想像 vs. 現實:AI 視覺智造的時代? 智慧應用 影音
Microchip
ST Microsite

想像 vs. 現實:AI 視覺智造的時代?

  • 林佩瑩台北

在生產工站裝上一顆鏡頭,錄製下來的影像資訊,即是AI學習辨認產線的基礎,透過不斷提供AI大量的影像資訊,讓它「看」得越多,AI模型能訓練得越好,但是,能建立出一個適合產線管理的AI模型、並持續優化,包含了幾個前提:

成本不符效益?

從過去與工廠低、中、高層級產線管理者的交流中,我們發現一個普遍的現象,那就是很大一部分的溝通成本,花在期待與現實考量間的拉扯。管理者期待AI的加入可以一次解決多樣產線問題,但要求越高,建構AI所需付出的金錢、人力、時間成本都需翻倍增加,這是在打造AI模型前,必要的衡量過程。

時常,管理者像是火力全開準備將熱氣球升空的乘客,資料科學家則是調節燃燒器的幫手,確保熱氣球升起後不會高得不切實際。在項目確認後,開始AI專案的初期投資看似沉重,但在未來可以透過提高產線效率、減少人力資源浪費和增強產品質量來回收成本,帶來極具價值的長期效益。對於高度競爭的製造業來說,這是維持企業優勢、不被市場淘汰的必要投資。

老師傅的傳承?

除了成本上的認知斷層外,另一個對AI保有的迷思,源自於忽略了訓練AI的這一段經過。我們可以把AI視為一位新進員工,它需要時間學習產線管理者經年累月的domain know-how,每個AI模型的背後,都隱藏著大量的產業知識作為訓練基礎,這個傳授知識給AI的過程,需要產線專家和資料科學家共同投入心力,才能將模型訓練完整,並且藉由更新和維護,讓 AI 模型能持續理解產線上的變化。

AI無所不能?

不像人能靈活運用五感協助判斷,AI存在著感知限制。對AI視覺來說,它辨認生產狀態的基礎,全來自於工站攝影機錄製下來的畫面,它無法對畫面外,或是受限於角度而無法檢視的地方進行識別,例如有色塑膠殼內的料件卡榫,因被外殼遮擋,沒辦法檢視其是否正確組裝。管理者期望AI幫忙檢視的工序,勢必要透過清楚的影像提供給AI分析。簡單來說,包含完整資訊的畫面,方便AI做判斷,人眼無法辨識的影像資訊,AI也難以有對策。

AI視覺擁有極大的動能,幫助工廠數位化產線資訊,達到智慧製造,但需要保有對AI正確的認知,以及適當的基礎建設準備,才有可能發揮AI潛能。

進一步瞭解 AI 視覺如何幫助全球前五大 EMS 廠提升產能,點選連結

(本文由PowerArena提供,DIGITIMES林佩瑩整理報導)

商情專輯-AI專欄