想像 vs. 現實：AI 視覺智造的時代？

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）