以數據驅動的自發性CIM系統

元智大學工業工程系副教授鍾雲恭。

導入人工智慧到CIM(Computer Integrated Manufacturing)系統內，以產生更高的經濟價值，已嚴然成為趨勢，但元智大學工業工程系副教授鍾雲恭指出，因為機器學習過程中，學習結果的可塑性(Plasticity)及穩定性(Stability)很難同時滿足，而使智慧製造「聰明反被聰明誤」，但若智慧製造中的機器學習方式，慎用遞增式學習(Incremental Machine Learning)的特性，將會使智慧製造永續學習成為可能。

此外，物件式資料倉儲(Object-Oriented Data Warehousing)的使用在遞增式的學習中格外重要，因為相對於物件資料的關聯資料，其相依性比物件資料還高，在資料的傳遞過程中，較易產生誤傳。另又知識庫(Knowledge Base)也不可少，因為在製程上的過去製造經驗必須被儲存，才能確實做到持久性的自發製造，此乃因製程上的情況是不可預期或隨時可變的。而遞增學習中的可塑性就是要用來對付製程可變性，一遇變化就重塑學習系統，但重塑可不能重新再學習已學過的東西(Things)，否則就可能會使既有的學習結果失去穩定性，而造成製造過程的誤判(不永續)。

鍾雲恭以機器老鼠跑迷宮為例指出，若用非遞增式的學習方式，就須要至少完整地跑過一次，讓機器老鼠可以從錯誤經驗中學習，但遞增學習則是邊跑邊學，只要答案正確，就給予獎勵，就會愈學愈好，希望第一次邊跑邊學就能成功，不需要重新學習，如AlphaGo Zero就是遞增學習的成功典範。

鍾雲恭指出，在自發性製造系統中，架設知識庫系統的目的是：要使智慧機器另外再能具有自行解釋的能力，所以製程定義面的知識也就十分須要，因而若光有當今眾所週知的單一(深度)學習機制自非最好，且也非愈深愈好，因為愈深的架構，有時候也會使記得愈多的記憶內容搞混！因此，建構一套具有遞增學習機制的深度學習演算法，將會使機器的線上即時(On-line Real Time)學習能力，產生無限可能。

此外，一套好的學習系統又並非只有深度的單一因素考慮，它還有高度、寬度、記住度、學習度、結構度、資料維度與其他多種學習參數的因素。深度學習與淺層學習相對，兩者都並非全新的學習架構與方法，早在1975年，就已被提出研究。

事實上早有研究指出，只要資料維度不高且訓練有素的機器，亦即：學習對象的特徵其品質要有夠必要(具有代表意義)，訓練的樣本數也很充份(具有統計意義)，那只有兩層的隱藏神經元(多少要控制好)，即足以有很高的辨識率，像是手寫郵遞區號的辨識，甚至製程上在製品(WIP)的正體印刷字，其辨識率更高，而此兩例在當今雲層(Cloud)計算中，又被分配(Distributed)到雲霧(Fog)層內。此暗示：難到到處都要用深度學習嗎？

鍾雲恭指出，工廠的資料是否真正複雜到需要一套深度學習系統，是業者必須要考量的重點，但能使機器去自發學習製程狀況的遞增式學習，卻是基本需求；而且光是單機能做到遞增學習還不夠，因為整個工廠內機具、設備、物料在製造過程中，彼此間的資料傳遞會互相影響著產品生產的時間排程、空間運送、品質高低等等，故以資料趨動的自發性製造必須考慮整廠佈局(Deployment)的方式，像是設備OEE維護計算，若機器各自只被各自的加工資料趨動來運算，那是否只能顧及單一設備的狀況，而仍無法自發性管控生產進程與瓶頸降低呢？

鍾雲恭以特斯拉電動車生產為例，它的Model3無法順利交貨，產生資金週轉不靈，就因未顧及整廠生產線上，上下游製造之間互相的影響情況，產生製造瓶頸，而使WIP堆積所致。故分配式的自發性機器學習系統在整廠內必須佈局好，且上下游之間的資料傳遞能透明化，以達到各設備與物料之間的自發性協同操作(Autonomously Collaborative Operations)不間斷，也才能好好讓在各設備上的遞增學習無誤地線上即時進行，如此方能依照生產條件的改變，使整廠具調適自發特性(Adaptive Autonomy)，而可自行規劃出一套合適的生產流程，進而使工業4.0中的智慧製造成為可能。