:::

【109年 應用案例】 紡織業挑戰快時尚,AI庫存預測降低三成五誤差率

服飾快時尚、少量多樣、短交期

紡織產業面臨服飾品牌快時尚趨勢衝擊整體紡織供應鏈,全球品牌通路都推動零庫存、短交期與少量客製化,生產時間、品質、成本難以平衡,面對品牌商對ODM的預測與實際需求常有落差,造成物料管理與大量庫存成本積壓的問題。

由於客戶預測需求不準確,常導致備料困難,備料太多會增加積存量、備料太少可能延誤交期。本計畫規劃以國內一級供應製造商為對象,建立各客戶專屬的物料需求AI預測模型

AI計算銷售趨勢,進而預測需求

輔導團隊與神通資訊科技合作,計畫主要透過LSTM演算法來做為AI的基礎,主要是希望藉由過去的銷售記錄預測下一個週期的銷售量,在統計上使用簡單迴歸,乃至複雜的『時間序列分析』(Time Series Analysis)來預測銷售趨勢,因為,當期的銷售量通常會與前期的銷售量有緊密的關係,除非公司發生重大事件,否則,應該會循著規律變化。

銷售量預測的樣態很多種,包括營收、利潤、來客數、遊園人數、銷售產品數/金額、...等等,都屬於同一範疇,以下會以工廠的每月出貨批數為例,使用 LSTM 模型預測下個月的出貨批數。

物料需求分析方案執行架構

▲物料需求分析方案執行架構

本計畫規劃以客戶為對象,建立各客戶專屬的物料需求AI預測模型,規劃階段使用三種機器學習演算法試作物料需求AI預測模型:

 Logistic Regression Algorithm (羅吉斯迴歸)

 Gradient Boosting Algorithm (梯度提升法)

 Deep Learning Algorithm (深度學習法)

物料需求AI預測模型規劃

▲物料需求AI預測模型規劃

需求預測誤差自最高70%降至35%,降低備料庫存量

本計畫將客戶預估需求、所需物料類別、供應來源、客戶交期等資訊,以機器學習的方式,建立主要原物料的採購預估系統,將該客戶前五大國際客戶需求量預測誤差自最高70%降至35%,大幅減輕庫存之備料量。

推薦案例

【導入案例】哈瑪星科技建構AI模型管理平台 加速AI落地應用
哈瑪星科技建構AI模型管理平台 加速AI落地應用

搭上AI列車,資服業者借助深厚的產業基礎,不僅自己轉型,也協助客戶轉型 成立已超過20年的哈瑪星科技,近年來不斷研發AI技術,並協助產業客戶導入AI。哈瑪星認為,執行一個完整的AI專案,除了AI理論知識、數據分析與模型訓練能力,實務上還需要依據客戶的需求開發數據串接API、建置資料庫、開發前端RWD網頁,甚至還需要考慮到版面設計與使用者體驗 User Experience。這些工作不僅對AI新創業者形成技術門檻,即便對已具規模的業者來說,每個專案反覆投入人力進行類似的功能開發,也難以累積技術經驗、加速業務成長。 機關客戶對於AI仍具備高度客製化之需求 以哈瑪星科技所執行的政府A機關的需求為例,用戶須針對特定管道的不實資訊進行管控,需要平台提供用來訓練模型和預測的數據接入功能,並可以在平台上完成自然語言處理NLP文本分類模型訓練與使用。當模型發現不實資訊時,需要即時透過通訊軟體通報相關負責同仁。而B機關的需求則是希望透過AI模型針對民眾陳情案件進行自動分類,並即時提供陳情民眾或案件承辦人員可參考之歷史案件資訊。儘管專案模式相似 數據接入、模型預測、警示通知,但在個別專案中,仍只能分別進行需求功能開發,無法重複利用既有的程式與模型來加速後續專案的執行。 在深入探討之後,哈瑪星科技發現企業面臨導入AI專案的痛點,包括導入成本高昂、專案時程冗長等,其中,在企業內難以齊備資料科學家、分析師、工程師、設計師等人才,而現階段的專案皆為集中解決特定領域需求,難以重複利用AI模型跨入其他應用領域,同時,因為工具集中在AI專案領域,無法滿足客戶提供整體解決方案。 換言之,在AI技術的落地上,由於AI資服業者往往面臨「人力有限」、「領域限縮」與「工具不足」等困境,致使專案執行成本高昂或時程冗長。這些都是業者們亟需解決的共通性問題。因此,若有一個AI模型應用服務管理平台,將可解決上述困難,不僅能夠快速導入降低成本,還有助於縮短專案時程,提供客戶一站式解決方案。 AI模型應用服務管理平台協助快速完成專案 因此,哈瑪星科技在經濟部工業局AI計畫支持下,進行「AI模型應用服務管理平台AISP研發計畫」,投入研發AISP產品,目的是為了讓AI資服業者能事半功倍地完成AI專案。 AI模型應用服務管理平台提供AI一站式解決方案 透過AISP,AI資服業者可透過既有的模組功能快速組裝數據API介接、模型管理與模型預測結果監控訂閱等需求功能。同時也提供常用的圖形化工具,幫助業者快速設計用戶所需要的互動式圖表或儀表板,有效降低執行專案所需要的人力成本,並縮短解決方案POC或導入時程,加速產業AI落地與擴散。 在產品商模上,短期內將廣邀具備AI專門領域技術的資服業者合作,藉由平台服務解決各類場域需求單位所面臨的AI導入問題,逐步建立平台品牌信賴感。 中期則盼以哈瑪星過往的成功經驗逐步拓展業務市場,聯合多家資服業者建立策略聯盟,針對專門領域可解決更多且廣泛的問題,並提供更多解決方案供場域單位選擇。 平台結合領域專家共同擴展海外市場 長期而言,在建立各項專門領域的AI策略聯盟後,平台將擁有大量針對專門領域的AI解決方案專家,累積大量的專案成功經驗後,哈瑪星科技期望AISP將能與專家業者們攜手合作,共同進軍拓展國際市場。 哈瑪星科技股份有限公司於民國89年延攬多位資深專業經理人及相關領域技術專長人才所組成,致力於軟體技術研發暨服務,並以建構成為國際級軟體公司為目標,積極促成各項跨國產業合作機會。公司在首任總經理的優良領導之下,已快速成長成為臺灣主要軟體公司之一。

