生成式AI 正迅速改變各行各業，其中許多製造業也透過投資生成式AI 工具，以提升營運效率並開創新的可能性。根據 Deloitte 報告，半導體巨頭在 2023 年投資約 3 億美元用於晶片設計的 AI 工具，預計到 2026 年更將提升至 5 億美元。 這也凸顯出製造業整體價值鏈對生成式AI 的濃厚興趣，本文將分享製造業生成式AI 應用場景、導入效益與挑戰。
什麼是生成式AI？
生成式AI（Generative Artificial Intelligence）是一種人工智慧系統，專注於生成新內容，包括文字、圖像、音樂和其他媒體。以下是其技術基礎以及和傳統 AI 比較：
生成式AI 技術基礎
生成式AI 主要依賴於深度學習技術，包括：
- 生成對抗網路（GAN）：由生成器和鑑別器組成，生成器生成假數據，鑑別器區分真假數據。透過反覆訓練，生成器學習生成更加真實的數據
- 長短期記憶網路（LSTM）：主要用於文本生成，記住前面的單詞，預測下一個單詞
- Transformer 模型：使用注意力機制，適用於自然語言處理、圖像處理和音訊處理等任務
與傳統 AI 的比較
傳統AI，通常指的是非生成式的 AI 系統，主要用於：
- 分類和預測：使用機器學習模型對現有數據進行分類或預測
- 決策和優化：基於現有數據和規則，進行決策和優化
- 自動化：自動執行重複性任務，如資料處理、監控等
生成式AI 則專注於：
- 創造新內容：生成新的文字、圖像、音樂等，與原始數據相似但具有新穎性
- 自主學習：透過學習大量數據，生成模型可以自主地學習輸入數據的模式和結構
〈推薦閱讀：生成式AI是什麼？3大關鍵助企業找到合適的生成式人工智慧服務〉
生成式AI 在製造業的應用場景
品質管理和預測
- 自動化品質檢測：企業可以使用 AutoML 進行自動化品質檢測流程，透過分析生產過程中的品質數據，找出影響品質的關鍵要因，及早發現並修正問題，提升產品品質
- 預測品質結果：生成式AI 可以預測每批的品質檢測項目，讓品管人員透過預測的數據，針對預測結果不符的產品進行主動式檢驗，降低不良品流出風險和人力檢驗成本
設計和原型製作
- 生成新設計：生成式AI 可以自動生成新產品設計和原型，減少設計時間和成本。例如，在汽車和機械製造中，AI 可以生成橋樑、建築和機械的設計，提升創新和效率
生產流程優化
- 製程參數分析：生成式AI 可以分析製造過程中的多個製程參數和品質指標，識別並控制關鍵變數，確保產品達到所需的品質標準。這樣可以縮短分析時間，實現數據驅動的客觀分析
- 最佳化業務流程: 企業可以利用生成式AI 在所有業務領域最佳化業務流程，包括工程、行銷、客戶服務、財務和銷售。例如，從任何來源擷取和彙總資料以用於知識搜尋功能，評估和最佳化行銷、廣告、財務和物流等領域
供應鏈管理
- 預測和優化：生成式AI 可以分析歷史銷售數據、市場趨勢等，優化生產排程、資源分配和工作流程，確保企業能夠高效地滿足動態庫存需求
預測維護
- 預測設備故障：生成式AI 可以預測設備故障，減少未預期的維護成本。透過分析感測器數據和設備行為，AI 可以提前發現潛在問題，進行預防性維護
製造業應用生成式AI 帶來哪些效益？
1. 優化營運和生產流程
- 生成式AI 可以透過即時監控和分析生產過程，快速識別問題，提供預測性見解和個人化助理，提升製造工人的效率。這些 AI 助理可以探索多個控制策略，識別潛在的瓶頸和故障點，從而優化生產流程和效率。
- 優化 PPA：Deloitte 報告中提到，生成式AI 可以在晶片設計中優化功耗、性能和面積（PPA），透過從每次迭代學習，最大程度改進 PPA。AI 能夠快速識別設計中的功耗增加、性能瓶頸或空間利用不佳的問題，並提供改進建議，模擬和測試結果。相比依賴電子設計自動化 (EDA) 的人工設計過程，生成式AI 具備更快的速度和更高的效率，能更有效地優化晶片設計。
2. 預測維護和減少停機時間
