數位化實踐輔助製程　產業升級轉型發揮資訊力

國立清華大學人工智慧製造系統研究中心執行長陳盈宏說明，AIMS團隊成立迄今已成功執行逾200項產學合作項目，從實際與製造業交流的經驗中發現，多數業主最初根本不知道究竟AI可以在自家那些場域發揮效益。因此AIMS首要任務即是先行分析企業營運須達到的策略目標，例如降低成本、提高產量、提高品質、減少人力、準時達交、縮短交期，甚至是節能永續以符合ESG規範，進而研究可實踐的方法論，逐步實現。

「AIMS團隊專注於研究最佳化演算法、資源調度與全面性資源管理、大數據分析與數位決策的研究。這些領域本質上與工業工程的專業息息相關，尤其是專注於發展演算法和大數據分析，但企業未必能夠理解可應用的場景。對此，AIMS採以應用案例方式輔助溝通演算規則，例如背包問題、路徑規劃、生產排程等，以具體地說明應用價值。」陳盈宏說。

把先進演算法帶到傳統作業現場

就造紙廠紙捲裁切最佳化的應用案例來看，陳盈宏指出，透過AIMS的演算法，可把大捲紙（長達500公尺、高達三層樓）裁切成數個小紙捲，有效降低原料使用量，減少多餘的小捲筒產生，從而降低成本和減少倉儲空間的需求。

傳統紙捲裁切工作主要依賴老師傅的經驗進行手動計算，這不僅耗時，也容易產生多餘的小紙捲，這些多餘的產品若無法售出，最終只能作為廢料回收，造成資源浪費。為了解決此問題，AIMS團隊應用了數學演算法中的「背包問題」策略來最佳化裁切過程。背包問題涉及在限定的條件下（如時間或預算限制），如何最有效地選擇並使用資源。透過演算法的幫助，不僅減少了原料的使用，也減少了所需的製造時間及相關的能源消耗和碳排放。

陳盈宏進一步說明，AIMS的研究不僅限於理論探索，更重要的是如何將這些知識應用於產業實踐，解決實際問題。這樣的案例還包括染色機排程最佳化、車燈廠生產排程、塑膠射出成型參數最佳化、冰水系統調度最佳化節能技術架構等，每個案例都是智慧製造理念與實踐，為產業帶來實質且可量化的效益。

例如生產流程同樣相當仰賴老師傅的車燈廠，主要憑藉過去累積的經驗與直覺判斷。陳盈宏認為，當工作流程過於依賴個別經驗時，就存在著最佳化的機會。這個位於台南的車燈廠，透過與AIMS研究中心的合作，把老師傅頭腦中零散而又看似無序的規則，整理出邏輯並轉化為電腦可以處理的流程。傳統上，老師傅依賴於自己的經驗，每週要花上9個小時來完成一次排程，這種作法不僅效率低下，且當管理人員更換時，排程方法也會隨之改變。

AIMS團隊經過多次與老師傅的溝通，把判斷基準整理成規則，使得原本需要長達9個小時才能完成的排程工作，現在能在一分鐘內輕鬆完成，且可根據需要進行每日甚至多次的重新計算。工作流程最佳化之後，不僅節省了時間，而且提升了生產效率，允許更靈活的排程調整以應對突發狀況，同時也降低了過度依賴單一員工經驗的風險。透過結合老師傅的經驗與先進的排程技術，車燈廠成功地轉型，朝向智慧製造邁進一大步。這證明了智慧製造並非僅限於引進最先進的IT技術，還必須能夠與傳統經驗相結合，才能共同創造價值。

陳盈宏強調，製造業之所以認同智慧化的發展方向，主要是業主發現可為企業帶來實質的利益與價值。AIMS輔導的案例可證明，當企業透過科學化和系統化的方法來分析和解決問題時，可以在多個層面上實現改進，進而推動整個製造流程的創新與進步。

PCB大廠藉知識管理脫胎換骨

台灣的印刷電路板（PCB）產業，自過去30年的小規模產業發展至今，已成為全球市場的焦點。特別是隨著5G時代的來臨，從銅箔基板到印刷電路板的每一步驟，都顯得尤為重要。叡揚資訊解決方案業務群資深顧問師方小欣觀察，自2019年起隨著5G技術的推進，PCB產業的發展重心轉移到了技術創新上，特別是在高層次板和厚銅板的研發上。企業透過提升製程良率，逐步獲得了客戶的認可，並調整了產品方向，以迎合對信賴度要求更高的市場。

知識管理對於PCB產業尤為重要，尤其是在研發部門。方小欣說明，研發是技術導向產業的核心，而設計變更和工程變更對於維持產品質量和提升創新能力至關重要。推動知識管理系統的企業與組織，通常會以研發、品質保證部門為首要導入應用的對象，因為這些部門擁有大量的文件資料，導入知識管理系統彰顯的效益較為顯著。

以設計變更和工程變更為例，這些過程經常是分散進行的，使得工程師對其他同事的工作執行項目了解不足，因而影響了最佳設計的選擇。藉由建立知識管理平台來集中化處理，有助於讓員工之間能夠快速獲悉其他團隊小組或廠區的最佳做法。

