從品質檢測出發，解構AI導入挑戰與實務解方

當全球掀起 AI 導入浪潮，企業渴望透過 AI 提升製程效能、強化競爭力，但對追求高良率與穩定運作的製造業而言，導入新技術一不小心就破壞整體產線的穩定性與產品品質。也因此無論是AI轉型或數位轉型，「品質穩定」反而成為創新研發最不易跨越的門檻。

為協助製造業者更具體掌握 AI 在實務流程中可發揮的價值與效益，以加速 AI 導入流程。針對研發設計、品質檢測、廠務管理等核心場域，在北、中、南三地規劃四場交流會，邀請製造業者與 AI 技術服務商面對面，分享實務挑戰與導入經驗。

準確率、成本與可落地

第三場活動來到精密製造重鎮台中，以「品質檢測」為核心，聚焦討論推動瑕疵檢測 AI 化過程中所遭遇的難題，包括現有 AOI（自動光學檢測）設備錯誤率高、客戶要求 100% 全檢等壓力。面對這些挑戰，多家新創與技術團隊也提出結合邊緣運算與混合雲架構的 AI 解決方案，期望協助業者兼顧準確度與成本效益。

然而，AI 導入所面對的挑戰遠不止於技術層面。憶象（Memorence AI）創辦人暨執行長蕭百亨指出，許多企業對 AI 存有「即插即用」（plug & play）的錯誤期待，實際上卻缺乏清晰的流程規劃與高品質的訓練資料，導致模型訓練根本無從展開。常見問題還包括了資料收集混亂、拍攝品質不佳、缺乏正確光源與視角設計，皆導致資料無法用於 AI 學習。

此外，即使企業內部擁有豐富的產業知識，也可能因缺乏專責的 AI 工程師或足夠資源，導致導入困難。他強調，AI 在製造現場的角色應定位為「輔助人」而非「取代人」，若忽略人機協作、過度追求全自動化，往往會造成現場人員反感，最終導致系統被棄用。為了讓多數具備產業專家的企業也能輕鬆導入 AI 應用服務，憶象提供了 AI 辨識與分析系統 Memorence Suite，讓企業也可以透過 AI 加速人工操作流程數位化與智慧化發展。

流程穩定與數據整合為雙核心

偲倢科技執行長陳青煒也觀察到，製造業導入 AI 主要面臨的兩大關鍵挑戰分別是，現場變動頻繁導致良率不易穩定，以及數位資產高度碎片化難以整合應用。由於現場端的品管標準經常依照生產節奏彈性調整，實際的執行情況與標準常有落差，若沒有因應這些變動調整檢測機制，就難以維持穩定良率。此外，企業現場常見的資料來源包含機台數據、紙本紀錄與 Excel 表格，導致數據散落各處、難以整合，這也進一步限制了 AI 的決策應用潛力。

因此，偲倢以「流程穩定」與「數據整合」為雙核心，發展出多項對應策略與工具。例如，建置一套從資料標註、模型訓練、設備推論到現場部署皆可模組化操作的完整 AI 工具鏈，大幅降低導入門檻與訓練成本。尤其針對少量瑕疵樣本的場景，也引入生成式 AI 技術，協助客戶模擬異常圖像，加速模型學習並回應品牌客戶對高標準品質的要求。

因應產業與技術趨勢 邊緣運算逐漸受到重視

此外，他們也觀察到，隨開源模型成熟、資料隱私需求提升，以及企業內部數據與流程的專屬性等原因， AI 將逐步從雲端逐漸走向地端（Edge）。因此，如何協助企業實現「模型主權化」、「流程整合」與「成本可控」三大目標，將是偲倢會持續投入的方向。

Orama-AOI 技術長萬億中則提到，傳統AOI機台常因漏殺率低但誤判率（錯差比）過高，仍需人工複檢，反而增加了人力成本，未能達到節省人力的目的。但如果購買新的 AOI 設備價格昂貴，對許多企業而言又是沉重的資本支出。Orama.AOI 則是透過自研的 AI 模型與專利演算法，協助製造業大幅提升瑕疵辨識準確率、改善產線良率，實現高達 99.9% 的檢測準確度，同時有效降低人力成本與複檢需求。

安提國際戰略企劃資深經理潘柏宏則是從機器的應用切入，強調企業在導入 AI 過程中，除了模型與資料，更需關注整體運算與部署能力。而安提國際憑藉 GPU 加速、邊緣運算與系統整合經驗，提供從入門到高效能等級的工業級 Edge AI 解決方案，協助企業加速轉型並強化現場即時反應能力。