本語音分兩次整理文字稿，本文從6’52”整理至結束

我們看到的就是一個很典型自動的問題—自動檢測，可以想像成我們聘請一位「數位員工」。

〝這個員工不是真的人，而是一個由 AI 加上自動化所構成的員工。〞

這樣的數位員工可以維持既定的工作量、一定的水準、且不眠不休的執行。原來處理的員工就把他的工作給釋放出來，讓他同時管幾台類似這樣的機器，然後再去收集更多過程裡誤判或漏掉的檢測樣本，回饋到AI模型，逐步改善整個辨識的等級。

這個例子是一個典型自動的問題，這樣的自動不只是感應的自動，已經到了自學的自動，因為所有辨識的產品對象都不一樣，可以透過逐步的人工智慧的訓練學習；而同一台簡單的自動檢測機構設備，也可以想像成一位數位員工，慢慢學會檢測不同的產品。

用這個例子作為接續上一周談到「四個自」，到底「四個自」對企業來講的意義為何呢？個人認為「四個自」的意義涉及到「數位員工」的概念，因為人是自動的，人是有能力的自動，人是能夠自主的自動；人是有感情的，有感覺的自動。從這個角度來看，做品質的檢測時，所需要的是具備學習能力的一種自動。

從自動來看，這個專案確實可以幫助企業在考慮 AI 怎麼應用，或者考慮數位轉型時，從自動切入是可以思考的一種轉型做法。

挑戰三：合適的取樣鏡頭

這個案例漏了講鏡頭的部分，這是一個挺有趣的問題。我們剛剛提到射出的產品，假如東西不大，拉絲有時候是一點點，所以對於使用什麼樣的取樣鏡頭就很重要。

比如說，我們曾經用的是顯微鏡頭，整個射出的產品透過顯微鏡頭是纖毫畢露；加上經過訓練完的 AI 眼睛是超級精細的，所以非常多的瑕疵通通被找出來，結果反而造成企業的困擾，為什麼？因為檢測太嚴苛，造成產能大幅降低，因為很多都被剔為不良品。

在檢測上來講，客戶本身並沒有要求到這麼的精細，所以在做這種自動化的檢測過程，就出現一個議題叫 trade-off (折中)。到底產能跟品質的檢測要拉到什麼程度？這個也是人工智慧可以去做調整的地方。

一開始我們做的太細緻，發現只要一點點的毛邊，就被認為是毛邊；只要有一點點的一個缺料，就被認為是一個嚴重的缺料。把瑕疵規格定義清楚後，例如：有一些東西AI技術辨識完，雖然認為有毛邊，但是這個毛邊只要不是很嚴重，就可認為不是毛邊。

小結

換句話說，以自動光學檢測 AOI角度來看：

第一，AOI 在很多領域已經可以用了，並不是只有過去的PCB這個行業。

第二，AOI 在傳統產業或者各個行業領域的應用，面對取像要考慮到對品質檢測的清楚目標，要選擇最適合的鏡頭。

第三，AI 辨識模型的訓練，到底要錯殺一百或不放過一個？還是允許少量的一些漏判，但是維持產能的穩定？這些都是製造業要在導入 AOI 要先思考。

不過，最重要當然就是自動化。因為以上這些東西，自動絕對跑不掉，所以這就是我想連接到上周的話題，談自動的原因。

即使人工智慧可以自學的自動去找出瑕疵來，但是還需要一個自動的機構，而且此機構反應速度要非常的快，要能夠滿足需求，自動的上料、自動的下料、自動的把檢測的對象放到對應的治具，這些都必須要能夠搭配機構進行，否則即使人工智慧做得很自動還是不足的。（本文完）

歡迎提出您對AI的看法和問題，我們將會陸續整理，並請周老師在節目中為您解答！

附註

◆ 《AI思維》書籍介紹 (本書榮獲110年度金書獎 - 優良中小企業出版品)

◆ 《AI微醺》Apple Podcast 隨時聽 

◆ 《AI微醺》Google Podcast 隨時聽