導入機器學習平台,快速解決「爛數據」
台灣許多企業尚未完整轉型,在這場有破百位中高階主管參與的論壇中,僅不到十位認為自家的企業已深度導入技術成為智慧工廠;這代表著轉型並非易事,尤其當傳統工廠開始將最基層的 OT 設備與資料中心的 IT 系統做整合,如何確保整個廠房上百件設備資訊同步、即時、透明且快速就是一個挑戰。另外,正在轉型的企業主也得開始思考「數據萃取」與「數據解讀應用」如何落實在工廠執行端。
面對台灣工廠積極的尋求智慧轉型的解決方案,與許多大型企業合作過的洛克威爾自動化智慧製造應用發展經理王展帆一上台即直接點出,很多製造廠已建立了物聯網系統,但卻因為蒐集到的數據可用性很低,導致技術上位,但轉型的效果卻很難看出來。數據雜亂也影響到智慧工廠的資料整合速度,當從基層設備蒐集到的數據上傳雲端分析後,已耗費多秒,結果失準且無效。更重要的是,於營運管理上,大數據分析出來的資料往往只有管理層看得懂,但對執行人員來說卻是一些不明所以的數字,不會有深切的感受。
王展帆指出對症下藥得從兩個角度去解決。首先,未來智慧工廠人才得具備基礎的資料科學知識,提升最數據的熟悉度與認識,以便於點出並解決工廠正在面臨的挑戰。而對於現場執行人員來說,工廠可以導入機器學習技術,利用一個 AI 平台降低設備操作與資料判讀的使用門檻與提升可執行性,讓熟悉系統營運,但不了解如何用資料科學做到產能預知或讀懂數據分析的工程師也能快速了解狀況,更可以透過平台設計更直觀的介面提供現場人員易懂的資料分析。
從數據思維優化,解決方案的設計流程
擁有一個 AI 平台就能夠解決問題了嗎?研華科技工業物聯網雲平台產品經理葉韋賢並不這麼認為。他強調除了開發並導入 AI 平台在智慧工廠的建置上十分關鍵,但是「解構」與「開放」更是智慧工廠升級的下一步。
葉韋賢指出,台灣製造廠在追求智慧轉型的過程中,常出現一個問題。企業主為了解決工廠升級的狀況,會希望團隊進行一連串設計建構系統,但這卻容易成為系統無法靈活變動的主要原因。舉例來說,為了完成工廠自動化設計了一個解決方案,工程師團隊從頭到尾進行一連串的系統設計;但是當其中一個數據需要做調整,整個系統也得全部調整,變成一個綁死的狀態,不夠快速靈敏。
葉韋賢說明,台灣製造廠應該要用數據的角度去思考解決方案的構成。先去理解解決問題需要什麼數據,再進一步去思考數據怎麼獲得、怎麼儲存、怎麼分析,最後進入執行和管理面如何重組相關營運流程等等;藉此逐步組成一個解決問題,而不是直接進行單一問題的排除。「解構」的概念其實並不陌生,葉韋賢強調從 AWS、Azure 等雲平台的基礎建設都可看出這是大勢所趨。
不過現下多家企業都開始自行開發 AI 平台,這反而成為一個資料與數據隔離的不好的循環。葉韋賢呼籲企業逐步開放平台、彼此串連,如此一來,便可以創造一個更有效的共榮產業價值鏈。
智慧轉型最大阻力是「人」
除了 AI 平台導入與解決方案的思維顛覆之外,「人」其實是智慧轉型最大的原因,Moxa 四零四科技市場與解決方案處經理彭愷翔緩緩說到。他指出,許多企業主面對數位轉型沒有提供一個明確的目標,直接要求佈建智慧製造,而這種說法在執行人員聽起來往往像是一個廣泛的目標,不僅無法解決問題,還可能會因為管理與執行的想法不一致影響成效。
彭愷翔點出在智慧製造轉型過程中,可以從四大項目下去進行溝通,確立可以理解且容易化成短中長工作的目標。換句話說,轉型並不是一個目的,而是手段;至於目標是什麼就需要企業主在提出轉型需求前開會進行收斂的部分。透過目的統一,工廠轉型的過程中才能有效的從流程開始解決,將浪費降到最低以便提升營運效率;更重要的是,轉型的成效才能有效評斷,避免效果長期沒有出現在財報上導致士氣降低。
以下為四大思考方向:
- 是否要提升效率?
- 是否要提升稼動率?
- 是否要提升獲利?
- 是否要提升產品良率?
智慧工廠需要一個新的組織架構圖
在 Panel 的討論中,一個問題被提出來討論:面對 2020 年智慧工廠轉型,什麼是關鍵,討論的焦點又回到「人」與「數據」上面。彭愷翔說明如何找到對的人與內部溝通流程是轉型重點,技術反而不是推動未來智慧工廠的升級關鍵;在升級技術的同時,需要降低內部的溝通成本,並適時的借助外部力量推動整個轉型順暢。葉韋賢提到,企業需要敢用如數學系、統計系等可以了解技術走向與數據判讀的人,必且務實的了解到轉型需要時間進行培育與是錯,並非一下子就可以在財報上看出成果。王展帆同意的說,企業可能需要建構一個新的組織架構圖,創立具備跨專長人才的部門,透過跨專長的特性讓人才進入不同部門解決溝通與技術盲點,藉此建造有價值的解決方案。
原文請參考TechOrange科技報橘:https://buzzorange.com/techorange/2019/10/23/smart-factory/