機器學習理論核心 決定人工智慧成敗

元智大學工業工程系副教授鍾雲恭。

自Google AlphaGo於2016年擊敗南韓知名棋士李世乭之後，頓時間讓所有人感受人工智慧不在僅是在好萊塢電影出現，又或者僅只於研究單位的專案之中。

然而在工業4.0議題中使用的人工智慧技術，與前述技術有很大差別，偏向於可提高生產品質、製造流程的Simga Go，該技術使用機器學習理論須符合6 Sigma規範，得以讓智慧設備透過自我學習的方式，達到優化前台原料檢測率、降低商品不良率目標，達成有99.99966%產品沒有任何品質問題。

機器學習是一門為達成人工智慧的科學，全球科學家投入該領域領域已長達30多年，主要為經驗學習中改善具體演算法的效能。簡單來說，人工智慧可藉由機器學習理論協助，運用寶貴資料或以往經驗，獲得足夠判別能力，達成輔佐人類進行決策或改善生產線運作流程，同時達成降低對人力的依賴。

元智大學工業工程學系副教授鍾雲恭指出，傳統自動化設備並不具備學習功能，只能夠依照內建的指令，在指定時間執行指定動作。因此，一旦出現超過傳統控制模式的突發性狀況，設備不是沒辦法即時反映，就會出現無法避免的錯誤。

然而融入人工智慧的智慧設備，可從多元管道收集來的資訊，進行深入廣泛分析與研究，再運用機器學習理論自我學習，最終達成可依照生產條件的改變，自動規劃出一套合適的生產流程，這即是工業4.0中的智慧工廠願景。

一套符合智慧工廠需求設計的機器演算法，應該要將整體設備效率(OEE)納入核心，該評估標準多半應用於工廠的生產線之中，內容包含整合可靠度 (Availability)、產能效率 (Performance)、良率 (Quality)等三大項，藉此測量生產線運作的效率高低。

此外，機器學習理論需讓設備具備處理6V(Volume數量、Variety差異、Velocity速率、Volatility 存量、Veracity本質、Value價值)的資料專家，才能從不同類型的資料結構中，歸類出一套有用的生產理論，達到改善生產線運作流程，可主動排除突如其來異常狀況。