產業AI 應用案例: 整合AI生態技術與治理機制打造新產品導入工程平台

✎ 【景碩科技股份有限公司】顏景芳 資訊長    |   2026-11-10 

       過去的NPI工程存在三大作業瓶頸：1)工程資料分散多個系統 (如:工程數據分析系統EDA、製造資訊系統MES、文件管理系統DMS)，整合困難；2)製程判斷高度依賴個人經驗，缺乏一致標準；3)關鍵知識難以結構化，成功經驗無法跨產品與廠區複製。為解決上述工程作業瓶頸，我們嘗試建構一套結合AI 技術整合既有數位資產的平台決方案，定位於「由經驗導向轉型為可治理、可複製的工程決策輔助能力」的工程平台。拓展NPI工程平台升級為具備學習能力、可複製性與跨廠擴展能力的工程治理系統，支撐企業在高動態競爭環境下維持良率穩定、縮短導入時程並強化競爭優勢。

二、方法與實現內容

        我們架構新穎NPI工程平台以代理式AI (Agentic AI)為核心，結合領域數位雙生(Domain Twin)概念，使工程決策由人為經驗判斷轉為組織經驗數據驅動。整合過去數年所建立的數位資產，如: EDA工程良率分析診斷最佳實務(BKM)腳本、工程品質監控表報(Dashboard)、自動化機器學習(AutoML)在良率預測/最佳參數演算法腳本和巨量工程文件資料…。

        基於平台功能，透過「問題—分析—決策—執行」閉環作業，使AI和其他數位工具由單點工具升級為全流程整合的決策支援輔助系統。首先，在「資料整合」階段，透過流程機器人(RPA)與數據中台整併MES與試產數據，有效降低人工數據處理負擔。其次，在「分析與預測」階段導入AutoML，進行首件參數與良率預測，並結合製程異常判讀，回推關鍵參數，使製程由事後修正轉為事前預防。第三，在「模擬推演」階段，透過Domain Twin進行情境分析，使經驗轉為可驗證模型；第四，在「決策協同」階段，透過檢索增強生成(RAG)與件樣品檢驗報告(FAI) Agent整合知識與報告產生，使NPI工程師在日常工作中聚焦於數據檢討與擬定改善對策，而非投入大量時間在資料收集整理。

       本專案亦建立多元AI應用場域：在製程面，以AutoML進行製程異常預測與要因分析；在知識領域面，透過RAG與智能助手加速問題解析；在品保面，導入AI客訴分析工具提升資料整理效率，形成跨領域應用體系。最後，在「閉環治理」階段，系統將決策結果回饋至模型與知識機制，形成持續優化之工程閉環，使知識得以積累未來將可在導入量產後提供後續持續工程改善與精進基礎。

三、資料治理、資安與風險管理

       機敏資料保護和AI技術風險控制必需同步設計進來，透過資料治理、資安防護與風險控管三大機制，建立「可追溯、可控管、可持續」之資安治理基石。核心原則為「治理先行」，採用人機迴圈(Human-in-the-loop)監管模式，使AI負責分析與預測，工程專家負責關鍵決策與最終核定，兼顧效率與風險。資料治理方面，針對NPI多源異質資料，建立「資料源頭即治理」機制，於資料進入平台前完成品質檢核，確保數據一致性與可用性。所有分析與決策均保留資料來源、模型版本與決策依據，使流程具備高度可追溯性（Traceability）。在決策治理上，系統透過人機協作機制進行控管，當模型信心不足或出現異常時，自動標示並啟動人工覆核；同時持續監控模型準確度，一旦偏差上升即觸發再訓練流程，確保決策具備可控管性（Controllability）與穩定性。

       資安治理方面，以國際標準ISO/IEC 27001資安認證運作體系，和專業資安管理人員組成資安治理團隊。一開始就將資安納入AI決策治理體系，確保分析、決策與資料全流程可控。採「資料不外流」原則，AI模型皆部署於企業內網，對外資料均進行去識別處理，並透過最小權限與分層存取機制，明確界定資料邊界，確保核心know-how安全。

       在風險管理方面，採資料層、模型層與應用層之分層架構，並具備回退機制，使AI異常時產線仍可維持正常運作。透過使用歷程(usage log)與模型監控，定期檢視準確度與異常行為，強化系統可持續性（Sustainability）。

四、初步成效

       本工程平台已在前期運行專案(pilot run)導入使用，初步成果可歸納為品質、效率、成本與決策四大面向。在品質構面上，收闡試作首件命中率可由30%提升至60%，良率提升3%～8%；在作業效率方面，分析準備時間縮短45%，工程決策反應時間降低30%；導入RAG後，文件查詢與問題解析時間下降50%～80%，並透過Copilot使報告產生與流程效率提升30%～60%，顯著降低人工負擔。

       成本效益上，NPI工程導入的成本約略降低5~10%；在決策面，AI agent提供工程彙整分析資訊協助決策時間縮短30%；跨部門協作效率提升40%，新人上手時間縮短35%，強化知識傳承能力。

五、結語

       NPI工程牽涉研發、製程、品保與生產等不同單位協同作，過去工程、品質相關資料散落在不同系統，整合不易，成功經驗也難以複製。透過本項目實作，驗證能藉由建構一個工程決策中樞平台，整合原本分散的資料、分析、預測、知識與決策流程，讓工程運作從「靠人找資料、憑經驗判斷」，逐步轉向以共同數據為基礎的協同決策的有效率運作模式。

       這項目已經導入獲得初步成效，我們認為這只是改變NPI運作流程的起始，未來全面導入將能創造組織更大價值並締造在產業競爭優勢；NPI工程平台概念除了應用在NPI工程作業外，我們認為尚可推廣至客戶與供應夥伴生態鏈，這也是我們長期規畫推廣目標。

參考資料

1. 林金榮, 2026, 2026 CES觀察: AI 發展的三大趨勢,台灣經濟研究院, https://vos.tier.org.tw/Viewpoint03More.aspx?DGUID=e6603fdc-05e9-45b6-9ad1-2d944deda583

2. 陳安誼/林飛龍,2026, Agentic AI在研發場域的應用趨勢, 資策會MIC/ ITIS智網, https://www.itis.org.tw/NetReport_Detail.aspx?rpno=75317970

3. 台灣電路板協會(TPCA), AI驅動高階載板升級2026全球載板產值增幅3成, https://www.tpca.org.tw/web/news_detail.php?menu_no=182&mod_no=5&news_no=500440

4. 台灣電路板協會(TPCA),113 年度專案計畫執行成果報告:臺灣高階 PCB 技術藍圖報告, https://www.tpca.org.tw

5. 《哈佛商業評論》, https://www.hbrtaiwan.com/article/25222/2026-dingge-awards

6. SEMI半導體資訊安全 , https://www.semi.org/zh/products-services/semitwn-semiconductor-cybersecurity-service

7. ISO/IEC 27001:2022, https://www.iso.org/standard/27001