主導AI的需求分析

       任何系統的導入，自然是從自身的需求分析開始。不過在這裡特別要強調的是，由誰來主導需求分析。  

       多數導入AI平台的專案負責人，首先要遇到的挑戰，就是本身現有的製程是否需要先進行調整，AI具體可以帶來的好處有哪些，需求和AI工具的功能的相容性分析。 等等！換句話說，就是認為可以被AI取代的線上工作，跟AI工具平台所提供的解決方案是否可以媒合成功！

       在傳統的工具平台的導入，更多的是由服務廠商的前期專案服務團隊來主導。  SAP, Salesforce 大多都是這樣的過程！

       然而在AI導入上， 最好可以考慮由公司內部人員來主導，規模比較大的公司，就可以組織一個跨部門的團隊。 這麼建議的原因是，AI工具本身大多是由擬人化的敘事和學習模型，加上公司內外的大數據模型組成。 AI工具廠商，在眾多而且不同的應用場景下，並不見得會具備第一手的製程經驗，甚至製程技術的關鍵內涵。 AI可以應用的工作，在還無法全自動化之前，很多都還是要靠公司內部生產線上的人員共同參與設計，同時搭配廠商的AI工具的人員，才有辦法設計出一個接近實際，而且可落地的AI自動化協作模型！

歷史數據的取得與模型化

       在很多AI導入的場景上，經常可以見到初期沒有得到成效的原因，是因為所建造的數據本身不能夠和AI的數據訓練模型相互匹配，所以需要經過多次的數據模型修正，才會得到預期的效果。這樣的過程，在微軟、ＩＢＭ等等大型公司的服務專案上，也是經常發生的！

失敗的案例 

       將AI導入製造業的一個著名失敗例子，就是特斯拉2017-2018年Model 3「超自動化」生產線的經驗。 

       特斯拉的過度自動化嘗試： 特斯拉試圖完全依賴AI自動化和機器人技術徹底改變 Model 3 的製造流程。 初始的想法是可以減少人力，透過AI快速提高產能。 執行長馬斯克設想了一個“完全自動化的工廠”，讓機器人幾乎完全取代生產過程所需要的人工。  

       然而，新的智能生產系統過度依賴AI，低估了所要執行的複雜任務，是需要更靈活性和更多智能設計來進行在線判斷的。對於當時的技術來說，機器人很難完成過於複雜或變化多端的任務，例如處理略有變化的零組件。 因此，這樣的設計出發點，反而是造成整個Model 3生產多次的延遲。 期初的超自動化概念，不但沒有增加產量，反而成為了生產的瓶頸。

      此外，過度自動化也使生產線的故障排除和維護變得更加複雜和困難。 當線上的問題發生時，還是必須由傳統人力進行干預。然而這些作業人員，沒有足夠的培訓或經驗，反而造成了更多衍生的問題。 最終，特斯拉不得不縮減自動化規模，並重新恢復由傳統作業人員來執行許多的生產任務。馬斯克本人也公開承認，“特斯拉的過度自動化是一個錯誤”，並且“人的功能被低估了”。 該公司甚至在工廠外的帳篷裡增設了一條手動生產線，以提高生產速度。 

關鍵經驗： 人與機器之間的協作平衡

      完全自動化的製程理念，不見得是最有效的解決或是導入的方案。相對的，由人和AI機器人共同協作的理念，也許效果更好。 導入的技術不適用，啟動之後，還會對所設計的生產線進行多次的修改，也會導致巨大的前期成本和時間的延遲。 特斯拉的經驗，凸顯了分析自身需求，仔細定位和評估AI自動化在應用場景的重要性，甚至需要考慮到AI導入後對於公司現有文化以及相關法規所造成的影響。換言之，人與AI系統的協作的設計理念，會具備更多在處理製程上的靈活性和可適應性，導入的過程，也更容易得到效果。

系統模擬 System Simulation

      如果我們從IE的領域來思考這個問題的話，最直接的解決方案之一就是透過“系統模擬“ 來進行前期的設計和測試。 系統模擬就是把本身的製程的電腦模型，寫成軟體系統建構出來。 在IE的系統模擬學當中的各項Modeling 的技術，特別是各個系統參數點輸入和輸出的部分，就可以應用在這個模擬的軟體系統當中。 原先製程當中的歷史數據，也可以在建置模擬系統的過程，開始整理和驗證。 這樣的模擬系統，可以不斷地，而且是低成本的進行新系統的模擬演練。 這樣的過程，雖然在前期需要多的投入，但是，這一個過程卻是一個極佳的全方位準備過程。從流程、參數設計、歷史數據的蒐集，更重要的是，所有內部人員的暖身培訓，所以各個部門，都可以提前具備與新的AI工具平台協作的準備！ 

