第十一屆製造業 CIO 論壇 台北場 會後報導
在製造業智慧轉型過程,精誠資訊認為數據中台是不可或缺的新的核心基建,可做為統一的數據治理平台,整合管理四散資源,藉由數據再運用,為製造業提供強大的數據服務與持續創新的基礎。
文/明雲青
隨著 AI 熱潮延燒,讓許多人開始出現焦慮。以製造業為例,眼看 AI 從機器學習、深度學習一路發展到大語言模型、多模態模型,生怕自己無法跟進最新技術,阻礙智慧製造計畫推動。
但需要如此焦慮嗎?精誠資訊數據中台發展處資深協理于正之提醒,企業應回頭檢視智慧製造的定義,其實它含有兩大關鍵原料,包括現場數據、老師傅經驗,彙集兩項原料就能執行模型訓練,也就是 AI for IA 概念,終極目標是實現 CPS(Cyber Physical System)虛實整合;應其思考方向絕非 GenAI,屬於機器學習範疇。
「從實端蒐集資料,直到虛端能模擬這些資料、做出反應,這就是虛實整合,」于正之說,如半導體廠避免對晶圓做破壞性檢測,因而在晶圓產出瞬間進行虛擬量測,便是常見的 CPS 應用場景。其實早在 2017 年,智慧製造框架已被勾勒出來,要先做底層 Connection Level,再往上建構 Data to Information 層,將採集的資料變成模型化,轉為有意義資訊,接著往上走到 Cyber Level、Recognition Level。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ,與全球 CIO 同步獲取精華見解 ]
儘管前述框架問世多年,但迄今仍難實踐,造成製造業導 AI 的比例偏低。除肇因於市場盛行的 AI 模型不適合拿來訓練,或企業高層缺少策略性計畫及 AI 領導方針外,亦與數據儲存或傳遞方式有關。
由於資料品質問題,使企業需要花很多時間整理資料,加上缺少數據治理能力,因而無法順利訓練模型,阻礙AI發展。AI 需要數據、算法、算力三要素,缺一不可,而現今資料科學家花 60% 時間處理數據收集、彙整暨標準化、清理、探索,簡言之花費大量時間在整理資料、而非模型訓練,癥結就是資料不齊備。
礙於傳統基礎建設與數據蒐集方式限制,企業要從 Staging 到 Data Warehouse、Data Mart,其實就是一次次的拷貝,每次拷貝都造成更多數據孤島與數據冗餘。
為此精誠依循 Gartner 提出的數據中台倡議,致力協助製造業透過 Data Fabric 數據中台的整合、蒐集與組裝,不再進行無止盡的拷貝,提供最終用戶單一真實數據現況;即是在所有資料儲存體之上更高位階另外打造中台層,藉此為最終用戶(資料科學家)提供更佳數據服務,加速特徵化工程與資料科學進程以實現智慧製造AI大未來。
(本文授權非營利轉載,請註明出處:CIO Taiwan)