妙用智慧科技 實現最佳化的製造營運策略

人工智慧(AI)被視為新一波產業革命，製造業也亟欲利用AI加速實現智慧製造與數位轉型，達到營運效率優化與客戶體驗提升的目的。台灣IBM硬體系統部副總經理暨首席顧問陳俊傑認為，為達到以上目的，不論是產品瑕疵檢測、設備管理、工廠執行核心系統、生產計畫排程或環安，皆存在以AI優化營運的空間，如PCB板的瑕疵檢測便是典型例子，過去即使動用AOI自動光學檢測技術，後續仍得搭配人工驗證，而透過IBM PowerAI Vision，即可從歷史樣本中自動擷取各種缺陷特徵，自動識別可能的缺陷並標記位置，進而取代人為二次驗證，大幅提升產品質量與工作效率。接下來重點便是建構一個智慧工廠平台，讓AI在不同場景落地。

陳俊傑也指出，企業在AI化過程中會發現三件事：分別是「企業資料是分散的」、「資料科學家不足」及「執行AI不是容易的事」。由於資料的分散，導致資料搬遷的成本高、風險大、速度慢，最好的解法便是「將資料分析移往資料所在地」，意即建立支援GPU的基礎架構，接著把模型訓練工作推向資料所在地就近執行。

第二個挑戰是「資料科學家不足」，迫使企業必須思索如何養成一群平民科學家，再藉由良好的「團隊生產效率」，有效因應大數據、深度學習、機器學習等運算密集型工作負載；欲達成此目的，除須建構智慧化管理基礎、引進高效能的軟硬體加速方案，亦可善用AutoDL、AutoML等自動化技術。

另一個挑戰是「執行AI不是容易的事」，為此企業須以「完整的AI生命週期」為著眼點，認真思考資料準備、分析直到投放生產線等每個環節，在發展過程，舉凡如何運用AutoDL及AutoML來提升部署靈活性，如何強化安全、合規與治理，及如何佈建先進的模型管理功能，皆是重要課題。

從小型專案出發，循序開創成長新價值

有鑑於此，IBM提出Enterprise AI Platform概念，以POWER9 GPU最佳化伺服器、搭配AI最佳化儲存系統為基礎，並支援Red Hat、Python、Kubernetes等應用容器化暨相關管理技術，PyTorch、TensorFlow、Caffe、Keras等深度學習架構，更重要的還內建IBM PowerAI Vision Auto-DL、及戰略夥伴H2O.ai的Driverless AI Auto-ML等自動化技術；藉由前述豐富內涵，一舉實現機器學習(ML)與深度學習(DL)加速、協同合作、AI大眾化等多重目標，幫助企業加速AI之旅。

陳俊傑建議，當企業引進AI軟硬體方案、準備踏上智慧轉型旅程，一開始切莫躁進，應從小型專案出發，由企業內部的資料分析做起，一點一滴、循序漸進並反覆驗證試行概念，等到找出成功經驗，哪怕僅是小規模改善，都能迅速加乘並放大整體效益。