AI落地工業環境挑戰多，中鋼歸納3大AI導入經驗：足量訓練資料、選對技術、循序漸進為成功關鍵

中鋼採取由現場出題、專家解題的方法，從2017年開始較具規模的導入AI，今年在臺灣AI年會上，更分享了實作AI過程中遇到的挑戰，更以自家代表性的AI專案，歸納出3大實戰經驗來提供他者參考

文/翁芊儒 | 2020-11-19發表

中鋼綠能與系統整合研究發展處研究員許朝詠，以自己實作過的多個AI專案，來分享從選題、執行到落地的3大AI實戰經驗。

中鋼從2014年開始擁抱智慧製造，經歷了許多試驗後，才在2017年更有規模的落地AI應用，採取由現場出題、專家解題的方法，每年從上百個提案中篩選約20個可行性較高的方案，來導入應用場景。中鋼綠能與系統整合研究發展處研究員許朝詠，也在今年的臺灣AI年會上，以自己實作過的多個AI專案，從選題、執行到落地，歸納出3大AI實戰經驗，來提供其他企業借鏡參考。

許朝詠首先引述麥肯錫2019年發布的一份報吿指出，企業要在工業場景落地AI並不容易，超過7成的企業正在進行局部試點，其中29%企業已經試點超過2年，56%進行了1～2年，更有15%才剛起步。對中鋼來說，在導入AI過程中，也同樣面臨了「試點困境」，尤其在電腦視覺要落地煉鋼場域時，中鋼也面臨了4個AI應用挑戰。

其一，是工業環境不易控制，會造成取得影像的品質差異大，比如鋼鐵製造環境動輒在900度以上的高溫中，處理過程也可能噴水冷卻，導致難以取得清楚的影像；又或是在同樣位置拍攝的影像，也可能因光源不同，導致影像呈現不同的效果。

其二，現場實際環境會限制AI應用的計算能力，比如部分場所的空間有限，無法擺下GPU伺服器、或高計算能力的設備，甚至連網路線都無法部建，「在這樣的環境下，我們的模型就必須要能兼容邊緣運算，才能實際應用。」許朝詠說。

其三，被偵測物體的尺寸不一，也會影響深度學習的模型訓練成果。許朝詠以識別鋼品身分的AI序號辨識為例，就算是相同的鋼品，影像拍攝的尺寸不同，會造成鋼品上印製序號大小的差異，進而影響序號辨識模型的表現。

最後，則是深度學習模型的調整彈性差。同樣以序號辨識模型為例，許朝詠表示，有時會遇到視覺效果相同的數字（比如像是同一個數字1），在不同序列中卻無法辨識，「為什麼有時候，1可以辨識出來，有時候卻不行？」許朝詠表示，要解決這個問題，通常需要重新訓練模型，但會消耗許多時間。因此，中鋼目標要提出適合工業應用的物件偵測技術，來更輕易且廣泛的應用到各個製程。

3大AI導入經驗之一：充足訓練資料是AI成功落地的一大關鍵

許朝詠也透過多個中鋼導入AI的案例，來分享導入經驗。比如說，前述提到的AI序號辨識應用，是指在將鋼片卷曲製作成一卷卷的鋼卷後，會在鋼卷的金屬表面或是側面，噴印上鋼鐵的生產序號，藉此來辨識每一卷鋼鐵的身份。但是，這些序號的噴印位置，可能帶來不同的辨識挑戰，比如噴印在鋼卷表面，就可能因金屬反光影響序號辨識的精準度，若是噴印在鋼卷側面，層層堆疊的鋼片又可能導致字體變形，均會影響AI判讀。

「我們提供技術，但有些問題不是技術能解決的，就要跟現場人員溝通，請他們協助解決問題。」許朝詠指出，AI落地需要與第一線人員溝通協作。

不過，就算與現場人員合作，序號的辨識率仍無法達到100%，尤其是鋼卷側面序號的辨識率，僅達到9成5，「序號要完全正確才能用，9成5其實很低。」許朝詠表示，為了克服這項挑戰，中鋼在產線上的多個位置都設有攝影機，同時將這些攝影機判讀的資訊互通，透過多點的資訊對接，來判斷出鋼卷序號。