- 生成式AI 可以分析大量的數據，預測設備維護需求，允許企業提前安排維護，從而減少未預期的停機時間。這不僅提高了設備的可用性，也貢獻了整體運營的韌性。
- 例如，根據 Deloitte 的研究，生成式AI 的預測性維護可以提高 25% 的工業生產力，減少 70% 的故障發生率，並降低 25% 的維護成本。
3. 提升品質管理、缺陷檢測精準度
- 生成式AI 可以分析大量的數據，包括圖像和歷史檢查記錄，即時檢測產品缺陷。這些系統可以識別出人眼可能忽略的微小缺陷，確保產品質量的一致性。
- 缺陷檢測案例：Deloitte 報告中提到，生成式AI 使用生成對抗網路 (GAN) 或擴散模型生成逼真的缺陷示例，如晶圓上的故障區域，能有效調整下游流程，從 SPC 限值到其他 AI 模型的應用。相比手動流程，生成式AI 更準確、快速地分類缺陷，降低成本並具備大規模應用潛力。
4. 優化供應鏈管理
- 生成式AI 可以分析歷史數據和市場趨勢，創建需求預測，優化庫存水平，避免庫存不足或過剩。它還可以優化運輸路線，減少運輸成本和時間。
- 例如，AWS Supply Chain 應用程式可以提高供應鏈的透明度和敏捷性，做到更明智的決策，減少風險和費用，並優化客戶體驗。
5. 提供個人化協助和在職培訓
- 生成式AI 可以為不同角色提供個人化的支持和在職培訓。它可以提供角色基礎的、個人化的助理和預測性見解，幫助工人更有效地執行任務，做出更明智的決策。這也包括測量培訓效果，識別技能差距，並提出解決方案以防止熟練勞動力問題。
- 例如，生成式AI 助理可以根據個體員工數據，提供針對性的培訓和個人化工作指示，為員工創建連續的職業發展路徑。
製造業應用生成式AI 的挑戰
訓練數據品質
生成式AI 模型的性能高度依賴於訓練數據的品質和多樣性，如果訓練數據包含偏見、不完整或低品質的訊息，模型的輸出也會反映這些問題。
數據隱私
生成式AI 需要大量的數據進行訓練，其中可能包含敏感和個人資訊，如何在保護用戶隱私的同時有效利用這些數據是一個巨大的挑戰。
模型複雜性和運算資源
生成式AI 模型，如 GPT-4 和 GAN，通常非常複雜，包含數億甚至數十億個參數。這種規模的模型需要大量的計算資源和存儲空間，增加了訓練成本和限制了小型企業和個人開發者的使用。另外，生成式AI 模型容易遭受對抗性攻擊，駭客可能會操縱輸入資料，產生意外或有害的輸出，因此需要具備強大的防禦能力，才能抵禦對抗攻擊。
模型解釋性
生成式AI 模型的內部運作往往如同黑箱一般，難以解釋其決策過程，這對於需要高透明度和可信度的應用場景，例如品質控制、預測維護和安全監控。生成式AI 模型的缺乏解釋性會限制其在這些高風險領域中的應用，因為使用者需要了解模型為何做出特定的決策或產生特定的輸出。
〈推薦閱讀：如何對生成式 AI 下指令？Gemini for Google Workspace 操作教學〉
iKala 如何協助製造業成功導入生成式AI
製造業在導入生成式AI 時常因缺乏明確的策略目標、資料偏見、演算法的不透明性及不足的風險管理而受阻嗎？iKala 提供全方位的服務，包括「AI 雲端轉型顧問」與「AI 雲端方案建置」，由超過 50 位專家根據企業的需求進行深入評估，制定最合適的 AI 應用場景和治理策略，以確保 AI 的有效實施與落地。
AI 雲端轉型顧問
針對需求綜合評估 AI 與雲端應用，人工智慧部分提供 AI 轉型方法論，進行場景評估與驗證，並協助規劃 AI 藍圖；雲端部分提供雲端轉型策略規劃，如雲端人才轉型、Landing Zone、FinOps 等非技術實作解決方案。
AI 雲端方案建置
若有人工智慧導入需求，根據 AI 藍圖進行後續架構規劃與系統建置，如 RAG、AI-SDLC 等技術實作解決方案；若有雲端導入需求，則根據雲端轉型策略對齊架構規劃並執行部署，如雲端搬遷、架構設計、儀表板設計等技術實作解決方案。
立即諮詢 iKala Cloud，了解企業生成式AI 導入技巧
