想像 vs. 现实：AI 视觉智造的时代？

在生产工站装上一颗镜头，录制下来的影像信息，即是AI学习辨认产线的基础，透过不断提供AI大量的影像信息，让它「看」得越多，AI模型能训练得越好，但是，能建立出一个适合产线管理的AI模型、并持续优化，包含了几个前提：

成本不符效益？

从过去与工厂低、中、高层级产线管理者的交流中，我们发现一个普遍的现象，那就是很大一部分的沟通成本，花在期待与现实考量间的拉扯。管理者期待AI的加入可以一次解决多样产线问题，但要求越高，建构AI所需付出的金钱、人力、时间成本都需翻倍增加，这是在打造AI模型前，必要的衡量过程。

时常，管理者像是火力全开准备将热气球升空的乘客，数据科学家则是调节燃烧器的帮手，确保热气球升起后不会高得不切实际。在项目确认后，开始AI专案的初期投资看似沉重，但在未来可以透过提高产线效率、减少人力资源浪费和增强产品质量来回收成本，带来极具价值的长期效益。对于高度竞争的制造业来说，这是维持企业优势、不被市场淘汰的必要投资。

老师傅的传承？

除了成本上的认知断层外，另一个对AI保有的迷思，源自于忽略了训练AI的这一段经过。我们可以把AI视为一位新进员工，它需要时间学习产线管理者经年累月的domain know-how，每个AI模型的背后，都隐藏着大量的产业知识作为训练基础，这个传授知识给AI的过程，需要产线专家和数据科学家共同投入心力，才能将模型训练完整，并且藉由更新和维护，让 AI 模型能持续理解产在线的变化。

AI无所不能？

不像人能灵活运用五感协助判断，AI存在着感知限制。对AI视觉来说，它辨认生产状态的基础，全来自于工站摄影机录制下来的画面，它无法对画面外，或是受限于角度而无法检视的地方进行识别，例如有色塑胶壳内的料件卡榫，因被外壳遮挡，没办法检视其是否正确组装。管理者期望AI帮忙检视的工序，势必要透过清楚的影像提供给AI分析。简单来说，包含完整信息的画面，方便AI做判断，人眼无法识别的影像信息，AI也难以有对策。

AI视觉拥有极大的动能，帮助工厂数码化产线信息，达到智能制造，但需要保有对AI正确的认知，以及适当的基础建设准备，才有可能发挥AI潜能。

进一步了解 AI 视觉如何帮助全球前五大 EMS 厂提升产能，点选连结。

（本文由PowerArena提供，DIGITIMES林佩莹整理报导）