數位化實踐輔助製程　產業升級轉型發揮資訊力

人工智慧（AI）技術發展突飛猛進，本土眾多的製造業廠商莫不引頸期盼得以運用來提高營運效率與產品品質，在市場中提升競爭力。為推動製造業提高智慧化能力，2018年由科技部（現改制為國家科學及技術委員會）成立的人工智慧製造系統研究中心（AIMS），持續致力推動AI於智慧製造的前瞻技術開發及產業應用，協助AI產業化和產業AI化，以及培養專業人才，協助台灣產業升級轉型。 國立清華大學人工智慧製造系統研究中心執行長陳盈宏說明，AIMS團隊成立迄今已成功執行逾200項產學合作項目，從實際與製造業交流的經驗中發現，多數業主最初根本不知道究竟AI可以在自家那些場域發揮效益。因此AIMS首要任務即是先行分析企業營運須達到的策略目標，例如降低成本、提高產量、提高品質、減少人力、準時達交、縮短交期，甚至是節能永續以符合ESG規範，進而研究可實踐的方法論，逐步實現。 清華大學人工智慧製造系統（AIMS）研究中心執行長陳盈宏指出，當企業透過科學化和系統化的方法來分析和解決問題時，可以在多個層面上實現改進，進而推動整個製造流程的創新與進步。 「AIMS團隊專注於研究最佳化演算法、資源調度與全面性資源管理、大數據分析與數位決策的研究。這些領域本質上與工業工程的專業息息相關，尤其是專注於發展演算法和大數據分析，但企業未必能夠理解可應用的場景。對此，AIMS採以應用案例方式輔助溝通演算規則，例如背包問題、路徑規劃、生產排程等，以具體地說明應用價值。」陳盈宏說。 把先進演算法帶到傳統作業現場 就造紙廠紙捲裁切最佳化的應用案例來看，陳盈宏指出，透過AIMS的演算法，可把大捲紙（長達500公尺、高達三層樓）裁切成數個小紙捲，有效降低原料使用量，減少多餘的小捲筒產生，從而降低成本和減少倉儲空間的需求。 傳統紙捲裁切工作主要依賴老師傅的經驗進行手動計算，這不僅耗時，也容易產生多餘的小紙捲，這些多餘的產品若無法售出，最終只能作為廢料回收，造成資源浪費。為了解決此問題，AIMS團隊應用了數學演算法中的「背包問題」策略來最佳化裁切過程。背包問題涉及在限定的條件下（如時間或預算限制），如何最有效地選擇並使用資源。透過演算法的幫助，不僅減少了原料的使用，也減少了所需的製造時間及相關的能源消耗和碳排放。 陳盈宏進一步說明，AIMS的研究不僅限於理論探索，更重要的是如何將這些知識應用於產業實踐，解決實際問題。這樣的案例還包括染色機排程最佳化、車燈廠生產排程、塑膠射出成型參數最佳化、冰水系統調度最佳化節能技術架構等，每個案例都是智慧製造理念與實踐，為產業帶來實質且可量化的效益。 例如生產流程同樣相當仰賴老師傅的車燈廠，主要憑藉過去累積的經驗與直覺判斷。陳盈宏認為，當工作流程過於依賴個別經驗時，就存在著最佳化的機會。這個位於台南的車燈廠，透過與AIMS研究中心的合作，把老師傅頭腦中零散而又看似無序的規則，整理出邏輯並轉化為電腦可以處理的流程。傳統上，老師傅依賴於自己的經驗，每週要花上9個小時來完成一次排程，這種作法不僅效率低下，且當管理人員更換時，排程方法也會隨之改變。 AIMS團隊經過多次與老師傅的溝通，把判斷基準整理成規則，使得原本需要長達9個小時才能完成的排程工作，現在能在一分鐘內輕鬆完成，且可根據需要進行每日甚至多次的重新計算。工作流程最佳化之後，不僅節省了時間，而且提升了生產效率，允許更靈活的排程調整以應對突發狀況，同時也降低了過度依賴單一員工經驗的風險。透過結合老師傅的經驗與先進的排程技術，車燈廠成功地轉型，朝向智慧製造邁進一大步。