製造業的 AI：資料導向文化的關鍵
工業 4.0 轉型展開之際，製造商必須營造資料導向的文化。連線的裝置越來越多，配備感應器的裝置也日益增加，等待揭露的寶貴資料隨之大量湧入。然而，為了妥善收集、儲存及分析推動企業決策的資料，人工智慧（AI）與機器學習（ML）模型是關鍵。
不過遺憾的是，開發後將模型整合至生產與整體作業，可能是件複雜的工作。首先，未必人人都具備在工作流程應用進階模型的知識與技能組合，因此使用者不得不等待資料科學小組為他們分析及解釋資料。
前提是，公司內部有資料科學家。許多中小型製造商並未聘僱資料科學家，反而是仰賴 AI 技術供應商為他們提供需要的新功能，過程耗時，可能歷時長達一年之久。
如果能夠取得技能與工具的員工更多，製造商便可開始迅速增加產品與功能，或者甚至是減少能耗。
至少杰倫智能正是秉持這個想法，這家台灣公司正設法利用自家的 Auto ML 解決方案，在製造業將 AI 普及化，因為這個解決方案的設計，能夠讓訓練 ML 模型就像建立 Excel 工作表一樣容易。
「我們提供三小時的訓練課程，教導使用者可以開始應用到日常工作的基本功能。」虛擬資料科學家公司杰倫智能的業務開發總監 Marc Wu 表示。
善用數位資料
杰倫智能的 Auto ML 是沒有程式碼的 AI 平台，專為快速模型開發而設計。該公司整合 Intel® 發行版 OpenVINO™ 工具組，加快運算速度。這樣一來，中小型公司的網域使用者無須資料科學小組協助，即可利用這個平台。若為聘有資料科學家的大公司，平台則可充當另一名團隊成員。
「網域使用者想解決問題時，他們依舊會收集資料，然後上傳至平台。我們的平台會自動計算資料，執行若干資料清理與建模，接著在比較模型之後，找出最佳模型。」Wu 表示。
這個過程類似於與資料科學家合作的過程。「然而，差異在於網域使用者可以自行完成。」他表示。
Wu 表示，速度是杰倫智能平台的一大優勢。「如果您必須將專案交給資料團隊，傳統方式通常需要大約兩至三個月才能收到結果。透過我們的平台，通常需要一週左右。」他解釋到。
如果製造商想發表新產品，研發小組可將資料輸入模型，判斷最佳生產參數。公司若採用傳統方式，很可能會進行試運轉。Wu 表示，有了 Auto ML，公司可以在實際測試運轉前執行模擬，節省大量的時間與費用。
該公司已經協助各式各樣的工廠，利用製造資料以及耗電量這方面的作業資料建立模型。
舉例來說，玻璃物品製造商利用 Auto ML 打入醫療裝置市場。印刷電路板（PCB）製造商能夠儘量減少電鍍時使用的黃金數量。另一家公司則是提高了非尖峰時段的產能，讓每個月的能源帳單減少 30,000 美元。
進入新市場
製造商使用 Auto ML 的一大優勢，就是速度更快。就玻璃製造的情況而言，該公司收到為醫療裝置製作玻璃零件的提案後，利用這個解決方案，很快便可測試參數，然後準備回應方式。
「由於他們的回應速度極快，因此成功地從這家新醫療裝置客戶獲得了訂單。」Wu 表示。該公司於是打進了醫療裝置業。
Wu 表示，這種結果讓杰倫智能在 AI 供應商中脫穎而出，因為其他供應商的產品是以資料科學家為目標。他表示：「我們認為 AI 應該是一種應用程式技術，而非僅由少數人擁有的超高階技術，因此我們的產品是專為目標網域使用者所設計。」
杰倫智能為 10 家不同的製造工廠開發了 120 多款 AI 應用程式，提供的「隨裝即用應用程式」能夠充當客戶的 AI 範本使用，Wu 表示。
對於實作 AI 時不知道該從何下手的客戶來說，這種應用程式幫了大忙，Wu 解釋道。應用程式可供下載，而且杰倫智能還提供逐步教學課程與範本資料集。
「客戶看到資料集時，立即就能瞭解如何利用平台進行，以及如何自行收集資料。」Wu 表示。
將 AI 進一步應用在製造業
杰倫智能為了改善平台，持續傾聽客戶的意見回饋。某客戶要求獲得它建立的模型的行動存取權，這樣現場使用者便可使用該模型。
「我們確實建立了這項功能，並且將它加入產品。」Wu 表示。「舉例來說，現在製程工程師可以訓練這個模型，然後實際上由本地操作員使用行動裝置即可執行。」
Wu 表示，Intel OpenVINO 整合至 Auto ML，有助於讓產品更上層樓。「我們認為這個做法可為客戶創造更棒的使用體驗。」Wu 表示。他表示，最新一代的 Auto ML，推論速度增快高達 100%。
最終目標就是讓普通使用者可輕鬆取得 AI，使 AI 在製造業無所不在。Wu 希望，如果公司實現這個目標，在適當的時候，訓練資料模型就會變得跟建立 Excel 工作表一樣稀鬆平常。