製造瘋AI前，先打穩製造的根基
即使少有人能清楚說明 AI 的定義或者包含了什麼樣的技術、方法或概念，各種 AI 製造的相關技術詞𢑥仍然大量出現在製造領域中，如 AI 缺陷檢測、AI 智能排產、AI 即時監控、AI 設備維謢預測等等。拋開 AI 定義模糊的爭議不談，這些普遍被談及但莫明被稱之為 AI 輔助製造的技術若應用得當，的確可以大幅的提升製造能力。
但是值得注意的是，這些技術是要建構在穩固的製造基礎能力上，才能發揮它們該有的加乘效果，真正產生投資技術的價值。
製造基礎能力才是根本，不能本末倒置
持續提高競爭力才是企業的重要目標，而製造的競爭力基礎在品質、成本及生產力上。企業在追逐 AI 技術之前，應先檢視內部是否已建置強化競爭力的系統並檢討其執行的成效。AI 技術可以加強競爭力的系統的功能，創造原本無法達到的價值，但不能取代強化競爭力的系統。
製造業涵蓋了從研發、生產到銷售，及供應鏈、備炓庫存、生產排程、品質工程等複雜的關聯領域，要能這些不同的領域產生優異的表現，且還要創造綜效，這是得靠長期持續的推動改善活動來累積才可能達到的。而要累積和應用這些相關知識、經驗和程序，也都需要優秀的工程和管理人才，沒有這些基礎，AI 技術能夠產生的價值將會非常有限。
以產品缺陷檢測為例，當我們投資檢測設備時，不論是否具有 AI 功能，我們不能僅只注意檢測的能力，還要從好幾個面向去思考所需要的檢測功能及相關的系統方法要如何建置及整合：
- 缺陷的分類定義：不論是單純的AOI或加上AI檢測，缺陷的分類必然是由工程師定義(至少到目前為止還沒發展出可自動定義缺陷的AI)。產品缺陷的定義通常會考慮相關的製程缺陷，這有助於快速的溯源，防堵或解決問題。
- 檢測誤判的風險管理：檢測都會有誤判的時候，這些誤判的風險也都需要被管理，及準備因應的預防或補救措施。檢測最大的風險是認為檢測都是 100% 正確。
- 缺陷的風險評估：不是每一種缺陷都相同的風險性，正確的風險評估，包括誤判的風險和缺陷的影響，才能產生有效的缺陷管制計劃。
- 缺陷管制、溯源及反應計劃：判斷缺陷發生率是否異常、異常時要如何溯源及如何處理。把所有的缺陷整併成一個良率，顯然很可能錯失偵測到早期異常的機會，但若過於細分缺陷置使數據碎片化，降低異常的訊躁比，也同樣的是一種失效的管制方法。
- 良率改善及知識管理：缺陷檢測的最終價值在此呈現。即使是 1% 的良率提升，在量產的規模下，也會累積出可觀的製造競爭力。從良率改善中得到的知識經驗也要整合至企業的知識體系內，做為新產品/製程開發或改善的參考。
即使單純就缺陷檢測的需求來做考量，為了使得投入缺陷檢測的資源取得最大的成果，我們就必須同時思考好幾個製造的實務課題。這些實務課題涉及流程管理、失效模式及效應分析及管制計劃等重要的管質工具的運用，和應用實驗設計、統計檢定、數據分析及領域知識、現場實務經驗等技能，都不是單純購入「AI智能檢測設備」就會解決，而是要經由持續改善累積而來。
以精實六標準差持續強化製造基礎能力
要能長期持續的推動改善專案，企業需要建立一套系統性的方法，且透過專案執行及檢討來強化這套系統。精實生產 (lean manufacturing) 跟六標準差 (Six Sigam) 經過數十年來許多企業不斷的實證，確立是最佳的方法組合。這兩者有一致的目標，都是透過持續的改善活動來不斷的提升企業的營運效能，但在注重焦點及方法途徑上有所不同。簡單來說，精實生產從去除浪費跟縮短生產週期著手，而六標準差從減少製程變異跟提升製程能力著手。這兩套方法廣見於各書籍著作，網路也不乏相關的文章，就不再贅述，但要注意的是，這些方法是知易行難，通常也需要整合各方不同的知識、技能及經驗。這些能力的建立，也不是花錢找顧問就可以輕易解決的。主要是高階管理層級要能具有持續改善的意識，且能在企業的不同層面訓練出不同的專業能力，而最終要能統合這些專業能力。但無論如何困難且複雜，這兩套方法，或其它類似的方法，是企業在打造優異且穩固的製造能力時不可缺少的重要方法，是務必要熟練且持續精煉的重要技能。
每個產業及公司都會其不同的製造基礎能力項目，大致來說，除了最重要的本業知識技能外，從精實生產及六標準差的概念延申而來的製造基礎能力包括：
- 解決問題的能力：建構出從問題現象到問題原因再到解決方案的邏輯思維及驗證精神來解決問題，而不是建立在問題現象的消失與否。
- 數據分析能力：從數據中萃取知識洞見的能力；以分析數據幫助我們理解現象的能力。
- 統計思維及應用能力：理解製程的不確定性，運用機率及統計在不確定的情況下做出理性判斷的能力。
- 流程 (process flow)、失效模式效應與分析 (FMEA)、管制計劃 (control plan) 的整合運用能力：流程的潛在失效點分析，管制點要建立在接近失效點之處，且要能有效管制，SPC是管制計中的一部分。
- 了解各類型的 SPC 的建立方法及正確的應用。
- 實驗設計：產品/製程開發、改善或問題解決，很有可能需要做實驗來研究或驗證。不了解實驗設計，做實驗很容易是在碰運氣，更糟糕的是，可能會做出錯誤的結論。
- 了解七大浪費，系統性的去除這些浪費。
- 價值流程圖的運用。
- 5Ｓ：製造基礎的根本，沒有落實 5S，生產將會是一場災難。
在面對諸如大數據、智慧製造、AI等流行浪潮時，我們總禁不住疑惑如果不追求這些流行的科技時，是否會喪失競爭力？但另一方面，我們是否因疲於空泛詞彙的轟炸，過度排斥這些潮流科技，而錯失了應用這些技術的機會。較好的方法是，保持對於潮科技的中性態度，了解其內容，找尋在實務上有助於企業加強整體競爭力的技術來應用。重點在不斷的強化基礎能力，而不在於是否運用到 AI 等潮流技術。