這證明了智慧製造並非僅限於引進最先進的IT技術，還必須能夠與傳統經驗相結合，才能共同創造價值。 陳盈宏強調，製造業之所以認同智慧化的發展方向，主要是業主發現可為企業帶來實質的利益與價值。AIMS輔導的案例可證明，當企業透過科學化和系統化的方法來分析和解決問題時，可以在多個層面上實現改進，進而推動整個製造流程的創新與進步。 由新電子、新通訊、網管人共同主辦的「智慧工廠部署策略論壇」，邀請產學界專家分享AI為製造業帶來的革命性影響，以及因應之道。 PCB大廠藉知識管理脫胎換骨 台灣的印刷電路板（PCB）產業，自過去30年的小規模產業發展至今，已成為全球市場的焦點。特別是隨著5G時代的來臨，從銅箔基板到印刷電路板的每一步驟，都顯得尤為重要。叡揚資訊解決方案業務群資深顧問師方小欣觀察，自2019年起隨著5G技術的推進，PCB產業的發展重心轉移到了技術創新上，特別是在高層次板和厚銅板的研發上。企業透過提升製程良率，逐步獲得了客戶的認可，並調整了產品方向，以迎合對信賴度要求更高的市場。 叡揚資訊資深顧問師方小欣指出，引進生成式AI應用，結合知識管理系統，以建構專屬的大型語言模型，既滿足營運應用需求，同時也藉此保障機敏資料不至於外流。 知識管理對於PCB產業尤為重要，尤其是在研發部門。方小欣說明，研發是技術導向產業的核心，而設計變更和工程變更對於維持產品質量和提升創新能力至關重要。推動知識管理系統的企業與組織，通常會以研發、品質保證部門為首要導入應用的對象，因為這些部門擁有大量的文件資料，導入知識管理系統彰顯的效益較為顯著。 以設計變更和工程變更為例，這些過程經常是分散進行的，使得工程師對其他同事的工作執行項目了解不足，因而影響了最佳設計的選擇。藉由建立知識管理平台來集中化處理，有助於讓員工之間能夠快速獲悉其他團隊小組或廠區的最佳做法。 方小欣進一步說明，當設計變更的內容得以匯集和分類後，可以更迅速地辨識出品質問題，並縮短生產時間。曾有案例顯示，透過知識管理系統的實施，不同部門的工程師在材料替換申請上能互相知悉，從而有效預防了材料問題的發生，節省了大量的資源和時間。因此，有效管理設計變更不僅能積累經驗，還能彼此交流相關資訊，以節省時間和人力成本。 KM整合生成式AI　兼顧效率保密 近兩年來，AI的衝擊日益明顯。以OpenAI推出的聊天機器人ChatGPT為例，其用戶數在兩個月內就突破一億，創下應用程式發展的新紀錄。方小欣指出，「這樣的現象讓我們不禁思考，可回答大部分問題的生成式AI，是否有能力取代傳統的知識管理系統？許多客戶對此感到疑惑。」 之所以有此疑問，主要是生成式AI應用與知識管理系統在功能上有所重疊。方小欣觀察，甚至有人將生成式AI與知識管理軟體視為相同的應用場景。造成這種誤解的原因，或許是受到生成式AI炒作的影響。她認為，知識管理的目的，在於專注於組織創造與使用知識的方法，偏重於培育知識管理的文化、分享知識。而生成式AI的目標，則在於根據從訓練資料集中學到的資訊，生成文本、圖像、影片等新型態內容。 「生成式AI演算模型需要對大型資料集進行廣泛訓練，才能夠產生內容。而知識管理在企業中的實踐，則是先依照企業策略目標定義框架，進而引導組織成為一個學習型組織。因此，結合內部知識庫和生成式AI，才能創建真正符合企業需求的大型語言模型。」方小欣強調。 事實上，僅靠生成式AI無法產出企業專屬的知識，需結合知識庫，才得以建構專屬的大型語言模型，既滿足營運應用需求，同時也可藉此保障機敏資料不至於外流。叡揚提供的Vitals...