當前製造業與供應鏈廠商面對訂單客戶少量多樣、交期短的需求，再加上ESG（環境、社會責任、公司治理）受到國際市場關注，以往對於數位轉型較保守的態度逐漸改觀，加速採用新興資訊科技建構工業物聯網（IIoT）、開展人工智慧（AI）應用，期能突破生產力與營運效率瓶頸，進而開創全新商業模式，實踐智慧製造的願景。
根據IDC（國際數據資訊）日前最新發布的全球數位轉型支出指南（Worldwide Digital Transformation Spending Guide）預估，2022年亞太地區（不包括日本）的數位轉型支出將達到5,430億美元，較去年（2021）同期增長約18%。其中佔比最高的產業為製造業（35%），重點在於引進機器人技術、自主操作、根本原因分析，以提高附加價值並降低運營成本，預估未來4年將以21%的年複合成長率持續發展。由此可發現，投入資源推動組織邁向智慧化已成製造業明顯的趨勢。
就台灣AI市場來看，IDC台灣企業應用資深研究經理蔡宜秀表示，企業在人工智慧技術的預算支出於今年（2022）年將達到3.65億美元，以金融服務、製造與零售流通業的AI應用需求最高。工研院資通所副所長花凱龍在公開演講亦指出，高科技製造業、銀行、健康照護對於AI應用積極度較高，甚至有57.6%企業表示疫情加速了AI應用的導入，盼藉由機器學習平台、MLOps技術，達到提升工作效率、創造利潤與控制成本的目標。
根據IDC最新發布的全球數位轉型支出指南預估，2022年亞太地區（不包括日本）的數位轉型支出將達到5,430億美元，其中佔比最高的產業為製造業（35%），未來4年將以21%年複合增長率增長持續投入發展。（資料來源：www.idc.com）
實際上，為推動台灣AI發展，政府早在2017年就已宣示為台灣AI元年，並且於2018年年初推動第一階段4年期（2018年至2021年）的「台灣AI行動計畫」，全面啟動產業AI化。花凱龍說明，第二階段的行動計畫預計將在2023年初啟動，將以「可解釋、負責任的AI」為主軸，推動更多中小型場域得以落實應用。並且透過一站式平台，整合聯邦式學習、AutoML、自主監督式學習與遷移式學習等技術，讓IT/OT團隊以Low Code/No Code方式降低操作技能門檻，加速運用AI解決產業困境。
演算分析建議最佳配方改善製程
AI應用系統的基礎，不僅得仰仗Big Data、先進演算法、強大運算效能，亦須現場工程師的領域知識與經驗設置製程參數，也因此開發設計過程相當耗時費力。近幾年工研院針對智慧製造，已陸續研發出製程分析與配方參數最佳化、工業機器人自主學習、工業視覺瑕疵檢測等應用案例。工研院研發團隊以大量模擬資料先行建立演算模型，再餵入生產線實際運行產生的資料，調整與修正誤差值，計算出最佳製程參數建議，以改善原有製程，同時幫助業者探索從未接觸過的製程配方，節省能源消耗與成本支出。
製造業面對市場少量多樣生產需求，若未能提升自動化程度，恐難以鞏固競爭力。花凱龍指出，工業機器人自主學習技術有助於減低勞力密集且重複性工作負擔，運用模擬器產生3D堆疊與2D影像場景資料，經由Fast SQNet訓練完成之神經網路模型，快速穩定地推論取物點，成功率可高達九成以上。 至於工業視覺瑕疵檢測技術，主要是為了輔助印刷電路板（PCB）業者把關品質。花凱龍說明，以往PCB業者為進行嚴格的品質管理，普遍應用自動光學檢測（AOI）設備進行瑕疵檢測，並且會將靈敏度調整到最高，造成高誤判的狀況，須仰賴大量人力進行複檢。「工研院研發團隊藉由PCB業者累積上百萬張瑕疵影像來訓練模型，運用AI技術賦予瑕疵檢測設備機器視覺自主學習的能力，能有效協助產線的檢測員減少57%篩檢工作，更讓產線由抽檢提升為全檢，自主判斷產品是否有瑕疵的正確率超過99.95%。」
一站式自動化平台補強技能落差
隨著AI持續進化，加速落地已成為當前發展首重任務，花凱龍指出，AI治理／負責任的AI、少量資料學習、自動化機器學習的AI平台，可說是為關鍵要點。他進一步說明，由經濟合作與發展組織（OECD）國家倡議所成立的全球人工智慧合作夥伴關係（GPAI），旨在促進全球AI發展與應用，並符合人權、包容、多樣性、創新、經濟成長等原則，對於負責任地採用AI提供支持與指引。2020年11月，GPAI資料治理工作組發表資料治理架構報告，用以說明資料治理對AI的重要性，並針對全球的資料治理、AI治理，給予相關政策指南與規範，範疇涵蓋模型訓練與測試、演算輸入與輸出的資料、擴展資料生態系。
少量資料學習主要是為了因應特定場域無法蒐集龐大資料量，可藉由少量資料學習技術來解決，以自監督學習訓練預先產出模型，輔以少量標註資料、遷移式學習技術再訓練，經過反覆微調讓中小型場域部署應用。此外，一站式自動化機器學習平台，藉由提供Low Code/No Code整合式系統補強技能落差、加速AI應用落地，才得以讓製造業逐步落實智慧化的願景。
AI工具輔助控制成本
儘管AI應用的演算法技術發展逐漸成熟，工廠營運環境產生的資料不具備標準化、缺乏數位專才，始終是企業推動智慧製造計畫主要的障礙。Rockwell智慧製造應用發展經理王展帆認為，正確的做法應建構資料中台，讓異質資料格式得以正規化存放，同時建立標準存取準則，讓製程、品管工程師等現場人員無須學習撰寫程式碼，依據資料擷取、儲存、使用、分析的流程規範，即可運用資料中台的分析功能輔助工作任務。
Synergies（訊能集思）創辦人暨執行長張宗堯指出，台灣目前提供AI技術的廠商，主要是提供AutoML產品與系統整合服務，但現階段有能力運用AutoML工具建模型的人才仍為資料科學家，Synergies的理念則是打造內建演算規則的平台，讓企業無須高薪挖角資料科學家，只為了撰寫解析特定應用場景的演算模型，而是藉由AI平台讓第一線工作者能夠自行建立分析規則，解答日常工作遇到的問題。
此外，工廠環境除了藉由AI應用改良常見的瑕疵檢測、預防性維修、參數組合最佳化等問題，亦可提升設備機台的自動化能力。只要利用無須撰寫程式碼的機器人流程自動化（RPA）平台，把工作流程執行動作轉化為圖形化元件，現場操作人員透過瀏覽器以拖拉方式預先錄製操作腳本，即可讓設備機台的工業控制電腦自動輸入製程配方參數，藉此避免人為疏失、提高營運效率，亦可間接降低成本支出。