台灣製造業再戰 10 年新標配：AIoT 如何助力工廠從自動化邁向智慧化

作者:SAS Taiwan
原文刊登自:TechOrange 科技報橘

在製造業轉型邁向工業 4.0 過程中，物聯網與人工智慧的應用成為最終關鍵，SAS 台灣業務顧問部副總經理陳新銓就表示：IoT 是非常熱門的議題，無論政府單位、製造業、零售業等各產業都在佈局應用 IoT 物聯網的技術。而根據 IDC 於 2020 年針對450家企業調查(註1)後發現，53% 的 IoT 專案在整合了 AI 技術後，還能提升 20% 的預期效益。且無論是在營運效益、員工生產力、作業流程改善還是數位轉型應用等面向，結合 AI 與 IoT 都有助於企業得到培養更高的競爭優勢。

過往，IoT 僅是透過感測器來蒐集資料的技術，但在整合 AI 後，便被賦予了全新價值，除了能改善人力難以解決的良率問題外，更能利用演算法與進階分析應用來優化作業流程與營運效率，協助企業作出更好的決策，進一步發展出多元創新的商業價值。(延伸閱讀：【智慧製造新方向】工廠想導入AI虛擬量測提升產品良率，在實踐前應注意甚麼要點?)

企業遲遲不導入 AIoT？三大痛點揭真實原因

然而陳新銓副總也以 SAS 的實務經驗，指出製造業導入 AIoT ，現階段所面臨痛點。

1. 物聯網資料量過大、導致監控效率不彰

IoT 應用往往會建置大量感測器蒐集現場數據，但在儲存所有物聯網數據的成本過高、缺乏有效分析工具的條件下，無法高度頻繁的擷取資料，往往 1 分鐘只能取一個數據點，或針對數筆資料取一個統計量(如平均值)，這些大多都是 IoT 監控系統的常見作法。但如此做法也衍伸出許多問題，例如：資料頻率或統計量無法反應真實問題的特徵、過多人為定義、單變量監控與製程環境存在落差等，導致企業很難訂出一條能反應問題的監控防線，這也是未將 IoT 結合 AI 的專案，造成效益低落的原因。

解決方式：以非監督式學習機制，累積經驗掌控數據異常狀況
與其事先制定規則，不如先利用多種非監督式演算法、使用數據本身的變化挖掘異常，如此便可解決上述幾點問題。待產線人員累積數據分析經驗後、再加入監督式演算法，除了快速產生效益、更能兼顧人才養成的道路。SAS 就曾協助火車頭製造商奇異運輸（GE Transportation）導入AI 監測整個北美鐵路網軌道健康度。火車頭設置的監控攝影機能擷取軌道影像即時串流運算，再使用非監督式學習機制，從影像中計算道砟（Ballast）的高度、厚度識別健康度，若發現些微異常狀況，則警示駕駛員減速通過此路段；如有嚴重異常，則通知總部進行緊急處理。

2. 製造業應用情境深且複雜、分析團隊人力有限

製造業的業態差異極大，就算生產同樣產品的公司，產線數據也大相逕庭、使得市場上缺乏可立即上手的數據分析人才。此外，即便在同公司，不同產線或製程也存在差異，某製程的關鍵參數在另一製程不見得重要，並且有許多由工程經驗衍生的例外條件，導致分析團隊在各部門溝通中疲於奔命、分析經驗難以累積，也減緩分析專案取得效益的速度。

解決方式：資料民主化讓懂情境的人自主建模，分析團隊專注複雜議題

與其讓資料科學家與各部門領域專家不斷溝通、屢次反覆確認和討論，建議善用具AutoPipeline 的分析工具，自動針對分析命題進行數據轉換與模型最佳化參數設定，便可降低分析門檻，工程師扮演核可模型推論的角色、在數據分析經驗的累積下也可以轉型為資料工程師（Data Engineer）的角色。如此累積經驗逐漸深化各工程領域人員的分析技能，當工程人員遇到無法解決的數據應用情境，再交由分析團隊負責，如此相互分工與協作，才能創造 AIoT 應用最大效益。

3. 模型上線效益不如預期，難以控管風險
不少企業的 AI 模型最後淪為圖書館考古文物，是因為 AI 模型在上線時遇到各式各樣的挑戰導致模型無法發揮價值，例如：重複性的人工作業限制模型的大規模部署；因為模型不適用，團隊重新開發導致時間冗長；無法將模型與業務規則整合以達更好的決策建議；跨部門無法自動且即時地重新訓練，導致模型無法發揮最大價值。

解決方式：打造管理平台，自動化營運流程，完善模型管理與稽核機制

建議企業要有敏捷式管理模型生命週期的平台，讓模型能不斷回溯與監控，並結合公司簽核邏輯，讓製造跟分析部門能緊密地掌握模型效度，加速查核模型績效，自動執行重新訓練。全球最大的石膏板製造商 USG ，就藉由對工廠投料進行分析（ 如流量和原料添加劑 ），先預測原物料最佳混合配比再開始正式生產，並於生產後持續監控，當模型效度下降至閾值時，利用 AI 自動部署模型庫中的最佳模型，近乎即時優化每個製造站點的步驟，中間完全不須 IT 部門介入，不但兼顧品質與高競爭力的售價，也能降低能源及時間成本的消耗。

掌握關鍵：「智慧自動化」流程，讓模型契合營運需求

陳新銓副總提到，根據 Gartner 調查報告(註2)，資料分析 10 大科技趨勢中，前三大關鍵分別是：一、40% 以上的資料科學任務會被自動化；二、50% 以上的營運系統會整合即時資料，提高決策品質；三、75% 企業會選擇 AI/ML 商用軟體平台，而非開源軟體。

其中，專業上稱為增強式分析（Augmented Analytics），即是資料科學任務的自動化， 是對企業成效最立即也最顯著。因在現行的資料視覺化分析應用中，資料科學家大多把時間花在資料的整理和準備，只剩下極少數的時間可以瞭解需求或執行演算法。

藉由增強式分析能力，組織在資料準備階段就利用演算法去偵測資料型態，並建議最佳的資料整理方式，接著在分析階段，則透過 AutoML 去做到自動化特徵工程及建模，並自動將分析結果製成報表與說明，由平台負責處理耗時冗長的工作，讓資料科學家把 80% 的苦工時間轉換為分析時間。 此外，降低分析門檻更能讓產線專家規模化地得到資料工程師的技能，並在企業數位轉型的路上發揮典範轉移（paradigm shift）的成效。

最後，再透過彈性自主的 Model PDCA（Plan–Do–Check–Adjust）流程，讓 AI 模型從開發、部署到維運，打造一個不間斷地循環，使數據分析系統能夠與前線作業流程或生產過程完善整合，更讓自動化再升級為「智慧自動化」，即可幫助製造業實現用 AIoT 優化決策、創造價值的終極目標。

註1：AIoT – How IoT Leaders are Breaking Away.  IDC Study Doc# US45605319
註2：Gartner Top 10 Data and Analytics Trends for 2020