破除對 AI 的迷思：縮小認知斷層，從工站上的一顆鏡頭開始

–

在工站裝上一顆鏡頭，錄製下來的影像資訊，即是 AI 學習辨認產線的基礎，透過不斷提供 AI 大量的影像資訊，讓它「看」得越多，AI 模型能訓練得越好，但是，能建立出一個適合產線管理的 AI 模型、並持續優化，包含了幾個前提：

• 衡量建置成本，期待與現實考量間的拉扯
• 訓練 AI，跨領域知識的合作
• 認識 AI 感知限制，建立合適的學習環境

–

AI 視覺擁有極大的動能，幫助工廠數位化產線資訊，達到智慧製造，但需要保有對 AI 正確的認知，以及適當的基礎建設準備，才有可能發揮 AI 潛能。

AI 總監 Kuei 揭示 AI 智造的關鍵核心，暢談智慧製造必知的 AI 應用實踐。

今天很開心可以邀請 Kuei 來到 PowerTalk 第 4 集，Kuei 是 PowerArena 的 AI 總監，從過去在碩博士的研究開始，就非常專注在電腦視覺、影像處理領域上。對於如何透過有限的影像資訊，去重建物體、重建空間，排除光線、陰影等影像上的限制，以便達到更精確的物體識別、物體追蹤等等，Kuei 在學術領域上面，有非常深厚的知識研究基礎。再後來到業界的產業應用，不管是電子製造產業，或者是以人工智慧為基礎的車載軟體，具備很深的電腦運算知識，讓他成為我們這一集 PowerTalk 最適合對談的對象。

我們一直都很希望談談的一題就是 AI 人工智慧，這是一個很廣的概念，搭配前陣子 OpenAI 掀起的熱潮，大家對這個詞彙又賦予了不一樣的期待還，所以想要請 Kuei 幫我們說說 AI 這個概念，我們要怎麼著手去認識？常常聽到跟 AI 配在一起的機器視覺、深度學習，這些到底是什麼？

Kuei：我們先從 AI 開始聊，人工智慧在 computer science 領域裡已經研究超過 50 年以上，如果照教科二書，最早大概已經是從 70 年前開始，我們知道人工智慧已經走了這麼久，那走這麼久的東西，似乎你還覺得他非常的 stupid，大家覺得他還是沒有想像中那麼聰明，就是當客戶發現，哎為什麼這個也不行那個也不行？**目前的發展跟大家對人工智慧的期待，其實還是有一些落差的。**早期給人工智慧的概念，它是一個完整的智慧題，應該叫智慧還是一個智慧的東西，他可以自己做感知做判斷做決策，當然在這裡不容易達成，在 CS 領域的話，我們在做一個判斷，有一個最有名的叫 Turing test 吧，那就是我們測驗證一下，說你能不能判斷出來說，目前跟你對話的這個人，到底是真人還是是機器人？那是最有名的一個測試啊，這個東西也玩了非常多年了，但這幾年拜所謂的深度學習知識，深度學習背後其實有所謂的類神經網路，那類神經網路顧名思義，就是他是一個模擬人類神經在運作的方式，去設計出來的一個網路架構，他的角色方式，也是在學習人的神經網絡的方式在做，那類神經網路其實這個概念被提出來，然後開始有很長的嘗試，他已經非常非常多非常多年之前了，至少就我的了解，也是三四十年以上的歷史。現在所謂的 AI 之父，三個人裡面，其實他們是在早年的時候，最早開始做這些事情的人，在當年在一體限制之下，他們做完一次神經網路的訓練大概是 1 個月以上，所以這東西變得非常難做，因為你一個月訓練完之後，才能驗證出你的時間設計是不是錯的、東西有沒有問題，那硬體的限制導致於這條路線一直被放在學術領域上面，無法真的落實到應用上面去。這幾年拜顯卡 graphics 卡，這硬體的突破，所以這個東西大幅度的成長了，以往訓練一個月以上，你可能可以在一個禮拜內就把它做完了，所以整個研究跟進展會大幅度的突破，他真的有機會應用在我們實際上的環境裡面。因為如果你訓練很久，代表說他在做決策過程當中，以以往的硬體來講，他也會非常的久，你就不可能說我看到一個東西之後，過一天再做反應吧，那實際上不可能利用的，所以這個硬體限制就變成是這個發展的一個很關鍵的突破。在所謂的computer這個領域裡面，軟體跟硬體是交錯的，硬體出來之後會大幅度的讓軟體發展，但是發展到一段時間，又被硬體限制住，他就會挺住了，等到硬體再突破的時候，軟體就會再上去。很多概念其實已經出來非常獨立，跟人工智慧一樣，他出來很久，但是我們受限於硬體，所以他無法被突破。

