การประยุกต์ใช้เทคนิค Hybrid GRA-MARCOS สำหรับการตัดสินใจเลือกเทคโนโลยีปัญญาประดิษฐ์ เพื่อเพิ่มประสิทธิภาพการผลิตและการจัดการในโรงงานอุตสาหกรรม

วีระพล  ทับทิมดี; ประเวช  เชื้อวงษ์; ธนธัช  มั่นมงคล; ปริวรรต  นาสวาสดิ์

doi:10.14456/jeit.2025.24

ผู้แต่ง

วีระพล ทับทิมดี สาขาวิชาวิศวกรรมการผลิตอัตโนมัติ คณะเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏราชนครินทร์
ประเวช เชื้อวงษ์ สาขาวิชาวิศวกรรมโลจิสติกส์และกระบวนการ คณะเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏราชนครินทร์
ธนธัช มั่นมงคล สาขาวิชาวิศวกรรมโลจิสติกส์และกระบวนการ คณะเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏราชนครินทร์
ปริวรรต นาสวาสดิ์ สาขาวิชาวิศวกรรมโลจิสติกส์และกระบวนการ คณะเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏราชนครินทร์

DOI:

https://doi.org/10.14456/jeit.2025.24

คำสำคัญ:

การตัดสินใจแบบหลายเกณฑ์ , ปัญญาประดิษฐ์, เทคนิคผสมผสาน GRA-MARCOS

บทคัดย่อ

ในยุคที่ภาคอุตสาหกรรมต้องเผชิญกับการแข่งขันสูงและการเปลี่ยนแปลงทางเทคโนโลยีอย่างรวดเร็ว การเลือกใช้เทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence: AI) อย่างเหมาะสม ถือเป็นกลยุทธ์สำคัญในการเพิ่มประสิทธิภาพการผลิตและการจัดการภายในโรงงาน อย่างไรก็ตามการตัดสินใจเลือกเทคโนโลยี AI ที่เหมาะสมกับบริบทเฉพาะของแต่ละองค์กรยังคงเป็นความท้าทาย เนื่องจากมีตัวเลือกหลากหลายที่มีคุณสมบัติและข้อจำกัดแตกต่างกัน งานวิจัยนี้นำเสนอการประยุกต์ใช้เทคนิค Hybrid GRA-MARCOS ซึ่งผสานวิธีการ Grey Relational Analysis (GRA) ที่มีความสามารถในการจัดการกับข้อมูลที่ไม่สมบูรณ์และไม่แน่นอน ร่วมกับวิธีการ MARCOS ที่สามารถจัดอันดับทางเลือกโดยอิงจากทางเลือกอุดมคติและทางเลือกที่แย่ที่สุด เพื่อสนับสนุนการตัดสินใจเลือกเทคโนโลยี AI ได้อย่างเป็นระบบและโปร่งใส การวิจัยดำเนินการผ่านการเก็บข้อมูลจากวิศวกร 15 คนในโรงงานอุตสาหกรรม โดยประเมินเทคโนโลยี AI จำนวน 14 ตัวเลือก ภายใต้เกณฑ์การประเมิน 6 ด้าน ได้แก่ ความแม่นยำ ความสามารถในการเขียนโค้ด ความสามารถในการบูรณาการระบบ ความเร็วในการประมวลผล ความคุ้มค่า และความเชื่อมั่นในการใช้งานจริง ผลการวิเคราะห์ชี้ว่า AI ประเภท Gemini (Google) เป็นทางเลือกที่เหมาะสมที่สุด รองลงมาได้แก่ Microsoft Copilot, IBM Watsonx และ Grok งานวิจัยนี้จึงยืนยันถึงประสิทธิภาพของเทคนิค Hybrid GRA-MARCOS ในการช่วยตัดสินใจที่ซับซ้อนในระดับอุตสาหกรรมได้อย่างแม่นยำและน่าเชื่อถือ

เอกสารอ้างอิง

[1] I. Ahmed, G. Jeon, and F. Piccialli, "From Artificial Intelligence to Explainable Artificial Intelligence in Industry 4.0: A Survey on What, How, and Where," IEEE Transactions on Industrial Informatics, vol. 18, no. 8, pp. 5031-5042, 2022.

DOI: 10.1109/TII.2022.3146552.

