根據工業技術研究院這兩年發表的趨勢分析報告，欸，其實台灣製造業導入人工智慧系統的現象已經明顯變多了。有Ready AI等級應用能力的企業，大致上現在大概三成左右吧。唔，說真的，我一開始還以為可能更多，但細看這波所謂「AI普及」，會發現多數廠商其實都只聚焦在某個流程或單一設備上的智能優化。像自動瑕疵檢測啊、預測維修什麼的——好像大家都搶著做這塊。 不過講到能真正跨部門，把AI徹底融進企業運營核心、讓部門跟部門之間互通有無的案例，嗯……坦白說，好像還是稀少得很。我突然想到，不知道是不是因為人手不足還是成本考量？欸，扯遠了——回來。對產業來看，看起來競爭很激烈，但要推動整體數位轉型、做到全面升級的公司比例，其實並不高。而且那種氛圍，就是各家廠商分階段試點，有點邊走邊觀望，目前台灣智能製造生態嘛，也只能說處於一種過渡時期吧，分階段落地和局部試探並行著。唉，希望哪天會有突破啦。
I graphed the trendlines at [ ]
Peruse the playbook inside [ techbullion ]
欸，有時候真的很煩。現場如果一開始就沒把資料品質這檔事放在心上，說什麼AI模型再神也只能晾在那邊，根本用不太起來吧。嗯，有些企業剛搞自動化瑕疵檢測那會兒——其實我朋友公司就遇過，數據蒐集直接卡關，好像大家都差不多啦。 唉，舉個例子好了，就算同一批產品，也有可能標註規範每次都是不同人負責，所以錯誤類型就混成一團。有時候看到還真不知道該氣還是該笑。這種狀況，不只是害模型學習方向走偏，甚至異常判斷也變得超不穩定。我是不是岔題了？啊對，就是這樣。 然後根據工研院這幾年在台灣製造業的調查，其實大概快一半案例，都被現場驗證流程鬆散、回饋機制不到位給拖垮了。搞到最後，要嘛偵測失靈，要嘛乾脆誤報出奇怪的結果。想想也是蠻無奈的，反正總之不是小事啦。 所以說啊，「有資料就好」這種僥倖心理真的行不通，比較重要的是從頭徹底建立標註、驗證和追蹤的明確步驟。例如制定分類準則、安排交叉審核…喔對，我昨天聽同事碎念也是提到定期比對AI預測與實際情況（雖然他講話很吵），但的確只有靠這些細節，把科技效益拉到應有水平才稍微安心。不然一直出包誰受得了？
「欸，主管常說啊，初版SOP真的要先生出來，否則現場每個人動作全憑感覺，好像都各搞一套。唉，每次工程師開會都會碎念這個。初步流程通常是從紙本、白板上硬著頭皮討論——你一句我一句，大概的樣子就這麼慢慢拼起來。我記得那時大家還在想說，要不要直接跳過共創？但轉念又覺得，嗯不對，現場一起討論還是很關鍵。 後來變成班別輪流參加，有的人負責實作，有些人就待在旁邊緊盯著，把異常或哪裡卡住的地方一條條寫下來。其實也不是保證馬上能訂案，就是好像讓標準流程逐步貼近真實運作情境，但老實說，也總覺得有點曖昧不明，好吧。 然後訓練就一遍又一遍，每組員都反覆操練，偶爾直接蹲在機台邊冒出「這樣可以嗎？」之類的問題，那種當場修正細節的時刻，其實滿混亂卻也微妙地有效。我自己有點懷疑，到底多少改進是真的被看到，但看久了似乎就是會有進展。 等到大夥兒漸漸熟悉操作，再隔幾週回收反饋意見，一直把SOP修修補補。有些工廠還很執著於定期盤查執行情形，他們怕大家表面做做，其實背後早已天馬行空。嗯，我自己曾想過是不是多此一舉，不過據說照這套路走，可以減少不少執行落差；更重要的是，把那種因為理解不同而犯錯的人為意外壓低很多，在台灣製造業算是普遍被主管們默認、不寫明卻默許的一條老路了。
