Microsoft
活動+

AI加大數據 聯袂組成新一波產業致勝配方

  • DIGITIMES企劃
借助GPU、開源軟體,搭配高度調校之深度學習模型,可望幫助製造商大幅壓縮瑕疵檢測漏網率,並展現較過往人力目檢高出數倍、數十倍甚或上百倍的檢測效率;圖為拋光機瑕疵檢測示意圖。European Commission

現今環顧各大產業的科技應用議題,人工智慧(AI)無疑是當紅炸子雞,與之相關的機器學習(ML)、深度學習(DL)等技術紛紛躍居新寵,而搭配物聯網應運而生的AIoT(AI+IoT)新題材也成為亮點;相形之下,早些年盛行一時的大數據(Big Data),鋒芒似乎遭到掩蓋。

但就在眾多企業爭相追逐AI、ML、DL及AIoT等熱門主題的同時,大數據的價值不僅未曾消退,其重要性還高於以往;有一些媒體文章形容得貼切,大數據像是AI的食物,只要它愈豐富、新鮮、乾淨,AI一旦吃進,便能產生更大能量,在此同時,ML或DL等各門各派演算法,即猶如消化系統,幫助AI消化大數據並汲取養分,產出富含價值的智慧結晶。

僅有大數據無AI,如平白浪費珍貴食材

一向推動大數據不遺餘力的台灣資料科學協會理事長陳昇瑋,對於AI也有類似的詮釋;他形容AI是最終成果,數據是原料、演算法是處理原料的方法,若缺少原料與料理方法,就無法順利走到AI這個數據價值變現終點。因此不管是陳昇瑋、或者其他倡議大數據的學者專家,對於AI的崛起,紛紛投以正面評價。

假使企業只完成大數據的收集、與統計分析,充其量僅能呈現給人看,而不是餵給機器來自動學習,此情此景,如某人好不容易採集大量松露,卻只能沾著醬油囫圇吞下,平白錯失珍貴食材的絕佳風味,實在可惜;惟一旦透過機器學習專家的巧手,就能將大量松露轉化為一道道驚為天人的佳餚,一來一往之間差別甚大。

值得一提的,台灣資料科學協會從2017年開始從善如流,針對年度盛事——台灣資料科學年會,首度加入台灣人工智慧年會主題,共同展開為期4天的活動,與會人數直逼2,000大關、刷新歷史紀錄,顯見AI隨著大數據、分析平台、開源的進階演算法、機器學習方法的共同加持,已從實驗室成功走向日常生活與商業應用場景,有望引爆無限的可能,不論工業4.0、新零售、FinTech或智慧城市等諸多願景藍圖,都將拜大數據加上AI所賜,加速落地實現。

AI+及+AI雙浪潮,有助台灣產業升級

時至2018年,台灣資料科學協會再接再厲,與財團法人科技生態發展公益基金會攜手,共同催生台灣人工智慧學校,期望以人工智慧加上原本的領域知識為基底,培養一批能在各領域發展AI的種子,推動產業AI化,終至以AI幫助產業升級。

另一方面,中華民國資訊軟體協會有鑑於全球各國紛紛致力發展物聯網及大數據分析應用,使產業環境發生質變,也讓人類的日常生活充斥愈來愈多的智慧應用,繼而隨著產業收集的數據量急遽增加,連帶驅使AI進入高速成長期,台灣必須趕緊迎上潮流、避免錯失競爭先機;於是在去年(2017)底結合產業力量,促使「AI大數據智慧應用促進會」成軍,希冀據此爭取制定有利於AI大數據產業的優質政策與環境,並建立AI大數據應用的產業鏈,協助產業轉型並發展AI關鍵技術;展望下一步,該促進會亟思設立「服務機器人應用」、「人機協作應用」及「服務創新應用」等相關顧問團,積極打造產業應用示範案例,期使台灣未來成為AI智慧應用與產業生態的輸出重鎮。

不管是以產業AI化為主的人工智慧學校,或意在帶動AI產業化的促進會,對於台灣都是彌足珍貴的動能,只因包括「AI+」或「+AI」,皆帶有不同的效益價值,為台灣產業找到出路。以台灣人工智慧學校而論,其包括財團法人科技生態基金會等創始班底,先前便成立Project θ(唸法類似「Theta」)團隊,主要是透過顧問服務的型態,用AI幫忙解決產業的經營難題。

單靠顧問輔導太慢,不如培養AI種子尖兵

Project θ成軍後的六個月內,這群顧問一共對於十多家企業提供援助,成功解決合計十幾道難題,總結這些難題大多圍繞於瑕疵檢測、預測性維護、自動流程控制,及原料組合最佳化等題目範疇。

其中的瑕疵檢測,無疑是含括印刷電路板(PCB)、面板、電子組裝、成衣等等多類型製造商的共通挑戰;例如某家電子製造企業,擁有23條產線,過去動用4位目檢人員執行瑕疵檢測,搭配AOI設備每天共計判定120萬張影像,漏網率約5%,在Project θ團隊協助下,該公司斥資新台幣10~15萬元購進中高階桌上型電腦與NVIDIA GPU,配合運用開源軟體、高度調校的深度學習模型,使目檢人員僅需檢查原本總數的5%圖片,每日檢測1,440萬張影像,較過去大增1,100%,更有甚者,漏網率順勢大減為0.01%,為從前0.2%不到的超低水準。

至於自動流程控制方面,某家公司原先採用人力來控制設備參數,長期平均達到61%良率;後來引進深度學習技術,情況出現大逆轉,良率激增到98%,比過去足足躍升37個百分點。

在預維性維護部份,某企業先前曾因馬達驟然故障,導致機台停擺、釀成可觀產能損失,寫下了企業主心中不可承受之痛;如今借助AI大數據,已能持續預測某段時間後的設備狀態,好讓企業得以預先因應,將產能損失的幅度縮小到輕微地步。

談及原料組合最佳化,最典型的案例出現在染整廠。染整業有一道關鍵製程,即是根據客戶的色樣要求,使用自身的染料配方組合,為紡織廠送來的白色胚布進行打色,而打色的品質與效率,著實攸關染整廠的業務接單競爭力至鉅;在以往,某廠即使致力研發染色技術,包括不斷找尋更優良的染料配方組合,執行色料與助劑的進廠檢驗分析,更勤於比對化驗室染色配方與現場染色,進行再現性追蹤,但打色成功率僅拉到七成水準,便已到頂而難以繼續攀升。

如同前述幾個例子,某染整廠也在Project θ團隊幫忙下建立AI大數據分析機制,快速突破久攻不下的打色成功率「70%天花板」,一舉上升到95%,成效令人驚艷。

持平而論,上述案例的結局都可謂圓滿成功,但缺點就是速度過慢,半年僅解決了十多家企業的難題;由此可見,哪怕AI顧問實力再堅強,終究難與時間賽跑,無法以有限的專家能量解決大多數的台灣產業習題,反觀透過學校型式培養產業界種子部隊,理應更能發揮快速擴散效應,讓產業AI化不致淪為一場慢節奏的沈悶戲曲。

掌握更多新時代決策者的商業智慧,歡迎參加3/27的巨量資料論壇--當AI遇上BI,數據時代的企業決策大躍進,活動完全免費,掌握趨勢,請速報名!

更多關鍵字報導: 巨量資料(Big Data) 大數據(big data)