大數據
整合感測/通訊量測體重 計重檯秤系統成就智慧養殖
因此,在民以食為天的基本民生需求下,若沒有從「食」的來源端來管控或是有一套智慧生產的方式協助的話,飲食的問題就會變成不斷上演食物供需失衡的民生問題。而透過智慧農業的切入,將可逐步改善因天候或是人為所導致的各種問題。加上政府致力於智慧農業的導入與建立,以及大量大數據資料的分析與應用,可望逐漸降低不斷從產品生產過程或民生需求所產生的問題。換言之,在智慧農業中,用來量測飼養的家禽或水禽重量的應用於智慧農業之智慧型計重檯秤系統,就有其被開發的需求。
近年全球人口越來越多,糧食的需求也慢慢增加,同時受到氣候變遷所導致的極端氣候及鄉村人口老化、少子化的影響,導致農牧業人力減少許多。因此,政府開始推動智慧農業,結合無線通訊科技進行資料的蒐集,透過資料的整合及分析,減輕農場作業負擔及降低勞動力需求,建立更有效率的農場經營。其中,關鍵元素與作法包括制定相關農業科技策略,發展農業科技技術跨域整合之創新農業技術,重視農產品衛生安全與營養需求,並運用物聯網(IoT)、雲端運算(Cloud Computing)與大數據(Big Data)等技術,進而提升產品附加價值。
文中將說明整合紅外線觸控框(IR Multitouch)介面與具備RS-232串列介面的傳統計重檯秤裝置,該裝置運用邊緣運算的概念,精準地擷取與收集禽隻的數量與正確體重。最後,再將禽隻的體重與數量結果透過NB-IoT無線通訊模組傳送至網頁上,並紀錄每天禽類體重長成的過程,以了解如何孕育出最佳飼料轉換成禽隻體重的最佳養殖環境。
解決台灣養殖體重測量痛點
製做本系統的目的,是針對國內本土環境所提出的應用。透過智慧禽舍採用的智慧型計重檯秤系統,可以針對不同生長周齡的禽隻進行適合其生長的重量擷取與分析,並將環境綜合資訊及參數收集於資料庫,進行分析與經驗數據累積,提高飼養管理效率與品質,並有效節省人力,邁向智慧化生產與管理。
台灣正在邁向智慧養殖,會使用智慧禽舍來監控家禽或水禽的生長環境與飼養過程。其中,最難收集到的數據就是家禽或水禽的成長體重,因為無法固定禽類的動作與位置,使得禽類的重量數值僅能估算或是常出現誤差值。因此本裝置利用紅外線多點觸控取代影像辨識,來計算禽類的數量,可更準確且方便的偵測禽類的數量。一般影像辨識都需要經過較繁瑣的演算法與軟體分析,技術性較高且花費時間多,還會因為光線等外在因素導致判斷錯誤。而改用紅外線觸控框介面,則可以更快速且方便的取得數量,同時搭配計重檯秤取得重量數據後,即可上傳至網路,農場主人便能隨時隨地查看禽類的生長曲線。
此外,此裝置亦內建各種禽類的成長曲線表,確認所擷取的體重是否超出標準值的上下限,進而確保系統收集到準確的禽類體重。由於不同禽隻類型的成長重量曲線不一樣,因此可以運用指撥開關來設定所飼養的是否為家禽(雞)或水禽(鴨),進而達到智慧化傳統計重檯秤的目標。
紅外線感測取得精準數據
在應用於智慧農業之智慧型計重檯秤系統設計中,使用Holtek HT66F2390微處理器為核心。其中,主要利用紅外線觸控框取得感測資料,再使用NB-IoT模組將資料存入資料庫,供網頁監看與使用。
UART串列介面
UART是一種通用非同步收發傳輸器,通常稱作UART,其為將資料由串列通訊與並列通訊間傳輸轉換。UART通常用在與其他通訊協定(如EIA RS-232)的連結上。在串列傳輸通訊協定的格式內容中,是由四種資料共11個位元所組成,共分為起始位元(Start Bit)、資料內容(Data)、奇偶同位元檢查碼(Priority Bit)、停止位元(Stop Bit)。