現場的做法其實蠻粗暴的，每天就這樣從不同產線挖出七十多件產品來檢查，嗯，感覺像在抽獎，但偏偏是去找問題。這種隨機輪換的方式，其實去年幾家面板廠內部測試時也都在用，好像沒什麼新鮮事——等等，我是不是太快下結論了？反正他們說這算主流。 AI判讀結果和人工複驗資料一丟進去比對，有時還要再把每次停機、換模或維修事件記一記、湊一湊，慢慢就會發現一些原本以為只是單純誤判的案例，其實根本跟設備異常扯上關係。唉，事情總是不如表面那麼簡單。 不過只看那些明顯的數字也不行，大概還得攤開差不多一半樣本反覆審視，不然容易漏掉小毛病。欸，我有點懷疑自己是不是想太多，但經驗老是這樣教訓人。 很多製造業團隊後來才發現，如果只抓單日數據就急著收尾下結論，週期性的隱藏狀況很可能就錯過了——對啊，就是那種你以為安全但其實暗藏玄機的小波動。唔，只能靠時間堆積起來的追蹤與細節梳理，才能比較清楚地看到AI系統在真實流程裡遇到哪些瓶頸，也許偶爾會找到它們少見但關鍵的優勢吧。
「我們一開始也以為，設備升級後只要把AI導入就能順利運作，結果現場反而出現不少溝通落差。」鴻海在內部培訓時這麼形容。唉，其實我有點懂那種無奈。明明本來想說：技術上線，應該輕鬆愉快吧？嗯，完全不是這麼回事。 事實上，他們採取的做法，是讓工程師和操作員輪流參與跨部門小組，由各單位把遇到的異常案例拉出來討論。有點像，每隔幾週臨時湊個診斷會議，本來以為會很有效率，但其實也挺混亂的……欸，我剛剛是不是有點跑題？好啦回來。這樣的模式下，有些情境還是防不勝防——即使機器預警得很及時，如果現場人員對系統判讀邏輯不夠熟悉，問題依然容易被忽略掉，你說到底是誰的責任啊？ 至於廣達，他們則傾向先從一兩條產線下手做短期試點，把流程細節、回報方式逐步優化，等大家習慣新工具後，再慢慢擴展規模。嗯，有沒有覺得比較溫和？老實說，大概只有這種累積經驗、小範圍調整的方式，中小型廠商才吃得消。一次只針對特定流程調整，比起強行要求所有人照單全收，好像彈性大了不少，也減少現場阻力吧。我每次聽到「全面推動」四個字就頭痛，不知道你是不是也是……
現場主管每天要煩的事情，其實不只什麼技術升級，反而是資料卡在部門之間過不去、或者人手根本不夠專業，這些老掉牙的問題才是真的頭痛。欸，像鴻海還有廣達這些大公司，人家會安排跨單位協作會議，感覺好像很複雜，其實就是輪流主責，然後明明白白指派一個溝通窗口。嗯，每隔一兩週就檢查一次資訊到底有沒有順利流動、大家的反饋到底有沒有用。有人覺得麻煩，可是沒辦法。 順帶一提，有關數據素養，他們也不是搞什麼高大上的訓練，大多是在班組例會裡穿插一些小案例教學，再請工程師下來和現場的同仁拆解流程重點。有時候我想，不知道是不是每個人都真的聽得懂，不過流程就這樣跑啦。 然後AI系統導入以後，欸，要是哪天它又判錯了（其實滿常見…），建議乾脆把人工複驗結果、機台維修日誌跟換線紀錄全部記下來，也許有點囉嗦，但之後交叉比對才查得出到底是哪裡出包。嗯，有時我自己都懶得記，可是這種事少不了。 另外啊，在還只是小規模試點的時候，其實不用太急著全面推開，大致上可以用七十多件產品隨機抽檢的方式，比較不同流程下的不良率變化，再按照收到的意見慢慢改SOP內容。有朋友問我會不會拖太久？唉，不急啦，穩穩地比較安全。 最後還是那句老話，就算碰上有人抗拒或流程卡死，只要溝通管道真的開著、回饋夠快，其實爭議跟資源損耗都能壓低一點點。自動化改善這東西嘛，本來就只能慢慢來。我有時候也很想快點看到成果，但人生哪那麼簡單，好吧。
★ 幫助台灣製造業團隊系統化規劃AI導入，減少踩雷與資源浪費 1. 盤點現場數據來源，至少確保80%關鍵製程資料可即時取得 資料斷層會讓AI模型訓練失真，導致預測效果不如預期 2. 設立跨部門討論小組，每月召集一線操作、管理、IT人員共同檢視流程 減少SOP與實務落差，早期發現現場阻力與執行瓶頸 3. 針對AI導入初期，選定單一產線、持續追蹤7天以上數據變化 短期成效易受波動誤導，長期追蹤才能看見真實改善幅度 4. 列出現有資訊系統介面，檢查有無資料孤島或API串接障礙 資訊整合不暢，AI無法發揮最大效益，易重工或浪費人力