AI 賦能的 IEM 課程發展方向
✎【中國工業工程學會】范書愷 理事長、
【中國工業工程學會】林真如 副秘書長 | 2026-11-10
【中國工業工程學會】林真如 副秘書長 | 2026-11-10
AI 賦能的 IEM 課程發展方向
范書愷 理事長
中國工業工程學會理事長
國立臺北科技大學管理學院院長
林真如 副秘書長
中國工業工程學會副秘書長
元智大學工業工程與管理學系教授
一、IEM 課程現況與轉變
在臺灣,工業工程與管理(Industrial Engineering and Management, IEM)相關科系的大學部必修課程,大致可分為「基本學科」與「專業學科」兩大類。「基本學科」包含基礎數學(例如微積分、線性代數與工程數學等)、機率與統計、資訊課程(例如計算機概論、程式設計、網路資訊應用與網頁設計等),以及商學課程(例如管理學、經濟與會計等);「專業學科」則包含工業工程概論、工程圖學與製造程序、生產與品質管理、作業研究及人因工程等。此外,工作研究與設施規劃等傳統 IEM 專業課程,在不同學校可能列為必修或選修;少數學校也將創意思考與倫理列為必修課。各校的課程規劃因此各具特色。
隨著人工智慧(Artificial Intelligence, AI)技術及其應用快速發展,IEM 課程也逐漸納入 AI 相關內容。例如,元智大學工管系將大一「資訊概論」課程更新為「資訊與人工智慧概論」,教學內容涵蓋計算機概論、資訊技術、網路概論、資訊系統及人工智慧的基礎概念,並進一步介紹神經網路、生成式 AI 與大語言模型,培養學生修習資訊科技及人工智慧相關課程的能力與興趣。國內多所大專院校也開設機器學習及 AI 進階課程,供學生選修。
國際上,IEM 相關科系也逐漸將機器學習納入課程。史丹佛大學管理科學與工程系的必修課程包含「Introduction to Optimization: Data Science」,專業領域選修則提供「Applied Causal Inference with Machine Learning and AI」、「Machine Learning for Discrete Optimization」、「Reinforcement Learning: Behaviors and Applications」及「Machine Learning for Algorithmic Trading」等課程。香港大學數據與系統工程學系將「Machine Learning and Applications」列為進階專業核心必修課程;新加坡國立大學工業系統工程與管理學系則將「Introduction to Machine Learning」列為院共同課程,並提供「Machine Learning for Industrial Engineering」及「Practical Deep Learning Methods for Decision Making」等 AI 相關選修課程。Purdue University 自 2026 年起將 AI 素養融入現有課程,要求畢業生具備「人工智慧應用能力」(AI Working Competency),反映高等教育持續轉變的趨勢。
從上述課程發展趨勢可以看出,AI 已不再只是新增的技術課程,而是逐漸與 IEM 的專業知識、方法及應用情境相互結合,成為工業工程與管理人才培育的重要能力。對 IEM 教育而言,值得思考的不只是是否開設 AI 課程,更重要的是如何有系統地結合 AI 與 IEM 專業,讓學生能運用 AI 解決工業工程與管理問題,並具備因應未來職場需求的能力。
二、IEM Intelligence
為推動 IEM 科系的永續發展與人才培育,中國工業工程學會理事長范書愷教授提出「IEM 智慧」(IEM Intelligence, IEMI)的理念。IEMI 的核心概念,是以人工智慧,特別是生成式人工智慧,作為整體生態平台,建構工業工程與管理的知識體系、方法論及應用場景,進而實現智能決策、自主系統設計與跨域協同創新。IEMI 不僅是工具使用方式的革新,也涉及知識生成、系統設計及組織運作邏輯的轉變。
IEMI 以 AI 作為新的生態平台,進一步擴展 IEM 的專業能力與應用範圍。基於此理念,范理事長提出五個 AI 模組:
(1) 智能問題建模模組:
將產業問題轉換為 AI 能夠理解的任務,作為知識生產引擎(Knowledge Generation Engine)。運用生成式 AI 進行知識建模、流程再設計、策略模擬與假設推演,將複雜的系統問題轉化為 AI 模型可探索並產生潛在解方的問題空間。例如,應用大型語言模型(LLM)分析供應鏈風險,並生成多元的應變策略與情境。
(2) 生成式系統設計模組:
運用生成模型進行流程與系統設計,作為系統設計夥伴(Generative System Designer)。AI 的參與不應只停留在參數調整,也可以延伸至系統設計的初期階段,包括產線設計、資源配置、作業流程定義與最佳化等。透過建構「生成式數位孿生」(Generative Digital Twin),進行快速原型設計與反覆驗證。例如,利用生成模型設計新型智慧工廠的布局與作業流程。
