【專訪】英業達首席AI顧問陳維超─後疫情時代 三化協助製造業數位轉型

陳維超─行品股份有限公司創辦人，英業達股份有限公司首席 AI 顧問

新型冠狀肺炎(COVID-19)疫情肆虐全球，在製造生產、能源、金融等面向引發連鎖效應，更打亂了製造業在全球生產、製造與銷售的布局。在全球紛紛採取「封城 」的情況下，貨物能流動、人員不能流動，製造生產的趨勢將朝向「組裝在地化」、「生產智能化」及「供應鏈分散化」，這三化透過強大的AI技術工具，將能協助產業達到數位轉型的目標。

所謂「組裝在地化」係指人員無法流動，要達到生產效率化，就要將生產分割成好幾個部分，工廠小型化分布在鄰近供應端或是客戶端。將末端生產往客戶端移動，就近做QA(Quality Assurance，品質保證)、logistic(後勤管理)。組裝在地化為了因應不同市場的動態需求，需要產線不同部分的相互配合，就需要做智能化生產。

製造生產新趨勢：組裝在地化、生產智能化、供應鏈分散化

「生產智能化」即為了因應「組裝在地化」所進行生產架構的改變，為方便遷移，或是薪資水平比較高的地區，採用自動化生產，導入人工智慧技術，類似關燈工廠或無人工廠，可進低成本及分散風險。生產管理也可能使用 IoT 技術遠端化，以確保跨場域也可以得到相同的品質與生產效率。

最後是「供應鏈分散化」，防疫如同作戰，為了讓生產製造順利復工，不能再仰賴單一供應商，將生產流程切分成數段，如生產板子後必須系統組裝，過程中有一個存貨倉，就能切成兩段，在地組裝、智能生產，以方便製造與驗收。這類似過去Internet的發明目的：原料變成成品的過程，不再只是經過一間大工廠，而會因為供給需求生產能量等原因，動態的往不同的生產站點流動。

後武漢疫情時代，製造業有分散生產的需求，這是未來智慧製造的趨勢，供應端要更動態、彈性，同時，自動化生產能力必須大幅提升。

智慧製造AI主要應用有兩層：一，流程自動化，包括自動測檢、生產排程；二，預測性分析，如訂單預估、預防性保養。其中，流程自動化屬於垂直整合的工作，要AI化有技術的困難度，但涉及的層面相對沒這麼廣；預測性分析是水平整合問題，涉及資料蒐集，包括如何定義公司流程、決策數位化、數位轉型等議題，導入更加困難，有可能需要諮詢顧問公司的協助，甚至進行組織重整才有辦法做到。

英業達AI研發中心自我定位為「研發中心」，針對流程自動化研發了「小資料製造AI技術」，標記量少了上百倍，辨識率與一般大資料算法之水準相當，節省蒐集資料、標記資料的時間，也能讓產品研發的速度加快。

AI技術新趨勢：使用少量標記資料達成高辨識率

「小資料製造AI技術」指的是使用少量標記資料就能達成高辨識率，有下列優點：

一、降低資料標記量：瑕疵有許多種類，無法一一列舉，要達成高辨識率需要龐大資料量。運用小資料製造AI技術，原本需要標記3個月的資料量，現在只需兩天的資料量就足夠，降低10-100倍的資料量。其特點在於，觀測資料時只要出現一個異常資料就能很快辨識出來，運用深度學習方式，訓練機器辨識正常或不正常的資料，不需要去理會真正瑕疵的樣式及分類，透過這種方式，大大降低資料的標記量。

二、加快驗收時間：現行資料蒐集、標記的做法，AI模型落地可能需要耗費六個月時間，再加上資料生命週期的問題，專案驗收時間往往拉長到至少一年以上。透過「小資料製造AI技術」，蒐集資料、標記、分析可望只需一周的時間，因此也比較好做POC。