Kuei：我們再來提到一下人工智慧的發展歷程，這幾年透過顯卡的進步之後，已經大幅度突破，但是跟傳說中想像中的人工智慧，還有一段距離，如果想像中人工智慧是包含了這個決策的過程，那目前我們能做到的，其實做的比較好就是感知的部分，這段時間有在提 generative AI 生成式的AI ，但是即便是生成式，他也還不到所謂的創造力這個程度，他某種程度像是累積了大量過往的東西，然後長出一個類似根據過往經驗而生存出來的東西，但是這個東西，對以往來講，已經是一個非常大的技術突破了。 這個是這幾年的AI的情況，顯卡突破是一個突破，對硬體要求非常大，你希望他做越複雜的事情，硬體的需求也是越大，這個就是很明顯 AI 目前的情況，在我們應用在各個領域上面的話，可以想像是，以往 AI 還沒有起來之前，這個判斷的定義都是來自於人給他的，傳統機器學習就是你定義說我要認識一個蘋果，那我定義了形狀顏色，因為你只有鏡頭，所以沒有法定義香味或觸覺，但是你可以定義形狀顏色，甚至再更進一步定義輪廓這些特徵。 你進去做學習，學習完之後，給他看大量蘋果圖片，他就會決定說OK，我看到什麼樣的顏色，什麼樣的形狀，他就有多少的機會是蘋果，接下來你餵給他一個東西，他就可以告訴你這是不是蘋果。

Kuei：他要根據什麼東西做判斷，那是人決定的，進入深度學習之後，因為我們人也不是只靠這個東西來判斷他是不是蘋果，但其他的判斷方式我們無法描述，太抽象了，但是深度學習的改變就是在於說，我們已經可以用類神經網絡的方式，讓電腦自己去尋找它的抽象。

Kuei：這幾年在發展一個東西叫做可解釋 AI，explainable 的 AI，這個還在比較像是 2D stage，對我們來講就是電腦理解什麼抽象的概念，那個我們拿出來看不見看得懂，這個其實也跟人的行為有點像，我們有時候很難描述說，為什麼我認為這種叫做蘋果，所以這幾年發展，託一下前輩，英業達的陳維超老師，他講說當你可以明確定義東西的話，你不一定要 AI 來做，但是當你今天的目標越抽象的時候，那你就越適合用 AI 做。我們環境有很多變化，這些變化其實你很難給他完整的定義，比如說這個物體在光照、幾度之下，反應出來什麼顏色，定的很死你才會準確的抓，但是這個東西往往很難控制，所以如果通過深度學習的話，這些難控制的東西，還有很大的變異，這些透過機器學習讓電腦去學起來，我們某種程度上就可以掌握，可以比較比之前更好的掌握說，這個東西到底是不是你認知的那個東西，可以控制很多環境變化。

–

剛講到 AI 人工智慧的感知，其實是現在發展很重要一塊，但這感知很受限，因為沒有人的觸覺沒有人的味覺或是嗅覺，去補足我們對某個物體的建構。回歸到 AI 視覺，AI 視覺在製造領域，在工廠產線上面的部署會長什麼樣子？剛剛講到因為有很多抽象的變因在，那這些變因對工廠來說會是什麼？

Kuei：工業4.0的概念提出來的時候，其實是想要對整個工廠做數位化，那包含你的鏡頭可以捕捉整個工廠，在發生的事情、所有微小的變化，這是個理想狀態。我們如果可以舖一個全景的鏡頭的話 ，不止生產的狀況可以控制，包含工廠的安全、整個工廠的運輸流程。你設計的路線是不是今天被料卡住了，或是傳遞的路線卡住了，導致生產效率沒那麼好，這個東西如果在完整的數位化架構起來，這東西都是想像中可以被控制的，可以讓他效能增加。

