工业4.0最后一哩路
这几年AI及工业4.0风起云涌，报章杂志纷纷报导，连一些大老板打高尔夫球时，彼此都要聊聊AI及工业4.0，但国内很多工厂目前还停留在工业3.0，一步步地导入才是正确的方向。然而太多企业虽然知道工业4.0的重要性，但苦於人才的不足或知识的缺乏，大部份都是说说而已。提升工业至4.0能让企业升级，摆脱低薪的困境，尤其对岸已将AI及工业4.0列入国家发展计画，倾全国之力在发展，国内在外国人眼中拥有全世界最优秀的硬体人才，结合AI及工业4.0将是国内能否脱胎换骨的关键。
AI在智慧工厂的功效 :- 瑕疵检测：相较於人力目测检视，透过深度学习系统不仅漏网率更低且检测速度更快。人力漏网率约5%，AI漏网率0.01%以下；人力检测速度每人日约30万张影像，AI每日1,440万张。
- 自动流程控制：人为控制设备参数的良率为61%，深度学习控制设备参数的良率为98%。
- 预测性维护：深度学习能准确预测某段时间後设备的温度状态。
- 原料组合最佳化：深度学习有效提升染整业的打色成功率从70%上升至95%。
- 节水省电效能：台湾时时刻刻面临缺水缺电，节水省电不但能省下成本，更能应付缺水缺电的季节危机，马达是占工厂耗电量最大的用电，若能AI智能化，相信更省电。
- 客群及产能分析：工业4.0有一个很重要的概念就是客制化的大量生产，除了要有智慧机器人之外，也要将工业大数据透过ERP及MES的整合，才能达到最有效率的成本管理及依据客户需求生产。
针对工业4.0大数据-可预测维护提出一个架构(如图)，供想要导入者，有一个参考架构：
智慧工厂主要架构
- 蒐集机器设备数据：一般大数据除了可以写程式来抓取资料外，目前国内大厂-研华/新汉都提供Node-Red(免费)，来整合大数据。
- 大数据资料库：可分为SQL资料库(Oracle/MSSQL/MySQL/PostgreSQL)与NOSQL资料库(MongoDB)，个人认为两种资料库都适合企业导入，若考虑预算可以使用PostreSQL/MySQL与MongoDB。
- Hadoop/SPARK：若资料庞大到需要考虑速度时，导入Hadoop/SPARK是非常好的解决方案，不过若是中小企业，倒不需要急着导入此架构。
- 人工智慧：针对市面上有许多人工智慧开发工具，个人还是以市占率最高的TensorFlow为例，上述的六项都需要用到，而且也可以架在Spark，观看科技大厂104徵人启示绝大部份也是用TensorFlow + Spark 做工厂大数据分析，跟着大厂做准没错。
- WebAPI及RPA(机器人自动流程)：这部份是大家忽略的，系统与系统之间，资料库与资料库之间，厂商与客户之间，所有的整合都需要透过WebAPI，尤其像人工智慧会以Python程式为主，公司可能已经有C# or Java的应用系统，这时候WebAPI就派上用场，针对这方面应用会再另外写更深入的文章。
