(การใช้ Data Analysis และ AI เพื่อการตัดสินใจเชิงวิศวกรรมอุตสาหการ)

ในปัจจุบันองค์กรอุตสาหกรรมต้องเผชิญกับความซับซ้อนของกระบวนการผลิตและปริมาณข้อมูลที่เพิ่มขึ้นอย่างต่อเนื่อง ขณะที่การตัดสินใจยังคงพึ่งพาประสบการณ์ส่วนบุคคลเป็นหลัก ส่งผลให้การวิเคราะห์ปัญหาและการปรับปรุงกระบวนการอาจไม่แม่นยำและใช้เวลานาน หลักสูตรนี้จึงมุ่งพัฒนาทักษะการคิดเชิงวิเคราะห์และเชิงระบบ ควบคู่กับการนำ Data มาใช้สนับสนุนการตัดสินใจอย่างมีโครงสร้าง พร้อมทั้งประยุกต์ใช้ AI (Gemini) เพื่อช่วยสรุป วิเคราะห์ และสกัด Insight จากข้อมูลหน้างานได้อย่างมีประสิทธิภาพ นอกจากนี้ ยังนำแนวคิด RPA มาบูรณาการร่วมกับ AI เพื่อเพิ่มความสามารถในการจัดการข้อมูลและลดภาระงานซ้ำซ้อน ผ่านกระบวนการเรียนรู้แบบ Workshop ที่เชื่อมโยงกับปัญหาจริงของผู้เข้าอบรม เพื่อให้สามารถพัฒนาเป็น Project หรือ Action Plan ที่นำไปใช้ได้จริงในองค์กรอย่างเป็นรูปธรรมภายในระยะเวลาอบรม 1 วัน

 

• เข้าใจบทบาทและความเชื่อมโยงของ Data, Information และการตัดสินใจในบริบทงานวิศวกรรมอุตสาหการ
• เสริมสร้างทักษะการคิดเชิงวิเคราะห์ (Analytical Thinking) และการมองเชิงระบบ (Systems Thinking) เพื่อใช้เป็นพื้นฐานก่อนการประยุกต์ใช้ AI
• สามารถประยุกต์ใช้ AI (Gemini) ในการสรุปข้อมูล จัดระเบียบ และวิเคราะห์เพื่อดึง Insight จากข้อมูลหน้างาน
  ได้อย่างมีประสิทธิภาพ
• สามารถออกแบบแนวทางการนำ Data, AI และ RPA ไปปรับใช้ให้เหมาะสมกับกระบวนการทำงานของตนเอง
  ได้อย่างเป็นรูปธรรม

09.00 – 09.30 น.

Module 1: Data-Driven Engineering Mindset

เนื้อหา:

ปัญหาที่พบบ่อยในองค์กร (ตัดสินใจจากประสบการณ์ล้วน)

• อธิบายสถานการณ์ที่องค์กรยังพึ่งพา “ประสบการณ์ส่วนบุคคล” มากกว่า Data
• ผลกระทบ เช่น การตัดสินใจไม่สม่ำเสมอ วิเคราะห์ซ้ำ ใช้เวลานาน

 

ความแตกต่างระหว่าง: Data vs Information vs Insight

• อธิบายความหมายและตัวอย่างในบริบทโรงงาน
• เน้นการเปลี่ยน “ข้อมูลดิบ” ให้เป็น Insight ที่ใช้ตัดสินใจได้จริง

 

Framework การตัดสินใจในงาน IE

• แนะนำโครงคิดการใช้ข้อมูลในการตัดสินใจเชิงวิศวกรรม
• เชื่อมโยง Data เข้ากับการแก้ปัญหาและการปรับปรุงกระบวนการ

 

Workshop:

• วิเคราะห์ Case จริงจากโรงงาน
  ให้ผู้เข้าอบรมมองเห็นปัญหาและช่องว่างของการใช้ Data
• ระบุ Pain Point ในงานตัวเอง
  เชื่อมโยงเนื้อหาเข้าสู่บริบทงานจริงของแต่ละคน

 

 

 

 

 

 

 

09.30 – 10.30 น.

Module 2: Analytical Thinking & Systems Thinking

เนื้อหา:
หลักการคิดเชิงวิเคราะห์ (Root Cause / Why-Why)

• เทคนิคการหาสาเหตุของปัญหาอย่างเป็นระบบ
• ลดการแก้ปัญหาแบบปลายเหตุ

 

Systems Thinking ในกระบวนการผลิต

• การมองความเชื่อมโยงของแต่ละขั้นตอนในระบบ
• เข้าใจผลกระทบข้ามกระบวนการ (Interdependency)

 

การมองภาพรวม (End-to-End Process)

• การวิเคราะห์กระบวนการตั้งแต่ต้นจนจบ
• ระบุจุดที่เกิดความสูญเสียหรือความล่าช้า

 

Workshop:

• Map Process งานตัวเอง
  ให้ผู้เข้าอบรมวาดภาพกระบวนการทำงานจริง
• หา “จุดที่ Data ควรถูกใช้”
  ระบุจุดที่ควรมีข้อมูลเพื่อช่วยตัดสินใจ

 

 

10.45 – 12.00 น.