【解決方案】佐翼科技無人機導入高爾夫球場域 可節省一半人力
佐翼科技無人機導入高爾夫球場域 可節省一半人力

對於大多數的高爾夫球場而言,場務的營運及管理是一個令人頭疼的問題。「球場就是在賣草皮,場地一定要顧好」,一位高球場負責人不諱言指出。面臨球場場務人力短缺、老年化及成本高昂的市場痛點,導入AI無人機進行農藥噴灑及防蟲害,將可節省球場一半以上的人力成本,並大幅提升整體營運效率。 初夏晌午,位於桃園的台北高爾夫俱樂部,AI智慧無人機緩緩升空,其主要的任務是進行高爾夫球場AI 智慧無人機施肥噴藥的測試。事實上,執行此項任務的佐翼科技,其無人機普遍使用於稻田、香蕉、茶樹等農作物,來從事施肥施藥及防治病蟲害的工作,對於動輒數十到上百公頃的高爾夫球草坪,要運用AI無人機協助草皮維護作業,現階段將進行資料蒐集、建立施藥AI模型及多光譜影像分析測試等,未來將進一步進行大規模的技術落地驗證,為無人機導入高爾夫球場域建立典範。 透過AI無人機施肥灑藥 可節省一半人力 傳統高爾夫球場維護草坪的作業方式,是以人工揹著藥桶,或是駕駛施藥車逐一分區進行噴灑。「國內高爾夫球場於2001年起開始種植超矮性百慕達草種品系,此一草種喜好涼爽的氣候,台灣高溫潮濕的天氣型態並不適宜」,佐翼科技執行長進一步指出,為避免草皮遭受病蟲害,就必須進行農藥噴灑工作,以18洞球場而言,相當於每周要噴灑一次殺菌劑,T台及球道每兩個月噴藥一次。對於高爾夫球場而言,噴灑農藥耗時費力,重要的是,大規模噴灑將增加人員中毒與農藥量增加的風險。 農用無人機在高爾夫球場應用之效益 根據佐翼科技研究,高爾夫球場的蟲害包括夜盜蟲、斜紋夜盜蛾等,其生活習性是傍晚會出來覓食,因此,噴藥的工作必須傍晚施作。依據傳統作業方式,每次施藥估計需要兩台車三個人力,共耗費45小時的時間。若透過AI無人機施肥灑藥,操作人力僅需1人,20分鐘可以噴灑08公頃土地,約可節省三分之二的人力,也可減少營運成本30左右。 高爾夫球場草坪透過AI無人機施肥灑藥,約可節省一半人力 啟用農用無人機應用於高爾夫球場的草皮維護,除了顯著的效益顯現外,佐翼科技也特別導入AI多光譜影像辨識建立NDVI標準化植被指數分析,「所謂的多光譜是將不同的波長波段光線打在草坪的植株上,蒐集反射回來的影像進行分析」,佐翼科技劉姓執行長接著解釋,因為不同光譜,每一種植物在光的波長吸收程度不一,透過多光譜可以掌握草種生長狀況。同時再結合AI影像辨識,可以精準偵測病蟲害分布情況,據此決定施藥量的多寡。 跨領域協作 建立無人機草坪多源影像資料庫 運用AI多光譜影像辨識技術,佐翼科技將蒐集包括可見光譜、多光譜、熱影像和高光譜影像等,建立無人機草坪多源影像資料庫,完整掌握百慕達草種生長週期。 佐翼科技累積豐富的農業AI無人機噴灑藥劑經驗,但要將AI解決方案導入大面積的高爾夫球場仍有諸多問題需要克服。例如需要建立全新施藥模型及測試飛行方式,尤其是多光譜影像辨識運用,概念驗證並不困難,但實際執行則需要更多的測試實證,反覆推論,並與植物專家建立協同作業才能完成,這部分則須仰賴資策會等法人單位跨域整合,集結更多場域投入實證,建立典範,才能在高爾夫球場場域擴散。 智慧無人機導入高爾夫球場的國際案例文獻並不多,在驗證的過程中,能否快速複製至下一個球場尚未可知,但佐翼科技劉姓執行長認為,透過跨領域協作的方式,將問題定義清楚,一一臚列,供需雙方取得共識,針對每一個問題提出可以解決的方案,並找尋內外部的資源合作,才能逐步完成高爾夫球場智慧化的目標,順利協助產業轉型。 佐翼科技執行長劉峻麟

