為什麼「工廠問題」不能靠一般 AI 解？

走進工廠，你會發現知識密度驚人，不管是：

• 電纜製程裡 DR03 拉線、WE27 押出、CS11 絞線等的特有工序代碼
• 「盤號」、「轉速」、「起始時間」這類操作現場才懂的詞彙
• JIS C3102、IEC 60811、ISO 14064 等各種材料、碳排與設備規範
• 班別邏輯、MES 資料表結構、RFID 流程、報工事件代碼

這些都不是 ChatGPT 原生能理解的知識。這時候，我們就需要一個專門為「企業內部知識」打造的系統架構 —— RAG (Retrieval-Augmented Generation)。

什麼是 RAG？一張圖看懂：

[User 問題]
    ↓
Embedding Query
    ↓
向量資料庫 → 相似文件（如 SOP、維修紀錄、MES 事件記錄、PDF 說明書）
    ↓
組合 Prompt
    ↓
送入 LLM 產生回答（包含引用內容）

RAG 是讓 LLM（像 ChatGPT）先「查資料」再「產生答案」的流程。它能補足語言模型不懂的本地知識。

落地主題一：如何讓 AI 回答製程「盤號對應轉速」的問題？

背景：

產線人員常問：「WE27 這台機台，從盤號 D1600A016 推回去是什麼時候開機的？當時轉速多少？」

工廠常見資料來源：

• EAP log JSON 記錄
• 傳感器 CSV
• 生產報工記錄
• WE27 專屬機台規格表

解法：用 RAG 解查詢問題

Step 1：資料清洗與儲存

import os, json
import pandas as pd

# 假設這是 EAP 記錄 JSON
with open("EAP_TAKEUPREPORT_REQ_20240930.json") as f:
    data = json.load(f)

# 轉為表格
df = pd.json_normalize(data)
df.to_csv("cleaned_eap_takeup.csv", index=False)

Step 2：文字向量化（embedding）並存入向量資料庫

from langchain.vectorstores import FAISS
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.text_splitter import CharacterTextSplitter
from langchain.document_loaders import CSVLoader

loader = CSVLoader(file_path="cleaned_eap_takeup.csv")
docs = loader.load()

splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
split_docs = splitter.split_documents(docs)

embedding_model = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
db = FAISS.from_documents(split_docs, embedding_model)
db.save_local("faiss_db")

Step 3：使用 RAG 查詢盤號資訊

from langchain.chains import RetrievalQA
from langchain.llms import OpenAI

retriever = db.as_retriever()
qa_chain = RetrievalQA.from_chain_type(
    llm=OpenAI(temperature=0),
    retriever=retriever,
    return_source_documents=True
)

query = "請問盤號 D1600A016 對應的轉速是多少？是哪一天開始生產？"
result = qa_chain.run(query)
print(result)

落地主題二：RAG 幫你解釋工單號碼背後的 BOM 與材料構成

工廠常見問題：

「工單 G231012045 是什麼產品？用了什麼材料？可不可以列出其銅線組成比例與重量？」

解法：

• 整合 MES 工單資料表（如 orders, bom, materials）
• 使用 RAG 將 Excel/PDF 材料分析報告與結構描述納入知識資料庫
• 用 prompt template 設計格式化的回答

RAG Query Prompt 設計範例：

你是一位懂得電纜工廠製程的專家。請根據下列文件資料，回答使用者問題。盡量引用材料比例、單位、來源等細節。

落地挑戰與解法：

結語：讓 AI 成為你的「現場助理」

想像一個場景：

• 工程師問：「昨天 CS11 的第六台轉速掉到 100 是什麼原因？」
• AI 立刻回答：「根據 DR06 事件記錄與轉速對應表，因拉力過大發生異常停機（異常代碼 E03），維修時間為 14:05 至 14:36。」

這不再是夢，而是正在發生的落地應用。

RAG 就是你內部知識的搜尋引擎 + 解釋助理，讓 AI 真正從語言模型變成你最懂工廠的「虛擬助理」。

📌 敬請期待：

Day 10｜打造專屬的企業知識庫 × LangChain × embedding