Module 3: การใช้ AI (Gemini) สำหรับงานวิศวกรรม

เนื้อหา:
หลักการใช้ AI อย่างมีประสิทธิภาพ

• แนวคิดการใช้ AI เป็นเครื่องมือช่วยวิเคราะห์ (Decision Support)
• ข้อจำกัดและข้อควรระวังในการใช้งาน

 

เทคนิค Prompt Engineering สำหรับงาน IE

• วิธีตั้งคำถามให้ AI ได้ผลลัพธ์ที่ตรงและมีคุณภาพ
• การกำหนด Context และรูปแบบคำตอบ

 

การใช้ AI

• สรุปข้อมูล Production ลดเวลาในการอ่านและสรุปรายงาน
• วิเคราะห์ Defect / Downtime ช่วยมองหา pattern และแนวโน้มของปัญหา
• หาแนวโน้ม ใช้ AI ช่วยตั้งสมมติฐานเบื้องต้น

 

Workshop:

• ทดลองใช้ AI กับ Dataset ตัวอย่าง
  ให้ผู้เข้าอบรมเห็นการทำงานจริงของ AI
• เขียน Prompt เพื่อแก้ปัญหาหน้างานจริง
  ฝึกใช้ AI กับบริบทงานของตนเอง

 

13.00 – 14.00 น.

Module 4: RPA + AI Integration

เนื้อหา:
แนวคิด RPA ในโรงงาน

• บทบาทของ RPA ในการลดงานซ้ำซ้อน
• ตัวอย่างงานที่เหมาะกับการใช้ Automation

 

การออกแบบ Workflow:

• Data Collection (RPA) การรวบรวมและเตรียมข้อมูลแบบอัตโนมัติ
• Data Analysis (AI) การนำข้อมูลไปวิเคราะห์เพื่อสร้าง Insight

Use Case:

• Daily Report Automation การสร้างรายงานอัตโนมัติจากข้อมูลหน้างาน
• Quality Monitoring การติดตามคุณภาพและแจ้งเตือนความผิดปกติ

Workshop:

• ออกแบบ Flow งาน: “RPA + AI + Human Decision”
  ให้ผู้เข้าอบรมกำหนดบทบาทของระบบและคนในกระบวนการเดียวกัน

 

14.00 – 15.30 น.

Module 5: Project Workshop (Core Session)

ผู้เข้าอบรมจะต้องสร้าง Project ของตัวเอง เช่น

• ลดของเสีย (Scrap Reduction)
• เพิ่ม Productivity
• วิเคราะห์ Downtime
• Optimize Process

 

โดยใช้ Framework:

• Problem Definition กำหนดปัญหาให้ชัดเจนและวัดผลได้
• Data Required ระบุข้อมูลที่จำเป็นต่อการวิเคราะห์
• RPA Role กำหนดส่วนที่สามารถใช้ Automation
• AI Role กำหนดบทบาทของ AI ในการวิเคราะห์
• Expected Outcome กำหนดผลลัพธ์และ KPI ที่ต้องการเน้นให้ Project มีความเป็นไปได้และนำไปใช้ต่อได้จริง

 

15.30 – 16.00 น.

Module 6: Presentation & Reflection

กิจกรรม:

• นำเสนอ Project (Mini Pitch) ผู้เข้าอบรมนำเสนอแนวคิดและแนวทางของ Project
• รับ Feedback จากวิทยากร ให้คำแนะนำด้านความเป็นไปได้และการนำไปใช้จริง
• Reflection: สิ่งที่ได้เรียนรู้ / สิ่งที่จะนำไปใช้จริง
   

รูปแบบ Workshop

1. Pre-Workshop (ก่อนอบรม)

ให้ผู้เข้าอบรมเตรียม

• ปัญหาหน้างาน 1 เรื่อง
• Data ที่มีอยู่ (ถ้ามี) เพื่อให้สามารถเริ่มพัฒนา Project ได้ทันทีในวันอบรม

 

2. Guided Workshop

• มี Template ให้กรอกอย่างเป็นขั้นตอน
• มีตัวอย่าง Use Case จริงประกอบการเรียนรู้
• วิทยากรช่วย Coach รายกลุ่ม เพื่อช่วยให้ผู้เข้าอบรมสามารถพัฒนา Project ได้อย่างเป็นรูปธรรม

 

3. Project Template (โครงสร้าง)

ผู้เข้าอบรมต้องส่ง

• ชื่อ Project
• ปัญหา (Pain Point)
• Data ที่ใช้
• แนวทางใช้ AI (Gemini)
• แนวทางใช้ RPA
• ผลลัพธ์ที่คาดหวัง (KPI)

 

4. Output ที่ได้

• Action Plan ที่สามารถนำไปใช้ได้จริง
• Prototype แนวคิดระบบอัตโนมัติ (ในระดับแนวทาง)

วิศวกร (IE, Production, Automation และสาขาอื่นๆ), หัวหน้างาน และผู้จัดการ