天然氣火力發電廠原本會因為燃氣管道損壞而導致跳機，但透過新型的電廠故障信號監測系統，捕捉電廠的任何「異常」行為，得以在跳機發生約56個小時前偵測到該問題，並幫助維運人員在33小時前找出故障原因。
洛克希德馬丁公司受美國國家航空暨太空總署（NASA）委託，為其Artemis太空探索計畫建造獵戶座（Orion）太空船。在製造階段進行太空艙熱真空測試期間，須處理近15萬個太空船感測器的資料，工程師運用一種針對物聯網（IoT）時代所開發，內嵌人工智慧（AI）功能的系統不變量分析技術 （System Invariant Analysis Technology，SIAT），以及洛克希德馬丁的AI平台，只用了四個小時，就建構了220多億個資料關係分析。
AI技術與IoT設備的整合（AIoT）已是數位時代無人可擋的大趨勢。根據IDC調查，超過一半以上發展AIoT能力的企業，認為他們在一些關鍵性的組織目標，包括加快營運效率、引進新的數位服務、提高員工生產力和降低成本等，都獲得了更大的成效。
過去，我們習慣使用感測器來檢測、監控生產線、廠房及其他環境的異常情況，不僅有各式各樣的類型，例如用來收集震動數據、檢查壓力或是溫度。而且，每個感測器有其個別的檢測規則，以資料值高於或低於某一水準時的「閾值」來決定是否存在異常情況。然而，就像上述兩個範例一樣，一個系統越複雜，監測點和規則就越複雜。
如今，除了以往支持穩定運作的專家現場監視、警報器監視之外，科技業者結合AI及數據分析技術，推出了以SIAT做為企業「第三隻眼」的監控系統，利用感測器數值的相關性紀錄，監控及分析「不同於平常」的資料，及早發現故障的預兆並提供修復建議。
SIAT獲得業界青睞的原因有三。其一，SIAT是一個成熟的人工智慧和機器學習工具，多年來已被能源、製造業和運輸業的主要業者成功應用於各種領域。其次，它為所有開發人員提供了既快速又高效的系統診斷能力。最後，與許多現有的人工智慧解決方案不同，SIAT提供了「可解釋性」的AI。這種被稱之為「白箱」（White Box） 的方法，可以透過展示其完整的分析資料來揭示一個分析結果的證據是什麼，從而更容易理解問題產生的原因，並套用到應採取的措施。
傳統故障檢測系統主要是利用閾值的收集來進行監測，這已無法應付IoT時代的挑戰。以人工智慧分析異常行為的SIAT，應用範圍可從伺服器、邊緣運算、嵌入式運算平台，擴充到飛行後的飛機檢查、衛星地面站，甚至可重複使用的火箭系統。在今天這個由AI運算、資料驅動的世界，SIAT可謂是一個應用無限的強大工具。
＜本文作者：何彥明現為NEC台灣技術長＞