製造業長期以來是台灣強項，我們擅長精益求精，在一定成本的前提下提升產品的質量和可靠性，累積深厚的產業Know How，並有完整的供應鏈支持。因此，在人工智慧高速成長階段的此刻，台灣只要不落於人後，願意投入人工智慧，給予同仁合適的人工智慧訓練，讓原本的核心競爭優勢快速升級並非難事。這點我們一定要對自己有信心。我曾與孔祥重院士的團隊在2017年深入製造業，訪談及整理產業需求，發現人工智慧可以有效解決製造業所面臨的四種共通挑戰，分別是瑕疵檢測、自動流程控制、預測性維護，以及原料組合最佳化。我們在此先談瑕疵檢測。
我們拜訪了多家製造業，非常驚訝地看到每一家公司都聘請不少員工，從幾十人到幾百人，用眼睛來檢測生產過程中的半成品跟成品中有沒有瑕疵，不管是金屬表面的瑕疵，或是玻璃、印刷電路板、電子產品、或是牛仔布的瑕疵。
我們與多家企業訪談合作後證明，以機器學習為主的第三波人工智慧技術，十分適合解決瑕疵檢測的問題。相較於人工目測檢視，深度學習系統不僅準確率更高且檢測速度更快。
在某家製造業的實例中，人員目測的漏網率約5%，人工智慧漏網率降低為0.01%；另一方面，人員目測速度每天約為30萬張影像，但僅使用一台10萬元左右的電腦，此數字可以提升至每日1,440萬張，高達48倍的加速。在其他製造業的合作中，也都得到類似結果，證明今天的人工智慧技術，可以做到比人類更穩定且更有效率的瑕疵檢測。
瑕疵檢測是製造業最常見的的共通挑戰，除此之外，自動流程控制、預測性維護，以及原料組合最佳化也都是人工智慧可以幫忙解決的共通挑戰。
請千萬不要誤會這就是人工智慧在製造業能做的應用，事實上，這只是個開始；若能夠善用人工智慧，不只可以在生產流程上做優化，在其他業務面向，還有太多空間可以發揮。
例如，在規劃面上，人工智慧可用在預測市場對特定產品類型的需求，與原料採購程序自動化。在行銷面，新市場開發預測是一個可能的應用。在供給面上，貨物送交路線、時間排程、退貨與抱怨資料分析，並回饋至生產流程的改善等，都是人工智慧的可切入點。
同樣的，此文以製造業來做為案例，也千萬不要以為製造業是特例，才能看到許多人工智慧的成功案例。2018是很重要的一年，人工智慧已經滲透每一個產業，不論你身處在哪裡，若你還沒有感覺到人工智慧的無所不在，相信我，非常有可能只是你還沒有察覺到改變已經發生。
（作者是台灣人工智慧學校執行長、人工智慧科技基金會執行長及中央研究院資訊科學研究所研究員）
沒有留言:
張貼留言