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)

arrow
arrow
    全站熱搜

    BENEVO 發表在 痞客邦 留言(0) 人氣()