[2] R. S. Peres, X. Jia, J. Lee, K. Sun, A. W. Colombo, and J. Barata, "Industrial Artificial Intelligence in Industry 4.0 - Systematic Review, Challenges and Outlook," IEEE Access, vol. 8, pp. 220121-220139, 2020.

DOI: 10.1109/ACCESS.2020.3042874.

[3] T. Wang, Y. Zeng, Y. Han, and J. W. Hong, “How does AI Technology Affect the Development of Physical Manufacturing Industry under the Background of Intelligent Economy,” Transactions on economics, business and management research, vol. 3, pp. 217–222, 2023.

DOI: 10.62051/bkm82q24.

[4] L. M. Yahya, S. Suharni, D. R. Hidayat, and A. Y. Vandika, “Application of Artificial Intelligence to Improve Production Process Efficiency in Manufacturing Industry,” West Science Information System and Technology, vol. 2, no. 2, pp. 223–232, 2024.

DOI: 10.58812/wsist.v2i02.1221.

[5] T. Yaşar, “Artificial Intelligence in Business Operations: Exploring How AI Technologies Are Reshaping Processes, Enhancing Decision-Making, and Driving Efficiency Across Various Industries,” Human computer interaction., vol. 8, no. 1, pp. 53, 2024. DOI: 10.62802/r78f9a37.

[6] A. Mondal et al., "Sustainable-resilient-responsive supply chain with demand prediction: An interval type-2 robust programming approach," Engineering Applications of Artificial Intelligence, vol. 133, pp. 108133, 2024.

[7] K. Govindan and R. Sivakumar, "Green supplier selection and order allocation in a low-carbon paper supply chain," Annals of Operations Research, vol. 247, no. 2, pp. 585–607, 2016.

DOI: 10.1007/s10479-015-2004-4.

[8] I. Badi and D. Pamucar, "Supplier selection for steelmaking company by using combined Grey-MARCOS methods," Decision Making: Applications in Management and Engineering, vol. 3, no. 2, pp. 37–48, Oct. 2020.

[9] S. Chakraborty, P. Chatterjee, and D. Pamucar, "An integrated D-MARCOS method for supplier selection in an iron and steel industry," Decision Making: Applications in Management and Engineering, vol. 3, no. 2, pp. 49–69, 2020. DOI: 10.31181/dmame2003049c.

[10] M. Radovanović, S. Jovčić, A. Petrovski, and E. Cirkin, “Evaluation of university professors using the spherical fuzzy AHP and grey MARCOS multi-criteria decision-making model: A case study,” Spectrum of Decision Making and Applications, vol. 2, no. 1, pp. 198–218, 2025, doi: 10.31181/sdmap21202518.

[11] Ž. Stević, D. Pamučar, A. Puška, and P. Chatterjee, "Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement Alternatives and Ranking according to COmpromise Solution (MARCOS)," Computers & Industrial Engineering, vol. 106231, 2020.

DOI: 10.1016/j.cie.2020.106231.

[12] J. Deng, "Introduction to Grey System Theory," The Journal of Grey System, vol. 1, pp. 1–24, 1989.

[13] A. Puška, Ž. Stević, and D. Pamučar, "Evaluation and selection of healthcare waste incinerators using extended sustainability criteria and multi-criteria analysis methods," Environmental Development and Sustainability, vol. 24, no. 9, pp. 11195–11225, 2022, doi: 10.1007/s10668-021-01902-2.

[14] M. Radovanović, S. Jovčić, A. Petrovski, and E. Cirkin, "Evaluation of University Professors Using the Spherical Fuzzy AHP and Grey MARCOS Multi-Criteria Decision-Making Model: A Case Study," Spectrum of Decision Making and Applications, vol. 2, no. 1, pp. 198–218, 2025

DOI: 10.31181/sdmap21202518.

[15] OpenAI, “ChatGPT (GPT-4.o),” [online] Available: https://chat.openai.com/. [Accessed on: Apr. 23, 2025].

[16] K. Patel, “Literature Review on Software Reliable Metrics,” International Journal of Engineering Research & Technology (IJERT) ICRADL, Vol. 09, no. 05, 2021.

[17] T. Yamane, Statistics: An Introductory Analysis, 2nd ed. New York, NY, USA: Harper and Row, 1967.

