工業4.0和智慧製造，經過多年來的討論和演進，目標已經清楚並且也是一個可以達到的願景，道理是容易理解的，導入AI，然後做出超過人類的成果，但是用在智慧製造的時候，好像缺少什麼。
AI要能成功，有三個主要的部分：一、演算法(Algorithm)，這個現在大家都有，二、電腦運算能力(Computing Power)，這個大家都買的到，你只要有錢就有，三、數據(Data)這一塊，特別的麻煩，本身搜集就是一個問題，再來你對數據根本不了解，以現在的技術，語言和影像可以轉換成數據，但是機台種類繁多，產生的特性和要求，你也都還不了解，你又要怎麼去分析？
工廠要先數位化(數位轉型)，搜集好數據，了解數據。才有機會邁向智慧製造
只搜集營運的數據是不夠的，設備的數據和技術的數據，這些都應該要完整的搜集。市場上其實看得到很多提供這樣解決方案的供應商，但是有很大一部分做的是看得到的數位轉型。比方說哪台機器有沒有在加工，有沒有料，亮燈之類的提示，但是這不是你要的，你要的應該是所謂看不到的資料，像是機台裡面的加工品質、效率、穩定性等等，不是有加工沒加工就好。當然了解稼動率很好，但是如果哪天你稼動率低，你不會知道為什麼。所以未來是關鍵，搜集能掌握未來的資料，透過分析去知道原因，未來這些事就能在你的掌控之中。
別把數位轉型當專案在執行
工廠流程的環節不只一兩個，但不論如何總要先透過數據分析，了解之後才能優化。現在的做法是將最複雜最有價值的幾個問題丟出來，先成立專案組，以專案方式處理。這樣的作法會讓企業內部產生責任推託。事實上，一間工廠要能真正進化，邁向工業4.0，將會有幾百個甚至上千個問題需要解決，也就是所謂的「長尾」問題，而這些問題的總價值很可能還超越最貴的那幾題。
數據分析全流程能解決長尾問題
過去在軟體開發的領域，企業盛行一套DevOps的開發維運框架，為的是能系統化和規模化去應付頻繁的部署需求。面對數位化過程中對數據分析效率要求的提升，國際上現在也效法DevOps框架，發起了AnalyticOps的概念，用一套系統化的平台建構一個可規模化的數據分析流程，提升企業內部各環節數位化的效率。
去年因緣際會接觸到美商訊能集思，他們的產品理論框架就跟AnalyticOps很相似，訊能集思推出的智慧決策平台JarviX以OT端的需求切入，透過AI增強分析的技術來降低工具的使用門檻，讓OT端能夠自主的完成數據分析全流程，減低企業為了數據分析付出的龐大跨部門溝通成本。對比以往需要IT和DT人員搭配組成的專案團隊去做分析，現在OT的人員就能直接做數據分析，大規模的提升分析流程各環節的效率。
學習的機制會是最大的挑戰。讓機台能夠越來越好
一個機台你用可能70分，我用可能85分，但是一個100分的機台，再厲害的人都沒辦法用到200分。要做更好的產品，當然可以去提升機台的精度或者穩定度，但是如何用他，這就是數據分析能讓你知道的，你能夠加值，超越大家所使用的極限，從數據看到未來，真正解決問題或者持續優化流程。
傳統老師傅將這些機台使用方法儲存在他腦袋裡，轉變為直覺反應，他也有做一些統計分析，但是主要還是依靠經驗，這些事比較偏向“個人的修為”。事實上，現在整個世界，透過軟硬體技術的革新，是可以更精準的。還有另一個問題，這世界變化這麼快，老師父講的雖不是錯的，但也不見得是對的。數據的一個好處是，他正確成分絕對是更大，因為他反映的是真正製程裡面的東西。「看一個人健不健康，如果能量測他身體所有的數據，一定是更精準。」
我在中原大學過去二、三十年的時間都在鑽研模具設計和精密加工，2019年「知行領航館」落成，智慧製造研發中心正式啟用。這幾年，智慧製造在經過無數的討論、報導和研討會活動，業界已經更了解其中脈絡，即便選擇邊走邊觀望，想先看看別人怎麼做，基本上也都確定要走，但還是常常會遇到有些企業覺得資料和數據是重要資產，不願意跟廠商合作，這種思維絕對要改變。
好比中原智慧工廠示範場域的部分，我一直這麼跟學生分享，如果可以一看就學會，我們也就不會花這麼多時間去研究，企業和廠商合作，數據才可以更有效地整合運用，便能一步步幫助企業往智慧製造的領域邁進。
（本文作者:中原大學機械工程系特聘教授、計算機中心主任、智慧製造中心副主任鍾文仁博士）