Kuei：比如說我不是產線有問題，不是動線有問題，理想狀態是可以透過視覺來做到好，但是實際上我們面臨什麼問題呢？你可以想像一個鏡頭，現在大部分情況是固定鏡頭，很難 zoom in、zoom out，所以可以看大就不能看小，看小的東西就看不到全局，導致說，如果你為了看到整個生產情況，你就要佈有大大小小的鏡頭。 我們可以對照一下之前的 Amazon 的無人商店，你可以看看放了多少鏡頭在裡面，對照起來，工廠可能比無人商店要看的東西更多，你要佈多少鏡頭在裡面，這個東西就會牽扯到工廠的基礎工程能不能負荷，工廠裡面的網路、storage，甚至包含 AI 要用的 server、顯卡有多少，這些東西都是成本。以目前工廠生產來講，每年的預算有限，能不能做這件事情，要架構這些基礎建設需要花多久，這就是工廠目前遇到的限制情況。

Kuei：那不可能全部做，哪些事情是要優先做的，就我來看的話，看到蠻多現場最大的問題就是，基礎建設準備好了沒，很多工廠都告訴我們，今天網絡有問題。你有沒有準備好這麼大的位置，來存過往的資料，其實很多時候你還不見得要 AI，就可以發現以往的問題了，然後這個東西叫做生產履歷，東西要錄下來，回去看就發現，現場情況跟我理解的不一樣，因為只要是人，就有人的智慧，人的智慧就會覺得說你告訴我要做那麼多步驟，真的有必要嗎？我這樣做不是快很多嗎？我就可以有時間休息，或者說才能提高，就可以得到獎金。結果這導致什麼，就是你告訴他，你做這些事情你要完整的12345全部做，但是讓他可能就是跳著做135或者是145，2跟3這東西我不做也可以把東西做好啊。這個東西其實不透過鏡頭長時間錄影，你看不到的。 光這個東西其實工廠就能判斷，為什麼今天生產效能上不去，為什麼良率上不去，光生產履歷錄影下來可以回放可以追溯，就可以看到很多你以前不知道的事情。當累積了這時候你會發現說 OK，因為 AI 成本很高，但是他還可以幫你做很多 routine 的事情，比如說一天錄下裡面有這麼多，那當你今天發現有幾件事情是關鍵需要看的，那我們把這些東西透過 AI 學習，你就等於是請一個機器人，幫你 24 小時看工人到底有沒有做這件事，比如說他就是喜歡偷2 這個步驟，80%的工人熟練了之後就把 2 工作省掉了，你就希望看這件事情，那我就幫你訓練，以後所有的生產裡面他有沒有 2，你沒做 2 這件事情，我們就可以用 AI detector 去偵測說他到底有沒有做這件事情，如果沒有，我們就把它標起來，你回去可以看歷程，你的生產履歷，他到底有沒有做。

–

剛講到是一個很理想的狀態，如果是有預算的工廠，有足夠硬體設備的工廠，他們在前期的佈置都完善的話，AI 可以幫忙做到的是很多的，但在大部分現在有的產線狀態，都是受限於這些前期的前置工程，生產履歷的前置工程。剛還講到說標註這個部分可以去做優化，常常聽到 AI 訓練要配合標註，標註到底是什麼？然後這個標註跟剛剛講到的，人有很大的變因，人的聰明我們要去做管理，標註跟這個又有什麼樣的關聯？

Kuei：成熟的AI是所謂的監督式學習，監督式學習像是老師教學生，我教什麼你學什麼。標註的話就是，目常在製作一個教材，你在教 AI 這個學生怎麼學那個東西，比如今天我把蘋果標起來，你就學的這個叫做蘋果。我們在各種不同環境裡面的蘋果，都叫做蘋果，但是一開始給他，他不認得，所以你一定要把它標起來，告訴他這個叫蘋果。標註這件事情其實很重要，因為在類神經網絡的設計上，每一個方法設計都有它的原因在，那這原因會先找到標註是怎麼樣標它，就是我要怎麼樣標它，它才能學的起來，這跟方法的設計有很大的關係，所以標註這件事情變得很重要，再來是所有的變化，都希望透過標註，讓 AI 去學習，不管是標白天、晚上的蘋果，黃燈、白燈底下的蘋果，甚至雨天放在外面的蘋果，他都是蘋果，不會變別的東西，但是他沒有看過就學不起來。可以把 AI 當成一個 3 歲的小孩，正在學習，你要告訴他為什麼，像這樣子，所以標註的過程，就是把這東西標起來告訴他說，你要認識這個東西。那現場環境也是這個樣子，我們經常遇到情況是，今天已經開始做了，他先用這一批白色的料，他跟你說這個白色東西就叫什麼，你就學起來就好了，但是等我們開發了一個月上線之後，可能校料的時候換成橘色了，AI 不認識了，因為他過去就只看過白色，這就是個大的問題。