如圖1所示,資料透過FIFO(First Input First Output)的方式,由最低有效位元(Least Significant Bit, LSB)開始傳輸直至最高有效位元(Most Significant Bit, MSB),奇偶同位元(PB)可以選擇忽略不使用。在此系統利用計重檯秤 (DHBH-W)的UART串列介面,讀取磅秤上的重量,並以UART將資料傳輸至微處理器解析。最後,再透過NB-IoT無線通訊模組(SIM7020E),以UART做初始化,並將處理後的資料透過NB-IoT無線通訊模組上傳至MQTT伺服器。
圖1 UART資料傳輸格式示意圖
USB通訊協定/人性化介面
由於紅外線觸控框為USB HID人性化介面裝置。因此,須了解USB協定的基本原理。在USB完整的通訊協定中,包含了USB封包、傳輸類型、描述元、裝置要求、群組等USB規格書中相關的協定。唯有遵循此協定,才能執行USB周邊裝置與PC之間的資料傳輸與命令的設定。如下圖2所示,顯示了USB主機端如何與裝置執行通訊協定的傳輸格式。從圖2中,也可看出一個通訊協定所需包含的各種封包與各類型欄位。
圖2 標準USB控制型傳輸
在USB的傳輸中,因不同周邊裝置的類型與應用,訂定了四種的傳輸類型,分別是控制型傳輸(Control Transfer)、中斷型傳輸(Interrupt Transfer)、巨量傳輸(Bulk Transfer)以及等時型傳輸(Isochronous Transfer)。其中,需要特別注意的是慢速裝置僅支援控制型傳輸與中斷型傳輸而已。在USB裝置中,則針對不同裝置的應用特性,個別地執行中斷傳輸、巨量傳輸或等時傳輸。
而USB...
開放銀行/場景金融/普惠金融 數位金融三大穿雲箭超前部署
每當讀者接到銀行或保險公司的電話行銷專員來電,會有什麼反應?是耐心聽他說完冗長的話術,委婉跟他說正在忙,還是直接掛他電話?
很多人一直很難理解,都已經進入數位金融的時代了,為何還有如此傳統、沒有效率、又不精準的電話行銷作法?
金融業者理應掌握了消費者的個人資料及財務狀況,甚至還有線下到線上非常詳細的交易記錄,怎麼還有如此不科學、缺乏資料分析能力的行銷手法?因為銷售模式太過落後,因此,若電話行銷專員被狠心拒絕,也就不足為奇了。
事實上,隨著金融科技成為顯學,人工智慧(AI)、大數據的應用大舉進入金融產業,近幾年金融業的數位轉型腳步發展明顯加速許多,在數位金融的浪潮之下,又以開放銀行(Open Banking)、場景金融、普惠金融等議題最受關注,堪稱金融業超前部署最熱門的三大關鍵字。
開放銀行實現金融數據共享
開放銀行的概念其實很簡單,就是過去用戶的金融消費資料都是掌握在金融業者或監管機構手上,但基於「數據共享可以產生價值」的核心精神,由政府出面強制規定金融業者在用戶同意的前提下,將相關數據的使用權還給消費者;在資訊開放透明的情況下,可降低第三方服務業者(TSP)的進入門檻,並刺激金融業者發展更多創新服務。
開放銀行最早由英國政府於2015年開始推動,後來許多國家也都相繼跟進,台灣也在2019年中加入戰局,分三階段實施:第一階段的「公開資料查詢」已經完成,將開放利率、匯率、產品資訊、分行資訊、ATM位置等公開的金融資訊為主,讓用戶可以輕鬆比較各家銀行的定存利率、房貸利率與外幣匯率等資訊。
第二階段則以「消費者資料查詢」為主,開放消費者本人同意的授權資料,讓消費者在同一介面看到各銀行的存款、貸款、信用卡、保單、基金、繳費等資訊,也能在B銀行直接使用A銀行的個人金融資料。
下一步進入第三階段後,則將開放且能直接執行所有「交易資料」,消費者可直接透過第三方服務業者的App連結不同帳戶,進行扣款授權、消費支付甚至貸款清償等作業,真正邁向開放銀行的願景。
在這樣的開放架構下,不管是電信業者、零售業者、科技業者與各種產業,都能針對用戶打造個人化、客製化、精準化的消費體驗,打破金融數據長年被壟斷的情況;最重要的是,金融業者將從過去「畫地盤」的保守心態,改變為「共享地盤」的開放思維,轉而與不同產業積極合作,才有創造新客戶、新業務、新市場的機會,例如保險業者可以與醫療機構進行數據共享,打造更符合消費者需求的保單內容與合理的保險費用;信用卡業者可以與百貨零售業者、電信業者合作,在實體場域投放更精準的行動廣告給潛在消費者(圖1)。
