【製造業 AI 韌性】系統失效比預期更早到，建立 AI 韌性是製造業的利潤來源而非保險措施
對於大多數積極導入 AI 技術的企業來說，一旦人工智慧開始做出決策，它就不再只是一種工具，更是營運基礎設施的一部分。
因此，企業領導者不僅得關注 AI 能夠正常運作的時間、延遲性，還要明白每一個人工智慧系統，終究有其訓練、處理的極限，並將遭遇前所未見的情況。
IT 顧問公司 Devox Software 執行長 Kostiantyn Gitko 指出，AI 系統達到自身極限的那一刻，往往會比營運團隊所預期來得更早，所以如何建立真正的營運韌性，將是企業贏得市場優勢的重點所在。
手握大量數據，不如明智決策
Kostiantyn Gitko 表示，AI 時代下製造領域企業應該關注的 4 大指標，包含偵測、決策、行動與恢復能力。雖然 AI 能夠縮短企業的決策週期，但若缺乏嚴謹的流程管理，便會導致訊號過載，進而使執行陷入停滯。
根據麥肯錫（McKinsey）的分析，前述瓶頸正是只有 7% 的企業，有辦法在組織內部全面部署 AI 的主要原因，畢竟光是解決非結構化資料問題還不足以解決問題，企業更要考慮能否將結構化與非結構化資料，整合成一套受管控、可重複使用的基礎架構。
在不同情境下，比方說資料科學家與工廠管理者，雙方對於風險、異常訊號定義方面的差異，可能會導致營運團隊疲於奔命，只為尋找根本不存在的問題。
Kostiantyn Gitko 表示，外部供應商所供應的資料也是如此，若 AI 模型基於過時的規格運作，即使它技術方面正確，但實際運作時仍可能出現錯誤，因此 AI 系統終究得隨著條件變化而調整，而非痴痴等待下一次重構，企業的反應速度亦將決定 AI 帶來的自主性，究竟會成為優勢或者劣勢。
追蹤指標片面，韌性有完整視圖
另一方面，Kostiantyn Gitko 指出包括故障解決率、警報回應率和平均修復時間（MTTR）等，在帳面上都很容易追蹤，可是這些指標只能告訴企業，關於系統運作的速度，卻無法告訴組織何時應該得保持沉默。
以目前的情況來說，許多企業都承認導入自主式 AI 之後，公司的營運效率得到了顯著提升，例如生產線上的「自動化視覺檢測」就是很成功的案例，同時該技術的應用潛力，也遠遠不止於品管檢驗領域。
麥肯錫曾經表示，直到 2030 年，自主式 AI 有望為先進產業創造約 4,500 億至 6,500 億美元的額外年度營收，其中製造業和汽車領域，預計將能獲得最大收益，甚至可再透過自動化重複性任務、簡化營運流程，將整體生產成本降低 30% 到 50%。
即便如此 Kostiantyn Gitko 仍然強調，AI 系統運作時依舊會面臨情境資訊不完整的情況，導致生產現場發生錯誤、資料中斷或整合失敗，此時具備韌性的生產系統，就可以為人類操作者提供所有訊號的統整視圖，協助他們在問題擴大前，及早發現並著手處理。
人類依然重要，AI 汰換仰賴主觀
面對規模龐大的製造業生產情境，有些任務其實會發生於數位系統之外，因此並非每一項決策，皆能夠被系統以數據形式完整記錄。
Kostiantyn Gitko 直言，端到端可視性只是解決方案的一部分，人類操作者在生產過程中所觀察到的細節，舉凡某種特殊氣味、異常的聲響，或是機器運作行為的微小變化，其實都應該成為決策的來源。
簡單來說，一套真正有韌性的系統，必須是將人工智慧的速度，跟人類的主觀判斷互相結合，而非強迫決策者在兩者之間做出選擇。
Kostiantyn Gitko 指出，人類主觀判斷亦適用於 AI 技術本身的導入、退場；決策者必須早一步思考，當前的 AI 解決方案是否能夠適應未來需求；當出現更好的選項時，現有系統又能否被安全替換、回溯或者淘汰。
韌性成利潤來源，讓效益超過支出
Kostiantyn Gitko 認為，企業生產系統的韌性，在 AI 時代下，已經成為了利潤的一部分；足夠的韌性不再只是一種保險措施，更是提升組織績效的槓桿。
在過去，大多數企業只會考量「故障」帶來的損失，或者「預防故障」所帶來的成本其中之一，但隨著工業物聯網（IIoT）與 AI 技術相互結合，當代企業已經能夠開始兼顧兩者，例如提前得知哪些設備可能發生故障，以及接下來應該採取什麼行動，改變單純依照時間表進行維護、汰換的傳統方法。
除此之外，執行 AI 所帶來的能源成本，也逐漸受到企業關注，特別是對於製造業而言，建立韌性不止是得減少生產線的停機時間，還會取決於企業能否高效部署人工智慧，使 AI 所造就的營運效益，超過 AI 本身的能源成本支出。
Kostiantyn Gitko 強調，減少問題、縮短停機時間並降低能耗，只要企業可以準確掌握這些指標，那麼它們所打造出來的韌性，便能夠成為利潤的來源。
打造企業反脆弱性，反映獲利表現
隨著 AI 不斷發展，製造業已經來到技術的轉捩點，那些成功大規模部署人工智慧的企業，正在積極實現生產力的提升，並隨時間推移不斷累積增值能力。
Kostiantyn Gitko 認為，在未來有辦法運用 AI 精進人類判斷力，並於每次生產中斷後更快恢復，以更強大姿態回歸的企業，終究會取得市場優勢，同時這種「反脆弱性」，亦會體現於企業最後的獲利表現上。
製造業的每一次升級，背後都是值得深入解讀的故事。如果你擅長從技術趨勢中提煉觀點、寫出決策者真正需要的報導，想和我們一起記錄產業轉型，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
【推薦閱讀】
◆ Nissan 用 AI 分析工人姿勢防職災，省下 3,400 萬美元：員工為何從抗拒變歡迎？
◆ AI Agent 進入製造業卻卡在工程系統：真正的瓶頸為何不再是模型？
◆ AI 試行專案燒錢又沒成效？供應鏈 AI 落地的 3 個實務原則
＊本文開放合作夥伴轉載，參考資料：Forbes、McKinsey，首圖來源：Nano Banana 2
（責任編輯：鄒家彥）