Kuei：這幾年的 AI 技術，其實是我們可以針對這些東西做一些變化，讓 AI 去學到這個東西，紅蘋果也是蘋果，青蘋果也是蘋果，像這樣的事情學的起來，但是最好是你可以提供，馬上提供這些，有多少變化都提供出來，那當然還是可以快速的學到。這個東西可能比較不切實際，變成是未來我們會有迭代的過程，這個在專業來講是稱為 MLOps，他是一個 AI 學習東西的歷程。他有點像是非常年輕的新手上路，一個新人進工廠，只認得這工廠的情況，但是過了50年升到廠長，他看過的東西就很多，你給他看，他就告訴你這裡面有 10 種 100 種的變化，他都了解。但是一個新人進來之後他一定不知道，這二三十年的工作過程是他的學習過程，對AI來講一樣有學習過程，東西更新了之後他不認得了，你就要重新再標註他，讓他再學起來，這就是他的一個學習過程，學習之後，他的經歷也是會累積的，模型也是會變好的，他學到更多之後，就可以掌握這些變化。像自駕車這個領域，甚至一些比較所謂泛用性的物件偵測，我們發現他的學習能力是不錯的，他可以掌握非常多的變化和情況，但是這些變化情況，是你要讓他學起來的，他如果沒有看過沒有學過，他當然不會知道，就跟一個新人一樣，他剛進來的時候沒看過沒學過，他不會知道，對他可能只有一些教科書上面的知識，那不見得可以實際運用。

所以其實工廠要導入AI視覺的時候，我們要給這個 3 歲小孩足夠時間，去學產線上面的知識，才有辦法達到預期的目標成果。

Kuei：是，這個其實有一個比較困難的東西，叫做跨領域的合作，跨領域的合作一直是一件很困難的事情，AI 是屬於 computer science 的領域，工廠有 IE 的領域，還是一個工廠製造的領域，領域之間本身就會存在一些 gap，認知會存在一些落差。跨領域合作就是要怎麼樣彌補這個落差，彼此用不同領域的語言來講話，但我們要怎麼樣把這東西合在一起，才有辦法透過 AI 來做智慧製造，跨領域合作最困難的是溝通，這件事情是很重要的。

身為一個AI總監，面對過去有接觸到的導入案例，你會給下一個準備要導入 AI 視覺的管理者什麼樣的建議？在導入前期，他們應該要保持什麼樣的態度？

Kuei：其實最重要的是發現問題是什麼，這件事情很重要，因為客戶有客戶的想像，那 AI 變成一個通用語言的時候，其實有很多正確或錯誤的認知，在一般人的腦袋裡面，所以客戶用他的認知來講，告訴你說我要什麼東西，那是他想像有的問題，然後他想像怎麼解決，告訴你說幫我做這個，但是他可能對 AI 有一些誤會，有些超過預期的想像，甚至是目前你要做到成本是非常之高的。你說我有 2,000 萬，但是實際上，這個東西的成本可能是 2,000 萬美金，你說你有 2,000 萬台幣，那當然就不太可能，沒有人可以願意幫你做嘛。回頭過來我們在探索，我們有正確的 AI 認知，我們要了解出真正的問題是什麼，有時候客戶的問題不見得要走他想像的路線去解決，而是你用專業認知告訴他說，如果你要解決這個問題，我有哪些選項，成本格是多少，我們怎麼做。甚至他想解決整個問題，但就像冰山一樣，你露出來問題的角落而已，那你真的問題要問什麼呢，肯定要找到那個關鍵的問題，搞不好只要解決那一個問題，就可以解決80%的問題，這個東西變成是非常有價值，成本沒有高到要用整個成本來做這件事情，可能只用20%的成本，就可以解決80%的問題，所以最重要是你要能理解客戶，他到底基本存在的問題是什麼？這個才是最重要的。

