智能应用 影音
ITRI
event

优化供应链管理 数据类AI快速成长

优化供应链管理 数据类AI快速成长

全球供应链历经天灾到人祸而改写新秩序,提供韧性、降低风险成为供应链布局的基础,也因此近年透过AI解决像是原物料需求预测、制造排程、品质预测等的「数据类AI」成为需求快速成长的应用领域。但专家指出,通常偏向数据类AI应用的成败往往会反映在前期数据的准备上,特别是此类应用更与产业领域知识(Domain knowledge)息息相关,也因此对制造业者来说,数据的获取与准备过程需要克服更多挑战。

透过工研院「AIdea人工智能共创平台」长期与产业深入互动,工研院信息与通讯研究所副组长暨AIdea人工智能共创平台计划主持人洪淑慎针对当前制造业的AI发展提出观察,大致在AI智能制造的市场中,目前以数据类应用占比为多,像是制程最佳化、品质预测、智能排程、需求预测等都是数据类AI的一种,另外一种则是如瑕疵检测、机器手臂视觉等的影像类AI。而数据类AI的数据取得,往往可能比影像类更复杂。

在导入AI的过程中,取得「有用的训练数据」远比大量的数据来的重要,因此比起花心力建立演算法模型,通常企业反而可能花更多时间与心力,专注在前期快速、大量地蒐集有用的数据,以及数据的清洗、整理等。在制造业,透过AI视觉来识别产品瑕疵,已被广泛地运用在各产业中,但理论上,生产在线的良率大多都超过九成,导致缺陷样品过少,很难提供AI足够的量来训练,不过目前仍可以透过像是非监督式学习反向利用良品的照片,或是利用数据增技术,将少量瑕疵照片,以不同的角度或颜色等方式,复制成更多的不良品数据,创造出更多的数据。

然与影像类AI不同的是,数据类AI则是涉及大量Domain knowledge的问题,因此洪淑慎也认为,此类应用对于前期数据的准备,往往更需要结合业者本身的领域知识与营运模式,包括如何筛选、清理与呈现。这些并不是单靠AI技术就足以解决问题。

洪淑慎举智能排程为例,排程可能涉及工时、工班的问题,但每个工厂管理模式皆不同,通常也只有业者本身最清楚。另一个常见的例子则是设备维修,假设设备异常过程中有人为介入整修,如果没有把这个动作确实记录下来,或将之转换为数据格式变成可用的数据,这些没有浮出台面的「黑数」也可能会扰乱AI的判断与准确率。因此对于数据类AI来说,前期的数据准备更需要从多角度的思维去整理,而导入AI的成败,也往往会反映在这些数据的准备上。

通常产业AI化会遇到的挑战,除了数据是否有以数码化形式保存,具有足够的「量」之外,数据的「质」也是重点,如何将数据转换为训练AI模型过程中真正所需,对于制造业来说也是不小的挑战。而这也是为什麽大多数的企业通常会需要花80%的时间用于整理数据,然后才能开始训练AI的原因之一。

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: AI 供应链管理