13 กรกฎาคม 2569 ถึง 16 ธันวาคม 2569

การประยุกตใชปญญาประดิษฐในงานอุตสาหกรรมภาคปฏิบัติ (Industrial AI Implementation Workshop)

มหาวิทยาลัยสยาม

1. อุตสาหกรรมดิจิทัล

1. Data Science

1. Industrial AI Roadmap & Data Preparation
2. AI for Quality Inspection (Computer Vision)
3. Predictive AI for Maintenance & Energy
4. Optimization & Decision Intelligence
5. AI Deployment & Future Roadmap

Bootcamp

มหาวิทยาลัยสยาม

ภาคทฤษฎี 10 ชั่วโมง | ภาคปฏิบัติ 20 ชั่วโมง

ในการเปลี่ยนผานสูอุตสาหกรรม 4.0 ทักษะทางวิศวกรรมแบบดั้งเดิมอาจไมเพียงพอตอการ
ขับเคลื่อนภาคการผลิตอีกตอไป แตจําเปนตองบูรณาการความเชี่ยวชาญดานวิทยาการขอมูล (Data
Science) เขามาเปนหัวใจหลักในการสรางความเติบโตที่ยั่งยืน การที่หลักสูตรนี้มุงเนนการพัฒนาทักษะ
การประยุกตใช AI ในงานอุตสาหกรรม จึงเปรียบเสมือนการสรางสะพานเชื่อมโยงระหวางขอมูลดิบจาก
หนางาน (Operational Technology) เขากับเทคโนโลยีสารสนเทศ (Information Technology) เพื่อ
เปลี่ยนขอมูลเหลานั้นใหกลายเปนขุมทรัพยทางปญญาที่สามารถพยากรณอนาคตและตัดสินใจไดอยาง
แมนยํา
การสรางบุคลากรที่มีทักษะดานวิทยาการขอมูลในบริบทอุตสาหกรรมถือเปนเรื่องเรงดวน
เนื่องจากปจจุบันโรงงานตาง ๆ มีขอมูลมหาศาลที่ถูกจัดเก็บผาน PLC หรือ SCADA แตยังขาดแคลนผูที่
สามารถนําขอมูลเหลานั้นมาทําการ Cleaning วิเคราะหเชิงสํารวจ (EDA) หรือสรางเปนโมเดลพยากรณ
(Predictive Model) เพื่อแกปญหาจริง ดังนั้นหลักสูตรนี้จึงไมใชเพียงความรูพื้นฐานหรือการเขียน
โปรแกรม แตเปนการเขาใจวงจรการพัฒนา AI ตั้งแตตนจนจบ ซึ่งจะชวยยกระดับพนักงานจากการเปนผู
ควบคุมเครื่องจักรไปสูการเปนนักวิเคราะหขอมูลอุตสาหกรรม (Industrial Data Scientist) ที่สามารถใช
เทคโนโลยี AI มาเพิ่มประสิทธิภาพการผลิต (OEE) และลดของเสียไดอยางเปนรูปธรรม
นอกจากนี้ ความสําคัญของทักษะดานวิทยาการขอมูลในหลักสูตรนี้ยังขยายขอบเขตไปถึงการ
สรางความไดเปรียบเชิงกลยุทธผานการทํา Optimization เพื่อใหวิศวกรและผูบริหารสามารถมองเห็น
ภาพรวมของความเสี่ยงและการประเมินความคุมคา (ROI) กอนการลงทุนจริง ซึ่งเนื้อหาของหลักสูตรนี้จะ
เปนการปรับกระบวนทัศน (Mindset) ใหกลาตั้งโจทยปญหาในโรงงานที่ซับซอนและใช AI เขามาเปน
เครื่องมือในการแสวงหาจุดเหมาะสมที่สุด (Optimization) เพื่อเตรียมความพรอมใหองคกรกาวขาม
ขีดจํากัดดานการแขงขันและมุงสูการเปนโรงงานอัจฉริยะอยางเต็มรูปแบบ
3. ความสอดคลองกับตําแหนงงาน :
 วิศวกรโรงงานและวิศวกรกระบวนการผลิต (Process Engineer)
 วิศวกรซอมบํารุง (Maintenance Engineer)
 หัวหนางานควบคุมคุณภาพ (QC/QA Manager)
 นักวิเคราะหขอมูลอุตสาหกรรม (Industrial Data Scientist)
 ผูบริหารระดับสูงและระดับกลาง (Management Level)
4. Course Syllabus:
4.1 วัตถุประสงคของรายวิชา (Course Objectives)
 เพื่อเขาใจวงจรการพัฒนา AI ตั้งแตการเก็บขอมูลจากเครื่องจักรจนถึงการนําโมเดลไปใชงาน
 เพื่อฝกทักษะการทํา Computer Vision สําหรับการตรวจจับความผิดปกติในสายการผลิต

