第十一屆製造業 CIO 論壇 台北場 會後報導
在製造業智慧轉型過程，精誠資訊認為數據中台是不可或缺的新的核心基建，可做為統一的數據治理平台，整合管理四散資源，藉由數據再運用，為製造業提供強大的數據服務與持續創新的基礎。
文／明雲青
隨著 AI 熱潮延燒，讓許多人開始出現焦慮。以製造業為例，眼看 AI 從機器學習、深度學習一路發展到大語言模型、多模態模型，生怕自己無法跟進最新技術，阻礙智慧製造計畫推動。
但需要如此焦慮嗎？精誠資訊數據中台發展處資深協理于正之提醒，企業應回頭檢視智慧製造的定義，其實它含有兩大關鍵原料，包括現場數據、老師傅經驗，彙集兩項原料就能執行模型訓練，也就是 AI for IA 概念，終極目標是實現 CPS（Cyber Physical System）虛實整合；應其思考方向絕非 GenAI，屬於機器學習範疇。
「從實端蒐集資料，直到虛端能模擬這些資料、做出反應，這就是虛實整合，」于正之說，如半導體廠避免對晶圓做破壞性檢測，因而在晶圓產出瞬間進行虛擬量測，便是常見的 CPS 應用場景。其實早在 2017 年，智慧製造框架已被勾勒出來，要先做底層 Connection Level，再往上建構 Data to Information 層，將採集的資料變成模型化，轉為有意義資訊，接著往上走到 Cyber Level、Recognition Level。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球 CIO 同步獲取精華見解 ]
儘管前述框架問世多年，但迄今仍難實踐，造成製造業導 AI 的比例偏低。除肇因於市場盛行的 AI 模型不適合拿來訓練，或企業高層缺少策略性計畫及 AI 領導方針外，亦與數據儲存或傳遞方式有關。
由於資料品質問題，使企業需要花很多時間整理資料，加上缺少數據治理能力，因而無法順利訓練模型，阻礙AI發展。AI 需要數據、算法、算力三要素，缺一不可，而現今資料科學家花 60% 時間處理數據收集、彙整暨標準化、清理、探索，簡言之花費大量時間在整理資料、而非模型訓練，癥結就是資料不齊備。
礙於傳統基礎建設與數據蒐集方式限制，企業要從 Staging 到 Data Warehouse、Data Mart，其實就是一次次的拷貝，每次拷貝都造成更多數據孤島與數據冗餘。
為此精誠依循 Gartner 提出的數據中台倡議，致力協助製造業透過 Data Fabric 數據中台的整合、蒐集與組裝，不再進行無止盡的拷貝，提供最終用戶單一真實數據現況；即是在所有資料儲存體之上更高位階另外打造中台層，藉此為最終用戶（資料科學家）提供更佳數據服務，加速特徵化工程與資料科學進程以實現智慧製造AI大未來。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
