Smart Facility Management ยุคใหม่: บริหารอาคารและโครงสร้างพื้นฐานด้วย IoT และ Data Analytics

เข้าใจบทบาทของระบบอัตโนมัติและ AI ให้ตรงกัน

Rule-Based Automation, Risk Algorithm, Predictive Analytics และ Machine Learning เป็นความสามารถที่ทำงานร่วมกันได้ แต่ไม่ใช่บันได AI สี่ขั้นที่ทุกองค์กรต้องเดินตามเสมอไป กฎอัตโนมัติและสูตรประเมินความเสี่ยงอาจทำงานได้โดยไม่ใช้ AI ขณะที่ Predictive Analytics สามารถใช้ทั้งสถิติ แบบจำลองทางกายภาพ และ Machine Learning ตามความเหมาะสม

องค์กรสามารถเลือกใช้ความสามารถเหล่านี้ร่วมกันตามลักษณะงาน เช่น ใช้กฎแจ้งเตือนเพื่อให้ตอบสนองตามมาตรฐาน ใช้สูตรประเมินความเสี่ยงเพื่อจัดลำดับความสำคัญ และใช้โมเดลเรียนรู้จากข้อมูลเพื่อช่วยพยากรณ์ การเลือกวิธีที่เหมาะสมต้องพิจารณาคุณภาพข้อมูล ความสามารถในการอธิบายผล และผลกระทบหากระบบประเมินผิดพลาด

Rule Based Automation กำหนดการตอบสนองที่ชัดเจน

ระบบนี้ทำงานตามเงื่อนไขที่ผู้เชี่ยวชาญกำหนด เช่น เมื่อระดับน้ำเกินเกณฑ์ต่อเนื่องตามเวลาที่ตั้งไว้ ให้แจ้งเจ้าหน้าที่ หรือเมื่ออุปกรณ์ขาดการเชื่อมต่อ ให้สร้างเหตุการณ์ตรวจสอบ ข้อดีคืออธิบายได้ว่ากฎใดถูกเรียกใช้ และทดสอบผลลัพธ์ก่อนนำไปใช้งานจริงได้ง่าย

กฎที่ดีควรครอบคลุมเงื่อนไขกลับสู่สถานะปกติ เพื่อลดการเตือนซ้ำจากค่าที่แกว่งใกล้เกณฑ์ รวมถึงระบุผู้รับผิดชอบและเวลายกระดับเหตุการณ์ หากเกี่ยวข้องกับการสั่งเครื่องจักร ต้องตรวจสอบโหมดควบคุมและเงื่อนไขอนุญาตก่อนทุกครั้ง การแจ้งเตือนกับการสั่งงานอัตโนมัติจึงต้องกำหนดสิทธิ์แยกกัน

Risk Algorithm รวมหลายปัจจัยเพื่อจัดลำดับความเสี่ยง

Risk Algorithm คือวิธีคำนวณหรือจัดระดับความเสี่ยงจากตัวแปรที่เกี่ยวข้อง ตัวอย่างเช่น ระดับน้ำ อัตราการเพิ่มของน้ำ ฝนที่คาดการณ์ น้ำทะเลหนุน และจำนวนเครื่องสูบน้ำที่พร้อมใช้งาน ระบบอาจใช้กฎ ตารางคะแนน หรือแบบจำลองทางวิศวกรรม โดยต้องกำหนดน้ำหนักและเกณฑ์ให้สอดคล้องกับพื้นที่

ผลลัพธ์ช่วยให้ทีมงานจัดลำดับจุดที่ควรดูแลก่อน พร้อมอธิบายปัจจัยที่ทำให้ความเสี่ยงสูงขึ้น เช่น น้ำเพิ่มเร็วในช่วงที่กำลังระบายจำกัด อย่างไรก็ตาม คะแนนความเสี่ยงไม่เท่ากับความน่าจะเป็นเสมอไป คะแนน 80 จาก 100 จึงไม่ควรถูกแปลว่าโอกาสน้ำท่วมร้อยละ 80 หากยังไม่ได้สอบเทียบกับเหตุการณ์จริง

เมื่อนำไปเชื่อมกับ Suggestion Engine ระบบสามารถเสนอให้ตรวจสอบเครื่องสำรอง เตรียมเจ้าหน้าที่ หรือพิจารณาเพิ่มกำลังสูบน้ำได้ โดยคำแนะนำควรแสดงเหตุผล ข้อมูลที่ใช้ และข้อจำกัด เพื่อให้ผู้ควบคุมประเมินก่อนดำเนินการ

Predictive Analytics เพิ่มเวลาเตรียมรับสถานการณ์

Predictive Analytics ใช้ข้อมูลย้อนหลังและข้อมูลปัจจุบันเพื่อประมาณผลในอนาคต เช่น คาดการณ์แนวโน้มระดับน้ำในช่วงเวลาถัดไป หรือเปรียบเทียบสถานการณ์เมื่อปริมาณฝนและกำลังระบายเปลี่ยนแปลง เป้าหมายคือเพิ่มเวลาให้ทีมงานเตรียมทรัพยากร ไม่ใช่รับประกันว่าเหตุการณ์จะเกิดขึ้นตามค่าพยากรณ์เสมอ

ก่อนใช้ผลพยากรณ์ประกอบการปฏิบัติงาน ควรทดสอบกับช่วงเวลาที่โมเดลไม่เคยเห็น เปรียบเทียบกับวิธีพื้นฐาน และวัดความคลาดเคลื่อนในช่วงเหตุการณ์สำคัญ การแสดงช่วงความไม่แน่นอนช่วยให้ผู้ควบคุมวางแผนเผื่อได้ดีกว่าการเห็นตัวเลขคาดการณ์เพียงค่าเดียว

Machine Learning เรียนรู้รูปแบบจากข้อมูล

Machine Learning เป็นส่วนหนึ่งของ AI ที่เรียนรู้รูปแบบจากข้อมูลฝึก แทนการเขียนเงื่อนไขทุกกรณีด้วยมือ [2] ในงาน Facility สามารถใช้ตรวจจับพฤติกรรมผิดปกติของอุปกรณ์ หรือช่วยพยากรณ์ระดับน้ำจากความสัมพันธ์ของฝน น้ำทะเล และสถานะระบบระบาย โดยต้องมีข้อมูลที่ครอบคลุมสภาพการใช้งานจริง

ตัวอย่างเช่น โมเดลอาจพบว่าปั๊มตัวหนึ่งใช้กระแสไฟต่างจากพฤติกรรมปกติภายใต้ภาระงานใกล้เคียงกัน จึงส่งสัญญาณให้ตรวจสอบได้ แต่ความผิดปกติยังไม่ใช่คำวินิจฉัยว่าอุปกรณ์กำลังเสีย เจ้าหน้าที่ต้องตรวจสอบร่วมกับข้อมูลอื่น ส่วนการทำนายชนิดความเสียหายต้องมีประวัติเหตุขัดข้องที่เพียงพอและระบุเหตุการณ์อย่างถูกต้อง

หลังใช้งานต้องติดตามผลต่อเนื่อง เพราะฤดูกาล การเปลี่ยนอุปกรณ์ หรือการปรับพื้นที่อาจทำให้รูปแบบข้อมูลเปลี่ยนไป การเรียนรู้จากข้อมูลจึงไม่เท่ากับระบบปรับปรุงตัวเองอย่างถูกต้องตลอดเวลา องค์กรต้องมีผู้รับผิดชอบตรวจคุณภาพ ทบทวนโมเดล และอนุมัติการเปลี่ยนแปลง