想像 vs. 现实:AI 视觉智造的时代? 智能应用 影音
Event
DFORUM

想像 vs. 现实:AI 视觉智造的时代?

  • 林佩莹台北

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)

议题精选-AI专栏