The Issue of Taiwan's Industrial AI Series(7):How does the manufacturing industry adopt AI to solve the pain points?

製造業長期以來是台灣的強項，擅長在一定成本的前提下提升產品的質量和可靠性，有深厚的產業Know-How，並有完整的供應鏈支持。

如何藉由人工智慧的導入，讓原本的核心競爭優勢快速升級？在這堂課有完整說明。

依我們與合作伙伴的經驗，越是複雜的生產流程，人工智慧可發揮的空間越大

先前課程中曾經談到，企業要導入人工智慧必須要先對人工智慧技術有清楚、正確的認知，並要還清技術債，包括流程自動化及資料基礎建設，並一步步地釐清想要解決的問題、蒐集正確的、足夠的資料，以及培養有能力解讀資料、挖掘價值的人工智慧團隊。

從這堂課開始，我們以實例來解說產業 AI 化的切入點，也就是人工智慧適合拿來解決什麼樣的產業問題。

製造業是台灣強項 導入 AI 可快速升級

問題必定與業務有關，因此我們今天就從擔負台灣經濟命脈的製造業開始，包括電子製造業、石化業、紡織業、工具機業、食品加工業等，這些產業該如何發展人工智慧來降低流程的不確定性及成本，並且能提升產品的最終品質與價值？

製造業長期以來是台灣的強項，我們擅長精益求精、堅持不懈地在一定成本的前提下提升產品的質量和可靠性，累積深厚的產業Know-How，並有完整的供應鏈支持。因此，我相信在人工智慧高速成長階段的此刻，只要不落於人後，願意投入人工智慧，給予同仁合適的人工智慧訓練，讓原本的核心競爭優勢快速升級，並不是難事。這點我們一定要對自己有信心。

製造業共同面對的四種挑戰

我們團隊在2017年曾經深入製造業現場，訪談及整理產業需求，發現人工智慧可以有效解決製造業所面臨的四種共通挑戰，分別是瑕疵檢測、自動流程控制、預測性維護，以及原料組合最佳化。

第一種共通挑戰是瑕疵檢測。我們拜訪了多家製造業，非常驚訝地看到每一家公司都聘請不少員工，從幾十人到幾百人，用眼睛來檢測生產過程中的半成品跟成品中有沒有瑕疵，不管是金屬表面的瑕疵，或是玻璃、印刷電路板、電子產品、或是牛仔布的瑕疵。

在多數產業中，這些瑕疵檢測工作雖然都有AOI（Automatic Optical Inspection） 設備來輔助進行，但這類型系統多半都採用傳統的人為規則來檢查，診斷不夠精準，誤報頻傳，仍需人員在後端再次篩選檢驗。

深度學習系統檢測速度提升 48 倍

但人工檢測也沒有辦法提供百分之百準確的結果，根據我們的觀察，人工目測檢視的瑕疵漏網率（leakage rate）通常在 5% 以上，甚至高達20%，原因來自於瑕疵並沒有客觀標準，以及眼花、疲勞等因素。其次，由於人工檢測速度較慢，許多待檢測的半成品或成品都須先暫留在某處，待目視檢測後才可以移往下一個製程，成為生產效率的瓶頸。

根據我們團隊與超過五家企業合作的成果證明，以機器學習為主的第三波人工智慧技術，十分適合解決瑕疵檢測的問題。相較於人工目測檢視，深度學習系統不僅準確率更高且檢測速度更快。

在某家製造業的實例中，人員目測的漏網率約5%，人工智慧漏網率降低為0.01%；另一方面，人員目測速度每天約為30萬張影像，但僅使用一台10萬元左右的電腦，此數字可以提升至每日1,440萬張，高達48倍的加速。在其他製造業的合作中，我們也都得到類似的結果，證明今天的人工智慧技術可以做到比人類更穩定且更有效率的瑕疵檢測。

自動流程控制：流程越複雜，人工智慧發揮空間越大

第二種共通挑戰是機器參數的調控及最佳化，或稱為自動流程控制。在生產過程中，產品品質、良率及生產速率會受到許多相關的參數影響，如馬達轉速、輪軸速度、電流、電壓以及環境變數如風速、濕度及溫度等等，而在生產流程中，這些需要監控與調控的參數可能多達上百甚至上千個。

