机器学习理论核心 决定人工智能成败

元智大学工业工程系副教授锺云恭。

自Google AlphaGo于2016年击败韩国知名棋士李世乭之后，顿时间让所有人感受人工智能不在仅是在好莱坞电影出现，又或者仅只于研究单位的专案之中。

然而在工业4.0议题中使用的人工智能技术，与前述技术有很大差别，偏向于可提高生产品质、制造流程的Simga Go，该技术使用机器学习理论须符合6 Sigma规范，得以让智能设备透过自我学习的方式，达到优化前台原料检测率、降低商品不良率目标，达成有99.99966%产品没有任何品质问题。

机器学习是一门为达成人工智能的科学，全球科学家投入该领域领域已长达30多年，主要为经验学习中改善具体演算法的效能。简单来说，人工智能可藉由机器学习理论协助，运用宝贵数据或以往经验，获得足够判别能力，达成辅佐人类进行决策或改善生产线运作流程，同时达成降低对人力的依赖。

元智大学工业工程学系副教授锺云恭指出，传统自动化设备并不具备学习功能，只能够依照内建的指令，在指定时间执行指定动作。因此，一旦出现超过传统控制模式的突发性状况，设备不是没办法实时反映，就会出现无法避免的错误。

然而融入人工智能的智能设备，可从多元管道收集来的信息，进行深入广泛分析与研究，再运用机器学习理论自我学习，最终达成可依照生产条件的改变，自动规划出一套合适的生产流程，这即是工业4.0中的智能工厂愿景。

一套符合智能工厂需求设计的机器演算法，应该要将整体设备效率(OEE)纳入核心，该评估标准多半应用于工厂的生产线之中，内容包含整合可靠度 (Availability)、产能效率 (Performance)、良率 (Quality)等三大项，借此测量生产线运作的效率高低。

此外，机器学习理论需让设备具备处理6V(Volume数量、Variety差异、Velocity速率、Volatility 存量、Veracity本质、Value价值)的数据专家，才能从不同类型的数据结构中，归类出一套有用的生产理论，达到改善生产线运作流程，可主动排除突如其来异常状况。