工業人工智慧 - 流程最佳化

本篇文章延續〈人工智慧、網路威脅和工業4.0：挑戰和機遇〉研究內容，該研究由AI與資訊安全專家阿德里安．貝奎（Adrien Bécue）與其研究團隊共同執行，探究人工智慧（AI）在工業4.0領域中的應用與挑戰。

該研究提到，工業人工智慧（IAI）可以透過監控、最佳化與控制，幫助企業達成不同程度的自動化要求。先前文章，我們已經探討AI監控的相關應用，此篇文章將接續針對最佳化進行說明。

相較於以監控為主的取向，以基於AI的規劃和決策支援能夠根據業務目標或指標（例如成本或效率）的最佳化需求，自動尋找實現這些目標的最佳路徑或計畫。該研究明確列舉了可以從AI與機器學習（ML）中獲益的最佳化應用類型。

1.流程規劃

該研究提到，AI有效最佳化工業的複雜流程，以提升各關鍵指標的表現。例如，訂購流程效率將會影響成本、時間、品質等因素。

其中，單一流程中可能存在複數的最佳化問題。以木雕工藝品為例，製造過程通常需要用到多種工具，並需要多種雕塑操作技巧。因此，從原材料到成品製造過程，其存在的最佳化問題就涵蓋：規劃設定、原材料選擇、操作選擇與排序、工具選擇與排序等事項。

2.作業排程

特定類型的流程規劃方式。將不同時間的作業進行排序，以縮短整體作業時間。該研究以著名的「旅行銷售人員問題」案例為例，根據每個城市之間的距離，最佳化銷售人員的城市旅遊路線。

研究指出，此問題通常採用組合最佳化方式解決，結合AI的學習能力，可以更靈活地適應環境的即時變化。

3.產量管理

在製造業中，產品的產量為企業盈利與否的關鍵要素之一。該研究提到，面對日益複雜的製造工藝，傳統的估計與最佳化方法效益將逐漸降低。AI讓製造商可以充分運用現有資料，持續提高工藝品質並提高產品產量。

4.供應鏈管理

該研究提到，傳統的供應鏈管理通常分為需求預測和最佳化兩個步驟。首先，利用統計工具預測潛在需求，再基於預測結果以及缺貨成本等因素進行評估，制定出適當的訂單規劃和安排。

然而，AI的應用能夠整合為一個更為簡單的單步流程。通過學習內外部可用資料之間的關係，以制定出更為優化的供應鏈管理計畫。

5.產品設計

該研究提到，AI可以加速設計過程，並促進產品工程與製造。舉例而言，設計師使用AI學習演算法，生成滿足重量、品質或成本等限制要求的替代設計方案。

例如，歐特克（Autodesk）與空中巴士（Airbus）透過此過程生成出模仿細胞結構與和骨骼生長的飛機艙隔板設計，重量比原先設計輕45%。

此外，AI也可以協助設計師確保產品設計的可行性。例如，洛州大學資料科學家阿迪蒂亞一篇題為〈基於深度3D卷積神經網絡的可製造性設計框架〉（A Deep 3D Convolutional Neural Network Based Design for Manufacturability Framework）研究中，利用深度三維卷積神經網絡（3D-CNN）的機器學習技術，來確認設計中產品零件的可製造性。

6.設施位置

該研究提到，AI能夠優化環境中物理設施的布局。這不僅包括半導體中電路與元件的微觀應用，還包括城市中道路和變電站的配置，辦公大樓中會議室與其他設施的放置，以及工廠內感測器的安裝位置。

以上六大構面，闡述了工業AI中最佳化的應用範圍。下一篇文章，我們將接續講解工業AI的「控制」面向。

作者：黃揚博（政大企管碩士、識商創辦人）、羅凱揚（台科大企管博士）

資料來源：Bécue, A., Praça, I., & Gama, J.(2021). Artificial intelligence, cyber-threats and Industry 4.0: challenges and opportunities. Artif Intell Rev 54, 3849–3886. https://doi.org/10.1007/s10462-020-09942-2

https://edge.aif.tw/formosa-plastics-project/