產經情報

AI成敗取決:問題聚焦與數據分析的能力

日期:2019-06-06

在英業達,每個月出貨上百萬台筆電,外觀全都簡約有致,內部卻有完全不同的配置。即始在製造時的測試以自動化取代,但產品驗證仍然很耗時又耗人力,而且這樣的人力不好訓練,最頭痛的是,還要運用很多的管理手法,才能達到品質的要求。

英業達如何運用Edge AI(終端人工智慧)做工業瑕疵檢測。智慧製造的主要應用有兩個面向:一,流程自動化,包括自動檢測、生產排程;二,預測性分析,如訂單預估、預防性保養。

「在這類型的AI應用,最重要的就是追根究底,」,「只要問題定義出價值,有解決方案,就簡單了。」

以筆電外觀檢測舉例,英業達透過自動光學檢測(AOI),讓相機學習像人一樣能判斷瑕疵,並且能立刻挑撿出來。當中最頭痛的不在讓機器學得像人,而是取得數據,包括其獨特性,與能否自主產生儲存和判讀。

比方,「什麼叫做瑕疵?」、「哪裡最可能發生暇疵?」、「為什麼在某些地方容易發生?」光是為了找出標準,團隊來回討論了無數次,只為找出品檢員對「瑕疵」的認定定義,再從中精確找出能餵給檢測機器學習的影像資料。

從原來多至15級的瑕疵分類,收歛到5級,每一級都給予明確、具體的數量和名詞定義。再來,瑕疵分類的定義系統連動到銷售,在5級分類中得分比較低的筆電,就能以稍低的價格,銷售到對品質相對不要求的市場,緊密串連生產和銷售兩端,一點都不浪費。這一點,對台灣製造業在全球競爭中至為關鍵。

「有足夠的乾淨數據,才能有精準的AI模型」專案執行很重視實際上線後的狀況,因此很多時候需要勇氣跨出第一步,才能找出模型欠缺的數據,並不斷充實數據庫,讓AI應用逐漸發揮效益。

除了用AI來優化製程和管理,英業達也悄悄地運用在人資管理領域。他們內部開發出「人資輔助留任系統」,主要是透過考績、職級等數據,事先預測3個月內可能會離職的同仁,讓人資能和有此打算的同仁提早互動,溝通。

「相較於產線的設備來說,活生生的員工想法相當複雜,我們得頻繁調整AI模型來提升準確度,」

暸解台灣產業數據特長,發展優勢AI搶進全球商機

在AI時代,因為硬體規格持續要求,伺服器、電力、電源管理系統就相對重要;且在追求成本持續優化的年代,3C用品回收,也是值得投入的議題,相較於鄰近國家的AI發展步調,台灣最擅長醫療和製造業,不僅專業度名列前茅,相關數據的樣本數也十分足夠。像英業達目前正和台灣醫院合作心律不整的AI預測系統,準確度高於用 MIT 資料為基礎的學術文獻。「就像孫子兵法裡寫的,找出上馬,然後緊緊地抓住它,」。