掌握实施要领、妙用先进平台工具 加速 AI 应用落地实现

现阶段企业已可运用电脑视觉与机器学习技术，检测及分类金属表面的缺陷。来源：Intel

不可讳言，人工智能(AI)肯定是近年来最能引领风骚的题材之一，只因为假使没有AI的搭配，谈再多的物联网(IoT)也是枉然，徒然增加一堆「不知道怎麽用」的大数据而已。因此过去红极一时的 IoT，如今已难单独引发关注，而是以「AIoT」(AI＋IoT)之姿掀起更大浪潮，甚至有专家预言这股AIoT热潮将延续至少20年。

AI之所以红，在于它可以实现垂直市场的价值变现。比方说来自温度、湿度、振动等传感器产出的数据，都只是用来表述某一个时间点的状态，不过是冷冰冰的数值，如果未做进一步加值运用，几乎没有价值；反观若结合AI分析技术后，靠着 ML(机器学习)、DL(深度学习)所训练开发出来的模型，便可繁衍瑕疵检测、散乱工件取放、机台或元件的寿命预测等富含价值的应用，为业主带来可观的商业利益。

时至今日，综观制造业领域，不论是设计、制造、检测等垂直活动价值链，甚至是跨企业的供应链管理，通通都被涵盖于AI的应用范畴。

只不过，纵使随着这几年不断洗脑，AI对于绝大多数业者来说简直如雷贯耳、无人不晓，但持平而论，AI不是套装软件、更绝非随插即用的工具，假使企业未能掌握AI 技术实施要领，也不懂得搭配运用好的平台或工具，听得再多、看得再多，都无法真正将AI转换为数码转型能量。正所谓万事起头难，要想靠AI成就伟大的智能制造应用，还是得从原点出发，一步步练好基本功。

专家指出，做AI、数码转型的第一步乃是「命题」，企业必须有能力定义出具有价值的题目，否则无论订定不出题目、或是题目方向错误，都形同输在起跑点，后续投再多资源、花再多力气，也难以显现价值。

但值得一提，在AI整条价值链中，蕴含很多重要阶段，不管是数据收集、数据标注、模型训练、模型部署甚或模型再训练等等，随着技术演进，现在几乎每一项都有对应的辅助工具可供运用，让一些未必钻研过AI底层技术的人，都有可能独力完成某些工作流程；唯独选题这件事，不但需要用户自己来，也没有太多工具帮得上忙。

然而不会选题的人，倒也并非无计可施，只是需要考验自身的悟性。比方说可以参照现成的一些AI应用方案，了解该应用大致上的运作思维、以及预期产生的效益，再回头检视自己内部场域，看看有没有可以套用类似原理来达到改善效果的问题，如果这个问题也刚好攸关经营痛点，那麽拿它们来做为AI命题，肯定错不了。

善用辅助工具  简化繁琐的标注流程

订定题目后，下一步就是众所皆知的数据蒐集，因为没有数据，就没有训练素材，也就创造不出AI模型，但如何在合理成本架构下，确保蒐集效率恒常维持高档，亦是企业必须关注的课题。

随着各种传感器、边缘闸道器(Edge Gateway)应运而生，各大公有云平台的IoT服务日趋完善，加上不久的将来还有5G企业专网居间加持，可以说「云」、「网」、「端」要素皆已齐备，因此未来不管数据的收集、处理或储存，能用的工具选项可说相当丰富。

完成数据蒐集，下一个重要工作就是数据标注，也算是耗时费力的一环。举例来说，若工厂想利用 AI 做产品的瑕疵检测，那麽一定有先决条件，便是让机器看得懂所有瑕疵类型，比方说 SMT(表面贴焊技术)的缺件、错件、短路、断路等，所以必须先让看得懂这些瑕疵的资深师傅，从大量图像中挑出瑕疵部位并予以标注，好让 AI 机器获得充分训练、得以培养瑕疵识别能力。尽管标注是一项劳心劳力又伤眼睛的工作，所幸目前已有辅助标注的工具出现，用户可利用这些工具简化标注的繁复步骤。

一般来说，多数企业考量日后随时有可能启动AI专案，但每件专案需要耗用多少CUP 、GPU或Memory运算资源，则难以准确预估，既然如此，便倾向利用云端平台建构模型训练的基础架构。在此情况下，当企业已备妥训练数据后，即可将这些数据推送上云，放存于云端平台提供的数据湖泊(Data Lake)。

藉助自动化机制  一次实现大规模部署

接着进入最关键的一个阶段、也就是建模，通常需要仰赖建模人才，来满足原始命题下的概念验证(POC)目标，以瑕疵检测为例，其POC目标可能包含检出率、误报率、漏报率、推论时间等等。一旦训练完成，用户可以利用云端平台提供的Web界面，清楚看出每个模型的绩效表现是否如预期。

此时用户若选定其中某一个绩效最优秀的模型，接下来即需执行部署动作，简言之就是把它推送到指定的边缘设备，让这些设备有能力执行现场推论。但坦白说，模型部署上线这件事可谓吃力不讨好，尤其所欲部署的设备台数愈多，拷贝模型的次数愈多、执行安装的次数愈多，承担的工作负荷就愈吃重。

因此有些云端平台标榜提供大规模模型的自动部署功能，强调使用者只能透过Web界面设定好部署标的，后续便藉由OTA方式将模型推送到边缘端，甚至还可设定排程，以便在日后定期自动更新模型，甚至让现场很简单地启动再训练程序(当需要增加新的瑕疵样本时)，值得企业参考。

总括而论，AI应用从无到有、直到真正落地实现，其间蕴藏许多不容或缺的作业流程，企业不管打算在地端或云端做训练，都必须勤做功课，找出每个环节对应的自动化辅助工具，如此才能无惧于数据科学家人才的欠缺，照样稳健踏实地创造一个个智能制造应用服务。