妙用智能科技 实现最佳化的制造营运策略

人工智能(AI)被视为新一波产业革命，制造业也亟欲利用AI加速实现智能制造与数码转型，达到营运效率优化与客户体验提升的目的。台湾IBM硬件系统部副总经理暨首席顾问陈俊杰认为，为达到以上目的，不论是产品瑕疵检测、设备管理、工厂执行核心系统、生产计划排程或环安，皆存在以AI优化营运的空间，如PCB板的瑕疵检测便是典型例子，过去即使动用AOI自动光学检测技术，后续仍得搭配人工验证，而透过IBM PowerAI Vision，即可从历史样本中自动撷取各种缺陷特徵，自动识别可能的缺陷并标记位置，进而取代人为二次验证，大幅提升产品质量与工作效率。接下来重点便是建构一个智能工厂平台，让AI在不同场景落地。

陈俊杰也指出，企业在AI化过程中会发现三件事：分别是「企业数据是分散的」、「数据科学家不足」及「执行AI不是容易的事」。由于数据的分散，导致数据搬迁的成本高、风险大、速度慢，最好的解法便是「将数据分析移往数据所在地」，意即建立支持GPU的基础架构，接着把模型训练工作推向数据所在地就近执行。

第二个挑战是「数据科学家不足」，迫使企业必须思索如何养成一群平民科学家，再藉由良好的「团队生产效率」，有效因应大数据、深度学习、机器学习等运算密集型工作负载；欲达成此目的，除须建构智能化管理基础、引进高效能的软硬件加速方案，亦可善用AutoDL、AutoML等自动化技术。

另一个挑战是「执行AI不是容易的事」，为此企业须以「完整的AI生命周期」为着眼点，认真思考数据准备、分析直到投放生产线等每个环节，在发展过程，举凡如何运用AutoDL及AutoML来提升部署灵活性，如何强化安全、合规与治理，及如何布建先进的模型管理功能，皆是重要课题。

从小型专案出发，循序开创成长新价值

有监于此，IBM提出Enterprise AI Platform概念，以POWER9 GPU最佳化服务器、搭配AI最佳化储存系统为基础，并支持Red Hat、Python、Kubernetes等应用容器化暨相关管理技术，PyTorch、TensorFlow、Caffe、Keras等深度学习架构，更重要的还内建IBM PowerAI Vision Auto-DL、及战略夥伴H2O.ai的Driverless AI Auto-ML等自动化技术；藉由前述丰富内涵，一举实现机器学习(ML)与深度学习(DL)加速、协同合作、AI大众化等多重目标，帮助企业加速AI之旅。

陈俊杰建议，当企业引进AI软硬件方案、准备踏上智能转型旅程，一开始切莫躁进，应从小型专案出发，由企业内部的数据分析做起，一点一滴、循序渐进并反覆验证试行概念，等到找出成功经验，哪怕仅是小规模改善，都能迅速加乘并放大整体效益。