FLOW GLOBAL INC，［落地經驗談］陳維超：追根究底，才能找到AI的應用場景，2019 May 21
今年三月，陳維超到美國NVIDIA 開發者大會上演講，談的就是這一年多來，英業達如何運用Edge AI（終端人工智慧）做工業瑕疵檢測。智慧製造的主要應用有兩層：一，流程自動化，包括自動測檢、生產排程；二，預測性分析，如訂單預估、預防性保養。
在英業達，每個月出貨上百萬台筆記型電腦，外觀全部簡約有致，內部卻有各式各樣的配置。儘管在工廠製造時的測試多以自動化取代，但產品驗證仍然很吃人力又耗時，這樣的人力不好訓練，最痛的是，需要運用許多管理手段，才能達到品質的要求。
以筆電外觀檢測為例，英業達人工智慧中心透過自動光學檢測 (AOI)，讓攝影機學習像人一樣會判斷瑕疵，並且能即時挑出來。回憶這段開發過程，陳維超說，最難的不在讓機器學得像人，而是取得數據，包括其獨有性，以及能否自動產生、儲存和辨讀。
比方，「什麼叫做瑕疵？」、「哪裡最可能發生暇疵？」、「為什麼在某些地方容易發生？」
光是為了找出標準，陳維超與工廠的團隊就不曉得來回討論了多少次，只為找出品管員們對「瑕疵」的認定方式，再從中精確定義出能餵給檢測機器學習的影像資料。
原本多達15級的瑕疵分類，收歛到5級，每一級下都給予明確、具像的數量和定義。接著，瑕疵分類的定義系統連動到銷售端，在5級分類中得分比較低的筆電，就能以略低的價格，銷售到對品質相對不敏感的市場，緊密串連生產和銷售兩端，毫不浪費。這一點，對台灣製造業在全球競爭至關重要。
「有充足的乾淨數據，才能有準確的AI模型，這有點像蛋生雞、雞生蛋的因果矛盾，」陳維超回饋，專案執行很重視實際上線後的情況，因此很多時候要努力跨出第一步，才能找出模型欠缺的數據，並且不斷充實數據庫，讓AI應用逐漸發揮效益。
沒有留言:
張貼留言