圖1 金融科技的發展趨勢 (資料來源:KPMG)
場景金融讓銀行無處不在
過去民眾要處理金融業務,必須跑去銀行或ATM,後來有了網路銀行及手機App,部分業務可以透過電腦或行動裝置遠端進行,在不久的將來,銀行將真正打破實體場域的界線,在不同的應用場景都能享受串連好的金融服務,銀行將是無處不在。
業界也有另外一種說法—「內嵌式銀行」(Embedded Banking),亦即銀行將變得「無形」,包括存匯、貸款、保險、信託、信用卡及財富管理等金融服務,透過科技工具嵌入到客戶食、衣、住、行、育、樂等生活環境中。
舉例來說,永豐銀行就與多家廟宇合作推廣場景金融。信徒可以到具有Q版神像的ATM領錢,印出來的明細表就有籤詩,然後可以憑著上頭的QR Code去換取「平安水」;另外也可下載App,信徒不用大老遠奔波就能遠端點光明燈、添香油錢、抽籤詩,將金融科技與信仰文化完美結合。
國泰金控則與多家旅遊平台合作,打造更有智慧的旅遊金融場景。當顧客在旅遊平台上訂購行程後,系統就會詢問是否需要購買旅遊平安險、換匯等相關需求,或者機場接送、機場貴賓室等服務,顧客可選擇用信用卡點數兌換或優惠價購買,不用重複填寫個人資料;另外,由於掌握消費者的行程、交易行為與消費偏好,後續也能提供個人化的旅遊商品進行精準行銷。
若再以購屋為例,當房仲順利成交了一筆物件,過去銀產業者頂多只能爭取房貸及產險業務,但在場景金融的架構中,包括室內設計、房屋裝潢、購買家具、搬家等服務都可統整在其中。
可以預期的是,未來不管是在辦公大樓、校園、社區中,或者到遊樂園、逛夜市、看展覽,都會有業者建立類似的場景金融。銀行不再只是聚焦於數位金融能夠幫公司省多少錢、或賺多少錢,而是打造「以客為本」的創新用戶體驗,讓金融服務真正融入生活、體現溫度(圖2)。
圖2 美國民眾對行動銀行功能的需求 (資料來源:Business Insider Intelligence)
普惠金融降客戶認證門檻
金融服務雖然本質上是開放給所有用戶使用,但不可否認的是,基於風險及獲利等考量,幾乎所有金融體系都是遵守80/20法則,將多數資源用來服務金字塔頂端的VIP客戶。儘管聯合國早在2005年就提出「普惠金融」的概念,希望普羅大眾都有平等獲取金融商品與服務的機會,但因為客戶認證(KYC)的成本太高,實際運作上很難實現這個願景。
直到近幾年金融科技的發展,才讓金融服務開始打破地理、收入、社會階層等界線,其中尤以開發中國家的推展成績最為明顯(圖3)。例如,在基礎建設較為匱乏的一些國家,民眾不容易到銀行或ATM使用提款、匯款、貸款等服務,甚至許多人連銀行帳戶都沒有,就有不少傳統銀行與新創業者聯手,透過手機App或實體商家提供簡易的金融服務。
圖3 2014~2019年全球金融科技投資交易件數及金額 (資料來源:KPMG)
而印尼人民銀行為了將金融服務推廣至離島及偏鄉地區,就推出一系列的App,民眾不用跑到分行,可以在兩分鐘內掃描證件完成開戶作業,比起原本的兩週大幅縮短作業時程,然後即可透過App進行存款、提款、貸款等業務。
同時,新加坡金融科技公司soCash,則是用簡單的設備搭配App,即可讓店家化身為銀行分行,取代現在投資報酬率偏低的ATM,民眾在這些店家的櫃台即可辦理提款、貸款、換匯等業務;目前其與星展銀行、渣打銀行、中國工商銀行等合作,在新加坡、印尼、馬來西亞等國推展,光是新加坡就有1,500家合作店家,並有超過20萬用戶。
至於台灣也有部分金融科技公司以AI技術投入普惠金融領域。如諦諾智金(Adenovo)就與嘟嘟房合作,針對汽車族與機車族推出超快速「車貸」服務,由諦諾智金針對用戶的消費記錄、收入紀錄及信用記錄,結合嘟嘟房的車主行為數據,建立精準的車貸風險評估及多維度信用分析模型,讓車貸可以做到「秒貸」審核,也讓消費者、車商、保險公司與銀行都能攜手互助,以信任的種子長出普惠金融的大樹。