方小欣進一步說明，當設計變更的內容得以匯集和分類後，可以更迅速地辨識出品質問題，並縮短生產時間。曾有案例顯示，透過知識管理系統的實施，不同部門的工程師在材料替換申請上能互相知悉，從而有效預防了材料問題的發生，節省了大量的資源和時間。因此，有效管理設計變更不僅能積累經驗，還能彼此交流相關資訊，以節省時間和人力成本。

KM整合生成式AI　兼顧效率保密

近兩年來，AI的衝擊日益明顯。以OpenAI推出的聊天機器人ChatGPT為例，其用戶數在兩個月內就突破一億，創下應用程式發展的新紀錄。方小欣指出，「這樣的現象讓我們不禁思考，可回答大部分問題的生成式AI，是否有能力取代傳統的知識管理系統？許多客戶對此感到疑惑。」

之所以有此疑問，主要是生成式AI應用與知識管理系統在功能上有所重疊。方小欣觀察，甚至有人將生成式AI與知識管理軟體視為相同的應用場景。造成這種誤解的原因，或許是受到生成式AI炒作的影響。她認為，知識管理的目的，在於專注於組織創造與使用知識的方法，偏重於培育知識管理的文化、分享知識。而生成式AI的目標，則在於根據從訓練資料集中學到的資訊，生成文本、圖像、影片等新型態內容。

「生成式AI演算模型需要對大型資料集進行廣泛訓練，才能夠產生內容。而知識管理在企業中的實踐，則是先依照企業策略目標定義框架，進而引導組織成為一個學習型組織。因此，結合內部知識庫和生成式AI，才能創建真正符合企業需求的大型語言模型。」方小欣強調。

事實上，僅靠生成式AI無法產出企業專屬的知識，需結合知識庫，才得以建構專屬的大型語言模型，既滿足營運應用需求，同時也可藉此保障機敏資料不至於外流。叡揚提供的Vitals ESP知識管理系統，在市場上已有20年時間，累積眾多兩岸三地的客群，產品發展已相當成熟。如今，Vitals ESP知識管理系統引入生成式AI後，能大幅提升知識檢索的速度和效率。透過多維度分類和演算模型技術，用戶可以更自然地透過口語問答找到所需資訊，同時系統會標注資料來源，確保資訊溯源的可靠度。

工業物聯網的應用及挑戰

資安威脅事件在智慧製造應用場域中日益嚴峻，西門子（Siemens）客戶服務處資深技術工程師廖國鈞引述趨勢科技在2021年發布的《工業網路資安現況：IT與OT人員、流程及技術的匯流》報告指出，有61%的智慧工廠曾遭遇資安事件，且75%案例造成了系統停擺。對於離散型製造場域而言，生產過程遭遇的網路攻擊將直接導致經濟損失。

面對這些挑戰，西門子推薦採用縱深防禦原則來加強安全性，該原則包括三個層面：系統完整性、網路安全與工廠安全。在這三者中，系統完整性尤為重要。特別是對OT領域的關鍵系統，例如資料收集與監控系統（SCADA），需要實施系統偵測與防護、漏洞修補、強化身分驗證和存取控制，以及建立備份與災難恢復計畫。 此外，西門子基於工業控制領域累積的知識，已開發出協助預測性維護的AI應用。這些應用能夠預測設備何時可能發生故障及其原因。透過預測性維護，目標是確保機台的正常運作，AI的協助可以精準地識別問題的根源。

另一方面，西門子所提供的SIPLUS CMS（Condition Monitoring Systems）預防保養系統專為智慧工廠設計，它可以進行異常檢測，在傳動系統影響整機運作前及時警告。這套系統利用預先訓練的AI演算法，無需深厚AI知識即可運用，能夠自動識別振動訊號中的異常，提早檢測關鍵情況。

同時，西門子的SIMATIC控制器系列，從基礎到進階、分散式和軟體控制器，滿足各種自動化需求，其中S7-1200控制器以其擴展性和整合性備受推崇。這款控制器支援多樣通訊與功能模組，緊湊的硬體設計節省空間，並內建OPC UA與MQTT，方便與物聯網（IoT）裝置相互整合。

雲端與邊緣運算管理新篇章

當製造業的數位轉型計畫開始利用邊緣或雲端運算輔助實現，可借助Google Cloud安全指揮中心（Security Command Center，SCC），為企業提供了一個集中管理和控制雲端資源的平台。羽昇國際雲端架構師何政勳說明，這個平台核心功能由幾個主要部分構成，包括概覽（Overview）、漏洞（Vulnerabilities）、資產（Assets）、發現（Findings）以及探索（Explore）。不僅可讓IT管理者能夠一目了然地查看其所有雲端資源，還具備尋找並修復可能存在的安全漏洞和錯誤配置的功能。

SCC的主要功能包括檢測與透視潛在威脅，這些威脅可能隱藏在用戶的Google Cloud資產中。透過先進的檢測技術，SCC能夠識別出各種安全威脅，例如未授權的存取和異常的使用行為，從而提前預防可能的安全事件。

此外，SCC還提供資安事件報告功能，這對於企業來說是極其重要的。當發生安全事件時，SCC不僅能迅速偵測，還能提供詳細的事件報告，幫助相關人員快速回應和處理問題，同時確保企業符合相關的法規要求。