Solomon
Advantechline
 

機器學習理論核心 決定人工智慧成敗

元智大學工業工程系副教授鍾雲恭。

自Google AlphaGo於2016年擊敗南韓知名棋士李世乭之後,頓時間讓所有人感受人工智慧不在僅是在好萊塢電影出現,又或者僅只於研究單位的專案之中。

然而在工業4.0議題中使用的人工智慧技術,與前述技術有很大差別,偏向於可提高生產品質、製造流程的Simga Go,該技術使用機器學習理論須符合6 Sigma規範,得以讓智慧設備透過自我學習的方式,達到優化前台原料檢測率、降低商品不良率目標,達成有99.99966%產品沒有任何品質問題。

機器學習是一門為達成人工智慧的科學,全球科學家投入該領域領域已長達30多年,主要為經驗學習中改善具體演算法的效能。簡單來說,人工智慧可藉由機器學習理論協助,運用寶貴資料或以往經驗,獲得足夠判別能力,達成輔佐人類進行決策或改善生產線運作流程,同時達成降低對人力的依賴。

元智大學工業工程學系副教授鍾雲恭指出,傳統自動化設備並不具備學習功能,只能夠依照內建的指令,在指定時間執行指定動作。因此,一旦出現超過傳統控制模式的突發性狀況,設備不是沒辦法即時反映,就會出現無法避免的錯誤。

然而融入人工智慧的智慧設備,可從多元管道收集來的資訊,進行深入廣泛分析與研究,再運用機器學習理論自我學習,最終達成可依照生產條件的改變,自動規劃出一套合適的生產流程,這即是工業4.0中的智慧工廠願景。

一套符合智慧工廠需求設計的機器演算法,應該要將整體設備效率(OEE)納入核心,該評估標準多半應用於工廠的生產線之中,內容包含整合可靠度 (Availability)、產能效率 (Performance)、良率 (Quality)等三大項,藉此測量生產線運作的效率高低。

此外,機器學習理論需讓設備具備處理6V(Volume數量、Variety差異、Velocity速率、Volatility 存量、Veracity本質、Value價值)的資料專家,才能從不同類型的資料結構中,歸類出一套有用的生產理論,達到改善生產線運作流程,可主動排除突如其來異常狀況。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 元智大學 人工智慧 機器學習