[18] Y. Wang, L. Shi, M. Song, M. Jia, and B. Li, “Evaluating the energy-exergy-economy-environment performance of the biomass-photovoltaic-hydrogen integrated energy system based on hybrid multi-criterion decision-making model,” Renewable Energy, vol. 224, pp. 120220, 2024.

[19] Y. Gan, C. Zheng, B. Chu, J. Li, Y. Zhang, and Y. Jia, "Research on the risk assessment of the power grid enterprises’ agency power purchase business in China: A hybrid multi-attribute decision-making framework based on FUCOM-F and GRA-MARCOS," Frontiers in Energy Research, vol. 12, pp. 1376531, 2024.

[20] M. Bitarafan, K. A. Hosseini, and S. H. Zolfani, "Identification and assessment of man-made threats to cities using integrated Grey BWM-Grey MARCOS method," Decision Making: Applications in Management and Engineering, vol. 6, no. 2, pp. 581–599, 2023.

DOI: 10.31181/dmame622023747.

[21] P. Nasawat, S. Talangkun, S. Arunyanart, and N. Wichapa, "Hybrid cross-efficiency approach based on ideal and anti-ideal points and the CRITIC method for ranking decision-making units: a case study on ranking the methods of rice weevil disinfestation," Decision Science Letters, vol. 10, no. 3, pp. 375–392, 2021.

[22] สมศักดิ์ ทองแก้ว, ศักดิ์ชัย หงษ์ทอง, ปริวรรต นาสวาสดิ์, ณัฐภัทร กาญจนเรืองรอง, วีระพล ทับทิมดี และ กฤษณะ ช่องศรี, “การประยุกต์ใช้วิธี Fuzzy VIKOR ในการตัดสินใจเลือกแนวทางการพัฒนาผลิตภัณฑ์จากไผ่,” วารสารวิศวกรรมและเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยกาฬสินธุ์, ปีที่ 2, ฉบับที่ 6, หน้า. 34–49, พฤศจิกายน–ธันวาคม 2567.

[23] P. Liu, J. Shen, P. Zhang, and B. Ning, "Multi-attribute group decision-making method using single-valued neutrosophic credibility numbers with fairly variable extended power average operators and GRA-MARCOS," Expert Systems with Applications, vol. 263, pp. 125703, 2025.

DOI: 10.1016/j.eswa.2024.125703.

[24] T. Monmongkol, N. Sriputtha, N. Kanchanaruangrong, and P. Nasawat, "Hybrid GRA-EDAS-based evaluation of electrode materials for automotive spot welding applications," Engineering, Technology & Applied Science Research, vol. 15, no. 4, pp. 25088–25094, 2025, doi: 10.48084/etasr.11871.

[25] ปริวรรต นาสวาสดิ์, มานพ พิพัฒหัตถกุล, และ เษกสรร สิงห์ธนู, "การออกแบบอุปกรณ์ตรวจสอบชิ้นส่วนรถแทรกเตอร์โดยใช้เทคนิคการแปลงหน้าที่เชิงคุณภาพร่วมกับเทคนิควิธีเรียงลำดับแบบอุดมคติ," Journal of Advanced Development in Engineering and Science, ปีที่ 15, ฉบับที่ 42, หน้า 1-20, มกราคม–เมษายน 2568.

[26] S. Phokha, C. Sasen, P. Nasawat, and N. Kanchanaruangrong, "Optimization of Rubber Sheet Rolling Machine Parameters using a Taguchi-based TOPSIS Linear Programming Model," Engineering, Technology & Applied Science Research, vol. 15 , no. 1 , pp. 20508–20516, Jan. 2025.

[27] N. Wichapa, P. Nasawat, N. Kanchanaruangrong, and A. Choompol, "A combined DEAV-BWM approach for effective evaluation and ranking of biomass materials in charcoal briquette production," MethodsX, vol. 13, 103075, pp. 1–11, Nov. 2024.

[28] P. Kailomsom, P. Nasawat, W. Khunthirat, and W. Phuangpornpitak, “A hybrid method based on BWM and TOPSIS-LP model to assess computer numerical control machines,” Engineering Access, vol. 11, no. 1, pp. 108–118, Jan.–Jun. 2025. DOI: 10.1016/j.eswa.2024.125703.