COVID-19對不同產業帶來不一的衝擊，其中又以高度依賴人工的製造業首當其衝，身處矽谷的Kai(Landing AI, VP of product)首先分享了疫情對於美國製造業的影響。美國政府先前頒布了就地避難(Shelter in place)政策，也就是除了維持基本民生的行業(醫療、超市等)可以在疫情間繼續營運，其餘的產業則面臨停工，例如位於灣區的Tesla工廠因此而完全停擺。即便透過疫苗覆蓋率的推進，製造業開始逐漸復工，但其對於自動化的急迫需求則不言而喻。Kai進一步說明，以往美國藥廠在檢察藥劑、針筒等需要高質量檢驗的工作，會以人工為主，然COVID-19的到來讓產業了解到減少人工負擔不僅是成本問題，也是企業能否順利營運的核心問題，因此流程自動化便從Good to have轉變成Must have。
「製造業的客戶多希望把竅門(Know-How)與技術掌握在手中，他們對於採用AI的態度也大不相同」Kai分享道，例如底特律的汽車製造業，有技術與行政方面的考量，需要克服對於使用雲端軟體、資料共享等障礙；新興製造業如固態電池、太陽能板則持較為開放的心態，但普遍來說，不論是傳統或新興製造業，都認知到市面上並沒有通用且即用的一站式的解決方案(one-stop solution)，因為每間公司的資源、面對的問題是大不相同。
長期輔導台灣科技大廠的范書愷教授，則提供了數個國內製造業導入AI的挑戰與實例。「雖然現在大部分的AI應用還停留在Assistant Intelligence(協助智慧，透過AI緩解重複性工作) ，但長遠來看，AI的角色是解放工程師的領域知識」，范教授進一步說明，台灣的製造業擅長製造管理，但過往多著重於如何拉高產能、良率，然隨著環保意識高漲，如何在產量、效能與永續三者中取得平衡，即AI可以提供價值平衡之處。例如透過導入AI，無塵室(Fab)的空調壓縮機不僅可以做到降低用電量，也能透過PHM(Prognostic & Health Management)與PdM(Predictive Maintenance)分別進行餘命預測與安排保養時程、預測良率。這種應用場景通常會發生在單一製程成熟部署階段，爾後業主將思考如何將運作狀態進行平展。范教授也補充，導入過程中不乏會有迷思，例如他曾輔導過面板廠，因業務需要頻繁搬運尺寸龐大的玻璃基板，故其搬運機器手臂的可靠性與維護度便至關重要，負責專案的工程師不必執著於如何進行事件標註(annotation)的工作，反而透過單一類別分類模型(one-class classification)之建立即能解決此問題。
被問到是否有導入AI時可以遵循的指引，范教授分享了一個核心部署三步驟，步驟一: One-Data，因為作業現場所收集的資料非常龐大，其中不乏含高度雜訊且高度不結構性之困擾，所以需要清洗資料與整備。步驟二: 資料視覺化(Data Visualization)，簡而言之就是讓資料上線且能被監控。步驟三: 要關注前一站、後一站的資料鏈接(Data linkage)，也就是製程整合(Process Integration)。製程Owner常常只把眼光放在自己的tooling/機台上，但應該要讓整個產線可以做到製程整合MLOps之型態，整合構建完畢後就是從流程轉型(Process Transformation)進而到人工智慧轉型(AI Transformation)的關鍵。「台灣製造大廠在思考AI導入的面向越來越趨於成熟，不再只侷限於單一機台優化的思考，而是想著如何對準企業策略規劃(Enterprise strategic planning)，著眼於更長遠的戰略規劃」，范教授道。
- 了解更多：
活動對談影音1. PIE & AI：釋放AI真實力 掌握疫後高價值商機 (上)_疫情加速製造業實現AI落地
活動對談影音2. PIE & AI：釋放AI真實力 掌握疫後高價值商機 (中)_疫後產業新常態：AI應用與數據分析為核心
活動對談影音3. PIE & AI：釋放AI真實力 掌握疫後高價值商機 (下)_企業導入AI之關鍵
