制造自动化要智能 云端大数据缺一不可

导入智动化技术提升制造业竞争力已是大势所趋。Wiki

全球制造业近年来纷纷导入各种信息科技，包括物联网(IoT)、云端运算(Cloud Computing)、大数据(Big Data)、人工智能(Artificial Intelligence)等以精进制造技术，试图达到提升制造精度、效率及降低成本等目的。

值得注意的是，智能制造因为可以提升制造业竞争力，创造市场荣景，不仅不会减少对人力的需求，反而可以创造就业机会。根据美国劳工部的就业数据显示，从2010年上半年起至2016年5月，民间企业已连续75个月增加就业机会，失业率也持续下探至4.7%，主要是拜推动先进制造夥伴计划(Advanced Manufacturing Partnership；AMP)计划所赐。

根据联合国发表的经济展望报告指出，制造、贸易及食品产业等交易成长将带动全球经济，尤以东亚地区成长最强劲，2016年全球经济成长率虽仅2.3%，但2017年全球经济成长率即已回升至2.7%，2018年更将增至2.9%，市场回温的同时，制造业也应趁势努力提升制造实力，朝向智能化及自动化两大方向努力。

经济部技术处指出，目前智能化制造技术于前瞻研究投入重点，包括离线商务模式(Online to Offline；O2O)，也就是在智能化机器设备的生产过程中，导入各式智能化软硬件，藉由设备的精度提升，制造出高品质与差异化的高附加价值产品，如何深度结合物联网、云端运算、AI及大数据分析等技术，发展以AIoT为基础的智能化制造系统，将会是厚实台湾制造关联产业发展的利基。

事实上，物联网、云端运算、AI及大数据分析等技术的关系紧紧相依，如果没有云端运算技术及应用，大数据的采集、储存、处理及发布，都会遭遇不同程度的困难，也因为现在的云端应用环境已经相当成熟，让愈来愈多的个人及企业用户，乐于将数据存放在云端，甚至分享给其他人，进一步加以应用，让许多智动化技术结合IoT应用的过程中，也必须要导入云端大数据技术，才能提供全方位的服务。

物联网、云端运算、AI及大数据分析等技术的结合，除了带来更经济的备份成本，数据的可用性也变得更加方便，企业内部的数据库在处理大量信息时，不用担心在达到系统性能的极限时，无法迅速扩充，还可以减少自建高效能大数据应用平台的成本。

云端大数据平台对智能制造影响大

云端大数据应用在智动化技术与IoT应用的领域十分广泛，举凡数据贩售、提供数据预测分析或是运用数据改进制程或产品等应用，包括数据清理(Data Cleansing)、数据整合(Data Integration)、数据转换(Data Transformation)的数据前置处理(Data Preparation)，都会需要云端大数据技术。

整体而言，云端大数据技术的发展，希望能达成的目标，不外乎提高效率及降低成本，与制造业导入智动化的目标可说是不谋而合。但由于制造趋势朝向少量多样，产品生命周期日趋缩短的方向发展，加上市场需求瞬息万变，产品组合结构日趋复杂，数据来源也相当多元，数据处理难度有增无减，云端大数据技术发展的需求，势必也会跟着水涨船高。

根据经济部技术处ITIS计划报告指出，数据处理作业往往占业者整体开发计划近八成的投入时间，特别是当接取的数据来源很多且复杂，后续维运成本高(数据储存设备、维运成本)时，就需要投入更多人力进行系统对接与数据清理、整合与转换等前置处理工作。

ITIS计划报告中也指出，约有40%的萃取(extract)、转换(transform)与加载(load)的ETL过程，需手动操作且容易出错数据的累积、转置与重新加载都需要耗费时间与资源，往往影响数据处理效果，势必也会连带也会影响智动化的成果。

云端大数据平台的导入原则

对云端大数据而言，目前已有很多演算法和模型，可以解决数据处理过程中的技术问题，而且为了让终端用户使用方便，通常也已经包装成各种解决方案，甚至提供简单易用的操作界面，但就处理的过程而言，至少要能够做到包括数据采集、ETL、存储、结构化处理、挖掘、分析、预测、应用，以及为完成前述作业的高效计算平台。

至于云端大数据需要处理的数据类型，由于数据来源众多，数据本身所使用的诠释数据、字汇、格式等都不尽相同，如果没有一致性的数据互通性标准，云端大数据技术就必须要能做好数据清理、转换等工作，而且要设法降低因为数据定义未通而可能产生的数据遗漏或是错误的问题。

选择一个合适的云端大数据平台，作为智动化应用的基础，才能让大数据应用的开发能更加容易、让开发人员能更集中精力在业务层面的数据分析与处理上。

选择平台应当考虑的因素，首先是平台的功能与性能，不同的平台所侧重的功能也都不同，如强调数据存储能力的平台，数据的存储效率、读写效率、对结构化与非结构化数据存储的支持，数据存取界面的亲和度就是比较重要的。但如果重点是放在数据采集，能否采集挖掘到有价值的数据，就必须更加重视支持的演算法、演算法的封装程度、演算法的复杂度、数据采集结果的展示能力等重要指标。

好的平台同时要具有较高的整合度，可以为使用者提供良好的操作界面，具有完善的说明和使用手册、系统易于配置、移植性好。同时随着目前软件开源的趋势，开源平台有助于其版本的快速升级，尽快发现其中的错误，此外，开源的架构也比较容易进行扩展，植入更多的新演算法，对于使用者而言，也是比较重要的。

好的平台还必须符合技术发展趋势，大数据分析技术已是当前各行各业发展和研究的重点，但可以预见在市场竞争之下，并非所有的技术平台都能生存下来。只有符合技术发展趋势的技术平台，才会被用户、被技术开发人员所接受。因此，一些不支持分散式、集群计算的平台，大概只能针对较小的数据量，侧重于对挖掘演算法的验证，而与云端运算、物联网、人工智能联系密切的技术平台，才会成为主流。

业者必须要意识到，不管是产品、技术或应用的更新速度都在加快，如果要花很多时间去掌握熟悉某种技术平台，可能等到熟悉之后，更好更新的技术平台就出现了，业者千万不要受累奔波于各种技术平台之间，而是要全面系统地掌握云端大数据应用于智能制造的原理和具体案例，导入或学习新的技术平台才会容易上手。