在實現智慧工廠之前，你們是否面臨缺乏實務經驗和專業技術？不論是身為工程師、製造業高級主管、公司經營者，或是對智慧工廠有興趣的你，黃逸華Eric老師將帶著大家用問題拆解、邏輯清晰的架構圖以及企業實際案例來提升你對問題的思考維度。
以下是說明會當天的重點整理，讓我們一起回顧精彩的說明會吧！
想落實智慧工廠的您，是否出現以下問題？
在活動開始之前，智谷網絡特別做了一份調查，調查結果顯示：
- 大部分人都知道工廠的潛在問題，卻沒有一套智慧製造的實務經驗
- 明明有很好的想法，卻因為缺乏程式語言和演算法知識，難以將想法應用到現實解決方案上
- 我有心想轉型，卻不知道哪些數據是有用的，也不知道該如何去分析數據。
如果你也正面臨這些讓人頭痛的問題，這堂課將帶給你帶領公司發展智慧工廠的即戰力！
如何把 「數位型轉」四字變成行動
數位轉型對智慧工廠至關重要，在這之前，我們需要釐清「自動化不等於智慧化」，必須從戰略思維去考慮工廠本身是否跟得上持續進步的新技術，以及自身在產業中的定位，發現並解決這些更高層次的問題才是關鍵。
在這次活動中，Eric老師花了一些時間，說明「數位轉型」四個字，依序應該是「數」「位」「型」「轉」，這邊為大家畫上大大的重點！
「數」代表數據資產
「位」顧名思義就是企業目前在市場上的定位
「型」是企業未來的商業模式
「轉」意味著行動、策略和工具
可是，為什麼叫數據資產？資產不是越多越好嗎？
Eric老師在活動中，一直去彰顯數據資產盤點的重要性，目的是為了確保未來能好好利用這些數據，進而思考如何降低運營成本、找出各部門一致想解決的問題。
這邊小編考大家一個案例，這也是課中帶的案例之一：
＂若廠內有一條數個工站與設備組成的組裝線，在假設其終年固定生產某Model機型的情況下，我們想找出最佳的工站配置以達最高生產力。
過去我們都是用人為判斷及碼錶衡量，甚至因為設備老舊，要靠老師傅慢慢調。現在找到一個演算法，想要找出最佳生產力的答案，我們該蒐集廠內哪些數據做為＂X＂?”
的確，在數位工具導入的同時，現場的數據要搜集什麼？到多精細？的確是個難題。在『智慧工廠落地的10堂課』中當中，我們會教大家怎麼運用「數據四大支柱」，去鞏固公司的數據策略，避免找到一堆數據，卻無法為公司提供有效決策。
30小時，全面提升數位問題意識
「數位轉型也是企業間的權力遊戲」Eric老師在活動當中，也特別提醒中小企業主，不要盲目追隨新技術而投入過多資金。應該先確定商業模式需要轉型的需求，並明確需要哪些數據資產和系統、工具後再來投資。
很多時候，問題的產生，是因為現實發展與我們的預期不一致，這就形成了「問題意識」，我們可以將已取得的數據資產作為解決問題的參考，但不要想用一個簡單的問題辨認工具，就找到答案，而是透過不斷的自問自答，最終問題會逐漸集中和縮小。
所以，在「智慧工廠落地的10堂課」中，Eric老師都會將「帶著問題意識的數據盤點」 掛在嘴邊，因為在學員的習作中，常會看到：「供應商來料不良導致生產停線，我該如何去用數據做預防管理？」，「人員成熟曲線一直拉不起來，導致生產交貨經常延遲，我可以用什麼算法去做人力成熟度預測，讓排程更準確點？」
在這10堂課中，Eric老師會運用各種案例角度，跟學員闡述，辨認真正問題之重要性，因為我們通常會習慣表達「病徵」，但不一定會去好好探索「病因」是什麼。
您會學習到的十套演算法思維用法
Eric老師也補充到，演算法不應歸類為技術人員專有的知識。「所有人在生活中、工作中其實都在用演算法解決問題，只是是使用大腦還是用電腦工具罷了」，尤其是公司的管理階層，更應該熟知這些思維模型，應用在不同問題類別的解決上，這也是『智慧工廠落地的10堂課』，將會傳授的知識點：
1. 決策樹 (Decision Tree)：機器維護和故障診斷
