● 工業 5.0-人性化工場   ● 機器人自動化的效益   ● 運用真人及機器勞動力協作的好處   ● AI人工智慧系統概述   ● 5G 將成為無限通訊主流  

》工業 5.0-人性化工場
當全世界都熱中於創造未來的智慧型聯網工廠時 事實上現今有一股新的潮流也正在改變生產流程 那就是在製造過程中加入更多的人性。
這個風潮又稱作「工業 5.0」或協作式工業
「聯網勞動力」
「聯網勞動力」,也就是機器人來和真人一同工作,作為日常營運模式
而且,絕大多數的製造商都認為這是其商 業戰略中不可或缺的一部分




》機器人自動化的效益
• 機器人能提升產品品質和生產線流程的一致性 ‧員工不必再做重複性、枯燥繁瑣且危險的工作。
• 如今的聯網機器人-「工業4.0」機器人 可持續針對零件流程和程序品質產出數據 應用在人工智慧(AI)或傳統的數據分析技術, 藉此優化工廠和製程。
• 相較於特殊機械或其他硬體自動化而言 機器人具備了更大的彈性,能針對單一產線提供更豐富的產品多樣性。
• 整合工業4.0設備的物流系統後,能根據顧客預先設定好的選項 「大量客製化」,生產不同型態的產品 。
• 機器人導入的成本在全世界都相同 因此有助於企業將已經移往低勞動成本國家的工作再回流本國 創造出公平的競爭環境。


》運用真人及機器勞動力協作的好處
1.可客製化,加入真人的創意元素
• 只有在生產流程中,加入適當的真人創造力,自動化的威力才能發揮到最大。
• 如果只有機器人的話,機器人只會做被指示要做的事情,而且還需要大量時間與心力進行程式的編寫。
• 協作型機器人-cobot,則是和真人勞工同步作業。
• 在這樣的情境中,真人和機器互補所短,真人可負責客製,而機器人處理產品或準備產品讓真人加以進一步操作。

2.創造工作
• 由德勤 (Deloitte) 技能鴻溝的報告,接下來的十年裡,將有 340 萬個工作職缺將彼此競爭爭取合格的 140 萬人力。
• 機器人可以完美地填補這些職缺中的許多角色,而協作型機器人更可於真人勞工身旁一同作業。
• 協作型機器人的價值-接手呆板、重複性高或危險的工作,讓真人勞工聚焦進行產值更高的部分。
• 就確保工作穩定而言,最大的威脅在於企業無法維持競爭力 透過更高且更一致的產品品質、更大的產能及更低的整體成本 自動化能為企業帶來高競爭力的優勢。
• 協作型機器人可在企業內增加就業機會 -協作型機器人提高生產力,鼓勵真人勞工提升其能力。
• 協作型機器人不是取代真人勞工,而是和真人勞工在 製造及加工任務上一同作業。
• 當製造商致力於提高產出並開發新產品線時,協作型機 器人也可幫助製造商增加勞動力 讓員工更有工作上的成就感,收入也可獲得提升。

3.真人勞工扮演更佳角色
• 協作型機器人不會取代真人勞動力 而是接手費力甚至危險的工作。
• 真人勞工可善用其創意,來處理更複雜的專案。
• 例如:機器人接手處理簡單的組裝作業,真人勞工可處理更細微且 需要人類智慧的事物。
• 不須煩惱貼標的工作,真人勞工就專注於更多機器的運作,並可從 事工廠內變化更多的工作。
• 工業5.0-人機協作時代-即是為了讓機器人協助人類做好人的工作。
• 機器人只有與人類協作,雙方才能一同發揮最大價值。
• 機器人作為多功能的工具,為產品進行加工 人類則負責加入創造力思維的角色 使產品更獨樹一格,滿足企業及消費者的需求。
• 使用機器人替面臨工資上漲難題的企業提供了另一解答 而機器人也將用其強韌的可塑性,成就另一番產業新面貌。

