Yahoo奇摩新聞 台灣製造業再戰10 年新標配 AIoT助力工廠邁向智慧化
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