Kuei：知道問題才有辦法解決問題，那就變成說，管理者需要非常了解自己產線遇到的挑戰到底什麼，並不是所有的問題都需要透過比較高智慧的AI視覺去做處理，其實有時候，會更推薦客戶去用其他方式，去處理去處理掉這個問題，讓AI視覺在比較關鍵的地方去做部署，會是成本效益最大，用一個漸進的方式去做優化最適合。

Kuei：是，以往的經驗來講，客戶想要做SOP，想看完整的生產流程，每一個步驟有沒有做對，但是這件事情真的需要每個步驟看嗎？因為其實我們知道，在工廠生產過程當中，會做非常多的防呆措施，他只要可以防呆，那你為什麼需要看他？你要看的是那些你用防呆措施做不了的，或者是很關鍵的東西，即便你有防呆，他做錯了你的損失就很大，這東西對營運還是相對重要的，有一些很細微的步驟，基本上不會做錯，去看他或者他做錯了損失也不大，那你花了很大成本看他，以有限的預算的工廠來講的話，這件事情其實非常沒有價值，成本效益太低了。

回到剛剛的問題，很多工廠產線模式會是勞力密集、少量多樣生產，面對這樣的產線的時候，你會給這些製造商什麼建議？不管是在 AI 模型的訓練、更新跟維護上面，這可能都跟他們產線當下的狀態非常有關係。

Kuei：其實要看所謂多樣的定義是什麼，有時候其實他出口不同客戶，只是差在外形上面，差在一些關鍵的小東西，比如說出到各個國家不同的電壓，或者是不同的插座外形，有些東西差異其實沒有到很大，那對於 AI 來講，本身就是一個 clone 的變化了，只是說，你能不能在我們訓練的初期，把這些變化都提供給我們來做訓練，那我們可以判斷說這個東西到底是叫，教 AI 認識他是一個東西還是兩個東西，這個是由 AI 的領域來做一些專業的判斷，data scientist也可以做一些專業判斷，說 AI 能不能選擇起來，你也可以說疊加的過程，讓他越來越認識你越來越多的產品，但一樣，你訓練一個人需要時間，你訓練一個 AI 也要時間。我們遇到問題是，第一個月看起來效果不錯，第二個月效果不行，之後他也沒有預算去維護了，第三個月之後就放著不用了，那是很可惜的狀態。我們會希望說，看到他是長時間運行的，長時間運行工廠一直會有變化，那少量多樣也是，有些工廠早上跟下午做不一樣的事情，那你可能要 AI 看，就不符合你的成本。你會做這麼大的變化，也是本身東西單價就低，也不見得需要這麼在意，這些需要 AI monitor 的事情。自己要評估說你的東西、你的生產，甚至你在未來一年的規劃，是希望AI幫你做什麼樣的事情。 那少量多樣，在某些情況底下並不是太大的問題，而是說在我們做規劃的階段，你有沒有讓 AI 專家足夠了解你要看的是東西是什麼、在工廠有多少的變化，那這些東西考量下去之後，才能做一個比較完善的評估，也可以讓 AI 在產線做長期的應用。

所以管理者其實要讓 AI 部署更順暢，在導入初期，盡可能把所有產線上面的變數、最完整的資訊，都提供給資料科學家，讓資料的值跟量是最大的，可以訓練 AI 更順暢。

Kuei：或者是說，要有一個比較長期的規劃，就是說這疊加過程是可以一直更新的，我們讓他先上線，有問題就更新，甚至你產線有可能改變，改變完之後，他就再也不會回到舊的東西上面去了，那舊的資料某種程度來講對模型是沒有意義的，我們可以把他淘汰掉。因為他本身要學習很多東西，所以有點像是你在訓練一個員工的過程，你要培養員工，不是做短期的訓練就希望他可以發揮 200% 的實力對不對？是一個培養的過程，AI 也是一樣，它是一個培養的過程，所以如果想要做 AI，我們會希望它是一個長期的事情，不見得需要一開始就投入大量成本看整個工廠，可以從一條長線開始，長時間的來運作，看看它的成本效率是怎麼樣，AI是會一直進步的，如果我們長時間餵它產線，需要更新頻率就開始慢慢下降，一開始可能一個禮拜更新一次，慢慢他看的越來越多，變成能一個月更新一次、三個月更新一次，甚至到未來，只有當你進了新的、不同的產品，才需要更新。

