AI落地經驗談：問題聚焦與數據分析是成敗關鍵

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！