作者：吳芝頤
不同於過去機械化、電氣化、自動化的工業革命，現今「工業4.0」著重於物聯網、人工智慧、大數據等，將數據整合後分析建模，展現「智慧化、客製化、網路化、自主化」的特質。AIGO本年度第四場交流會，邀請到兩位專家來分享關於「智慧製造」這個改變產業的重要議題。
數據、模型建立成關鍵
「智慧製造只是無人工廠或關燈生產這麼簡單嗎？」
國研院國網中心研究員姚志民解釋，智慧製造有別於傳統工業的生產方式，不強調大量製造，反而著墨於三個主軸 — 產品、生產、營運／供應鏈。產品生命週期包含產品設計、製造、使用及服務、回收；生產系統生命週期中獲取的數據是智慧工廠的核心，價值極高；供應鏈上的廠商垂直分工，將原本獨立於各部門的資料轉變成互通共享，達到資料收集和生產製造結合的「連網製造」。
工業4.0除了5M(Material、Machine、Method、Measurement、Maintenance)及新增要素「建模Model」成為6M，另外也加上6C(Connect、Cloud、Cyber、Content、Customization、Community)。過去的製造過程仰賴工作人員經驗累積，而現在只要問題發生時，透過原始資料產出不同型態的模型進行分析判斷，再調整模型當中原始的5個要素解決問題即可，是為「模型經驗的累積」，姚志民認為工業4.0：「更科學化。」
如何利用資料蒐集預測下一步？
至於如何應用技術整合虛實世界呢？強調虛實兩個世界連結的「網路實體系統 (CPS) 」，在實體世界中運用感測器蒐集資料，概括人員、材料、環境等等，將這些已知資料轉換成針對重要零件或設備的分析數據，就能讓決策者決定並採取行動。
另一項技術「數位孿生(Digital Twin)」則可在虛擬世界預測實體世界的未來，也就是透過實體世界蒐集來的數據建立一套模型，從這個「數位雙胞胎」再去準確預測實體世界的未來。以上兩個技術被視為智慧製造的關鍵技術。
國研院國網中心研究員姚志民說明智慧製造的核心。(攝影：張芷薇)
改變分析模式 創造精準結果
「人工智慧其實就是機器學習和深度學習。」姚志民說道，過去的實驗利用電腦輔助工程進行分析，幾乎是基本物理定律下的結果，但現在改為「演算法」，不須寫出方程式，機器只要在充足的資料輸入下找到一個適合的模型（也就是函數）就能預測結果，是為「數學方式找到模型」。
然而最關鍵的是「定義題目」，必須思考哪些類型的問題適合機器學習的方法，並且以最適當的問法找尋答案，例如機器學習的特性是回答「單選問題」，只產出一個答案，而數值的計算可利用迴歸獲得結果。另外異常檢測的結果分為正常和異常，使用者不能利用異常資料進行檢測，應檢視正常資料和其資料之間的差距，加以修正。
姚志民表示：「人工智慧民主化是現今的趨勢。」意思是說，門檻降低得以讓入門者加快上手速度，而擔任QuickLogic亞洲業務總監的連文賢體現以上說法，展現該公司協助無相關背景的客戶開發AI的技術。
嶄新技術 門外漢也能成功用AI！
「演算法讓人頭痛因為要寫程式；AI機器學習學問太深，沒有專業背景會看不懂和也不知如何分析。」連文賢一語道破有心學習者的現況與困境。
有沒有更容易上手的工具呢？連文賢相信未來會愈來愈多這樣的工具，他以一款軟體 － SensiML為例指出，只需三個步驟便成功開發客戶所需的AI：首先利用一套圖形化工具，蒐集數據後將資料標記以確認正常或異常；再運用一套工具來擷取具有相關特徵的資料以建立模型演算法，可自動或手動建立，再建置到運算設備上，即具有AI演算法的辨識能力；第三套工具是針對此演算法進行測試驗證，辨識率高的話就可實際應用了。
他提出這套系統可以真正做到所謂的邊緣運算（Edge Computing），也就是能將AI推展到Edge端。他強調MCU本來就是終端設備的運算中心，當它也能搭配AI晶片即時運算時，由於感測器即在AI晶片旁，相對來說功耗低，省下將資料傳送至雲端的成本，且數據保密性、隱私性較高。
別小看這項技術的潛能！它的潛在市場遍布各產業，包含企業的工廠（機器運轉聲、環境濕度）、消費性電子產品（蒐集手勢建立辨識系統）、智慧農業（利用內建麥克風觀察牲畜鳴叫、活動的聲音）、大型建設及大眾運輸系統監控，應用感測器偵測目標物／地的動作、聲音、環境是否出現異常，不僅能及時發現問題，也能事先預防保養或杜絕嚴重不良後果。
QuickLogic亞洲業務總監連文賢，列舉AI技術應用於不同領域的應用。(攝影：張芷薇)
小結
隨著人工智慧越來越普及，人工智慧民主化必然是現今的趨勢，門檻降低得以讓入門者更快上手，也有許多協助無相關背景的客戶開發AI的技術，距離實現人工智慧民主化的目標將會更快實現。
（責任編輯：王姵文）
- 【活動報導】5G飆速！遊戲產業如何跟進？ - 2020/09/25
- 【活動報導】AI鏈結生產！智慧工廠的新樣貌 - 2020/08/27
