隨著物聯網(Internet of Things, IoTs)技術與感測器(Sensor)數量的提升，大量的生產歷史數據、設備感測數據得以被紀錄。除了需快速的存取龐大的生產歷史數據，應用大數據分析(Big Data Analytics)與機器學習(Machine Learning)等以數據驅動(Data-driven)的資料科學方法，進而從大量數據中識別得到樣型以及規律，建立預測分析模型，提供產品良率提升、產線產出增加、生產成本降低所需之參考資訊，已成為智慧製造領域重要的發展趨勢(Tao et al. 2018; Wang et al. 2018)。

當智慧製造改變產業型態，使得規模經濟逐漸不再是主要的生產方式，更多的大量客製化生產方式因應而生。面臨生產少量多樣化趨勢的挑戰，僅依賴過去專家經驗的改善與解決方式逐漸無法滿足不同應用需求。以感測資料的分析與建立設備異常偵測模型為例，包含以實體為基礎(Physical-based)的方法或者以數據驅動為主的方法。其中以實體為基礎的方法主要根據實際設備的反應，根據選定的關鍵特徵(Feature)，建立其偵測(Detection)、診斷(Diagnosis)、預測(Prediction)的模型。然而，以實體為基礎的方法缺點在於需要製程的物理背景知識，因此，如何建立完整且正確的實體模型是其中的關鍵。然而，受到先進製造機台設備的複雜設計，其物理或化學反應也不盡相同，當製程參數設定改變環境時，往往難以從大量感測資料中找到重要的特徵，造成容易誤判或漏檢。然而數據驅動為主的方法則提供另外一種方式建立異常偵測模型。

智慧製造目前的應用仰賴的是更多完整數據的蒐集，以及應用大數據分析與機器學習等方法建立檢測、診斷、預測或預診斷(Prognostic)模型，以確保產品品質、設備運轉以及營運規劃的正常，如圖1所示，資料科學於智慧製造的應用可從設計、產品品質管制、設備維護、製程監控、製程最佳化、物流分配等。例如在生產過程中，利用自動光學檢測(Automatic Optical Inspection, AOI)與人工智慧技術快速對產品表面或外觀進行檢測，再結合生產設備的參數、產品設計相關參數、量測品質相關數據，建立產品瑕疵偵測與診斷模型，當發生異常時不僅能及時偵測，並根據相關性排序提供可能影響因子的診斷參考，配合數據不斷的累積與模型訓練調整優化，預測產品發生異常的風險，進而提供生產參數最佳化的組合策略；基於設備安裝的感測器，建立設備預測性維護(Predictive Maintenance)分析，預測設備零件剩餘使用壽命(Remaining Useful Life, RUL)，及時更換保養與縮短停機時間，適時做出產線調整，降低當機以及重工(Rework)產生廢料的發生頻率；藉由收集供應鏈上原料與生產歷程資料，監控個別產品、原物料與在製品的需求，追蹤供應鏈上的產品流向，產生及時決策以協助供應商庫存的管理；考慮即時生產的在製品與存貨數據以利用先進規劃與排程(Advanced Planning and Scheduling)技術，減少生產週期時間與非預期的停機。

因此，善用資料科學與機器學習方法以即時掌握生產狀況，迅速察覺製程異常的原因，以提升製造產品良率與企業競爭力。

高品質的數據是資料科學於智慧製造應用的成功關鍵，除確保數據的正確性外，如何找出關鍵特徵也是影響預測準確與否的因素。此外，面臨少量多樣的生產製造環境，可能不容易取得大量的訓練資料，因此，在製造業上的應用也須發展基於少量數據下也能訓練出準確的預測模型，在配合數據的不斷累積與模型訓練調整，逐步提升模型的準確性。再者，建立資料科學從資料前處理、預測模型建立、模型調整的分析循環。預測模型也可能發生預測不準確，因此，判斷模型的誤差是否仍在界線範圍內，並釐清模型不準確的原因，給予模型上的調整。

如何培養企業具備以數據進行決策應用能力以及數據分析工具應用能力是台灣智慧製造數位轉型的過程中關鍵的一環(勤業眾信，2020)。製造業面臨智慧製造帶來的機會，應該要整合長期累積的現場領域知識，一方面除利用大數據、人工智慧等資訊分析技術，促進即時決策與分析的能力外，更需要的是利用know-how發展智慧製造與數位決策系統。