「不要把問題放在同一個地方，比如利用多點攝影機、多資訊的串流，去補足AI模型上的不足，就能讓整個系統的準確率達到100%。」他說。

另一個例子，則是高爐原料粒徑分析的AI應用。一般來說，高爐是用來將原料溶解為鐵水，而原料在送入高爐時，若粒徑大小分佈較平均，就能提升高爐的燃燒效率，中鋼甚至推算，高爐燃燒效率每提高1%，每年可以減少上億的燃料經費，因此，中鋼用AI來辨識每顆原料的粒徑大小，即時計算出進到高爐的物料大小與分佈狀況，再根據計算結果來調整物料分佈，進而提升燃燒效率。

許朝詠表示，上述兩個案例的共通點，在於資料的取得非常容易，不管是序號或是原料的影像資料，都在產線上不斷產生，「影像取得沒問題，資料也乾淨，較有機會訓練出良好的深度學習模型，也有機會快速達到成效。」相對來說，瑕疵辨識這類AI應用的影像資料搜集，就比較困難。

「要判斷一個案子能不能做，可以先看能不能蒐集到足量的資料。」這就是許朝詠歸納的第一大AI導入經驗。

3大AI導入經驗之二：不是最新技術也能打造最切合場景需求的應用
許朝詠也接續說明了無人天車的AI應用。天車是一種重型的起重裝置，用來吊送貨品、放置到指定位置，而中鋼就是將原先需要人為操控的天車，透過AI達到無人化，「這也是我認為中鋼應用AI最成功的案例。」

要達成無人天車，主要是把人眼看到的操作資訊，透過電腦視覺轉換為控制的指令，再交由天車自動執行，也就是將操作人員看見的鋼卷位置、放置位置及操作方法，都轉換為天車指揮系統可以判讀的資訊，再透過運動控制達到自動化。

無人天車使用的技術，包括能透過座標辨識來裝卸鋼卷的機器視覺系統，以及能透過RFID讀取鋼卷身份，再準確偵測鋼卷的中心位置來吊起鋼卷的智慧型吊夾，而整體鋼卷的吊運排程與吊運路徑最佳化，則是由天車指揮系統來規劃，中鋼同時也建置用來傳輸車籍資料、整合裝卸車資料的雲端倉儲管理系統。達到天車操作全自動化之後，中鋼也設置了主動式安全防護機制，透過深度學習來偵測天車下方是否有人行走，並在行駛過程中自動辨識障礙物與閃避。

建置了無人天車帶來的一大效益，就是能在出貨的前一晚，由機器自動理貨，將要出廠的貨物就近放置到出貨的位置，「天車不會休息，人會休息，在不需出貨的時間先理貨，就能加速出貨的效率。」許朝詠說。

中鋼的無人天車也早在2018年就投入運作，至今已經完成超過數十萬顆鋼卷的吊運。不只自建自用，中鋼也將這套無人天車系統外銷到中國鋼廠，2019年就已經銷售了12套系統，今年武漢肺炎疫情期間，更是遠距協助客戶調機、將系統落地。

不過，這個貼近鋼鐵業需求的無人天車，實際上並無用到深度學習技術，「深度學習雖然是好工具，但不一定是最佳工具，也不是唯一的工具。」許朝詠表示，由於天車在裝卸鋼卷時，需要非常精準的定位，誤差超過5公分就可能吊不起鋼卷，但深度學習在位置偵測的精準度上並無優勢，加上判斷速度較慢，「傳統影像處理有些技術，應用上會比深度學習來的更好。」

換句話說，不是用最新、最強的技術就好，不同應用場景有其最合適使用的技術，這就是許朝詠歸納的第二大AI導入經驗。

3大AI導入經驗之三：從自動化、人機協作到智慧化循序漸進落地AI
最後，許朝詠也提出一項正在建置的AI應用，也就是出貨前的鋼卷智能檢核，雖然目前僅有初步成果，但這項應用實際影響了傳統檢核作業流程的轉變。

