製造業長期以來是台灣的強項，我們不僅有產業的Know-How，也有完整的供應鏈支持，更擅長在一定的成本下，提升產品的質量和可靠性。隨著人工智慧技術逐漸普及，許多工廠老闆也開始思考要不要投入人力及資源導入AI，寄望透過新技術提升產能、降低成本。但是，現實的工廠中，在導入AI技術的過程中，又會遇到哪些困難呢？
講師：王維綱 Keith / 財團法人人工智慧科技基金會資深AI工程師
本次AI CAFÉ 活動中，人工智慧科技基金會（AIF）資深AI工程師王維綱透過深入淺出的介紹，讓聽眾先對人工智慧技術有正確的認知與理解，再藉由專案經驗的分享，說明一個AI專案開發的流程。
我有資料，就能導入AI嗎？
在和大家分享製造業如何導入AI技術之前，先快速說明AI技術的發展，過去的AI是需要人類寫下非常多的規則讓電腦進行學習，但人類很快就發現，有太多例外狀況是很難明確訂出規則的。目前的AI已經進步到只要將標注過後的資料輸入電腦，電腦就會開始找特徵並進行學習。
許多工廠的領導者常提到：「我們有很多資料，是不是可以馬上導入AI？」這是許多工廠想導入AI會遇到的問題，因為資料沒有進行標注，要電腦立刻就能學習是有困難的。再者，資料雖然是導入AI的必要條件，但並不是準備好一手資料就能導入AI，企業還需要盤點問題。從盤點的過程中會發現，有些問題並非目前可解決。或是一定要透過AI才能解決，例如有些是資料有缺漏；有些可能只需要調整流程即可。
建立模型不難，最難的是這件事
一個AI專案會經過的流程包含：確認問題、收集資料、建立及訓練模型、部署上線，聽起來過程十分簡單，其實過程有許多細碎且反覆的步驟。許多人以為建立模型是專案過程最困難的階段，事實上這個階段佔僅佔據整個開發流程的一小部分，前面有一大部分的時間，可能都在處理資料上。開發流程中，當我們開始針對需求收集資料的時候，可能需要進行資料清理、資料整合，或是針對資料的缺失進行整理，之後還需要提煉特徵，讓資料是有用的，才能開始進行模型建立之後的流程。而在這樣的流程當中若有個環節出了狀況，就需要回頭調整才能繼續進行下去。
由於過程中細鎖的環節很多，因此，模型的修改也不是早上說要改，下午就可以立刻完成的事。人工智慧開發流程也不是直線進行，過程中多半會不斷地回頭檢視題目、調整資料、調整模型。
從斷刀預測，我們可以學到的事：
製造業常見的AI應用非常多，大致可分為以下四類：
- 瑕疵檢測：主要是取代傳統視覺影像，希望透過AI協助影像的判斷，提升準確度並減少人力的負擔。
- 設備故障預測與診斷：可應用的類型十分多元，主要是希望能提前預知機器壞掉的時間，讓產線有餘裕可以進行機台翻新或是提早備料。
- 參數最佳化：很多時候機台是仰賴老師傅的經驗來控制，讓AI學習老師傅的經驗調整出最佳的指令與判斷。
- 虛擬量測：在不經過實際機台製造的過程，僅透過AI參數的實驗，模擬產品實際產出的狀況。
以下則是一個實際的案例分享：
預測工廠內機台刀具的磨損狀況，透過AI提前預測刀具斷裂的時間，不僅能減少工具損壞，同時也能降低人力成本並提高產能。
以前主要都是倚賴老師傅的經驗來檢查刀具，希望能藉由AI的導入降低這部分的人力成本。而這個問題其實會有以下幾種不同的解決方法：
- 向後預測：下一次震動是否會斷裂？
- 向後預測：何時會斷裂？
- 合併資料：會得到一段時間去觀察資料的趨勢，再去進行預測下一次震動是否會斷裂
以上是我們提出可以做的方法，可以看到有些題目是預測下一次的狀況，有些是希望預測什麼時候會斷，甚至有些工廠可能會想要掌握備料時間及機台的翻新，所以希望知道三天後會不會斷裂？
由於機台每震動一次就會產出一個波形，因此這個案例的資料來源主要是工廠中的機台震動數據資料，但過程中遇到最大的困難是，因為斷刀的資料太少，導致資料不平衡。
我們想和大家分享的是，在每個AI專案導入階段都有幾件事可以反覆地進行檢視和討論，讓大家在導入專案中更順暢或更容易聚焦。下面將利用刀具斷裂預測這個案例，讓大家更具體的理解專案流程的每個階段所要考量的事：
1.定義問題：認知與預期
從這個案例來說，在這個階段會需要考慮的地方包括：想解決的問題是否明確？在這裡的需求為：「利用現有參數預測斷刀何時發生？」但還不夠清楚，可能會需要明確規範一個時間點。
第二個要考量的點是，想解決的問題對公司內部的價值多大？以這個案例為例，便是希望能藉此優化流程、節省成本。第三個則是，適合AI還是用傳統方法就可以解決？因為有些方法傳統方法可能更快，就不需要利用AI來解。
2.資料收集：專案前提
在資料搜集的階段，同樣也需要考量以下問題：資料夠不夠？ 模型任務是否需要標記？是不是可以嘗試使用任務形質類似的資料集來嘗試？有沒有現成的模型架構可以使用？有的時候，有些較為新創的團隊會使用新的模型，因此可能沒有現有架構可以使用。
3.建立模型：效率與成效
在建模階段時，我們需要明確訂定目標，在這個案子中，我們希望每次機台要進行啟動的時候，都能給出下次損壞的機率。接著是專案時程的擬定，同時也要考量：未來是否需要針對模型再訓練？因為有些業者的產品會不斷翻新，當產品翻新的時候，模型也需要重新訓練。再者，每個專案對於模型 Inference的時間要求程度也不同，有些僅需要在下次做動前回傳狀況即可，有些則需要即時回應。
4.成果佈建：使用面向
最後，當模型要上線時，還有其他要求需要注意，包括前後端需求？是否需不斷維護更新？是否要和當前系統整合嗎？以及線上資料與訓練資料特性是否一致等。
我們認為每個企業都可以嘗試著導入一個AI專案，讓這個成功的初始專案成為公司推動AI導入的驅動力。當中最重要的是，在一開始時就要有一個成功的案例，才有機會將AI專案拓展到其他的案例部門，才能吸引公司內部的成員加入團隊，資料也才有機會開始整合。
