趨勢觀察／企業AI + IoT 建構新商業模式

英國經濟學人智庫指出，新冠疫情加速區域供應鏈的發展，逆轉全球化。對應國內不少科技或傳產業者回流遷廠，甚至布局智慧工廠，全球大數據分析領導者——SAS台灣業務顧問部副總陳新銓表示，隨著5G與去全球化到來，物聯網已是製造業的必須投資，若想從中獲取價值，關鍵取決能否整合人工智慧。

陳新銓說明，IoT與AI的關係就好比感官與大腦：AI若是沒有連結IoT，就像大腦沒有感官來蒐集周遭資訊；反之IoT如果沒有搭配AI運算，就像是感官沒有辦法通達大腦來做反應。

簡言之，人工智能聯網（AIoT）結合人工智慧（AI）與物聯網（IoT）兩大技術，AIoT除了能協助製造業改善良率、優化作業流程與營運效率，還能為企業作出更好的預測，甚至發展出新的商業模式。

IDC調查顯示，53%的IoT專案在整合AI技術後提升20%的效益。《富比士》也預期導入AIoT企業到了2035年平均可提升38%獲利能力。結合AI與IoT成為AIoT，已被認為可取得革命性的效益。

建立管理平台 消除痛點

然而，陳新銓也以SAS實務經驗，指出國內製造業現階段導入AIoT所面臨痛點：

一、資料量儲存成本高，現行監測效率不彰：IoT往往建置大量感測器，單一感測器每秒能產生上萬筆數據，儲存物聯網數據的成本驚人，且多數數據可能缺乏分析價值。業界常見作法是固定時間取樣，或針對數筆資料取平均值，但如此無法反應細微製程變化的真實問題，導致資料蒐集效益低落。

二、業態差異大且製程複雜，數據分析人力難支應：製造業的業態差異極大，即便在同公司，不同產線或製程也存在差異，某製程的關鍵參數在另一製程不見得重要。業內苦於缺乏可立即上手的數據分析人才，同時具備工程知識及數據分析的人才更是稀缺。

三、讓AI模型導入營運環境的時程過長：製造業重視品質控制，些微良率變化可能是千萬以上損失，因此讓AI模型導入營運環境的生命週期，要遠小於產品從投料到出貨的時間。

一般而言，AI模型部署到生產環境的時間平均約三個月，若產品製程時間是一個月，讓此模型做品質判斷或設備預警的風險就會很高。

陳新銓提及，要解決以上痛點，關鍵在建立一個端到端的敏捷式AI管理平台，「自動化」各類資料。像在資料準備階段可利用演算法偵測資料型態；到分析階段可讓自動化機器學習（AutoML），替產線工程師或製程專家省去自行寫程式、理解各方法論的時間，降低AI進入門檻。

智慧自動化 效能再進化

最後，再透過此平台，完成PDCA（Plan-Do-Check-Adjust）管理流程，讓AI模型從開發、部署到維運，能自主循環與前線生產流程整合。也就是讓工廠自動化再升級為「智慧自動化」——自動找出異常或調整建議，協助企業達到過往調校機器、升級設備所無法觸及的高度。

具有2,900項以上專利的美國建材大廠USG，過去為測試各類材料組合是否符合品質標準，需耗費大量人工與原料，且超過24小時才能完成。攜手SAS導入AI平台後，USG可根據預測結果超前調整製程參數，即使原料品質變動時，仍保有穩定高良率，能以最低價格、生產符合品質標準的產品。

全球醫療設備領導者西門子，每天需要監控超過15,000台如核磁共振，電腦斷層等設備，以降低客戶（醫療院所）設備故障給診療帶來的高度困擾。導入SAS AI後，目前已可提前五到十天預測設備故障，且預測準確率大於70%，達成預防性維護。

陳新銓建議，企業可從易達但具整體架構規畫的專案為AIoT試水溫，專案小有容錯空間，並可提高跨部門協作的意願。另外，一定要建立衡量指標追蹤AIoT計畫，也有助於促進與決策層級的對話。

AIoT營運化將是未來十年注定的趨勢。陳新銓強調，企業不必一步到位，但愈早投入者，將愈有韌性應對詭譎多變的局勢。