2. 隨機森林 (Random Forests)：產品品質控制與檢測
3. 支持向量機 (Support Vector Machine, SVM)：製程監控與工藝分析
4. 神經網絡 (Neural Networks)：倉庫自動化機器人最佳動線與搬運
5. K-最近鄰法 (K-Nearest Neighbors, KNN) ：供應商評選
6. 線性迴歸與邏輯迴歸 (Linear and Logistic Regression) ：需求預測和排程
7. 主成分分析 (Principal Component Analysis, PCA)：複雜工藝與生產力分析
8. 時間序列分析與預測模型 (ARIMA) 、材料需求與價格預測
9. 聚類算法 (DBSCAN)：制定設備保養計畫
10. 強化學習 (Reinforcement Learning)：預防保養與動態排程規劃
相信跟著小編一起回顧說明會的你們，勢必對智慧工廠有更近一步的認識，我們也可以開始思考該如何將數位型轉化為行動，利用案例和經驗去反思自身所遇到的問題。
看到這邊，你是不是也意猶未盡呢？智谷網絡的執行長Jimmy整理出了三個常見問題，現在就讓我們一起看看Eric老師怎麼說吧！
Q1：從NVIDIA的「仁來瘋」來看，為什麼演算法思維對企業經營者或經理人，越發重要？
演算法思維對企業和經理人越來越重要，我們需要利用這個思考模式去看待事物間的連結。Eric老師舉了一個有趣的實例：目前已經可以透過網路爬蟲技術來快速匯總國內外新聞，從而迅速掌握全球新技術及產業的變化，前提是你能善用演算法思維和相關技術，這樣才能有效地應對不斷變化的市場環境。
Q2：只要公司有一群AI工程師，就能推動AI轉型嗎？
Eric老師認為，在引入AI工程師之前，首先需要瞭解公司內部有哪些數據可以轉化為資產。只有讓AI工程師們充分理解公司現狀後，才能制定出有效的解決方案並進行相關系統的開發。
Q3：如何設置智慧工廠轉型的KPI？
對於已經在職場上的你們，絕對對KPI不陌生，傳統的作法可能是參考甘特圖、平衡計分卡等。然而，對於數位轉型來說，它無法透過定義人們學習的程度來衡量，因此我們應該考慮將成本投入哪些地方，以及各種問題的優先順序。Eric老師強調，關鍵在於如何將成本用在刀口上，即使是少量的成本投入，只要運用得當，也有可能在短時間就轉型成功。
哪些人一定要參與課程？
在報名課程之前，部分人可能會擔心若沒有程式基礎，上課會不會聽不懂？Eric老師的課程重點在於引導學員們去掌握各種演算法的「思維」，教大家如何看懂程式碼表達的意義，因此不必擔心撰寫程式的部分。此外，Eric老師在課堂中將會教導學員們如何處理和改造數據，並利用數據和工具去驅動各種決策，讓參與課程的學員們能學習到更高層次的企業運作邏輯。
因此，不論你是工程師、製造業高級主管或是公司經營者，都非常歡迎加入我們。
推薦課程：讓智慧工廠落地十堂課
黃逸華老師主管工業自動化、能源數據及管理節能、流程改善、資訊系統規劃、工業大資料系統等創新服務。並曾擔任中國多個城市工業能源顧問，協助建立城市工業能源管理系統及資訊化建設工作。 專注宏觀數據戰略及流程規劃、工業領域資料採擷及分析、工業流程自動化、智慧製造、服務型製造、 戰略規劃、能源管理、運營管理體系設計等領域，協助客戶有效轉型資料驅動型企業。曾協助世界500 企業、及重要城市進行資料服務頂層設計、導入大區域大範圍能來源資料管理專案。
你也有這些困擾嗎：
工廠數據繁雜，無法即時呈現，作為決策的參考？
無法預測設備故障，導致產能受到影響？
生產過程常有不合格產品出現，但卻無法解決？
想發展智慧工廠，但缺乏相關經驗，無法將數據應用到工廠場景嗎？
那你一定要參加 最完整讓智慧工廠落地的課程！ 🏭
