผ่านอุปกรณ์ เครือข่ายและแพลตฟอร์มที่กระจัดกระจาย ซึ่งไม่ได้ออกแบบมารองรับการเข้าถึงแบบเปิดหรือการวิเคราะห์ขั้นสูงทำให้เพิ่มความเสี่ยง อาจเกิดความเสียหายของข้อมูลได้ เช่น ถูกดักจับ หรือถูกนำไปใช้ผิดวัตถุประสงค์

การผนวกมาตรการความมั่นคงปลอดภัยเข้าสู่กระบวนการรวบรวมและส่งผ่าน OT data ตั้งแต่การปกป้องข้อมูลที่เอดจ์ การรักษาความปลอดภัยระหว่างการรับส่งข้อมูลไปจนถึงการควบคุมสิทธิ์การเข้าถึง ช่วยรับประกันได้ว่าระบบวิเคราะห์และ AI ในขั้นตอนถัดไปจะทำงานบนพื้นฐานของข้อมูลที่เชื่อถือได้และมีความถูกต้องครบถ้วน ดังนั้นความมั่นคงปลอดภัยไซเบอร์จึงไม่ใช่เพียงภารกิจที่ทำควบคู่กันไป แต่เป็นรากฐานสำคัญที่ขาดไม่ได้สำหรับการขยายผลระบบวิเคราะห์อุตสาหกรรม AI และการเปลี่ยนผ่านสู่ดิจิทัลได้อย่างมั่นใจ

สร้างรากฐานอย่างมั่นคงก่อนเร่งความเร็ว

การเตรียมความพร้อม OT data ไม่ใช่โครงการที่ทำเพียงครั้งเดียวจบและไม่ใช่การพลิกโฉมอย่างรวดเร็ว แต่เป็นความพยายามอย่างต่อเนื่องที่ต้องอาศัยวินัยและความสม่ำเสมอ โดยได้รับการสนับสนุนจากการประสานงานภายในที่แข็งแกร่งและธรรมาภิบาลข้อมูลที่มีประสิทธิภาพ กระบวนการความคืบหน้าต้องวัดผลและขยายผลได้อย่างเป็นลำดับ รวมถึงต้องสอดคล้องกับลำดับความสำคัญในการดำเนินงานจริง