許朝詠解釋，鋼鐵在包裝、裝載完成之後，還需要檢核包裝外觀，以避免客戶收貨後發現包裝瑕疵，因而對品質產生疑慮。為了檢核來自23個倉庫的貨品，中鋼設置了4個主要的檢核站，共計17個車道、每個車道配置4名檢核人員，車輛在倉庫裝載貨品後會先前往檢核站，由人工檢查外觀是否破損，並核對貨品身份與數量，完成檢核才能出廠。

但傳統的人力檢核方式，不僅人力成本較高，大量出貨時載貨司機也常需排隊等待，更佔用了約兩個倉庫的空間來檢核。對此，中鋼試圖透過AI智能檢核的方式，將傳統的檢核中心改以一個雲端檢核中心來取代，在每個倉庫出貨前，直接將鋼卷影像上傳雲端，由檢核人員從雲端照片來判斷是否有瑕疵，若無即可放行車輛出廠，不只能加快檢核效率，檢核人員也能更輕鬆完成任務。

而這些檢核照片的篩選，則是先拍攝車輛進入檢核站的影像，經過運算後，自動擷取鋼卷正面、側面品質最佳的影像，透過自動檢放系統來提供檢核人員檢驗，經實測後，完成8張鋼卷照片的檢驗大約只要8秒。

許朝詠表示，將檢核流程雲端化只是第一步，中鋼下一步要利用檢放系統，在檢核人員雲端判讀照片狀況的同時，蒐集異常照片的資料，再利用深度學習的技術來訓練瑕疵辨識模型，進一步將檢核流程自動化且智慧化，來取代人工作業。

「邁向智慧化的過程，很多人會想要一步到位，但很困難，如果能用AI先實現局部的自動化，透過人機協作來提升作業效率，並同步搜集資料，就會對智慧製造的實現有很大的幫助。」許朝詠認為，AI落地並非一蹴可幾，需要一步步優化原先的作業流程，蒐集足夠的資料，才能實現智慧化的目標，這也是他提出的第三大AI導入經驗。

附圖：應用場景的序號本身可能有模糊、手寫字、油漆過淡等問題。
透過資訊的串接，來克服AI序號辨識可能不夠精準的問題。
透過即時原料粒徑大小分析來調整物料分佈，進而提升高爐燃燒效率。
人工檢核過程。
透過檢放系統來檢驗熱軋鋼卷的包裝外觀。

資料來源：https://www.ithome.com.tw/news/141163?fbclid=IwAR3UUiJ0rpr7aUf8d2FmGZaZp3_e4E-9esf6ZOD1iiA20Id4ZYo1-hK7iwc

2020年總統大選電視辯論直播日前落幕，負責主持和播放的公視指出，在這次的總統辯論網路直播中，採用了交大團隊開發的AI語音辨識系統，來製作即時字幕，在第一時間提供給民眾參考。

公視新聞網PNN新聞實驗室與交大校長陳信宏帶領的語音辨識團隊合作，雙方在總統大選辯論直播之前，就開始測試這套AI語音辨識系統。

陳信宏校長指出，語音辨識有幾大挑戰，包括要有足夠的文字知識庫、要能夠處理語音雜訊，還有自發性語音的重複和修正等，比如講者說到「...好，好像」等字詞。除此之外，交大團隊也在視覺上下功夫，比如字體大小、字幕行數多寡等。

【科技】人工智能幫你判案

拉法（Ignacio Raffa）開發的應用——Prometea，能在10秒內做好一個判決。「你好，」拉法對著電話說。
「你好，拉法，你想做什麼？」App回應道。
「做一個判決。」
「案卷號多少？」
「1 - 5 - 0 - 9 - 9。」

幾秒鐘後，這款人工智能軟件草擬了一項公共住房案的裁決：不光有布宜諾斯艾利斯地方檢察官辦公室的信頭，字體和術語也無可挑剔，更重要的是，這一切並沒有律師或律師助理的參與。在阿根廷，裁決由地方檢察官撰寫，主審法官過目後要麼駁回自己重新寫一份，要麼直接通過。Prometea現一般用於出租車牌照糾紛等案件，謀殺案審判還用不上，但這並不妨礙其成為該市司法系統的一項重大自動化舉措。布宜諾斯艾利斯的地方檢察官辦公室稱，該辦公室的15名律師如今能在短短六周內搞定六個月的案件。