 เพื่อสรางโมเดลพยากรณ(Predictive Model) สําหรับการซอมบํารุงและวางแผนการผลิต
 เพื่อเรียนรูการใช No-code/Low-code AI Platform สําหรับวิศวกร
 เพื่อประเมินความคุมคา (ROI) และความเสี่ยงในการนํา AI มาติดตั้งในหนางานจริง
4.2 วิธีการสอน /จํานวนชั่วโมง
การสอนแบบ onsite จํานวน 5 วัน (Lecture 30% / Workshop 70%)
4.4 ผลการเรียนรู (Learning Outcomes)
4.4.1 ดานทักษะการคิดขั้นสูง (Cognitive Skills)
 ผูเรียนสามารถระบุโจทยปญหาในโรงงานที่สามารถแกไดดวย AI ไดอยางถูกตองแมนยํา
 เขาใจความทาทายในการติดตั้ง AI หนางาน (Deployment) และวิธีการแกไขเบื้องตน
4.4.2 ดานทักษะเทคนิค (Technical Skills)
 สามารถเตรียมขอมูล (Data Preparation) ใหพรอมสําหรับการสอน AI (Training)
 สามารถสรางและทดสอบโมเดล Computer Vision เบื้องตนสําหรับงาน QC ได
 สามารถวิเคราะหผลลัพธจากโมเดล AI เพื่อนําไปประกอบการตัดสินใจเชิงวิศวกรรมและ
การบริหาร

4.4.3 ดานทักษะวิชาชีพ (Professional Skills)
 ผูเรียนสามารถจัดทํารางแผนงานการใช AI ในหนวยงานตนเอง/บริษัทของตัวเอง
 พรอมแผนการติดตั้งและการวัดผล ROI

4.5 วิธีการประเมินผล (Assessment)
4.5.1ผูเรียนตองมีเวลาเขาเรียนไมต่ํากวา 80%
4.5.2ผูเรียนตองผานแบบทดสอบทางทฤษฎีโดยรวมไมนอยกวา 70%
โดยขอสอบจะเปนปรนัยจํานวน 4 ตัวเลือก จํานวน 30 ขอ

4

4.5.3ผูเรียนตองผานการประเมินการลงมือปฏิบัติโดยผูสอน โดยรวมไมนอยกวา 70%
โดยมีการประเมินจากกิจกรรมดังนี้
- การทํา Data Cleaning และ EDA จากชุดขอมูลจริง
- ความถูกตองแมนยําของโมเดลตรวจจับตําหนิชิ้นงาน (Defect Detection)
- ความสามารถในการวิเคราะหผลลัพธจากโมเดล AI เพื่อการตัดสินใจ
- การนําเสนอโครงการ (Project Pitching) โดยผูเรียนตองนําเสนอแนวทางการประยุกตใช
AI ในหนวยงานตนเอง พรอมระบุความทาทายและวิธีการแกไข (Deployment Strategy)
4.5.4 ประเมินความพึงพอใจหลักสูตร วิทยากร ภาพรวมการฝกอบรมไมนอยกวา 80%