AI仍就是各行各業的熱門關鍵字，但經歷這幾年發展下，可以發現實現各種AI應用背後所需的技術門檻變得更低，甚至不懂程式開發的領域專家，都能自己動手快速建立ML模型。在《數位轉型 台灣最行》應用篇第十二集，專注於AutoML服務的杰倫智能創辦人暨技術長林裕鑫分享製造業如何運用自動化機器學習引擎，快速建構AI專案，縮短與AI的距離？
理論上導入一個AI專案建立的流程是：要先定義解決的問題，接著進行資料蒐集，然後進入資料清洗與預處理，緊接著開發程式與預測模型，而在實際部署前，還需要再驗證預測模型。但這看似幾個步驟的過程，卻讓很多不熟悉AI的製造業者裹足不前，林裕鑫指出，像是資料處理的過程中面對太過繁瑣的數據處理起來相當棘手，且特別對於中小企業而言，取得模型開發人才相當不易，再來，則是驗證模型又會花費大量時間。
IBM報告指出，一家企業光是優化、管理機器學習模型，就需要1至6名資料科學家。技術門檻在前，人才又不易取得，這樣的需求既而衍生爆發式的自動化機器學習(AutoML)產品如雨後春筍，AutoML是一種能夠讓機器學習模型開發中耗時的反覆工作自動化的程序，這讓相對缺乏人才的中小型企業，也能自己打造客製化的機器學習模型。包括Google於2018年發表的Cloud AutoML，以及雲端龍頭AWS也在2019年推出AutoPilot。
隨著產業加速轉型需求，導入AI的需求更盛，除了AI專案開發，如何讓機器學習這項技術快速普及化，也成了市場上的另一塊大餅。AutoML到現在也變成了主流機器學習服務的標準配備，創立於2018年的杰倫智能也是其一，杰倫智能以AutoML技術為核心，將AI技術化繁為簡，以產品化、模組化的方式，提供自動化機器學習引擎，目的就在於希望快速為製造業鋪上邁向AI的第一哩路，縮短與AI技術的遙遠距離。
林裕鑫認為，AI要普及，就不應該讓演算法或程式成為一道艱深的難題。而杰倫智能發現，事實上同類型的客戶在開發AI時所遇到的問題與情況恰好類似，因此杰倫智能便融入過去在客戶端的解題經驗，透過將開發AI時的繁瑣工作與技術產品化、模組化，變成簡單易用的工具，因為不需要自行撰寫程式碼，因此企業即使沒有完善的資料科學家團隊，也能自主完成AI專案。「對客戶而言，就像是擺了一個資料科學家在辦公室裡。」林裕鑫簡單地說，甚至這項工具簡單到，一天之內就可以完成系統的安裝與訓練。
林裕鑫也以PCB實際應用案例舉例，像是在蝕刻製程中關鍵的蝕刻速度，過去要靠老師傅根據前製程狀況再來調整後製程參數，該PCB業者希望利用跨製程的數據建立預測模型，以自動調整蝕刻機台的速度或預測良率。
過去像這樣的專案開發，需要資料科學家不斷寫演算法開發模型，然後不斷試錯，然而現在利用AutoML則可將這段複雜又繁瑣的過程快速自動化，甚至透過模型指標判斷模型是否合用，而產線上的專家所要做的一件事，就是將結果與過去的經驗比對，找出哪些部分可再持續優化。
如此一來，過去老師傅的經驗便變成AI模型儲存在系統裡，林裕鑫指出，尤其當前國際形勢變化，供應鏈重新布局，不管是移轉第二生產基地，或本國製造，對於製造業者而言，建立AI系統的好處是可以快速移轉，把製造經驗移動、複製到每一個工廠中。(更多精彩內容請鎖定《數位轉型 台灣最行》第2季應用篇)