聯網且協作的勞動力,開創了廣大無窮的商機 也帶來了工作環境中更高的安全性及更多的滿足感 且讓真人勞工能擔任更加引人入勝的角色 更刺激了工作的成長


》AI人工智慧系統概述
1.AI 介紹
一般稱的 AI 其實是 Artificial Intelligence 的縮寫,而這個名 字也清楚地表達了它的涵義。人工 智慧的定義其實就是以「人工」編 寫的電腦程式,去模擬出人類的 「智慧」行為,其中包含模擬人類 感官的「聽音辨讀、視覺辨識」、 大腦的「推理決策、理解學習」、 動作類的「移動、動作控制」等行為。

2.AI 的應用與技術內容
1.搜尋:尋找最佳路徑、最短運算的搜尋方法,用來加快電腦的運算 或減少記憶體的負擔,如 BFS 優先廣度演算法、A star(A*)演算法 等。
2.邏輯推論:為了讓電腦能進行推理、抉擇、修正,發展了許多邏輯 推論系統,最廣為大家使用的就是布林運算,其主要利用二元的運算 符號(0、1)去定義邏輯的函數,相當方便直觀,應用也很廣泛。
3.統計、機率:主要目的是透過機率統計數學模型,幫助分析資料、 處理大量數據,如 EM 演算法、貝氏網路等。
4.神經網路: 模仿生物神經網路的結構與功能,能透過輸入的資料訓 練,產生對應的演算法模型,學習判斷指定的問題。

3.AI/ML/DL 的關係


4.機器學習
傳統的機器學習結構:資料→ 特徵擷取→模型→答案 透過機器學習的模型-支援向量 機(support vector machine, 簡稱為SVM,又名支援向量網路) 是在分類與迴歸分析中分析資 料的監督式學習模型與相關的 學習演算法。

5.深度學習
深度學習是透過神經網路 (Neural Network)的方式來 實踐,而神經網路由無數個神 經元串聯所組成,這些神經元 的運作方式和人類神經一樣, 一個連著一個傳遞訊號,只不 過輸入的不是生物電流,而是 變數、權重(weight)、誤差 (bias);其中,每個神經元 本身都是個小小的函數,資料 會在神經網路中慢慢轉化,最 後得到我們的預測模型。
深度學習是透過神經網路(Neural Network)的方式來實踐,而神經網 路由無數個神經元串聯所組成,這些神經元的運作方式和人類神經一樣, 一個連著一個傳遞訊號,只不過輸入的不是生物電流,而是變數、權重 (weight)、誤差(bias);其中,每個神經元本身都是個小小的函數, 資料會在神經網路中慢慢轉化,最後得到我們的預測模型。 其實答案選 A 和 B 都對喔!由於神經網路訓練的是貓狗模型,所以模 型會按照它分類的特徵去判別這隻豬的照片,嘗試讓它在貓或狗之中選 出一個答案(即使它不是貓也不是狗),所以這也是深度學習的限制, 預測的模型主要仍取決於輸入訓練的資料。

6.在企業中實作機器學習
機器學習通常用來根據過往的資料來預測未來的結果。例如,組織會使用機 器學習根據特定人口統計學來預測他們的產品在未來會計年度的銷售量;或 是預測具備哪些特性的客戶對品牌不滿意或最忠實的可能性最高。這類預測 有助於做出更好的商業決策、提供更貼近個人的使用者體驗,以及具備降低 消費者忠誠度成本的潛力。ML 可補足商業智慧 (BI) (主要在於報告過去的 商業資料) 不足的地方,可根據以往的趨勢和交易來預測未來的結果。 在企業中成功實作 ML 有幾個步驟。首先,找出真正的問題;識別明確後可 讓企業受益的預測。接著,必須根據以往的業務指標 (交易、銷售、損耗等 等) 收集資料。資料彙總之後,即可依據這些資料建立 ML 模型。執行 ML 模型並將模型的預測輸出套用回商業系統,以做出更明智的決策。


》5G 將成為無限通訊主流