人工智慧在製造業的案例

       先前有提到，人工智慧的當下最大採用者是工業製造業， 93% 的領導者表示他們的組織至少在適度使用人工智慧。

       製造商經常面臨不同的挑戰，例如意外的機械故障或有缺陷的產品交付。利用人工智慧和機器學習，製造商可以提高營運效率、推出新產品、客製化產品設計並規劃未來的財務行動，以推動數位轉型。

為什麼人工智慧在製造業中很重要？

根據統計：

• 超過一半的歐洲製造商（51%）正在實施人工智慧解決方案，日本（30%）和美國（28%）緊隨其後，位居第二和第三。

• 製造業中最受歡迎的 AI 使用案例包括將所有製造 AI 使用案例的維護提高 29%，將品質提高 27%。

• 製造業每年產生約 1,812 PB 的數據，超過了通訊、金融和零售等行業。

• 93% 的製造企業將人工智慧視為推動成長和創新的關鍵技術

• 然而，91% 的製造業人工智慧專案無論是在效益或投入的時間方面都沒有達到預期。

• 儘管如此，83% 的公司認為人工智慧已經或將會產生顯著影響，其中 27% 的公司看到了人工智慧專案的當前價值，56% 的公司預計未來 2-5 年會產生價值。

       這個趨勢是因為製造業的數據非常適合應用在人工智慧/ 機器學習上。

製造業充滿了數據，機器也更容易分析。數百個變量影響生產的各個過程，雖然人類很難分析這些變量，但機器學習模型卻可以輕鬆預測單一變量在如此複雜的情況下的影響。

        在另一方面，AI也有其限制。 在涉及語言或情感的其他行業中，AI機器的運作能力仍然低於人類的能力，也因此減慢了AI技術被採用的速度。

        COVID-19大流行之後所造成的人為衝擊，在亞洲更有人口老化的疑慮，因此增加了製造商對人工智慧應用的興趣。正如下面的Google趨勢圖所示，封鎖造成的恐慌可能迫使製造商將注意力轉向人工智慧。

現實生活中的例子

        羅爾斯·羅伊斯利用數位孿生與人工智慧相結合來增強預測性維護，使首次拆卸發動機之前的時間縮短了 48%，從而提高了飛機維護效率。

產品開發

        製造商可以在製造產品的實體對應物之前使用數位孿生。該應用程式使企業能夠從數位孿生收集數據，並根據數據改進原始產品。

實用案例

        輝瑞利用人工智慧，在短短 4 個月內設計了 Covid-19 藥物 Paxlovid，將計算時間減少了 80-90%，展示了人工智慧在加速藥物發現方面的潛力。

生產績效改進

        數位孿生可用於監控和分析生產過程，以確定哪裡可能出現品質問題或產品性能低於預期。

實用案例

        Nvidia 使用 AI 來簡化複雜矽晶片的設計，在短短 3 小時內優化了 270 萬個單元和 320 個宏的佈局，大大加快了設計流程並增強了對成本和性能的控制。

物流優化

        數位孿生使製造商能夠清楚地了解所使用的材料，並提供自動化補貨流程的機會。 特別是生成式人工智慧，為應對這些挑戰提供了有前景的解決方案。透過利用生成式人工智慧的力量，供應鏈專業人員可以分析大量歷史數據，產生有價值的訊息，並生成更好的決策過程和結果。

        微軟宣布去年推出 Microsoft Dynamics 365 Copilot，這是一款整合到 CRM 和 ERP 系統中的人工智慧驅動助理。 Microsoft 供應鏈中心的 Copilot 有一個“新聞模型”，該模型收集可能影響供應鏈的所有與供應商相關的新聞，例如自然災害和地緣政治局勢。 收到通知後，供應鏈管理人員可以使用 Azure OpenAI 服務向供應商發送 AI 產生的有針對性的電子郵件。這是生成式人工智慧系統首次直接應用於供應鏈營運。圖 1 展示了此助手的工作原理，代表了供應鏈視覺性的顯著進步。

        以下四步驟流程概述供應商如何透過Microsoft  Copilot 的新聞報導訊息的整合，辨識出可能造成的災害，而造成運輸中斷，自動所產生的送貨批次調整的電子郵件！ 如下圖所示：

1. 1. 把可能影響送貨的供應商，配對到相關AI整合的地區性新聞訊息平台，和客製化 的Copilot 人工智慧模型，提供給營運管理人員。

   2. 管理人員透過所選取的供應商，和他們希望透過電子郵件發送的訊息類型（例如，確認對訂單的影響等）讓AI進行聯繫內容的生成。

   3. Copilot 收集相關上下文資料並呼叫 Azure Open AI (GPT 3.5) 進行內部處理。 作為 Microsoft 對 Responsible AI 承諾的一部分，任何產生的溝通訊息，都會在傳回給使用者之前經過一系列的檢視。這些檢查包括一系列相關性，以確保訊息切中主題，進行內容審核，以檢測任何有害、有爭議或敏感的內容。儘管它們無法完全取代人工審查，但此類護欄有助於確保透過 Copilot 進行的通訊品質。

   4. 生成電子郵件草稿。