當發現生產現場OEE(Overall Equipment Effectiveness)下滑，一定是稼動率的問題嗎？其實業者真正應該做的是歸因分析，如果沒有追根究柢從中找出真正影響結果的關鍵因子，可能是製程參數，或材料問題，而只是一味拉高機台極限，最終仍難以維持長久且穩定的品質。《數位轉型 台灣最行》應用篇系列第六集，DIGITIMES邀請到品質管理專家中方科技總經理邱培其，分享製造業如何運用AI在透過不斷自我優化的過程中，達到更精確的品質管理。
成立於1993年的中方科技，主要從事TQM全廠品質管理系統及精密檢測自動化產品的研發與設計，過去曾協助將近五千家製造客戶在生產現場中探究品質管理課題。在製造業中，品質一直是眾所追求的終極目標，過去製造業已相當熟悉地運用如統計製程控制(Statistical Process Control；SPC)來進行品質管理，但隨著未來產品變化更迭速度加快，追求穩定的品質，不能只靠當下或事後的分析與管制，事實上業者該探究的是「為什麼會造成這樣的結果？」也就是透過歸因分析，往前找出根本問題並解決，透過及早「預測」，才能超前部署。因此中方科技結合這樣的概念，發展出新形態的品質管理系統：AIQ。
什麼是AIQ(AI Quality System)？從字面敘述來看，指的就是人工智慧(AI)品質系統，藉由AI協助業者進行品質要因分析。造成品質波動的因素包括5M1H(人、機、料、法、環、測)，邱培其表示，以現在的科技工具來說，透過機聯網或感測器等方式抓取機台參數，或各項關鍵數據都不難，AIQ是一個分析引擎，它可以把抓進來的數據過濾、整理、整合，透過AI把製程當中的關鍵因子，與從SPC或AOI當中已知的品質結果進行比對，找出關聯性，而透過結果不斷的反饋，再從製程中改進、優化，進而形成一個正向循環。
AIQ是用大數據做要因分析，藉此改善品質，企業部署的重點是什麼？眾所皆知，數據的品質越完整，AI就越精準，但這是否代表製造業者應該抓取全生產線上的所有的製程參數？理論上是這樣沒錯，但從成本投入來看，這是相當不現實的。邱培其因此也建議業者，第一步應先找出痛點，從影響最大的工站率先切入，先抓取局部製程參數與相對應的品質結果，再透過AI系統進行關聯比對，現場工程師就可以知道哪些製程與結果互有關連，藉此率先調整影響最大的關鍵製程參數。
歸因分析事實上就是一個不斷自我優化的過程，這與當前智慧製造所強調的適應性有著相同的理念，甚至帶來意想不到的效果，邱培其實際以某DRAM封測業者舉例，全廠多達3~4000部生產機台，但卻發現即便是同一廠牌，也會出現品質不一的現象，為了優化產能，這家封測業者甚至藉由AI分析，在不投入任何成本的情況下，重新配置與部署機台，將表現穩定的機台集中承接高價訂單，而相對表現較差的機台，則售出或轉接低價訂單。
智炬科技總經理歐俋伶藉過去輔導製造業數位轉型的經歷也分享，過去當OEE下滑，業者習慣先拉高機台極限，但卻發現做越快、壞越多，這是因為業者通常沒有追根究柢的抓出真正的關鍵因子，造成誤判，在此情況下，就會造成良率時好時壞，而無法維持穩定的生產品質。當前智慧製造數據採集的基礎工程，市場上已有諸多成熟解決方案，技術上不難，因此只要有完整且真實的數據，製造業就能跨出第一步，透過數位治理改善生產線上的痛點。(更多精彩內容請鎖定《數位轉型 台灣最行》第二季應用篇)