當AI來臨的時候，很多人會擔心：「是不是製造業中的勞動力要被取代？」
而AI介入的「智慧化」過程，與過往製造業追求的「自動化」過程，其實有本質上的差異。
- 自動化：機器自動生産，本質是「機器換人」，強調在完全不需要人的情況下，進行不間斷的大規模機器生産
- 智慧化：機器柔性生産，本質是「人機協同」，強調機器能夠自主配合要素變化和人的工作
因此，「AI＋製造」未來所追求的，不只是簡單的「機器替人」，而逝將工業革命以來，極度細化的工人流水線工作，重新轉為「以人為本」的組織模式，讓機器承擔更多簡單、重複、甚至危險的工作，而人類則是承擔更多管理、創造的工作。
*智慧製造
目標在於提升現有生產力製造的能力，
透過物聯網與自動化技術導入，
解決工資上漲和缺工問題，
並滿足客製化、個性化的需求。
智慧製造已是每個具生產製造項目的企業難以抵抗的潮流，
必須藉此樹立生產系統的新價值，
發展出優化、聯結、大量客製化生產的情境。
情境的建置流程包含：
生產數據與良率資訊的掌握；
機器人導入與高效使用；
物聯網的建置及利用AI優化製程。
【推薦學習】
結帳輸入優惠碼「BLOGONLY200」，購買上述線上課程現折$200！
而AI 作用於製造業的應用場景，我們能大致分成以下三類：
第⼀類：實現從軟體到硬體的智慧升級
AI演算法將以能⼒封裝和開放方式嵌入到産品中，從而幫助製造業生産出新⼀代的智慧産品。
第二類：提高行銷和售後的精準水準
- 售前行銷：以AI進行用戶端需求數據的多維分析，能實現更即時、精準的資訊傳遞
- 售後維護：AI將有機會和物聯網、大數據⼀起，實現對製造業産品的即時監測、管理和風險預警
第三類：增強機器自主生產能⼒
AI技術可以使得機器在更多複雜情況下實現「自主生産」，進而全面提升生産效率。
應用場景包含：
（1）工藝優化：透過機器學習建立産品的健康模型，識別各製造環節參數對最終産品品質的影響，最終找到最佳生産工藝參數
（2）智慧質檢：借助機器視覺識別，快速掃描産品品質，提高質檢效率
而其中，尤以如視覺缺陷檢測、機器人視覺定位分揀和設備故障預測報警…等應用場景，讓AI加速成熟，已在製造現場實踐。
例如：透過集成3D掃描器和協作機器人、視覺系統、吸盤/智能夾爪，實現對目標物品的視覺定位、抓取、搬運、旋轉、擺放等操作，並對自動化流水生產線中無序或任意擺放的物品進行抓取和分揀。
這不只應用於機床無序上下料、鐳射標刻無序上下料，也可用於物品檢測、物品分揀和產品分揀包裝…等。目前在應用場景案例中，已能實現規則條形工件100%的拾取成功率。
在設備故障語境應用場景中，基於人工智慧和IOT技術，透過在工廠各個設備加裝感測器，對設備運行狀態進行監測，並利用神經網路建立設備故障的模型，從而在故障發生前，提前預測故障，並將可能發生故障的工件替換，從而保障設備的持續無故障運行。這樣的應用可以將產線停工時間從幾10分鐘壓縮至幾分鐘。
另外，人工智慧從學理三個面向為製造業帶來重大突破：
1、視覺（Vision System）
就算最高階的3D工業相機，仍無法跟人的眼睛一樣，可以精準判斷深度距離，又可以辨識透明包裝、反射表面或是可變形物體。很難找到一款相機，可以提供準確深度、又能夠辨識多數包裝及物品，但未來AI可以改變這件事。
過去這幾年機器視覺取得很大進展，來自矽谷與波士頓的新創（包含OSARO和Covariant），利用深度學習、語意分割、場景理解來提高低階相機的深度及影像辨識，製造商不需要再使用貴的相機，也能得到足夠準確的影像訊息，成功辨識透明或反射物體包裝。
2、可擴充性（Scalability）
深度學習也不用像傳統機器視覺一樣，需要事先建構每個物品的3D模型。只需要輸入圖片，經過訓練，人工神經網路就能自己辨識影像中物體，甚至能使用非監督或監督學習，降低人工標籤數據或特徵的需要，讓機器更近接近人一樣的學習，除去人為干擾，機器人面對新零件也不需要工程師重新寫程序。
而隨著機台運作，收集到的數據越多，機器學習模型的準確度也會再次提升。
目前一般生產線通常有振動台、送料器、輸送帶…等週邊設備，確保機器人能夠正確拿取需要的部件。由於深度學習模型一般儲存在雲端，這也讓機器人能夠互相學習、共享知識。
舉例：如果有台機器手臂經過一個晚上的嘗試，學會如何組合兩個零件，就能夠很輕易地將這個新的模型更新到雲端，並分享給其他同樣也連結到雲端的機器手臂。不只省去其他機器的學習時間，也確保品質的一致性。
3、智慧放置（Intelligent Placement）
對人類來說不難的指令：請小心輕放，或把物品排列整齊，對機器手臂卻是巨大的技術挑戰。
什麼是「小心輕放」？是在物體碰到桌面的瞬間不要施力？移動到距離桌面6公分處，放手讓物體自然落下？越靠近桌面就降低速度？不同的定義會怎樣影響物品放置速度和精準度？
物品「排列整齊」？每個人對於整齊的定義都不同，要讓物品能準確地放在想要的位置和角度，首先要在正確的位置拿取物品，但機械手臂不如人的手靈巧，目前一般機器手臂大多使用吸盤或是夾子，要做到人類關節及手指的靈活度，還有很大的距離。
其次，要能即時判斷夾取物體的角度位置、形狀、大小，以杯子為例，需要知道杯口朝上或朝下，要側放、直放，也要知道放置的地方有無其他物品或障礙物，才能判斷將杯子放在哪裡最省空間。
人類因為從出生開始就在學習各種取放物品的任務，這些複雜的作業可以簡單完成，但機器並沒有這樣的經驗，必須重新學習。
推動製造業發展，及導入智慧製造應用方案的核心價值，需要藉由新的市場競爭與客戶服務工具，多元化提高企業獲利能力，逐漸改善產業生態結構，形成永續發展動能。
【推薦學習】
想成為爬蟲工程師 、資料分析師 、資料工程師 、資料分析領域專家 、人工智慧產品經理嗎？還是你的公司正需要培養此領域人才呢？
點我了解 AI資料科學家全方位學程 👉 https://bit.ly/3o4N39e
每日5分鐘， 提拔我園丁陪你快速添補AI/資料科學知識與技能。
若想了解更多AI/資料科學的小知識、及各產業的相關應用，歡迎訂閱TibaMe FB及部落格，或有其他想了解的主題歡迎在下方留言讓我們知道唷！
參考資料