產業AI論壇：瑕疵檢測精準落地

為了深入探討各界領袖對於 AI 在製造業的推動之機會與挑戰，台灣人工智慧學校推出了「產業AI論壇：智慧製造主題」，透過一系列五場講座，邀請企業、學界、新創所提出務實、深入、具可行性的做法(Actions)與實證(Empirical studies)。8月12日以「智慧製造在流程自動化的應用(瑕疵診斷/檢測、生產排程)/善用AI瑕疵檢測技術降低成本與改善品質」為議題，邀請到三位講師分享執行智慧製造在流程自動化的重點，以及製造現場導入AI瑕疵檢測的經驗。

陳維超數位長：企業的價值反映在資料

英業達陳維超數位長認為，透過AI推動企業智慧化，需要注重數據來源、運算能力與存取權限。企業的價值便反映在所能蒐集的資料上，蒐集資料之後還需要良好的資料管理能力，才能進一步推動AI及數位轉型。同時導入AI的過程需要克服種種挑戰，包含落地與後續維護等面向。

以英業達導入AOI的歷程為例，團隊一開始透過影像比較程式，找出有瑕疵的產品，但是拍攝光線、角度都會影響照片的比較結果，因此改成標記瑕疵資料來訓練AI模型，但是又出現資料搜集到模型訓練歷時過長，趕不上產品上市時間。最終團隊採用半監督式學習，簡化資料搜集與標記的流程，才成功建立符合需求的AOI系統。

李家岩教授：用資料科學找出流程問題

數據科學在流程自動化的過程中，扮演重要的角色。台灣大學李家岩教授說明，當流程中的活動被記錄下來，就是數據。再透過數據分析評估流程的優缺點，找出對企業重要的問題。數據科學從資料中釐清問題，找到問題的因果關係，並且從中推論、預測結果，找到未來趨勢以做出決策。決策者需要評估各方面的風險，以及考量這些方法導入到現場的自動化系統時，哪些地方需要持續改善。

在智慧製造的應用中，資料科學不只實現自動化，更能達到「自主化」，也就是系統可以從資料中學習，並且依照環境調整工作流程，達到強化流程、智能決策的目標。以化工廠的排程為例，為了保留資深員工的工作知識，需要整合不同員工的流程與不同部門的觀點，用資訊來做資源與流程上的槓桿，整合出流程圖，將整理後的資料寫成虛擬碼，將知識留在系統內。

楊凱副總裁：數據品質決定AI系統精準度

Landing AI楊凱副總裁觀察，AI瑕疵檢測落地面臨精準度、軟/硬體配套與系統維護的挑戰。其中產業內有75%的AI瑕疵檢測專案沒有落地，多數的原因即是AI系統的精準度無法滿足工廠的瑕疵檢測需求。

為了解決精準度不足的問題，Landing AI多次分別從優化模型及數據兩方向著手，並發現多數的專案在改善數據品質以後，精準度才會明顯提升。因此為了確保瑕疵檢測系統能在製造業中落地，Landing AI建立端到端的平台，確保不同人員的標記結果趨於一致，來提升資料品質，進而提升瑕疵檢測的準確度。

會後座談：供應鏈風險管理與AI瑕疵檢測的關聯

會後座談由郭秉宸產業發展總監主持，由主持人及學員提問，也邀請講師之間相互提問交流。對談中，業界講師與教授討論到製造業實務上，如何在導入AI的同時兼顧風險管理。

李家岩教授向陳維超數位長提問：從供應鏈的角度，導入AI專案會如何影響供應鏈廠商間的互動？

陳維超數位長：供應商負責原料供應，原料的檢測工作中，外觀檢測占很大比例，且檢測流程與風險管理高度相關。就傳統檢測的成本而言，為了檢測瑕疵而佈建設備並不符合成本效益。但如果把檢測當作進、出貨之間的節點，藉此確保產品符合標準，價值就會明顯增加。當不同的廠商之間透過AI模型的檢測標準來溝通，就能大幅降低風險，展現智慧化的價值。

楊凱副總裁向李家岩教授提問：關於AI風險承擔的問題，例如美國的手機產業導入AI系統，過去的系統的規範或風險管理很清楚，但是導入AI之後會改變流程，客戶不了解如何改變流程跟SOP，請問教授有什麼實務上的建議？

李家岩教授：從模型跟資源的視角分別討論，講模型是二元分類，分成良品跟不良品。從模型來看，有兩種狀況，一是預測不良，但是實際上良品；二是預測良品，但是實際上良品，哪個風險大？以我在現場的經驗來說，預測良品，結果出貨到客戶手上後發現不良，處理客訴就是一種成本。但是預測不良品，實際上是良品的產品，就是再重新區分良品跟不良品。所以模型不只是看正確率，反而要考慮成本，寧可稍微降低預測的準確度，也要確保風險在可以承擔的範圍內。

但是決策者最重視的不是模型，而是資金、資源，思考一旦出狀況，例如AI預測不準確，資源會發生什麼變化？這個問題比較難，不同產業的資源變化不同，沒有標準答案，在製造現場都是動態變動的。例如，有時候預測不準，趕快調動人力來解決，就會發現人力方面的變化，同時人員一調動，就表示有工作崗位空缺。因此可以從模型跟資源的角度，來思考導入AI後如何調整工作流程。