# 動⼿做 AI 前需要知道的事 ###### tags: `20200912` 謝宗震 博士 DSP智庫驅動 知識長 要了解甚麼樣的情境用AI才有意義 例如 台電風機：預測幾時要維修是沒有意義的，why?因為他停不下來 所以，預測設備在冬天的狀況，然後對設備降載，避免設備因為故障而要花更多錢去處理 在供需交易的時候，預測不是重點，決策才是 染整業 營運痛點 - 染色的一次成功率 成功案例 1. 在執行之前已經累積了4年的資料 (胚布資料、染料資料、染機資料) 2. 利用AI去給染機條件，提升染色的成功率 石化業 控制製程條件，產出同樣的品質的產品，但是用比較低的能源 ## 智慧製造AI應用情景 目標 節能、減排、增產、降耗 策略 製程改善、預知保養 方法 監控、診斷、預測、決策 (由初級到高級、由技術成熟到技術不成熟排列) ## 智慧製造應用階段 1. 第一級 通常靠的是domain knowledge 2. 第二級 診斷分析，透過以前知道的知識與解決經驗，知道問題在哪裡、但我要避免事情發生 (AI目前主要應用) 3. 第三級 預測問題，不知道問題在哪裡，但我可以透過一些監控，來預測問題的發生，提供參考建議 (AI目前主要應用) 4. 第四級 找到未知的問題並解決他 ## 智慧製造應用平台 通常預測平台比較容易訂出驗收條件，可以獲得一個診斷模型 診斷平台通常比較難提出驗收條件，比較像是一個診斷報告 ## 資料分析應用成熟度 Level 1 只有資料，資料與資料之間沒有連結 Level 2 與 Level 3的差別，是對資訊解讀的程度。Level 3開始導入AI Level 4 與Level 3的差別，是AI技術的能力與成熟度 不同的成熟度，得到的儀表板會越複雜 儀錶板的設計，要提出需求，他應該是要能夠客製化的 ## 穀倉效應 前面提出來的資訊，Level 1 -> Level 4其實核心是資料整合的程度 因為資料可能來自不同的系統，因此資料整合很困難 IT部門是建立數據整合、建立數據分析的方法 因此就是做Data frame ## 智慧製造現場觀察 在做法上，可以遍地開花，也可以一個專業團隊來做 遍地開花的模式，可以自己找一個人做、也可以委外專業團隊做或委託學校單位做 現況: 委外廠商建置/產學合作/企業內部自行開發 但不同團隊可能用不同的工具->後面會會發現不同的專案無法整合 這些工具，企業內部的AI人員不定會懂 而且工具會一直更新 建議 要及早規劃，在工具選擇上要注意功能、效能、穩定性 此外，還要關注整體生態系，技術主管要能夠確實掌握 ## AI落地之技術藍圖 依然要依據資料科學的處理流程來做 Data mining 從資料裡面找議題->效率太低了 從痛點找問題才是王道 ## 家暴案例 模型建立之前，利用家暴因子來討論 在這個模型中，解決人力不足的問題 然後轉換問題為預測回頭客(就是一直打人的這個案子) 然後可以解決了所有利害關係人的問題 1. 第一線社工師 減少無效的處理 2. 第二線社工主管 減少人力窘迫 3. 局長、市長 政績亮點 (社福、智慧城市) 4. 衛福部 全國經驗複製 5. 總統 可擴充到教育體系(輔導)等