由於維度過高，當生產條件有任何改變而需要調校參數時，很難憑著經驗來做最佳化。目前第一線實務多仰賴老師傅們的經驗，或是透過不斷的試誤來調整，除了要花費許多時間及資源，重點是我們永遠不知道我們目前的製程，距離最佳參數組合還有多遠。 處理高維度資訊並不是人類的專長，我們只能靠直覺、歸納與推論，但這正好是機器學習擅長的領域，我們可以用機器學習來學習設備參數、環境、生產條件及目標之間的關聯性，每當設備、環境、生產條件或目標有改變時，就可以透過模型來找出最佳參數，大幅縮短因試誤而浪費的時間及生產成本。

依我們與合作伙伴的經驗，越是複雜的生產流程，人工智慧可發揮的空間越大。例如，在某個化工製程中，我們曾經觀察到在某段時間裡，在製程工程師控制參數的調校之下，產品良率只有六成；但透過機器學習來學習參數的調校方法，可以在適當的時間提示製程工程師將某些參數調整為適當的數值，這樣做的話，最高可以將良率大幅提升到98%，增加幅度超過五成。

預測性維護：預測機件或耗材的健康狀態及壽命

第三種共同挑戰是，生產設備隨時都有發生故障的可能。有些設備的失敗成本很高，若在運轉狀態中損壞，將導致線上所有原料及半成品的消耗，造成良率降低；同時維修可能曠日廢時，造成產出率降低。此外，若生產流程中所使用的耗材成本較高，例如精密切割機的刀片，定期更換雖然能確保產品品質不受影響，但耗材費用將居高不下；相反地，若等到產品品質下降後再更換耗材，就會造成良率的降低。

如何預測什麼時候機器會出錯？該提前進廠保養？以及預測耗材什麼時候更換最有利，才能以最低生產成本維持良率？這就是預測性維護的功用。

預測性維護通常牽涉到訊號處理，例如要預測馬達是否需要維修，通常可以透過馬達的電壓、轉速、震動及聲音來判別；當然若要判斷整部機台是否需要維修，可用的訊號可更多了。機器學習十分擅長進行高維度的多媒體訊號處理，善用它來預測機件或耗材的健康狀態及壽命，將能幫助我們更精準地管理生產現場，避免意外故障所造成的損失。

原料組合的最佳化：維持生產成本且能提升品質

第四種共通挑戰是原料組合的最佳化。絕大多數的產品皆由多種原料經加工過程產出，而每一種原料都可以來自不同供應商，有不同等級及價格，甚至每個批次在品質及特性上都有些微的差異。在此情況下，我們就有空間可以在各種原料、供應商、等級及成本的排列組合中，找出最能提升最終成品品質，同時維持生產成本及效率的處方。

例如對電子組裝產業來說，一張印刷電路板上需放置幾百個電子元件，每個電子元件都有不同的供應商、等級及成本，如何在所有可能的排列組合中找到最佳方案，正是人工智慧可以發揮之處。

此外，有些產業，例如化工業及染整業，原料之間的比例才是大學問，需要找到完美的組合比例，才能產出高品質的成品。以染整業為例，客戶的要求是在特定布料上染出指定的顏色，且具有指定程度的固色性及演色性，目前的作法通常以模擬軟體來計算第一次的染料配方，再由經驗豐富的老師傅來修正比例。以現況來說，只要牽涉到新的布料及顏色組合，就得經歷平均至少3到7天的打色嘗試，才能夠達到客戶的允收範圍。

根據我們與染整業者合作的經驗，以機器學習為基本的人工智慧技術，確實可以建出模型來描述布料、目標顏色以及染料濃度之間的關係，提供更準確快速的方法來決定染料配方。以第一次的打色而言，現況是用軟體模擬加上師傅經驗調整，成功率約為七成，而我們提出的方法，成功率可以達到九成五，有十分顯著的差異。

製造業的應用空間不僅只於生產流程

我們今天談了製造業常見的的四種共通挑戰：瑕疵檢測、自動流程控制、預測性維護，以及原料組合最佳化。請千萬不要誤會這就是人工智慧在製造業能做的應用，事實上，這只是個開始；若能夠善用人工智慧，不只可以在生產流程上做優化，在其他業務面向，還有太多的空間可以發揮。

同樣的，這堂課我們以製造業來做為案例，也千萬不要以為製造業是特例，才能看到許多人工智慧的成功案例。2018是很重要的一年，人工智慧已經滲透每一個產業，不論你身處在哪裡，若你還沒有感覺到人工智慧的無所不在，相信我，非常有可能只是你還沒有察覺到改變已經發生。

接下來會繼續與大家分享不同產業如何應用人工智慧來改善企業流程及提升競爭力，將以零售業與金融業做為下堂課的案例。