追根究底,要讓問題有價值
今年三月,陳維超到美國NVIDIA 開發者大會上演講,談的就是這一年多來,英業達如何運用Edge AI(終端人工智慧)做工業瑕疵檢測。智慧製造的主要應用有兩層:一,流程自動化,包括自動測檢、生產排程;二,預測性分析,如訂單預估、預防性保養。
「在這類型的AI應用,最重要的就是追根究底,」陳維超說話不帶贅字,「只要問題定義出價值,可解,就簡單了。」
在英業達,每個月出貨上百萬台筆記型電腦,外觀全部簡約有致,內部卻有各式各樣的配置。儘管在工廠製造時的測試多以自動化取代,但產品驗證仍然很吃人力又耗時,這樣的人力不好訓練,最痛的是,需要運用許多管理手段,才能達到品質的要求。
以筆電外觀檢測為例,英業達人工智慧中心透過自動光學檢測(AOI),讓攝影機學習像人一樣會判斷瑕疵,並且能即時挑出來。回憶這段開發過程,陳維超說,最難的不在讓機器學得像人,而是取得數據,包括其獨有性,以及能否自動產生、儲存和辨讀。
比方,「什麼叫做瑕疵?」、「哪裡最可能發生暇疵?」、「為什麼在某些地方容易發生?」光是為了找出標準,陳維超與工廠的團隊就不曉得來回討論了多少次,只為找出品管員們對「瑕疵」的認定方式,再從中精確定義出能餵給檢測機器學習的影像資料。
原本多達15級的瑕疵分類,收歛到5級,每一級下都給予明確、具像的數量和名詞定義。接著,瑕疵分類的定義系統連動到銷售端,在5級分類中得分比較低的筆電,就能以略低的價格,銷售到對品質相對不敏感的市場,緊密串連生產和銷售兩端,毫不浪費。這一點,對台灣製造業在全球競爭至關重要。
「有充足的乾淨數據,才能有準確的AI模型,這有點像蛋生雞、雞生蛋的因果矛盾,」陳維超回饋,專案執行很重視實際上線後的情況,因此很多時候要努力跨出第一步,才能找出模型欠缺的數據,並且不斷充實數據庫,讓AI應用逐漸發揮效益。
除了用AI來優化製程和管理,英業達也悄悄地運用在人資管理領域。他們內部開發出「人資輔助留任系統」,主要是透過考績、職級等數據,事先預測3個月內可能會離職的同仁,讓人資能和有此打算的同仁提早互動,溝通。
「相較於產線的設備來說,活生生的員工想法相當複雜,我們得頻繁調整AI模型來提升準確度,」陳維超打趣說,這種AI服務和本質上和算命很像,「如果成功挽留員工,造成系統預測準度下降,這時候算AI開發團隊,還是人資團隊的?」
了解台灣產業數據特長,發展優勢AI搶灘全球商機
在陳維超的AI佈局裡,可發揮的空間還很大,他舉例,在AI時代,因為硬體規格持續提昇,伺服器、電力、電源管理系統就相對重要;又,在追求成本持續優化的年代,3C用品回收,也是值得投入的議題,「而這些又是一盤新的生意。」
相較於鄰近國家的AI發展步調,陳維超認為,台灣擅長醫療和製造業,不僅專業度在全球名列前茅,相關數據的樣本數也非常充足。像英業達目前正和台灣某些醫院合作心律不整的AI預測系統,準確度高於用 MIT 資料為基礎的學術文獻,這樣的表現他很滿意。「就像孫子兵法裡寫的,找出上馬,然後緊緊地抓住它,」陳維超說。
延伸閱讀,瞭解其他更多的議題:
【專區】AI煉金術 2019最強商戰營– 若水國際 X 天下雜誌
學者、AI倡議者到產業實踐者 陳昇瑋的AI路:從深度學習到深度協作
長佳智能:數據準確這件事不做就是錯 醫療AI 落地成功關鍵在人
全球唯一的「狗保姆」創造循環性訂閱經濟
林軒田:打通以數據為核心的任督二脈 用AI為企業提供創新洞見
數據教我的三件事,這麼做讓AI落地更精準!
天下總主筆陳良榕專欄。半導體狂熱、科技巨頭謀略的最犀利解讀
看懂科技大勢,獨家解讀
請查看您的信箱,我們將寄送驗證信給您,確保未來信件會送到您的信箱