真正的“工业智能”该如何实现？

今年汉诺威工业展主题为“工业智能”，意指人类透过人工智能(AI)系统教导机器采取有逻辑、目的性的行动，并能具备预测的能力，以满足生产线与客户端的需求。可见AI已成为实现工业4.0(Industry 4.0)或智能制造下一步重要的关键，但真正的“工业智能”该如何实现？业者如何透过AI系统，以及进一步融合工厂内外部技术，如传感器、巨量资料(big data)、工业物联网(IIoT)及5G通讯...等，并让工厂中的系统与机器间能无缝沟通，将是实现工业智能前将面临的新挑战。

何谓“真正”的工业智能？

目前在工业4.0、智能制造…等火热议题的带动下，已行之有年的工厂自动化，逐渐改变——纳入AI、机器学习、各种自动化生产设备…等，以期进一步打造可降低人力成本、同时提升生产效率的现代化工厂。
因此有心想转型为智能工厂的业者们，大多认为，似乎只要在机器上装上传感器、收集了资料由中控中心传至云端分析，再回传到机器端执行，这就是所谓的工业智能或是智能制造的呈现。不过，“纸上谈兵”毕竟容易得多，但这样的做法究竟能真正协助企业，还是会带来新的挑战？

皮托科技执行长简荣富表示，首先要弄清楚何谓智能制造、工业4.0，这些谈了几年的概念最终目标并不是打造无人工厂，将人力完全削减。而是实现人机协作、分工，各司其职地使整个工厂具备高度自动化，并将过去制程批量订单“单一化”状况转变为高度客制化，以因应市场少量多样的订单需求，进而提升产能、创造更丰沛的营收，这才是真正的“工业智能”。

工业智能不仅是产线自动化生产工具的AI智能化，更重要的是“人”的管理，例如现场作业员是否依照标准操作程序(SOP)、身心状况，或是作业出现问题以至于产线发生塞车…等。事实上，工厂中最重要的资产且花费最高成本的是作业员，因此工业4.0或智能制造强调透过自动化的生产设备，取代人力，不只可以节省成本，还可解决人工速度较慢和其他问题。然而这并不是指工厂完全不需要作业员，而是进一步提升人力的价值及人工的效率。简荣富认为，若是人类作业员消失在工厂中，则智能工厂将失去其意义，因为人类需在智能工厂担任监控多台机台、决策与训练机器及AI的角色。

换句话说，现有的生产设备仍很难拥有人类“五感”，比如衣料质感的检验、汽车烤漆均匀度等较依赖人力的工作，机器尚无法达到人工的质量，因此需要作业员“教导”，如此一来，机器才得以真正智能化。不仅如此，人类可以举一反三、触类旁通、多关联性的思考以综观全局，这是机器或AI仍缺乏的特质，因此人员如何与机器协作、无缝沟通，彼此“深入了解”并由经验老到的“师傅”传承经验给机器，也是实现“工厂智能”的重要议题之一。

另一方面，业者除了解工业4.0或智能制造的意涵外，也需要检视目前市场趋势，以及自家工厂的状况，探索要如何利用及导入工业4.0概念，而不是一味的“人云亦云”。凌华科技(ADLINK)设备联网事业产品中心经理杨家玮认为，目前制造业面临的挑战包括市场碎片化、业主仅关心投资报酬率(ROI)，以及不知痛点在何处。市场碎片化即需让产线具备弹性、模块化，并可在最短的时间内调整现有设备，生产下一种产品；而若企业不了解现有工厂的痛点，亦即最需要解决的问题，贸然进行工厂的翻新、引入AI/机器学习系统…等以达到智能工厂的目标，将很容易落入ROI陷阱，反而浪费许多成本，悖离工厂智能目标。

事实上，现阶段真正打造出智能工厂的企业为数不多，尤其对于台湾许多的中小企业而言，要将现有的厂房摇身变为想象中美好的智能制造工厂，成本与相关人才首先就是一个很大的问题；再者，如何将信息科技(IT)技术融入现有的操作科技(OT)，也是一门极大的工程。可以想见，要实现工业智能，不仅是一件难事，还是不知道该从何开始的大挑战。然而业者们究竟该如何达成工业4.0组织擘划的以自动化方式作决策，利用AI技术实现工业智能，进而打造智能工厂的愿景？以下将试着归纳几个要点。

实现“真”智能第一步：资料可视化

众所周知，智能工厂最前端的机器设备与作业员的状况，需透过各式传感器或摄影机，收集相关的资料，再到中控中心或是云端分析及处理。四零四(Moxa)亚太区事业处工业物联网解决方案处市场开发经理林昌翰表示，直到目前，仍有工厂使用人工手抄机器显示的数据，这样的数据可能会不够准确，进而无法正确判断何时该维修机器设备，甚至导致停工。因此实现工业智能最基本的第一步就是收集数据，让机器或人员的信息可以被看见，也就是可视化，后续才能利用这些巨量数据进行分析，或是利用AI/机器学习预防及预测机器损坏。

宇瞻科技(Apacer)垂直市场应用事业处台湾事业部经理曾元鸿进一步说明，工业4.0宗旨之一是利用可视化信息降低物料的浪费、提升产能，同时节能。数据可视化也让人与机器之间能有共通的语言，并藉由传输接口送到战情室或边缘平台，或是云端做出及时分析回馈，让机器连动改善问题。

数据可视化简单说即是数字化，整个工厂若是无法数字化，并利用数字双胞胎(digital twins)的概念将收集到的信息透明化，则AI或机器学习系统会如同一个无法理解的“黑盒子”，系统作出的实时决定，可能会有问题。不过，数据可视化并不是将工厂设备装上传感器、或是利用摄影机监控整个厂区这么简单，这中间牵涉到传统的OT设备如何与IT产品融合。更何况，目前新型的生产设备可能都还没100%数字化，现有的旧设备也不可能因未数字化就淘汰，再加上OT与IT之间“隔行如隔山”，即使招聘新的IT人员，其如何与懂OT的作业员沟通，亦为一大挑战。因此光是数据可视化这一点，就让许多想转型为智能工厂的企业“一个头好几个大”。

AI/机器学习基础

数据可视化之后，才能为AI、机器学习与深度学习系统打下基础，换句话说，数据若是无法透明化，导入AI与机器学习等技术，对于提升生产效率的作用不大。简荣富解释，AI需要透过机器学习算法，例如卷积神经网络(CNN)、深度学习的辅助才能建立好的数据模型，而机器学习需要精确的数据，才能协助AI精准建立模型。因此收集来自各种不同设备、计算机数值控制(CNC)工具机、机械手臂、传感器，甚至手抄…等异质信息，才能建置AI模型。

更重要的是，若是“塞”了一堆杂乱且无用的信息给机器学习与AI系统，这样“囫囵吞枣”的结果将是成本的浪费。因此庞大的异类数据需要进一步“萃取”及前处理，AI分析的结果才做出有效的决策，而AI也才能肩负起智能工厂“大脑”的角色。

超恩亚太区业务主管萧世杰表示，AI/机器学习的应用，主要目的不仅是减少人力重复性或在危险环境工作，还包括透过大数据、云端去整合跨界的资源，以实现工业智能。另一方面，拥有AI与机器学习技术后，并不表示就不再需要“师傅”，人类的智能可再思考如何进行产业知识(domain know-how)结合云端、大数据创造新型态应用服务。