拉法是布宜諾斯艾利斯的一位新創企業創辦人，他和同事聯手當地地方檢察官打造了Prometea。地方檢察官稱，Prometea讓法律工作者從枯燥的雜事從解脫出來，將精力用在更複雜的案件上，而且校對人員在審閱電腦生成的文件時很少發現錯誤。這款應用吸引了聯合國、世界銀行（World Bank）和華盛頓美洲開發銀行（Inter-American Development Bank）等機構的興趣。麻省理工學院的斯隆學者（Sloan Fellow）阿拉溫達克山（Asha Aravindakshan）表示：「全球各國的法律體系都能從中受益。」他今年夏天觀看了Prometea的演示。「大家都有一堆積壓案件。」

一年前，布宜諾斯艾利斯的工作人員為了提交一份簡單的酒後駕駛訴狀，不得不將同樣的39項內容反復填寫了111次。現在，雖然基本的年齡、地址和車輛號碼等信息還是要填寫，但每份文件只需要填一次。Prometea還支援雙語功能。用戶在其應用中搜索以西班牙語提交的案件時，可以輸入英文，該應用會先加以翻譯，然後用西語搜索。

拉法利用地方檢察官辦公室的數字圖書館「訓練」Prometea。該圖書館存有2016-2017年大約30萬份法院文件掃描件，其中包括2000份裁決。當某個案件卷宗進入地方檢察官系統時，Prometea會將其和數據庫中最相關的裁決匹配起來，所以在一些相對簡單的案件中（比如教師沒有收到為教室用品墊付的錢），Prometea就能猜測法院會如何判決。迄今為止，Prometea建議的33項裁決都獲得了法官認可，還有84個未決案件正使用該軟件辦理。

牛津大學（University of Oxford）教授岡薩雷斯（Ezequiel González）表示：「Prometea並不是要代替真人。」他今年5月主持了該應用的演示。「它只是幫忙將法官從堆積如山的案件中解救出來而已。」

29歲的拉法在布宜諾斯艾利斯長大，14歲在爺爺的激勵下開始編程。大學畢業後，他在惠普（Hewlett Packard）和微軟（Microsoft）的當地辦事處工作。他之前的人工智能初創公司製作了一些人機對戰的阿根廷紙牌電子遊戲。不過在兩年前，拉法開始懷疑自己是不是不該從事遊戲行業。「我們讓人們變懶了。」他說。於是，他很快與人合作成立了ZTZ科技集團（ZTZ Tech Group），專注於人工智能的商業用途。

ZTZ有款應用能生成定價數據報告，布宜諾斯艾利斯的副地方檢察官科瓦蘭（Juan Corvalán）相中了這一點，於是在2017年夏天與ZTZ簽約合作。拉法不願透露ZTZ的收入，只是說創建Prometea這類產品要花費5萬-15萬美元，具體取決於項目的複雜程度和收入分成情況。

哥斯達黎加的美洲人權法院（Inter-American Court of Human Rights）也在使用這個應用，而且在今年10月布宜諾斯艾利斯地方檢察官辦公室與聖保羅檢察機構簽署的一項信息共享協議中，該應用也起到了至關重要的作用。拉法說，他和他的三名同事希望明年春天將類似的人工智能系統帶到美國和歐洲。

不過，即便是一些支持者也會擔心Prometea被濫用，因為不管是美國還是其他地方，AI軟件在預測判決方面一直口碑不佳。牛津大學教授岡薩雷斯說：「這引發了各種各樣的法治問題，機器居然代替法官做裁決？」拉法說，他無意賦予軟件決定一個人命運的權力。他說，律師和法官應該繼續做自己的工作——他不過為他們提供了一條捷徑罷了。——Patrick Gillespie；譯 楊熙
#人工智能軟件 #Prometea #惠普 #微軟

本文節選自《彭博商業周刊∕中文版》第158期，如欲查閱全文，歡迎訂閱
★★★訂閱聯絡：bbwhk_cir@modernmedia.com.hk（香港）、（+886）02-23612151（台灣）訂閱即送全年iPad∕iPhone版App閱讀權限和一份精美禮品