我想很多工廠很多都有所謂老師傅逐漸凋零汰舊換新的問題以前都是老師傅用眼睛聽聲音或是看電流去看這個車床磨得好或是不好所以其實蠻人工的大家對於所謂的一個經驗跟知識的一個所謂的傳承有相當大的焦慮感在這案例中我們可以看到傳統二十幾年二十多年來的一個積累老師傅的經驗怎樣被傳承怎樣透過一個經驗上面的學習跟累積然後透過一個引擎能夠很穩定的提供一個決策上第二參謀的腳色嘗試着將老師傅過去二多年來的Know-how經驗根神奇的配方予以把他給A.I.單點突破通過這個方式我來去學習老師傅是怎麼做怎麼判定說偏左了還是偏右的然後未來我們就可以開發出一個相關的類似一個這樣AI的輔助功能所以AI在做為無論是識別或者說做分類或做預測方面我相信都可以為我們的製造的產業的客戶們帶來非常好的一個效果AI化這樣的過程透過我們發展出來的AI-T2這個工具然後給客戶對於AI有一定所謂的信心然後讓我們在一個所謂企業的一個AI應用有機會再往下一個階段去前進我覺得我目前遇到的案例裏面第一類叫做預測第二個就是所謂的光學辨識其實還是品質有關在流動式的生產線用人眼去看商品的品質原物料的品質沒有辦法那麼的精準但電腦A.I.
就是什麼就是快我們的品管就可以很有效率的把人力分配在廠內的部分加強產品的一個控管達到預防重於治療的一個效果另外一個案例是西藥製造的案例他想要控制黏稠度在一個合理的範圍我們也是一樣很成功的在開課當天我們一樣做出一個AI的模型輸入到這個模型之後這個模型就有辦法像是一樣研發的人員一樣你告訴他什麼原料做什麼事情他可以推斷出那它的黏稠度會大概是多少假設今天這個藥品它量率是90％跟95％我們一天製造一億顆成品好了聽起來是5％改善但他收穫是很巨大的屬於這管理端的銷售預測以及需求預測這個問題可能不僅僅要去參考它自己過去的數據資料更可能需要一些外部的天氣資料或者是說甚至是股匯市的資料來協助這個案例我覺得很漂亮比如說這家客戶他們是做高剛性的一些塑膠材料這個材料它必須要符合客戶要求的一些標準如果用人的經驗來做就要有很多黏的經驗值才能夠調出一個配方來滿足客戶要的標準但是不是一定每次都準也不一定是不是即使能夠調製配方能夠滿足客戶要的標準能夠出貨給客戶但是不是最佳解也不一定製造業零組件公司的案例提供我們客服相關數據的分析之後透過我們周老師帶領的AI團隊我們幫客戶分攜出它的問題所在客戶只要今天知道了一個品名它的一個生產參數之後我們可以預測出來說它這個產品未來可能的問題會發生是在製造過程的那一個部分或是在銷售段到客戶段的一個問題所以什麼叫做最佳解這樣的配方能夠滿足客戶要的標準能夠量產能夠出貨給客戶的同時但是我製造的成本是最低的品質的良率是最佳的這才叫最佳解其實這個就牽扯到更多的資料來源它已經不是一個單純的經驗所以以人的經驗而言他最多能夠做到我這配方可以滿足客戶要的測試標準就已經很了不起了但是AI可以他可以考慮到非常非常多的變數