這幾年AI及工業4.0風起雲湧，報章雜誌紛紛報導，連一些大老闆打高爾夫球時，彼此都要聊聊AI及工業4.0，但台灣很多工廠目前還停留在工業3.0，一步步地導入才是正確的方向。然而太多企業雖然知道工業4.0的重要性，但苦於人才的不足或知識的缺乏，大部份都是說說而已。提升工業至4.0能讓企業升級，擺脫低薪的困境，尤其對岸已將AI及工業4.0列入國家發展計畫，傾全國之力在發展，台灣在外國人眼中擁有全世界最優秀的硬體人才，結合AI及工業4.0將是台灣能否脫胎換骨的關鍵，也是筆者成立此部落格的初衷之一。

在智慧製造方面陳昇瑋(台灣資料科學專家)提出四類主要應用 ，個人補充提出二項應用如下：

一、瑕疵檢測：相較於人力目測檢視，透過深度學習系統不僅漏網率更低且檢測速度更快。人力漏網率約5%，AI漏網率0.01%以下；人力檢測速度每人日約30萬張影像，AI每日1,440萬張。

二、自動流程控制：人為控制設備參數的良率為61%，深度學習控制設備參數的良率為98%。

三、預測性維護：深度學習能準確預測某段時間後設備的溫度狀態。

四、原料組合最佳化：深度學習有效提升染整業的打色成功率從70%上升至95%。

五、節水省電效能：台灣時時刻刻面臨缺水缺電，節水省電不但能省下成本，更能應付缺水缺電的季節危機，馬達是佔工廠耗電量最大的用電，若能AI智能化，相信更省電。

六、客群及產能分析：工業4.0有一個很重要的概念就是客製化的大量生產，除了要有智慧機器人之外，也要將工業大數據透過ERP及MES的整合，才能達到最有效率的成本管理及依據客戶需求生產。

個人針對工業4.0大數據-可預測維護提出一個架構(如圖)，供想要導入者，有一個參考架構：

1.蒐集機器設備數據：一般大數據除了可以寫程式來抓取資料外，目前國内大廠-研華/新漢都提供Node-Red(免費)，來整合大數據。

2.大數據資料庫：可分為SQL資料庫(Oracle/MSSQL/MySQL/PostgreSQL)與NOSQL資料庫(MongoDB)，個人認為兩種資料庫都適合企業導入，若考慮預算可以使用PostreSQL/MySQL與MongoDB。

3.Hadoop/SPARK：若資料龐大到需要考慮速度時，導入Hadoop/SPARK是非常好的解決方案，不過若是中小企業，倒不需要急著導入此架構。

4.人工智慧：針對市面上有許多人工智慧開發工具，個人還是以市佔率最高的TensorFlow為例，上述的六項都需要用到，而且也可以架在Spark，觀看科技大廠104徵人啟示絕大部份也是用TensorFlow + Spark 做工廠大數據分析，跟著大廠做準沒錯。

5.WebAPI：這部份是大家忽略的，系統與系統之間，資料庫與資料庫之間，廠商與客戶之間，所有的整合都需要透過WebAPI，尤其像人工智慧會以Python程式為主，公司可能已經有C# or Java的應用系統，這時候WebAPI就派上用場，針對這方面應用會再另外寫更深入的文章。

AI大數據部落格: http://papayuan.pixnet.net