產業AI論壇：預測分析/AutoML力助決策管理

智慧製造產業AI論壇第二場聚焦在「智慧製造在預測分析的應用（訂單預估、預防性保養）／運用AutoML進行原物料價格預測與設備診斷」，從友達及杰倫智能導入AI的經驗，了解大型及中小企業不同的思維，以及智慧化過程中面臨的挑戰。而范書愷教授也提到，整體AI產業的健全，有賴明確的決策方向與人才培訓能量，才能夠過AI策略推動組織進步。會後精彩座談中，幾位講師也深度交流在不同規模的企業中，如何協助AI落地。

陳文華處長：精準界定數據可優化PHM系統

市場的需求轉變，為製造業帶來諸多挑戰。友達光電製造總部陳文華處長分析，現階段工廠面臨三大挑戰。一是客戶的產品需求往客製化及少量多樣的方向發展，使得產品不易檢測，既有製程管理遭遇瓶頸。其次產品的規格不斷提高，造成製程能力緊繃。第三則是產品價值走向高度客製化，生產效率受到影響。

因此製造業需要敏銳覺察市場變化，並且預先做足準備。為了強化製造能力，友達從設備預測維護著手，透過數據資訊化處理、故障預診斷模型與功能平台化，確保產線穩定運作。以工廠內的大型機器人馬達的PHM為例，透過安裝聯網的電流感測器，監測電流訊號，並解析、預測設備狀況。原先的設備預測精準度不高，成效有效，後來透過提升取樣資料完整度，再進一步區隔不同類型的震動情境，達到提升預測精準度的目標。

范書愷教授：AI策略加速企業進步

AI為製造業帶來重大變革，逐漸改變工程師在製造流程中的角色。科技部工業工程與管理學門召集人／台北科技大學范書愷教授指出，AI為機器賦能，解放工程師的時間，協助工程師不再需要花費大量心力處理偶發的特殊狀況，而可以透過深度學習尋找問題的關鍵特徵，再藉由機器學習萃取關鍵數據並建立模型，最終由AI仿效人類的工作模式，持續學習並協助工程師解決問題，或者執行高度重複性的工作，提升組織整體的生產效率。

而當企業決定導入AI，需要先釐清幾個關鍵問題。首先是組織／決策者的方向為何，包含市場定位、如何滿足市場需求。接下來依照組織策略建立AI專案，然後擬訂AI策略，最後成為企業轉型的循環。也就是AI策略下，機器學會工程師的產業知識，工程師就能在高階工作中持續精進，推動組織進步，持續發展AI專案與策略。

黃建豪總經理：選題是智慧製造第一步

杰倫智能黃建豪總經理觀察到，台灣產業已經走到供應鍊頂端，發展出製造業的特殊性，現階段則要進一步思考如何透過新技術建立競爭壁壘。同時考量到AI應用在產業中普及的趨勢，AI可說是未來企業的競爭力關建，然而企業導入AI且規模化應用並不容易。杰倫智能調查企業導入AI的成熟度，將成熟度依照準備期、導入期、規模化期劃分，多數的企業處於導入期，難以跨入規模化期，因為大企業面對短時間內產出最多的AI題目的挑戰，小企業則需要盡快找到第一個題目。

杰倫智能從過往累積的90個案例中，協助客戶找尋營運痛點，確立AI的POC題目，再整理過去的歷史資料，到AutoML平台上建立模型，最後確保團隊學會使用機器學習的工具，就能快速產生效益。以一個紡織的中小企業為例，該組織有一個佔原料成本30%的關鍵原料，希望可以用模型預測採購價格。首先用半天的工作坊跟採購負責人說明AI相關的概念，隨後整理採購負責人過去參考的資料與決策結果後，在虛擬資料平台上建模，得出預測精準度高的工具。透過模擬工具，負責人就能將採購決策授權給其他員工，模型也會持續優化出更好的決策結果。

會後座談：以One Data實現決策輔助

范書愷教授向黃建豪總經理提問：很多公司都有自己的ERP系統、MES等既有的系統，那導入AI-as-a-service或ML-as-a-service，是分階段導入嗎？還是第一階段需要怎麼調整？

黃建豪總經理：我們會分階段做，在中小企業導入AI的前三到四個月，不容易整合。通常在訓練這邊，要做應用精準度的提升或是找尋更多題目。另一種情況，像是前面提到的紡織原料的案例，等到把軟體賦能提供給客戶，負責人會使用這台AI計算機以後，他可以自己加參數進去。最後確認應用方向之前，過程中有一段人跟AI調和的時間，我們在其中就會做一些細節的應用，比如參數推薦模組，再透過三到四個月的監測，發現使用者偏好某一組，就表示我可以把模型固定下來，就會進入系統整合的階段。模型也可以下載成為一個API架構，客戶只要打開MES的API就可以做整合。我負責做預測，客戶的MES、ERP負責做呈現，整合需要花費的心力就會非常低。

所以我們大概分成兩個階段來導入，第一個階段是讓客戶確認什麼樣的Date Pipeline跟場景是確定要落地的，接下來我們就會透過上述的方式來協助客戶，總共分兩個階段執行。

黃建豪總經理向陳文華處長提問：友達的目標跟規劃中，有沒有可以分享給中小企業的經驗？

陳文華處長：我們也還在持續實踐智慧製造，從起步階段，現在聚焦在預測預警。對於預測已經有個底，不過中長期希望往CPS輔助決策發展。因為終究資料科學或是AI運作，都要符合原本的管理行為，又因為整個公司的管理是構面，不能只做一塊，所以會從單點式的資料科學走到全流程，走到全流成以後串起來就是管理行為。在資料科學的運作上，最終是滿足我們對於輔助決策的期待。基底很重要的是One Data，製造跟供應都是各自的資料，整合成One Data是為來必走的路，但是要達到One Data的工程也很多，還要持續精進。