隨著人工智慧（AI）應用浪潮湧入各行各業，台灣洛克威爾自動化解決方案暨工程服務事業群資深經理王展帆觀察，實際上多數製造業的概念驗證專案即使成功，往往遭遇難以擴展的困境。其中一項因素在於新興應用難以評估投資報酬率（ROI），難以說服企業高階管理層。
對此，王展帆建議，規畫AI應用議題時，首要是策略執行面，須選擇能夠讓企業實質受益的應用場景，例如預測性維護（PdM），可在正常營運期間持續監控產線機台運行狀態，在故障發生前先行汰換，以降低可能造成停機的風險。實現方法不外乎藉由物聯網、雲端平台或邊緣運算、機器學習演算模型等IT領域已發展成熟的技術，讓營運資料可被統一收集、存放、分析，達到預測性維護的目的。其次，要從小範圍開始實作，確認技術堆疊可行後，再擴展到整個工廠產線。
須留意的是，單一工廠的成功模式，未必可複製到其他工廠。王展帆指出，台灣的製造業想要引進AI應用到各地的工廠，往往遭遇不同的障礙，經常導致效益不彰狀況。因此他建議，先釐清各地區的工廠營運遭遇的痛點，進而評估最大公因數，並且選定一個工廠扮演示範場域，從OT到IT全面的導入AI應用，以及計算投資報酬率，再來判斷是否要擴展部署到所有工廠。如此才是比較可靠、失敗率低的AI應用導入方式。
先定義問題 再利用IT技術找解答
IT技術供應商大多宣稱自家發展的AI技術可協助企業提高營運效率，但是不見得可在工廠場域發揮作用。畢竟每種不同類型的製造業都有細分領域，營運場域工作流程獨特性較高，若欲發揮引進AI應用的最大效益，關鍵在於先定義問題。
「了解問題本質比AI技術更重要，」王展帆強調，可讓具備領域知識的老師傅或現場工程師運用的AI平台，才能夠真正地幫助製造業升級。這也是Rockwell近幾年持續發展標準平台FactoryTalk InnovationSuite的主因，目的在於協助製造現場的專家更有效地完成日常工作。
除此之外，關於績效指標（KPI）的設計也是一個值得注意的問題。特別是在工廠轉型與自動化的過程中，人力配置的變動和調整是不可避免的。因為自動化生產線與人工生產線對人力的需求和資質有著截然不同的需求，如何面對這樣的轉型便成了一個更為關鍵的問題。
Rockwell不僅提供AI技術，還會進行實地諮詢，包括生產流程的分析，以及KPI與人力配置的建議。為了確保企業在數位轉型的過程中不會迷失方向，Rockwell會進行對標分析，以國際標竿企業為例，提供具體的改善方案。王展帆以輔導台灣某化工廠的經驗舉例，Rockwell了解現場工作流程後，先是分享國際標竿企業的做法，並且說明差距，同時也提出改善的方法與目標，讓數位轉型團隊逐步實踐。
跨領域整合落實策略藍圖
邁向智慧製造的策略藍圖，以往觀念常誤以為主要是廠務長或製程工程師的責任。王展帆指出，實際上數位轉型計畫，並非由廠務或製程工程師來決定，須要更高階管理層的角色來拍板定案。台灣製造業內部陸續已成立專門發展智慧製造或數位轉型的部門，大多為CEO直接管轄，Rockwell的顧問就是跟這群人溝通。可根據現況協助規畫發展藍圖，以階段性方式落實達到目標。
實施數位轉型計畫時，基本功不容忽視。王展帆說，有些傳統製造業試圖快速導入AI應用，卻忽略了基本的網路和資料管理，最終導致資源浪費。Rockwell強調依循國際標準，如ISA 95和ISA S88，以確保各層面的系統管理和模組化控制。
至於標準該如何落實到實際的生產環境？王展帆觀察，負責生產管理的人通常擁有深厚理論基礎，但是欠缺合適的工具輔助執行任務，Rockwell亦可協助評估方案。比如說，生產管理人員多數為工業工程背景，學生時期已熟讀多種方法論，為了改善產線效率，雖收集一堆數據，卻仍然僅憑感覺判斷，不懂得分析輔助決策。
他以Rockwell日前協助客戶建立產線稼動率分析為例，之所以能準確地找到造成瓶頸的機台，進而改善無效率的環節，關鍵在於整合IT與OT，加上領域知識。只有進行全面的跨領域整合，企業才能確保自己處於正確的發展方向，並能適應未來不斷變化的商業環境。
依據績效指標收集關鍵參數資料
針對各產業皆關注的OpenAI等生成式AI應用，王展帆直言，生成式AI不適用於製造業場域。他進一步指出，近來確實接收到許多客戶詢問OpenAI的應用模式，實際上，即使大量資料已被收集和分析，OpenAI仍然難以在製造業中發揮作用。主要的原因在於，OpenAI提供的資訊未必百分之百準確，而製造業對準確性的要求極高，無法容忍誤差。因此，OpenAI通常不會被直接整合到製造業的營運中。他強調，製造業的營運現場要導入AI的話，AI模型勢必要精準可靠，且大多為處理單一事件。
台灣洛克威爾自動化解決方案暨工程服務事業群資深經理王展帆提醒，每種不同類型的製造業都有細分領域，營運場域工作流程獨特性較高，若欲發揮引進AI應用的最大效益，關鍵在於先定義問題。
實際上，台灣製造業中超過半數的企業尚未完整地實施資料收集，這對於即將到來的「AI元年」構成了一大挑戰。王展帆說明，這個名詞不僅象徵著AI應用的大規模普及，更重要的是，AI元年代表必須進行更全面的資料收集，並且明確知道這些資料能夠達成何種目標。例如，對於實施ESG計畫的企業，通常會先從能源管理入手，收集用電量數據。然而，要真正實現節能，關鍵在於先釐清不同設備的KPI。
他強調，成功的資料收集並不是一個孤立的過程，而是建立在明確的績效指標之上。只有先確認哪些因素或參數對設備或製程的績效有實質影響，才能進行有針對性的資料收集和分析。在確認這些關鍵參數後，AI應用才能發揮其真正的優勢。以這些參數為基礎，企業可以設計出更精確的機器學習模型，進而對製程或設備進行精確的預測和最佳化，最終達到提高良率的目標。