愛德萬結盟PDF Solutions 打造Advantest Cloud
愛德萬測試(Advantest Corporation)與PDF Solutions宣布建立夥伴關係,合作內容如下:雙方簽訂開發協議,以PDF Exensio軟體分析平台為基礎,建立由Exensio驅動的愛德萬測試雲(Advantest Cloud),供愛德萬公司內部和外部客戶使用;雙方簽訂商業協議,為愛德萬測試平台和PDF Exensio平台提供技術授權;愛德萬向PDF Exensio分析平台簽訂五年期雲端訂閱合約;愛德萬以6,520萬美元左右金額,收購PDF增發普通股3,306,924股。
PDF的雲端大數據分析平台Exensio,橫跨整個半導體價值鏈光譜,從IC設計到晶圓製造、分類、封裝、最終測試和系統級測試皆涵蓋其中,管控上萬組工具以加速產品上市、擴大產能,並提升利潤、產品可靠度與品質。隨著半導體產業朝向更先進的元件持續精進,PDF軟體平台提供的大數據分析服務,包括善用AI與機器學習(Machine Learning, ML),已成為先進製程節點達成產能目標的關鍵,藉此確保元件品質並節省測試與量測成本。
重點是,當半導體業者採用分散式供應鏈來製造、測試與封裝晶片,PDF Exensio平台與資料交換網路(Data Exchange Network, DEX)能為半導體工程師連接起橫跨半導體價值鏈的自動化測試設備(Automated Test Equipment, ATE),推動重要設計並產生製造分析,藉此降低測試成本、提升效能/產能。
愛德萬透過自家先進測試設備將PDF Exensio平台與DEX結合起來,如此一來,無論客戶處於半導體價值鏈的哪一段,都能為他們提供連線、測試、量測與分析能力,幫助他們提升產能、降低測試成本。此次合作也進一步凸顯愛德萬期盼將測試與量測解決方案推往整體半導體價值鏈的決心,並在愛德萬「宏觀設計」願景中寫下重要的里程碑。
破解四大迷思 5G跨界發現新大陸
2020年2月,隨著台灣兩個階段的5G頻譜競標作業底定,也意味著台灣將正式進入5G元年。事實上,最近兩年以來,5G就一直是科技媒體、論壇、展會、新創圈最熱門的主題之一,不管與5G的關聯性有多高,業界似乎都希望藉由5G議題的高關注度來吸引注意。不過,與其盲目地蹭5G、跟流行,不如好好思考如何善用5G,發揮真正的優勢。
5G只是比4G更快?
許多對5G一知半解的人,經常說5G就是比4G更快的新一代行動通訊技術。這句話其實只講對了一部分,總結來說,5G技術有三大特色:高頻寬、低時延、大連結。所謂的高頻寬,指的是5G傳輸速率比4G提升10~100倍,達到1Gbps以上;另外低延遲是指5G的時間延遲比4G減少10分之1以上,達到0.001秒;大連結則是指每平方公里可支援上百萬個裝置。
因此,如果拿5G跟4G相比,除了速度更快之外,很重要的差異有兩個:第一是時延更低、幾乎達到同步,這樣就能達到一些過去4G較難做到的事,例如遠端開刀,醫生不會因為影像延遲而影響用刀的精準度,自駕車也不會因為時延太長而影響車聯車(Vehicle to Vehicle, V2V)通訊,可大幅加快反應速度;第二是可同時支援的裝置更多,得以串連非常多的物聯網裝置,包括所有的家電、水表/電表、汽車、路燈、監視器、工業機台都能聯網,真正實現萬物聯網的目標。
從這個角度出發,如果業者要發展5G的相關應用,就不應該只是關注速度更快這件事,而是可以思考如何發揮更低時延、更多連結的特點,從智慧醫療、工業4.0、智慧城市、車聯網、物聯網等方向去探索創新的商業模式,如此能夠擁有跳脫現有4G網路基礎建設之下競爭格局的機會(圖1)。
圖1 5G關鍵技術及應用場景
5G的焦點還是手機?