這是一張圖片。 This is a picture.
基於人工智慧的PCBA表面瑕疵檢測改善

隨著AOIAI系統的導入,我們將能提高產品良率、降低成本,從業務面來看,更可提高客戶的信任度,增加營業收益。而且AI具有難以被模仿的優勢,並非如其它設備只要花錢就買的到,讓我們的競爭對手難以追上我們。 組弘發展現況 我們致力於IOT智慧製造上,自行開發的系統已有智慧物料系統、環境溫溼度監控系統、防錯料系統、智能採購算料系統、智慧物料盤點系統、錫膏管理系統、生管系統。過去我們曾詢問過其他廠商,有關AI檢驗PCBA表面瑕疵的可能性,每個廠商都希望我們能夠購買其設備,但實際驗證後都無法達到效果,此次與資服業者討論過後,定調為AOIAI的運作模式,方覺得有可行性。 組弘科技投入AOIAI檢測計畫,用於檢查SMT零件上的文字、焊點、極性、缺件hellip等,用AI替代人工來學習AOI檢測後定義為rdquo可能是不良品rdquo的部份,提升人員產值與降低誤判率。 產業痛點 nbspnbspnbsp 台灣缺工情形嚴重,尤其願意從事目視檢查的人更少,而且年齡相對較大,檢查遺漏的狀況越來越嚴重。所以在追求高品質電子產業中,最關鍵的瓶頸已經是生產後的檢查。過去的消費性產品,異常未能被檢出,只要在一定比例下,也可被接受。現在的汽車產業如果有不良未被檢出,即有可能造成人員死亡,所以汽車產業對於品質的要求極高。要想在汽車產業的供應鏈中生存,就必須解決異常無法被檢出的問題。 nbspnbspnbsp 而且隨著台灣工資越來越高,只能設法以AI技術,取代傳統人力,否則就算解決了異常流出,但相對高的人力成本依然無法在此產業中競爭。 應用技術與說明 nbspnbspnbsp 原本過程圖一,PCB從出來Reflow後,會經過AOI檢測,分出「疑似不良品」與良品,這時「疑似不良品」的部分約為20,再由人工針對這20的部分來做複判,再將「疑似不良品」的部分區分為良品與不良品。 nbspnbspnbsp 我們想要藉由AI的技術,將原本由人工複判這20的「疑似不良品」改由AI來做,複判出來一樣會有良品與「疑似不良品」,結果一樣會有「良品」與「疑似不良品」的產生,但此時「疑似不良品」約只剩下3,也就是說組弘作業人員的工作量會從20降到只有3。理論上是AOI檢查完後,再由AI來做複判,但從表面看起來似乎只有經過AOI而已,所以我們才將這個技術稱之為A0IAI檢測圖二。 原本AOI檢測過程 操作員將待測PCB板放入AOI檢測設備,輸出AOI 檢測不良品資訊,再經由人工逐一覆判是否為不良品。 AOIAI檢測過程 操作員將待測PCB板放入AOI檢測設備,輸出AOI檢測不良品資訊後, 進由AI先進行AOI檢測不良品的覆判,輸出AI檢測不良資訊後, 再經由人工逐一覆判是否為不良品。 流程差異 nbspnbspnbsp 藉由AOIAI系統的導入,我們除了能夠提升目視檢查人員的效率與良率外,我們有了這次AI的導入經驗,以後也可將AI與大數據的運用加入到組弘原有的智慧製造系統,使我們的智慧製造系統的效能更提升,更進一步的減輕員工的工作壓力。 導入前後差異說明 推廣策略 1nbspnbspnbspnbspnbspnbsp 同領域擴散:所有SMT製造業皆會遇到檢查瓶頸導致延誤出貨的狀況,導入此系統可解決目前缺工嚴重問題並提升出貨速度與品質,自行向客戶推廣或透過設備商銷售給相關需求者。 2nbspnbspnbspnbspnbspnbsp 異業擴散規劃:與AOI製造商洽談直接將AI系統掛在AOI系統內,增加其市場競爭力。 nbsp 獲利策略 1nbspnbspnbspnbspnbspnbsp 與AOI製造商合作收取授權金。 2nbspnbspnbspnbspnbspnbsp 與SMT製造業直接銷售AI系統。 3nbspnbspnbspnbspnbspnbsp 提供SMT製造業AOIAI系統訂閱制