AI加大数据 联袂组成新一波产业致胜配方
- 洪千惠
-
现今环顾各大产业的科技应用议题，人工智能(AI)无疑是当红炸子鸡，与之相关的机器学习(ML)、深度学习(DL)等技术纷纷跃居新宠，而搭配物联网应运而生的AIoT(AI+IoT)新题材也成为亮点；相形之下，早些年盛行一时的大数据(Big Data)，锋芒似乎遭到掩盖。
但就在众多企业争相追逐AI、ML、DL及AIoT等热门主题的同时，大数据的价值不仅未曾消退，其重要性还高于以往；有一些媒体文章形容得贴切，大数据像是AI的食物，只要它愈丰富、新鲜、乾净，AI一旦吃进，便能产生更大能量，在此同时，ML或DL等各门各派演算法，即犹如消化系统，帮助AI消化大数据并汲取养分，产出富含价值的智能结晶。
仅有大数据无AI，如平白浪费珍贵食材
一向推动大数据不遗余力的台湾数据科学协会理事长陈昇玮，对于AI也有类似的诠释；他形容AI是最终成果，数据是原料、演算法是处理原料的方法，若缺少原料与料理方法，就无法顺利走到AI这个数据价值变现终点。因此不管是陈昇玮、或者其他倡议大数据的学者专家，对于AI的崛起，纷纷投以正面评价。
假使企业只完成大数据的收集、与统计分析，充其量仅能呈现给人看，而不是喂给机器来自动学习，此情此景，如某人好不容易采集大量松露，却只能沾着酱油囫囵吞下，平白错失珍贵食材的绝佳风味，实在可惜；惟一旦透过机器学习专家的巧手，就能将大量松露转化为一道道惊为天人的佳肴，一来一往之间差别甚大。
值得一提的，台湾数据科学协会从2017年开始从善如流，针对年度盛事——台湾数据科学年会，首度加入台湾人工智能年会主题，共同展开为期4天的活动，与会人数直逼2,000大关、刷新历史纪录，显见AI随着大数据、分析平台、开源的进阶演算法、机器学习方法的共同加持，已从实验室成功走向日常生活与商业应用场景，有望引爆无限的可能，不论工业4.0、新零售、FinTech或智能城市等诸多愿景蓝图，都将拜大数据加上AI所赐，加速落地实现。
AI+及+AI双浪潮，有助台湾产业升级
时至2018年，台湾数据科学协会再接再厉，与财团法人科技生态发展公益基金会携手，共同催生台湾人工智能学校，期望以人工智能加上原本的领域知识为基底，培养一批能在各领域发展AI的种子，推动产业AI化，终至以AI帮助产业升级。
另一方面，中华民国信息软件协会有监于全球各国纷纷致力发展物联网及大数据分析应用，使产业环境发生质变，也让人类的日常生活充斥愈来愈多的智能应用，继而随着产业收集的数据量急遽增加，连带驱使AI进入高速成长期，台湾必须赶紧迎上潮流、避免错失竞争先机；于是在去年(2017)底结合产业力量，促使「AI大数据智能应用促进会」成军，希冀据此争取制定有利于AI大数据产业的优质政策与环境，并建立AI大数据应用的产业链，协助产业转型并发展AI关键技术；展望下一步，该促进会亟思设立「服务机器人应用」、「人机协作应用」及「服务创新应用」等相关顾问团，积极打造产业应用示范案例，期使台湾未来成为AI智能应用与产业生态的输出重镇。
不管是以产业AI化为主的人工智能学校，或意在带动AI产业化的促进会，对于台湾都是弥足珍贵的动能，只因包括「AI+」或「+AI」，皆带有不同的效益价值，为台湾产业找到出路。以台湾人工智能学校而论，其包括财团法人科技生态基金会等创始班底，先前便成立Project θ(念法类似「Theta」)团队，主要是透过顾问服务的型态，用AI帮忙解决产业的经营难题。
单靠顾问辅导太慢，不如培养AI种子尖兵
Project θ成军后的六个月内，这群顾问一共对于十多家企业提供援助，成功解决合计十几道难题，总结这些难题大多围绕于瑕疵检测、预测性维护、自动流程控制，及原料组合最佳化等题目范畴。
其中的瑕疵检测，无疑是含括印刷电路板(PCB)、面板、电子组装、成衣等等多类型制造商的共通挑战；例如某家电子制造企业，拥有23条产线，过去动用4位目检人员执行瑕疵检测，搭配AOI设备每天共计判定120万张影像，漏网率约5%，在Project θ团队协助下，该公司斥资新台币10~15万元购进中高端桌上型电脑与NVIDIA GPU，配合运用开源软件、高度调校的深度学习模型，使目检人员仅需检查原本总数的5%图片，每日检测1,440万张影像，较过去大增1,100%，更有甚者，漏网率顺势大减为0.01%，为从前0.2%不到的超低水准。
至于自动流程控制方面，某家公司原先采用人力来控制设备参数，长期平均达到61%良率；后来引进深度学习技术，情况出现大逆转，良率激增到98%，比过去足足跃升37个百分点。
在预维性维护部份，某企业先前曾因马达骤然故障，导致机台停摆、酿成可观产能损失，写下了企业主心中不可承受之痛；如今借助AI大数据，已能持续预测某段时间后的设备状态，好让企业得以预先因应，将产能损失的幅度缩小到轻微地步。
谈及原料组合最佳化，最典型的案例出现在染整厂。染整业有一道关键制程，即是根据客户的色样要求，使用自身的染料配方组合，为纺织厂送来的白色胚布进行打色，而打色的品质与效率，着实攸关染整厂的业务接单竞争力至钜；在以往，某厂即使致力研发染色技术，包括不断找寻更优良的染料配方组合，执行色料与助剂的进厂检验分析，更勤于比对化验室染色配方与现场染色，进行再现性追踪，但打色成功率仅拉到七成水准，便已到顶而难以继续攀升。
如同前述几个例子，某染整厂也在Project θ团队帮忙下建立AI大数据分析机制，快速突破久攻不下的打色成功率「70%天花板」，一举上升到95%，成效令人惊艳。
持平而论，上述案例的结局都可谓圆满成功，但缺点就是速度过慢，半年仅解决了十多家企业的难题；由此可见，哪怕AI顾问实力再坚强，终究难与时间赛跑，无法以有限的专家能量解决大多数的台湾产业习题，反观透过学校型式培养产业界种子部队，理应更能发挥快速扩散效应，让产业AI化不致沦为一场慢节奏的沈闷戏曲。
掌握更多新时代决策者的商业智能，欢迎参加3/27的巨量数据论坛--当AI遇上BI，数据时代的企业决策大跃进，活动完全免费，掌握趋势，请速报名！
