AI 帶來的商業影響正在顯著改變企業的價值創造方式。由 TechOrange 科技報橘舉辦的「2024 AI 智慧大工廠」系列論壇，近日特別前進台灣工具機產業重鎮台中，深入探討如何以 AI 為製造業開創生產效能巔峰，並精準掌握 AI 時代的新商機。在這場論壇中，SAS Taiwan 副總經理陳新銓以「智慧製造 x AI 分析：開創異常檢測、預測性維護與減碳效益」為題，詳盡分析製造業 AI 轉型的趨勢與案例。
AI 實際落地進入企業營運流程的趨勢已不可逆。陳新銓引用 IDC 調查報告，說明 2026 年 50% 的全球大型製造業將會把營運系統與生成式 AI 整合，並透過加速錨定問題與提供即時資訊，藉此提升 5% 效率。此外，透過 AI 提升產線效能的趨勢也很明顯，IDC 報告也指出 2028 年將 AI／ML 整合到產線中的機器人與自動化流程比例預計將增加 30%，並可以成功減少 10% 停機時間。
雖然 AI 趨勢看似前途光明，但陳新銓也分析目前企業導入 AI 的過程中，仍會遇見資料散落在不同系統、數據量龐大難以整合、AI 分析結果不一定被業務單位採用、看不清楚的 AI 模型分析黑箱、無法有效管理與調校眾多模型、資料科學家的養成與留任等常見挑戰。然而，發展 AI 不必一步登天，如果企業希望執行長期的 AI 專案與計畫、以自動化方式輔助決策流程，陳新銓認為企業首先要檢視公司內部的傳統基礎分析和報表是否已經準備就緒，以及數據是否已經被完整蒐集，因為企業必須先完成底層基礎的「資料下水道工程」後，才能進一步採取更進階的 AI 分析和優化以提升商業成效。
從實際企業案例，看 AI 在良率檢測、節能減碳與預測性維護帶來的具體效益
陳新銓舉例，SAS 可以透過 AI 預測模型與深度學習技術協助半導體業者在成千上萬參數中，找到影響 0.5% 良率的可能異常原因與特定參數。另一方面，SAS 也可以運用自動化技術，協助 IT 人員與工程師輕鬆透過拖拉點選的方式，幫助企業進行資料彙整與剖析，接著再透過 AI 生成解釋和數據分析了解哪些重要參數會影響良率，第三步則是借力更詳盡的自動化機器學習分析並選擇最適模型與調校參數，最後一步則是將完成的分析模型輕鬆部署到前端的作業系統上，以達到提升產能和優化良率的效益。
除了進化良率之外，AI 在預測設備維護與預警上也能帶來顯著效益。例如台灣某電子光電廠便透過 SAS 的協助建立設備維護預測模型，讓相關人員在設備故障前就會收到告警，為維修人員爭取足夠時間。此外，SAS 也透過 AIoT 技術蒐集廠內冰水主機數據，目的是透過模型建置獲得即時數據，並針對不同溫度自動調整參數，以達到溫度和參數設置最佳化，實現節能減碳的目標。
國際上也有應用 AIoT 技術轉變商業模式與服務的案例。陳新銓以西門子醫療設備為例，說明出廠的每一台 MRI 掃描診斷機器皆裝有傳感器，讓維修人員可以透過雲端平台即時蒐集機台上的關鍵數據，以此得知設備可能出現的問題並提前安排巡檢和維修。透過這樣的技術，西門子醫療設備從被動解決客戶問題轉變為主動協助客戶處理問題的模式，達到降低 36% 設備停機時間、提高客戶滿意度和設備運行效率的具體成果。
進行資料分析的最終目的是輔助決策，企業需要「決策式 AI」來增進商業價值
除了應用 AIoT 技術轉變商業模式與服務的國際案例，陳新銓也分享目前國際企業使用生成式 AI 優化營運效率的實例。像是全球最大食品製造商就透過生成式 AI 對話式服務，讓庫存規劃人員可以透過對話視窗直接與 AI 互動，並利用 AI 即時彙整資料，進一步針對庫存做精準判斷後產出表格與文字結果，供調度人員完成相關報告。
藉由以上案例可以了解，企業在制定 AI 發展策略時，如何確定 AI 目標與應用場景非常重要，其中最關鍵的因素就是組織人員、科技和生態系統的緊密協作。陳新銓強調，SAS 可以協助企業將資料、模型和決策自動化，並透過直觀且簡易操作的模組協助工作者從數據挖掘洞見，同時加速組織決策時間。最後，陳新銓也提醒所有企業，進行資料分析的最終目的是輔助決策，企業需要「可信賴的 AI」與「決策式 AI」來增進商業價值、提升營運效率，並且在企業加強對 AI 模型的風險監管和審查基礎上，確保 AI 應用的安全性與可靠性，才能助力企業在決策中更具信心，進一步在創造新價值的道路上迎向更寬廣的未來。
