實現AI/ML落地，全面形塑智慧工廠

在製造場域，不論產線機台、感測器，乃至庫存管理、供應鏈管理、ERP和CRM，個個都會產生數據。因此據研究報告顯示，2020~2025年期間，全球製造業每年可望新增多達40%數據，散落於不同系統，有賴企業善用這些數據資源，以解決各種商業情境問題。

Google Cloud合作夥伴客戶工程師李晨熙指出，不可否認，企業要在快速、敏捷前提下彙集海量資料、完成處理與分析，再即時回饋給前端做決策，整段過程蘊含諸多挑戰，主要考驗在於「量」(資料量體過大且來源分散)、「能」(須借助合適工具來挖掘資料中的商業洞見)、「時間」(講求快速、即時)。

圖說 : Google Cloud合作夥伴客戶工程師李晨熙。DIGITIMES

為協助企業克服上述三大挑戰，Google Cloud針對「連接」、「解鎖」及「應用」等構面依序提供解方。在連接部份，由支援雲計算、Serverless、ML模組且具PB等級處理能力的資料池BigQuery，負責彙集各種來源資料。在解鎖方面，透過現代化BI分析工具Looker和API閘道器Apigee，實現商業情資視覺化，且能安全地將結果呈現予內外部使用者。至於應用部份，藉由AutoML或其他進階ML方案，幫助客戶加速完成AI建模，且將模型部署到邊緣端、公有雲或地端資料中心。

CloudMile萬里雲開發團隊主管周文奕說，CloudMile可提供Google Cloud完整方案的導入服務，並且藉由CloudMile ML專業團隊，協助企業開發客製化ML模組，亦可提供雲託管服務，含括雲搬遷、基礎架構、資料分析、機器學習(ML) 等一站式完整項目，一步步帶領用戶達成AI全面落實。

圖說 : CloudMile萬里雲開發團隊主管周文奕。DIGITIMES

有鑒於製造業傳統的資料價值鏈偏向線性流程，導致資訊分散、墊高整合成本，CloudMile會以數據中台為核心，集中收納生產、銷售、供應商及客戶等所有資訊，以利降低跨單位溝通成本。

談及具體施作，針對IoT感測器數據收集，主要是利用Google Cloud IoT Core全託管服務來發揮彙總功能，並結合Chromebook、Google Workspace加速內外部溝通效率。此外借助Google Glass，以AR/VR技術進行搬貨模擬或第一人稱教學。

接著運用AutoML預訓練的模型，迅速訓練出符合場景的AI模型，滿足預測、分類等需求。假使企業需要管理不同雲平台，或進行雲地對接，則可使用混合雲解決方案Anthos。另一方面，企業可透過Cloud Pub/Sub將工作負載切小，以提升作業效率，有效降低Local Data Center的延遲，並藉由Google Cloud遍及全球144 個網路邊緣POP 據點，更快速達到全球化的部署。

談到企業資源整合，則可經由Apigee統一實施API管理，以利串連不同部門或廠區。另透過BigQuery建構資料倉儲或資料湖，以利針對資料進行多樣性分析，甚至以SQL語法的簡單方式展開模型訓練。而Looker主要是用於滿足覺化呈現需求，更重要的它也具備資料管理與治理功能，有助將資料分析成果輕易呈現給決策者。如果企業意欲建立故障預知模式，CloudMile的ML團隊則可提供必要開發至維運的一站式技術支援。

總括而論，做完前述解決方案，企業可望獲得降低成本、提高生產力、加快協作效率，以及優化開發決策等多重效益。周文奕也強調，現今數位轉型已不再只是選項，而是掌握世界局勢的先決條件，CloudMile 提供一站式轉型計畫，陪伴企業數位轉型的每一步。