熱搜關鍵字

台灣製造業再戰10 年新標配 AIoT助力工廠邁向智慧化

  •  2021-06-23
  •  
  •  編輯中心

據 IDC調查,超過五成 IoT 專案在整合AI 技術後,再提升 20% 的預期效益,整合 AI 成為AIoT讓製造業不但能優化營運效率與產品良率,更能優化作業流程與營運效率,發展出多元創新的商業價值。但為何許多企業卻遲遲不導入 AIoT?SAS 台灣業務顧問部副總經理陳新銓列舉出三大原因。

1. IoT 資料量過大、導致監控效率不彰
IoT 會建置大量感測器來蒐集數據,但受限工具或儲存成本的限制,無法密集擷取資料,造成數據與真實環境有落差,無法反應問題。

解決方式:以非監督式演算法,利用數據本身的變化挖掘異常。待產線人員累積分析經驗後再加入監督式演算法,能快速產生效益並兼顧人才培養。

2. 製造業應用情境深且雜、分析團隊人力有限
就算生產同樣產品的公司,不同產線也會存在極大的製程差異,使得具備足夠產業知識的數據分析人才短缺,而分析團隊也在各部門中疲於奔命溝通。

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。善用具 視覺化、自動化的分析工具,讓數據轉換與最佳模型自動產生,降低分析門檻。讓產線工程師,也能在經驗累積下扮演取得分析技能,解決分析人才短缺困境。

3. 模型上線效益不如預期,難以控管風險
不少 AI 上線後才發現模型無法與業務需求整合,或開發時間過長,情境已不適用,種種挑戰都讓 AI 無法發揮價值。

解決方式:建議用敏捷管理模型生命週期的平台,讓模型不斷回溯與監控,並結合公司簽核邏輯,讓部門間緊密掌握模型效度,加速查核模型績效,自動重新訓練。

陳新銓強調,AIoT能發揮成效的關鍵,在於利用AI「自動化」資料科學任務,現行資料分析大多時間都花在資料的整理和準備,有了AI協助建議最佳資料整理方式、 做自動化特徵工程及建模,讓企業將80% 的資料整理時間轉為更有價值的分析時間。最後透過彈性自主的 Model PDCA(Plan–Do–Check–Adjust) 流程,讓數據分析系統、前線作業流程或生產過程完善整合,就能打造一個不間斷 AI 循環,幫助製造業實現用 AIoT 優化決策,創新價值的目標。

圖/Freepik

熱門新聞:國際友誼再現!立陶宛贈台2萬劑疫苗 9月底前抵達