所以其實只要工廠管理端願意做一個夠長的規劃，願意投入一定金錢跟精力下去，AI 的優化可以幫助他們在產生上面發揮價值，越長時間會看到越大的成效。

–

Kuei：是，AI 突破了以往傳統的電腦視覺的限制，最主要是它可以很懂變化這件事情，但是他要很懂 ，還要控制變化，這件事情讓他看過，我們目前覺得 AI 學的不夠好，大部分的問題都在於他沒有看過，除了沒看過之外，還有情況是你不給他看，你把他遮住了，他看不到那樣就不會有反應，那我們透過鏡頭，不管透過哪種 sensor，你要讓目標東西出現在 sensor 底下，他才有辦法感受的到，這是一個非常直接的限制，也是我們其實最常遇到的情況。我們希望他長時間部署在環境裡面，可以看到這個東西，那他就會發揮他的效果。

很實際的例子就是，大家的手可能會遮住鏡頭、遮住物體，那這只要人看不到，AI 就看不到，我們就沒有辦法幫你偵測到。

Kuei：是，如說現場的管理員希望看到工人有沒有做事情的時候，第一個你會靠近看，第二個你真的看不到之後，就請他把手拿開，先把東西拿開或者是把在做的東西扳開，但AI他沒有那隻手，他無法靠近，所以你只好幫他做這件事情，你幫他做一件事情他就幫你做判斷。

等於說我們在建制整個生產線的工作流程時，必須要給 AI 足夠好的環境，讓他去做辨別，所以大家今天常常會有的錯誤認知就是，為什麼他做不到？人平常在旁邊做的到，但我們忘記人可以有不同角度去看，或者是用說話方式去請上面的作業員把手部動作移開。

Kuei：是，這些 AI 做不到所以你要幫他做，或者是說你要把這個空間騰出來讓他去看。

我很好奇 Kuei 覺得 AI 視覺在製造領域接下來未來會怎麼發展？我們可以有什麼樣正確的期待？

Kuei：這個問題其實我也還在了解當中，畢竟碰這一塊時間還有限。其實我們知道現在應用很多了，除了工廠的生產效率跟生產品質之外，我知道很多人也拿來做，比如說做 AOI、錯誤的偵測。基本上目前做的事情，大部分都屬於傳統電腦視覺應用在工廠領域在做的事情，只是以前做不好或以前的限制很大，現在透過 AI 的方式，讓他的能力更強了，他真的可以上線應用了。那未來我覺得大家要思考的是說，當我可以控制的資料量變大的時候，我有大資料的時候，以未來整個工廠全局的觀點，我應該做什麼樣的判斷？應該做什麼樣的事情？有時候在意一兩個小細節，第一個難做，第二不見得是你真的可以掌握 80% 問題的地方，有時候你看全局，比如說看一下今天工廠為什麼員工 30% 都集中在這個地方？代表說這地方是不是這條產線設計有問題？所以人都集中到這邊來，或是線上的產品怎麼都固定累積在那幾個點？這個可能就是瓶頸。不見得需要看到每一個，而只是透過一些數量的統計，透過一些物品的追踪，就可以讓你產線流向的情況呈現。

Kuei：遇到最大問題是，客戶說我幫你錄下來了，一天有 1,000 筆異常，但是你有沒有時間看 1,000 筆異常，看每一筆異常到底是不是工廠要在意的事情，還是說透過大量的分析，我可以幫你規劃成什麼，這個又是不同領域的知識衝擊。工廠習慣是用 sample 的方式，看小資料不看大資料，當你給他一個大資料的時候，也無法告訴你怎麼看他，那這個就必須說彼此雙方要坐下來，看我出來的是什麼東西，你就可以通過專業知識來想像說，我要怎麼用這個東西？這個變成是一個創造過程，以往這些東西，這些知識還不能應用的時候，我們當然不會創造出這些管理工具出來，那現在在 AI 已經是一個時機點了，只是說，未來大家怎麼合作才有辦法突破？

剛講到很多 AI 視覺的未來發展，還有他可以做到的事情，那身為 IE 工程師，他需要擔心被 AI 視覺給取代嗎？對工廠管理者來說，他們又可以怎麼去期待 AI 視覺幫助他們達成智慧製造？

