台灣製造業再戰 10 年新標配:AIoT 如何助力工廠從自動化邁向智慧化

在製造業轉型邁向工業 4.0 過程中,物聯網與人工智慧的應用成為最終關鍵,SAS 台灣業務顧問部副總經理陳新銓就表示:IoT 是非常熱門的議題,無論政府單位、製造業、零售業等各產業都在佈局應用 IoT 物聯網的技術。而根據 IDC 於 2020 年針對 450 家企業調查 (註 1) 後發現,53% 的 IoT 專案在整合了 AI 技術後,還能提升 20% 的預期效益。且無論是在營運效益、員工生產力、作業流程改善還是數位轉型應用等面向,結合 AI 與 IoT 都有助於企業得到培養更高的競爭優勢。

過往,IoT 僅是透過感測器來蒐集資料的技術,但在整合 AI 後,便被賦予了全新價值,除了能改善人力難以解決的良率問題外,更能利用演算法與進階分析應用來優化作業流程與營運效率,協助企業作出更好的決策,進一步發展出多元創新的商業價值。

企業遲遲不導入 AIoT?三大痛點揭真實原因

然而陳新銓副總也以 SAS 的實務經驗,指出製造業導入 AIoT ,現階段所面臨痛點。

1. 物聯網資料量過大、導致監控效率不彰

IoT 應用往往會建置大量感測器蒐集現場數據,但在儲存所有物聯網數據的成本過高、缺乏有效分析工具的條件下,無法高度頻繁的擷取資料,往往 1 分鐘只能取一個數據點,或針對數筆資料取一個統計量 (如平均值),這些大多都是 IoT 監控系統的常見作法。但如此做法也衍伸出許多問題,例如:資料頻率或統計量無法反應真實問題的特徵、過多人為定義、單變量監控與製程環境存在落差等,導致企業很難訂出一條能反應問題的監控防線,這也是未將 IoT 結合 AI 的專案,造成效益低落的原因。

解決方式: 以非監督式學習機制,累積經驗掌控數據異常狀況
與其事先制定規則,不如先利用多種非監督式演算法、使用數據本身的變化挖掘異常,如此便可解決上述幾點問題。待產線人員累積數據分析經驗後、再加入監督式演算法,除了快速產生效益、更能兼顧人才養成的道路。SAS 就曾協助火車頭製造商奇異運輸(GE Transportation)導入 AI 監測整個北美鐵路網軌道健康度。火車頭設置的監控攝影機能擷取軌道影像即時串流運算,再使用非監督式學習機制,從影像中計算道砟(Ballast)的高度、厚度識別健康度,若發現些微異常狀況,則警示駕駛員減速通過此路段;如有嚴重異常,則通知總部進行緊急處理。

2. 製造業應用情境深且複雜、分析團隊人力有限

製造業的業態差異極大,就算生產同樣產品的公司,產線數據也大相逕庭、使得市場上缺乏可立即上手的數據分析人才。此外,即便在同公司,不同產線或製程也存在差異,某製程的關鍵參數在另一製程不見得重要,並且有許多由工程經驗衍生的例外條件,導致分析團隊在各部門溝通中疲於奔命、分析經驗難以累積,也減緩分析專案取得效益的速度。

製造業數據分析人才稀缺,導致資料科學家疲於跨部門溝通

解決方式: 資料民主化讓懂情境的人自主建模,分析團隊專注複雜議題

與其讓資料科學家與各部門領域專家不斷溝通、屢次反覆確認和討論,建議善用具 AutoPipeline 的分析工具,自動針對分析命題進行數據轉換與模型最佳化參數設定,便可降低分析門檻, 工程師扮演核可模型推論的角色、在數據分析經驗的累積下也可以轉型為資料工程師(Data Engineer)的角色。如此累積經驗逐漸深化各工程領域人員的分析技能,當工程人員遇到無法解決的數據應用情境,再交由分析團隊負責, 如此相互分工與協作,才能創造 AIoT 應用最大效益。

3. 模型上線效益不如預期,難以控管風險
不少企業的 AI 模型最後淪為圖書館考古文物,是因為 AI 模型在上線時遇到各式各樣的挑戰導致模型無法發揮價值,例如:重複性的人工作業限制模型的大規模部署;因為模型不適用,團隊重新開發導致時間冗長;無法將模型與業務規則整合以達更好的決策建議;跨部門無法自動且即時地重新訓練,導致模型無法發揮最大價值。

解決方式:
打造管理平台,自動化營運流程,完善模型管理與稽核機制
建議企業要有敏捷式管理模型生命週期的平台,讓模型能不斷回溯與監控,並結合公司簽核邏輯,讓製造跟分析部門能緊密地掌握模型效度, 加速查核模型績效,自動執行重新訓練。全球最大的石膏板製造商 USG ,就藉由對工廠投料進行分析(如流量和原料添加劑),先預測原物料最佳混合配比再開始正式生產,並於生產後持續監控,當模型效度下降至閾值時,利用 AI 自動部署模型庫中的最佳模型,近乎即時優化每個製造站點的步驟,中間完全不須 IT 部門介入,不但兼顧品質與高競爭力的售價,也能降低能源及時間成本的消耗。

敏捷式的模型生命週期管理平台,可加速模型部署到營運環境,發揮 AI 投資效益

掌握關鍵:「智慧自動化」流程,讓模型契合營運需求

陳新銓副總提到,根據 Gartner 調查報告 (註 2),資料分析 10 大科技趨勢中,前三大關鍵分別是:一、40% 以上的資料科學任務會被自動化;二、50% 以上的營運系統會整合即時資料,提高決策品質;三、75% 企業會選擇 AI/ML 商用軟體平台,而非開源軟體。

其中,專業上稱為增強式分析(Augmented Analytics),即是資料科學任務的自動化, 是對企業成效最立即也最顯著。因在現行的資料視覺化分析應用中,資料科學家大多把時間花在資料的整理和準備,只剩下極少數的時間可以瞭解需求或執行演算法。

藉由增強式分析能力,組織在資料準備階段就利用演算法去偵測資料型態,並建議最佳的資料整理方式,接著在分析階段,則透過 AutoML 去做到自動化特徵工程及建模,並自動將分析結果製成報表與說明,由平台負責處理耗時冗長的工作,讓資料科學家把 80% 的苦工時間轉換為分析時間。 此外,降低分析門檻更能讓產線專家規模化地得到資料工程師的技能,並在企業數位轉型的路上發揮典範轉移(paradigm shift)的成效。

「智慧自動化」讓模型從開發到維運,能在整合平台上自動優化與學習

最後,再透過彈性自主的 Model PDCA(Plan–Do–Check–Adjust)流程,讓 AI 模型從開發、部署到維運,打造一個不間斷地循環,使數據分析系統能夠與前線作業流程或生產過程完善整合,更讓自動化再升級為「智慧自動化」,即可幫助製造業實現用 AIoT 優化決策、創造價值的終極目標。

更多細節請觀賞: 台灣產業轉型講堂-製造業篇  AIoT台灣製造業再戰 10 年新標配

註 1:AIoT – How IoT Leaders are Breaking Away.  IDC Study Doc# US45605319
註 2:Gartner Top 10 Data and Analytics Trends for 2020

(本文提供合作夥伴轉載。首圖來源:Freepik)

 


點關鍵字看更多相關文章: