实现AI/ML落地，全面形塑智能工厂

在制造场域，不论产线机台、传感器，乃至库存管理、供应链管理、ERP和CRM，个个都会产生数据。因此据研究报告显示，2020~2025年期间，全球制造业每年可望新增多达40%数据，散落于不同系统，有赖企业善用这些数据资源，以解决各种商业情境问题。

Google Cloud合作夥伴客户工程师李晨熙指出，不可否认，企业要在快速、敏捷前提下汇集海量数据、完成处理与分析，再实时回馈给前端做决策，整段过程蕴含诸多挑战，主要考验在于「量」(数据量体过大且来源分散)、「能」(须借助合适工具来挖掘数据中的商业洞见)、「时间」(讲求快速、实时)。

图说 : Google Cloud合作夥伴客户工程师李晨熙。DIGITIMES

为协助企业克服上述三大挑战，Google Cloud针对「连接」、「解锁」及「应用」等构面依序提供解方。在连接部份，由支持云计算、Serverless、ML模块且具PB等级处理能力的数据池BigQuery，负责汇集各种来源数据。在解锁方面，透过现代化BI分析工具Looker和API闸道器Apigee，实现商业情资视觉化，且能安全地将结果呈现予内外部使用者。至于应用部份，藉由AutoML或其他进阶ML方案，帮助客户加速完成AI建模，且将模型部署到边缘端、公有云或地端数据中心。

CloudMile万里云开发团队主管周文奕说，CloudMile可提供Google Cloud完整方案的导入服务，并且藉由CloudMile ML专业团队，协助企业开发定制化ML模块，亦可提供云托管服务，含括云搬迁、基础架构、数据分析、机器学习(ML) 等一站式完整项目，一步步带领用户达成AI全面落实。

图说 : CloudMile万里云开发团队主管周文奕。DIGITIMES

有鉴于制造业传统的数据价值链偏向线性流程，导致信息分散、垫高整合成本，CloudMile会以数据中台为核心，集中收纳生产、销售、供应商及客户等所有信息，以利降低跨单位沟通成本。

谈及具体施作，针对IoT传感器数据收集，主要是利用Google Cloud IoT Core全托管服务来发挥汇总功能，并结合Chromebook、Google Workspace加速内外部沟通效率。此外借助Google Glass，以AR/VR技术进行搬货模拟或第一人称教学。

接着运用AutoML预训练的模型，迅速训练出符合场景的AI模型，满足预测、分类等需求。假使企业需要管理不同云平台，或进行云地对接，则可使用混合云解决方案Anthos。另一方面，企业可透过Cloud Pub/Sub将工作负载切小，以提升作业效率，有效降低Local Data Center的延迟，并藉由Google Cloud遍及全球144 个网络边缘POP 据点，更快速达到全球化的部署。

谈到企业资源整合，则可经由Apigee统一实施API管理，以利串连不同部门或厂区。另透过BigQuery建构数据仓储或数据湖，以利针对数据进行多样性分析，甚至以SQL语法的简单方式展开模型训练。而Looker主要是用于满足觉化呈现需求，更重要的它也具备数据管理与治理功能，有助将数据分析成果轻易呈现给决策者。如果企业意欲建立故障预知模式，CloudMile的ML团队则可提供必要开发至维运的一站式技术支持。

总括而论，做完前述解决方案，企业可望获得降低成本、提高生产力、加快协作效率，以及优化开发决策等多重效益。周文奕也强调，现今数码转型已不再只是选项，而是掌握世界局势的先决条件，CloudMile 提供一站式转型计划，陪伴企业数码转型的每一步。