Kuei：我還是偷一下陳維超老師講過的事情，他說那時候進去英業達，遇到第一個需要溝通的是，工廠他們很擔心你是來取代我的工作。這件事情是很有趣，就現在來看，至少從我的角度來看，未來5到10年主動型的AI，它並不是一個可以上線的東西。我們以自駕車來看，目前的自駕車以 level 2 為主，那 level 3 以上，其實大家都只敢規劃還不敢實作。**所以所謂的輔助性AI，它以後是一個很重要的生產力工具，至少在未來的 5 到 10 年，它是一個很好的幫手。**我會希望現場的 IE 是把 AI 當成好幫手，以往只有兩個眼睛可以看，只能看一部分的東西，但是當 AI 視覺進入工廠之後，你就有幾十個上百個眼睛來幫你看，但是當然你還是只有一個腦袋，所以你要幫忙去想，如果我有上百個眼睛的時候，我要看什麼東西？這個東西是討論出來的，這東西如果對你有幫助，我們就可以來思考說，如果你想看這個東西，那 AI 要怎麼看？輔助性的意思是說，我可以節省你去找這東西的時間，但是判斷這件事情，還是希望有專業的 IE 來做判斷。以往你覺得這場有問題，要花 10 分鍾站在產線前，拿個碼表去算是不是做錯了，未來你就是一定的資料累積下來，發現有問題的地方，你可以回去找，透過 AI 先幫你把關鍵的東西找出來，你可能坐在電腦前就可以完成。

Kuei：如果AI訓練的越久，我們越知道做什麼，省下的時間也會越多，那輔助性的東西，重點還是使用的一個人，使用的人需要告訴開發者說，你到底需要怎麼看這個東西？你自己怎麼看的？你需要看到什麼？這就是一個很重要開發過程。我們當然會期待這個東西是可以進步，越做越好，這也是我們在做這一行最主要的目的。

常常會聽到說，AI模型會搭配一個標準是準確度， 這個準確度，身為工廠管理者還有 data scientist 來說，它有多大的重要性？是準確度越高，就代表這個模型越好嗎？

Kuei：準確度這個東西分兩個層面來講，一個是做 AI 的開發者用的專業術語，accuracy、position、recall 都是我們在判斷模型準不準確的一些標準，實際上這些東西並不是直接代表應用上面的效果。我們做一般的物件偵測，是針對 image，是每個 frame 在看，假如一秒可以看 30 個 frame，那判斷錯，其中有一半的 frame，15 個 frame看不到，還有 15 個 frame 看得到，我們做完產品設計的時候，我就根據模型的準確度做一個設計，比如說我夠相信我的模型，這 30 個 frame 裡面，只要有 5 個 frame 看到，我就認為你是這個東西了，即便看起來好像只有 5 個，放到 30 個 frame，準確度沒有很高，但是作為應用，它已經夠用了效果夠好了。 所以其實邏輯不會只有 AI 那一層，一般設計的話，AI 上面有一個邏輯，上層邏輯，是根據現在環境去做一些設定，然後根據你要看什麼做一些設定，這些東西才是產品的準確度。這一整套設計下來，都會跟你真的想要看什麼東西有關係，準確度這個東西，更重要的是在應用層面上，應用上的準確度是什麼樣子。

回到底，還是要知道今天問題在哪裡？今天模型有沒有成功解答到這個問題？準確度這些其實沒有那麼重要，所以大家不應該以準確度來全權定義。

Kuei：不應該以單一模型的準確度來定義，尤其是這也會跟效能有關，你希望模型做到越準，模型就越龐大，所以他會有邊際效應，就是你用小型的模型就可以做到 90% 了，但是你要到 99%，可能是上千倍上萬倍以上的大模型才能做到，這個東西代表說運算成本很高，運算成本很高情況下，預算可能就不夠，人力訓練能力可能也不夠，訓練設備可能非常大，但是實際上你不見得需要這樣子，90% 的時候有 90% 可以做的事情，我們可以透過其他的設計，包含是 UI/UX 的設計，軟體的設計，通過這些設計，即便是 80%90% 的模型，也可以給你想要的東西。

今天很謝謝 Kuei 的時間，用非常平易近人的方式幫我們解說也解惑，不管是把 AI 視覺、AI 模型比喻成 3 歲小孩，我們就是需要時間去訓練他們，去餵給他們資訊，教導他們要怎麼看到產線上面的物件去辨別之外，其實現在我們卡住的一塊，還是會回歸到硬體設備，在預算上面的考量，這些其實都是要達成智慧工廠、數位轉型中，很常忽略一塊，但是大家會面對到的挑戰。