三、提升客戶的隱私：不需要跟客戶索取龐大資料，就能做出不錯的成效。此外，資料量減少，也能降低儲存成本。

四、擴展至不同應用領域：特製、專用的AI大多只能檢測特定的產品，而運用小資料異常判別AI演算法，能夠迅速調整到不同場域應用，拓展應用領域及產業。

在推動智慧製造的過程中，最困難之處在於預測分析的部分，因為現行的製造業在製造流程部分雖已資訊化，但因數位化程度不一，必須要仰賴人介入的部分比較多。大凡公司資訊化最高的部門一定是財務部門，透過ERP等系統，資料無所遁形。不過，其他業務、行銷等部門，從資料回頭去看問題成因是困難的，例如，營業額下降，是稼動率低、良率不足或接單不順暢等，成因非常多元而複雜。因此，數位轉型的首要之務，是提升公司的數位化程度，降低斷點，將作業流程環環相扣，包括資料來源、產線IoT、客戶溝通資訊、產品履歷等一一建立，預測分析才能全面性。

現在很多人在爭論，這是AI，那不是AI，實際上，我認為「目的」還是重點，而AI是工具，不是目的。就如同我要建造一棟房子，以前用螺絲起子慢慢鑽，現在用電動鑽頭，讓蓋房子更快速、更有效率，也有可能因為有新的工具，因此能設計出來以前沒辦法蓋的房子。但是重點還是怎麼運用最有效的工具達成目的。只是為了用新的工具而不檢視目的，是本末倒置的做法。

AI技術新應用：智慧製造、智慧醫療、尖端製造演算法

AI技術用於製造生產的最大挑戰，在於缺乏溝通人才，造成技術端與使用端在溝通上出現了很大的鴻溝，例如，使用端會說，「給我看看你的解決方案」。技術端的人會說，「你告訴我你的問題在哪裡，我技術很好，你只要給我規格我就會做，但是，我不會開規格」。所以能夠定義出對使用端有效、對技術端可執行的規格，是溝通過程最重要的挑戰。

因此在跨域人才訓練方面，我認為技術開發能力是其次，技術理解力才是最重要的。也就是說不定要會發明新的工具，但是很需要知道怎麼應用工具的人才。台灣人工智慧學校經理人班教導決策人員了解如何定義問題、如何購買、監督、驗收，決策經理人不需要學會工具操作，但要做一個稱職的監工。同時，如何建立AI團隊，建立文化制度，是每位公司決策高層在數位轉型時應該考慮的關鍵問題。

這一波AI熱潮是根源於其對於影像辨識的效力。相較於傳統電腦視覺，用類神經網路來做影像辨識，準確度好很多，許多新的應用由此因運而生。然而現在訓練AI都在做專業的事情，卻缺乏常識 (common sense) 的訓練。我們如果可以做出一個有常識的AI，用這個AI為基底，做專用性的AI，就可以避免這些 AI 做出很愚蠢的錯誤。雖然這是很困難的問題，但這涉及AI模型安全性及可解釋性的問題，應該要開始投入研究，以及早因應。

英業達AI中心屬於研究型的AI中心，除了常常將研究發表在 ACM 與IEEE等重要國際期刊，我們想解決的題目也希望符合商品化期待。現階段研發的重要領域包括智慧製造、智慧醫療，與AI運算研究。

在智慧製造部分，研發獨特的製造AI演算法，以因應泛用型視覺AI之不足；在智慧醫療部分，在醫院分流、診斷分散化的趨勢下，將人IoT化，運用穿戴式裝置將人類的健康指標整理成數位化訊息，以利遠端監控與診斷；在運算研究方面，根基於自家開發之 AI 處理器架構，以用於家用電子、自駕車等領域。基於最大化影響力之原則，內部以研究為主，落地找內外部合作夥伴，期望將研究成果推廣到各個適用之產品與領域。

(本文由陳維超口述，AI HUB胡秀珠紀錄整理)