掌握實施要領、妙用先進平台工具 加速 AI 應用落地實現

現階段企業已可運用電腦視覺與機器學習技術，檢測及分類金屬表面的缺陷。來源：Intel

不可諱言，人工智慧(AI)肯定是近年來最能引領風騷的題材之一，只因為假使沒有AI的搭配，談再多的物聯網(IoT)也是枉然，徒然增加一堆「不知道怎麼用」的大數據而已。因此過去紅極一時的 IoT，如今已難單獨引發關注，而是以「AIoT」(AI＋IoT)之姿掀起更大浪潮，甚至有專家預言這股AIoT熱潮將延續至少20年。

AI之所以紅，在於它可以實現垂直市場的價值變現。比方說來自溫度、濕度、振動等感測器產出的數據，都只是用來表述某一個時間點的狀態，不過是冷冰冰的數值，如果未做進一步加值運用，幾乎沒有價值；反觀若結合AI分析技術後，靠著 ML(機器學習)、DL(深度學習)所訓練開發出來的模型，便可繁衍瑕疵檢測、散亂工件取放、機台或元件的壽命預測等富含價值的應用，為業主帶來可觀的商業利益。

時至今日，綜觀製造業領域，不論是設計、製造、檢測等垂直活動價值鏈，甚至是跨企業的供應鏈管理，通通都被涵蓋於AI的應用範疇。

只不過，縱使隨著這幾年不斷洗腦，AI對於絕大多數業者來說簡直如雷貫耳、無人不曉，但持平而論，AI不是套裝軟體、更絕非隨插即用的工具，假使企業未能掌握AI 技術實施要領，也不懂得搭配運用好的平台或工具，聽得再多、看得再多，都無法真正將AI轉換為數位轉型能量。正所謂萬事起頭難，要想靠AI成就偉大的智慧製造應用，還是得從原點出發，一步步練好基本功。

專家指出，做AI、數位轉型的第一步乃是「命題」，企業必須有能力定義出具有價值的題目，否則無論訂定不出題目、或是題目方向錯誤，都形同輸在起跑點，後續投再多資源、花再多力氣，也難以顯現價值。

但值得一提，在AI整條價值鏈中，蘊含很多重要階段，不管是資料收集、資料標註、模型訓練、模型部署甚或模型再訓練等等，隨著技術演進，現在幾乎每一項都有對應的輔助工具可供運用，讓一些未必鑽研過AI底層技術的人，都有可能獨力完成某些工作流程；唯獨選題這件事，不但需要用戶自己來，也沒有太多工具幫得上忙。

然而不會選題的人，倒也並非無計可施，只是需要考驗自身的悟性。比方說可以參照現成的一些AI應用方案，了解該應用大致上的運作思維、以及預期產生的效益，再回頭檢視自己內部場域，看看有沒有可以套用類似原理來達到改善效果的問題，如果這個問題也剛好攸關經營痛點，那麼拿它們來做為AI命題，肯定錯不了。

善用輔助工具  簡化繁瑣的標註流程

訂定題目後，下一步就是眾所皆知的資料蒐集，因為沒有資料，就沒有訓練素材，也就創造不出AI模型，但如何在合理成本架構下，確保蒐集效率恆常維持高檔，亦是企業必須關注的課題。

隨著各種感測器、邊緣閘道器(Edge Gateway)應運而生，各大公有雲平台的IoT服務日趨完善，加上不久的將來還有5G企業專網居間加持，可以說「雲」、「網」、「端」要素皆已齊備，因此未來不管資料的收集、處理或儲存，能用的工具選項可說相當豐富。

完成資料蒐集，下一個重要工作就是資料標註，也算是耗時費力的一環。舉例來說，若工廠想利用 AI 做產品的瑕疵檢測，那麼一定有先決條件，便是讓機器看得懂所有瑕疵類型，比方說 SMT(表面貼焊技術)的缺件、錯件、短路、斷路等，所以必須先讓看得懂這些瑕疵的資深師傅，從大量圖像中挑出瑕疵部位並予以標註，好讓 AI 機器獲得充分訓練、得以培養瑕疵辨識能力。儘管標註是一項勞心勞力又傷眼睛的工作，所幸目前已有輔助標註的工具出現，用戶可利用這些工具簡化標註的繁複步驟。

一般來說，多數企業考量日後隨時有可能啟動AI專案，但每件專案需要耗用多少CUP 、GPU或Memory運算資源，則難以準確預估，既然如此，便傾向利用雲端平台建構模型訓練的基礎架構。在此情況下，當企業已備妥訓練資料後，即可將這些資料推送上雲，放存於雲端平台提供的資料湖泊(Data Lake)。

藉助自動化機制  一次實現大規模部署

接著進入最關鍵的一個階段、也就是建模，通常需要仰賴建模人才，來滿足原始命題下的概念驗證(POC)目標，以瑕疵檢測為例，其POC目標可能包含檢出率、誤報率、漏報率、推論時間等等。一旦訓練完成，用戶可以利用雲端平台提供的Web介面，清楚看出每個模型的績效表現是否如預期。

此時用戶若選定其中某一個績效最優秀的模型，接下來即需執行部署動作，簡言之就是把它推送到指定的邊緣設備，讓這些設備有能力執行現場推論。但坦白說，模型部署上線這件事可謂吃力不討好，尤其所欲部署的設備台數愈多，拷貝模型的次數愈多、執行安裝的次數愈多，承擔的工作負荷就愈吃重。

因此有些雲端平台標榜提供大規模模型的自動部署功能，強調使用者只能透過Web介面設定好部署標的，後續便藉由OTA方式將模型推送到邊緣端，甚至還可設定排程，以便在日後定期自動更新模型，甚至讓現場很簡單地啟動再訓練程序(當需要增加新的瑕疵樣本時)，值得企業參考。

總括而論，AI應用從無到有、直到真正落地實現，其間蘊藏許多不容或缺的作業流程，企業不管打算在地端或雲端做訓練，都必須勤做功課，找出每個環節對應的自動化輔助工具，如此才能無懼於資料科學家人才的欠缺，照樣穩健踏實地創造一個個智慧製造應用服務。