(3) 決策協作模組:
促進跨部門決策共構與模擬,作為協同決策平台(Collaborative Intelligence Platform)。生成式 AI 能協助工程師、管理者及顧客等不同角色建立共同的語意理解,並共同釐清問題;再結合人機共創(Human-AI co-creation),提升決策的透明度與包容性。例如,透過 AI 模擬不同產線配置,再由跨部門團隊共同評估並選擇合適方案。
(4) 動態學習與適應模組:
依據情境變化調整策略與流程,形成動態演化或調適的生態系統(Adaptive Ecosystem)。運用 AI 進行環境監測、廠務監控、市場情境模擬與風險調適,使工業工程系統具備自我學習、適應與演進的能力。例如,在製造系統中整合 LLM 與強化學習,自動調整供應鏈政策,以因應外部環境變化。
(5) 智能體(AI Agent)工作流程設計與執行模組:
整合並串聯前述四項核心能力,作為自主中樞或調度與執行引擎(Agentic Orchestration Engine)。運用多智能體系統(Multi-Agent Systems, MAS),整合問題建模、生成式設計、決策協作與動態適應等能力,形成具備規劃、推論、工具調用及自主執行能力的端到端(End-to-End)智能工作流程。此模組負責將複雜的工業工程任務自動拆解、派發與執行,並檢驗執行結果。例如,工廠發生設備異常時,系統可啟動不同專長的 Agent,進行影響診斷、重新安排生產排程、提出調整建議並監控現場狀況,串接故障警示、維修及後續追蹤流程。
三、IEMI 教學生態系
IEMI 教育的目標,是培養具備跨領域整合能力的人才,使學生既了解系統生產邏輯與供應鏈流程,也具備資料科學能力,能運用資訊與營運技術輔助決策。IEMI 的課程設計理念為「AI 賦能的工業工程與管理」,將 AI 技術、資料科學方法與工程設計思維融入 IEM 核心課程,並以既有 IEM 專業為基礎,提升系統自主學習、即時判斷與動態優化的能力。
▲圖1 IEMI 教學生態系
在 IEMI 教學生態系中(圖 1),學生、教師與系所透過校園、線上教學平台及實習等場域中的課程與活動相互連結,並運用 AI 輔助教學與學習。此教學生態系以 IEM 專業為基礎,涵蓋系統設計思維、資訊、人因、生產與品質管理、最佳化、決策科學及服務系統等領域。圖 1 以 IEMI 為核心,將既有 IEM 專業知識延伸為五個 AI 模組,形成 AI 賦能的課程架構,並建立專業知識與 AI 能力之間的連結。表 1 以製造系統為例,說明五個 AI 模組與 IEM 課程的對應關係。至於服務系統、數位轉型及永續管理等領域,則可依各校發展特色與產業需求延伸規劃,培育兼具問題解決能力、IEM 專業素養與 AI 應用能力的人才。
▲表1. AI 模組與對應課程(以製造系統應用情境為例)
IEMI 課程架構仍應以 IEM 專業為核心,在教授原有專業知識的同時,逐步融入 AI 技術與應用。各校可在保有自身特色與師資專長的前提下,從以下三個層面規劃課程:(1) 將 AI 議題融入既有課程;(2) 開設 AI 相關課程;(3) 調整課程定位。
(1) AI 議題融入既有課程:
在既有專業課程中,可安排數週的特定主題,帶入 AI 技術的應用實例。例如,生產管理課程可探討預測性維護與智能排程,利用感測數據及機器學習模型預測機台可靠度,並動態調整生產排程;品質管理課程可介紹 AI 視覺檢測與異常診斷,說明電腦視覺如何應用於產品瑕疵檢測,以及如何透過參數最佳化提升良率;作業研究課程可結合資料科學與作業研究演算法,設計先預測、再最佳化的應用情境;設施規劃課程可從智慧倉儲與路徑最佳化等議題,介紹強化學習在動態揀貨路徑規劃上的應用;人因工程課程則可運用 AI 分析使用者行為資料,改善介面設計與工作站規劃。教師可結合自身教學經驗與研究專長,帶領學生認識相關新知與應用。
(2) 開設 AI 相關課程:
課程可從入門的資料科學與分析,延伸至系統層級的人機系統分析、智慧製造、智能體作業管理(Agent Operations Management),以及特定領域的應用課程,例如 AI 在供應鏈與物流上的應用、資料導向決策分析等。
(3) 調整課程定位:
例如,將機器學習概論列為必修課、設立「智慧工業工程」學程,或規劃 AI 相關課程模組。不過,這類調整涉及畢業學分及整體課程架構,各校仍應依自身發展重點評估,未必適用於所有學校。
IEMI 希望推動的是讓 IEM 既有的專業能力,包括系統思考、問題分析、流程改善、最佳化、決策與人機協作等,與 AI 技術進一步結合。透過將 AI 技術逐步融入 IEM 的知識體系與教學場景,使學生面對未來產業問題時,不僅能運用 IEM 專業建立與分析問題,也能善用 AI 工具、理解分析結果並判斷其合理性,進而將所學應用於實際場域。
IEM 的核心專業不會因此消失,而是有機會持續發展與升級。IEMI 不再只著重於流程優化技術的學習,也將朝向能夠自我生成、解釋、協同與演化的智慧學科發展。這需要整合 IEM 與 AI 技術、創新方法論,並建立倫理設計、治理機制及跨領域研究基礎,讓 IEM 朝具備智慧感知、自主決策、動態優化與人機協作能力的方向發展。