以数据驱动的自发性CIM系统

元智大学工业工程系副教授锺云恭。

导入人工智能到CIM(Computer Integrated Manufacturing)系统内，以产生更高的经济价值，已严然成为趋势，但元智大学工业工程系副教授锺云恭指出，因为机器学习过程中，学习结果的可塑性(Plasticity)及稳定性(Stability)很难同时满足，而使智能制造「聪明反被聪明误」，但若智能制造中的机器学习方式，慎用递增式学习(Incremental Machine Learning)的特性，将会使智能制造永续学习成为可能。

此外，物件式数据仓储(Object-Oriented Data Warehousing)的使用在递增式的学习中格外重要，因为相对于物件数据的关联数据，其相依性比物件数据还高，在数据的传递过程中，较易产生误传。另又知识库(Knowledge Base)也不可少，因为在制程上的过去制造经验必须被储存，才能确实做到持久性的自发制造，此乃因制程上的情况是不可预期或随时可变的。而递增学习中的可塑性就是要用来对付制程可变性，一遇变化就重塑学习系统，但重塑可不能重新再学习已学过的东西(Things)，否则就可能会使既有的学习结果失去稳定性，而造成制造过程的误判(不永续)。

锺云恭以机器老鼠跑迷宫为例指出，若用非递增式的学习方式，就须要至少完整地跑过一次，让机器老鼠可以从错误经验中学习，但递增学习则是边跑边学，只要答案正确，就给予奖励，就会愈学愈好，希望第一次边跑边学就能成功，不需要重新学习，如AlphaGo Zero就是递增学习的成功典范。

锺云恭指出，在自发性制造系统中，架设知识库系统的目的是：要使智能机器另外再能具有自行解释的能力，所以制程定义面的知识也就十分须要，因而若光有当今众所周知的单一(深度)学习机制自非最好，且也非愈深愈好，因为愈深的架构，有时候也会使记得愈多的记忆内容搞混！因此，建构一套具有递增学习机制的深度学习演算法，将会使机器的在线实时(On-line Real Time)学习能力，产生无限可能。

此外，一套好的学习系统又并非只有深度的单一因素考虑，它还有高度、宽度、记住度、学习度、结构度、数据维度与其他多种学习参数的因素。深度学习与浅层学习相对，两者都并非全新的学习架构与方法，早在1975年，就已被提出研究。

事实上早有研究指出，只要数据维度不高且训练有素的机器，亦即：学习对象的特徵其品质要有够必要(具有代表意义)，训练的样本数也很充份(具有统计意义)，那只有两层的隐藏神经元(多少要控制好)，即足以有很高的识别率，像是手写邮递区号的识别，甚至制程上在制品(WIP)的正体印刷字，其识别率更高，而此两例在当今云层(Cloud)计算中，又被分配(Distributed)到云雾(Fog)层内。此暗示：难到到处都要用深度学习吗？

锺云恭指出，工厂的数据是否真正复杂到需要一套深度学习系统，是业者必须要考量的重点，但能使机器去自发学习制程状况的递增式学习，却是基本需求；而且光是单机能做到递增学习还不够，因为整个工厂内机具、设备、物料在制造过程中，彼此间的数据传递会互相影响着产品生产的时间排程、空间运送、品质高低等等，故以数据趋动的自发性制造必须考虑整厂布局(Deployment)的方式，像是设备OEE维护计算，若机器各自只被各自的加工数据趋动来运算，那是否只能顾及单一设备的状况，而仍无法自发性管控生产进程与瓶颈降低呢？

锺云恭以特斯拉电动车生产为例，它的Model3无法顺利交货，产生资金周转不灵，就因未顾及整厂生产在线，上下游制造之间互相的影响情况，产生制造瓶颈，而使WIP堆积所致。故分配式的自发性机器学习系统在整厂内必须布局好，且上下游之间的数据传递能透明化，以达到各设备与物料之间的自发性协同操作(Autonomously Collaborative Operations)不间断，也才能好好让在各设备上的递增学习无误地在线实时进行，如此方能依照生产条件的改变，使整厂具调适自发特性(Adaptive Autonomy)，而可自行规划出一套合适的生产流程，进而使工业4.0中的智能制造成为可能。