智慧應用 影音
未來車產業價值鏈平台
榮耀會員

優化供應鏈管理 數據類AI快速成長

原物料需求預測、製造排程、品質預測等的「數據類AI」成為近來產業需求成長快速的應用領域。DIGITIMES

全球供應鏈歷經天災到人禍而改寫新秩序,提供韌性、降低風險成為供應鏈布局的基礎,也因此近年透過AI解決像是原物料需求預測、製造排程、品質預測等的「數據類AI」成為需求快速成長的應用領域。但專家指出,通常偏向數據類AI應用的成敗往往會反映在前期資料的準備上,特別是此類應用更與產業領域知識(Domain knowledge)息息相關,也因此對製造業者來說,資料的獲取與準備過程需要克服更多挑戰。

透過工研院「AIdea人工智慧共創平台」長期與產業深入互動,工研院資訊與通訊研究所副組長暨AIdea人工智慧共創平台計畫主持人洪淑慎針對當前製造業的AI發展提出觀察,大致在AI智慧製造的市場中,目前以數據類應用佔比為多,像是製程最佳化、品質預測、智慧排程、需求預測等都是數據類AI的一種,另外一種則是如瑕疵檢測、機器手臂視覺等的影像類AI。而數據類AI的資料取得,往往可能比影像類更複雜。

在導入AI的過程中,取得「有用的訓練數據」遠比大量的數據來的重要,因此比起花心力建立演算法模型,通常企業反而可能花更多時間與心力,專注在前期快速、大量地蒐集有用的數據,以及數據的清洗、整理等。在製造業,透過AI視覺來辨識產品瑕疵,已被廣泛地運用在各產業中,但理論上,生產線上的良率大多都超過九成,導致缺陷樣品過少,很難提供AI足夠的量來訓練,不過目前仍可以透過像是非監督式學習反向利用良品的照片,或是利用資料擴增技術,將少量瑕疵照片,以不同的角度或顏色等方式,複製成更多的不良品資料,創造出更多的數據。

然與影像類AI不同的是,數據類AI則是涉及大量Domain knowledge的問題,因此洪淑慎也認為,此類應用對於前期資料的準備,往往更需要結合業者本身的領域知識與營運模式,包括如何篩選、清理與呈現。這些並不是單靠AI技術就足以解決問題。

洪淑慎舉智慧排程為例,排程可能涉及工時、工班的問題,但每個工廠管理模式皆不同,通常也只有業者本身最清楚。另一個常見的例子則是設備維修,假設設備異常過程中有人為介入整修,如果沒有把這個動作確實記錄下來,或將之轉換為數據格式變成可用的資料,這些沒有浮出檯面的「黑數」也可能會擾亂AI的判斷與準確率。因此對於數據類AI來說,前期的資料準備更需要從多角度的思維去整理,而導入AI的成敗,也往往會反映在這些資料的準備上。

通常產業AI化會遇到的挑戰,除了資料是否有以數位化形式保存,具有足夠的「量」之外,資料的「質」也是重點,如何將資料轉換為訓練AI模型過程中真正所需,對於製造業來說也是不小的挑戰。而這也是為什麼大多數的企業通常會需要花80%的時間用於整理資料,然後才能開始訓練AI的原因之一。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: AI 供應鏈管理