作者：中原大學機械工程系教授鐘文仁

智能制造經過多年來的討論和演進，目標已相當明確并且也是一可達到的愿景，道理容易理解，導入AI，然后做出超過人類的成果，但是用在智能制造的時候，好像缺少什么。AI要能成功，有三個主要的部分：算法、算力以及數據。前兩者只要有足夠的資本便容易取得，但數據這塊卻特別麻煩。

麻煩之處在于，本身搜集即是一個問題，以及對數據不了解。以現在的技術來說，語言和影像可以轉換成數據，但是機臺種類繁多，產生的特性和要求也都還不了解，又要怎么去分析？

轉型要從數據下手

工廠要先數字化(數字轉型)，搜集好數據、了解數據，才真的有機會往智能制造走。

只搜集營運數據是不夠的，設備、技術的數據，都應該要完整搜集。市場上其實已有很多供應商提供解決方案，但是有很大一部分做的是“看得到的數字轉型”。例如，哪臺機器有沒有在加工、有沒有料、有無亮燈等的提示。但真正需要的，應該是所謂“看不到的數字轉型”，也就是機臺里面的加工質量、效率、穩定性等，而非單純檢視有加工與沒加工就好。

當然，掌控稼動率很好，但如果哪天稼動率低，業者卻不知道究竟事出何因。所以未來是關鍵，搜集能掌握未來的資料，透過分析去知道原因，未來這些事就能在掌控之中。

別把數字轉型當項目在執行

工廠流程的環節不只一兩個，但無論如何總要先透過數據分析，了解之后才能優化。目前業界普遍的做法是將最復雜最有價值的幾個問題丟出來，先成立項目組，以項目方式處理。

但這樣的作法會讓企業內部產生責任推托，如果不是項目組的人員，那數字轉型就跟之無關。事實上一間工廠要能真正進化，邁向工業4.0，將會有幾百個甚至上千個問題需要解決，也就是所謂的“長尾”問題，而這些問題的總價值很可能還超越最貴的那幾題，那怎么辦？

企業需要一套核心數據分析全流程架構來解決長尾問題。過去在軟件開發的領域，企業盛行一套DevOps的開發維運架構，為的是能系統化和規模化去應付頻繁的部署需求。

面對數字化過程中對數據分析效率要求的提升，國際上現在也效法DevOps架構發起了AnalyticOps的概念，用一套系統化的平臺建構一個可規模化的數據分析流程，以提升企業內部各環節數字化的效率。

舉例來說，如訊能集思所推出的產品理論架構，即跟AnalyticOps相似，推出的智能決策平臺JarviX以OT(營運技術)端的需求切入，透過AI增強分析的技術來降低工具的使用門檻，讓OT端能夠自主完成數據分析全流程，減低企業為了數據分析付出的龐大跨部門溝通成本，對比以往需要IT和DT人員搭配組成的項目團隊去做分析，現在OT的人員就能直接做數據分析，大規模的提升分析流程各環節的效率。

學習的機制會是最大挑戰

要做更好的產品，當然可以透過提升機臺的精度或者穩定度，但是如何用，就是數據分析的意義，透過分析能夠加值，超越大家所使用的極限，并且從數據看到未來，真正解決問題或者持續優化流程。

傳統老師傅將這些機臺使用方法儲存在腦袋里，轉變為直覺反應，當然不排除老師傅也有做一些統計分析，但是主要還是依靠經驗，這些事比較偏向“個人的修為”。事實上現在整個世界，透過軟硬件技術的革新，是可以更精準的。

還有另一個問題，這世界變化這么快，老師父講的雖不是錯的，但也不見得是對的。數據的一個好處是，正確成分絕對更大，因為反映的是真正制程里面的東西。好比看一個人健不健康，如果能量測身體所有的數據，不是僅從表面來看，一定是更精準。