在5G主題的成功案例或應用場景中,最常見到的大概就是球場的5G VR/AR互動體驗、明星5G直播陪伴等消費性應用,儘管這樣的畫面對民眾而言比較有感,也更容易掌握5G的技術特性,但不免讓消費者或業者有種誤解—5G還是聚焦在手機的應用。
如果回顧行動通訊技術,從2G、3G、4G一路到5G的演化歷程,人們可能有注意到,過去2G到4G幾乎都是以手機應用為主,讓消費者的溝通方式從語音、文字影像到視訊,並且實現隨時隨地高速上網的目標;但進入5G世代後,將從人與人的連結邁向萬物聯網的願景,包括人與物、物與物之間的通訊將日益緊密,焦點絕對不會只有傳統的手機及平板電腦。
以此觀察,5G在各種垂直產業的應用,將更具潛力、且有更高附加價值的切入點。舉例來說,5G在車聯網的應用就相當受到矚目,一旦具備高頻寬及低延遲的5G聯網能力,就可實現車聯車、車聯基礎設施(V2I)、車聯行人(V2P)等V2X(Vehicle to Everything)應用,不僅可快速下載圖資及掌握即時路況,車用多媒體娛樂系統也將大幅升級,並可從車聯網延伸到智慧交通和智慧城市等領域。
台灣大哥大總經理林之晨就認為,5G的發展歷程將有三個階段—2019~2020年將以影音串流、VR/AR內容及雲端遊戲等娛樂應用為主;2020~2022年開始出現緊急醫療、無人機運輸、工業安全、智慧製造等專屬網路產業應用;2022年之後則將邁向智慧城市、智慧交通、智慧電網、智慧機器人等巨量聯網應用(圖2)。
圖2 5G裝置成長圖
電信業者仍是老大?
從4G時代開始,業界就一直在討論電信業者的角色轉變,已經不能再當「笨水管」(Dumb Pipe),而是要積極轉型,發展多元型態的內容、產品及服務,尤其是5G商業化之後,更要結合大數據、人工智慧、物聯網等技術,在消費市場以外拓展更多的應用版圖及商業模式。
儘管電信業者仍掌握核心的基礎建設及行動通訊服務,但可以預期的是,為了讓各種垂直產業的場景落地實現,電信業者勢必得擺脫過去的老大心態,尋求與不同產業進行跨界合作與業務融合,包括媒體、娛樂、公用事業、金融、醫療、交通、教育、農業等產業在內;但以公司規模及產業生態來說,電信業者如何放下身段,尊重或倚重不同業別的領域知識、通路、分潤模式,確實還需要不少磨合。
儘管5G的產業應用可能不會像一般消費市場發展那麼迅速,但電信業者已注意到相關商機,也開始吸納更多元專長的人才(圖3)。遠傳電信總經理井琪就曾表示,迎向5G新世代,遠傳將超越傳統電信商角色,轉型為數位服務提供者,組織人才不僅要擁有基礎資訊工程知識,還要具備多方面的斜槓技能,才能跟上這一波的數位轉型,例如之前派遣許多員工前往越南,協助織布廠進行智慧驗布,透過5G服務為傳統產業進行升級。
圖3 不同行動通訊技術之預估用戶分布圖
5G是神科技?
在部分業者勾勒的5G願景中,一般民眾的生活及各行各業都會帶來很大的變革,把5G描繪成一種神科技,似乎期待5G能帶來劃時代的突破;但其實光是5G技術並無法完整實現這些美好想像,必須搭配人工智慧(AI)、邊緣運算(Edge Computing)一起發力,才可能真正改變科技世界甚至人類的生活樣貌。
高通(Qualcomm)副總裁暨台灣與東南亞區總裁劉思泰就表示,5G與AI密不可分,未來終端產品將變得更加聰明與多元,且在邊緣運算的網路架構下,可以提供過去做不到的智慧應用服務,無論效能、隱私、安全都會提升,網路傳輸也會更有效率。根據高通預估,2018年具有AI功能的終端裝置只有10%,但到了2025年將會達到100%。
舉例來說,在智慧醫療應用方面,5G固然可以實現遠距醫療、居家照護等服務,例如藉由5G高速傳輸4K現場影像及零時差生理數據,並在遠端進行手術教學,但還必須搭配AI影像辨識、邊緣運算、室內精準定位等技術,才能完整實現智慧急診室、智慧開刀房的場景。
又如VR/AR的產業應用,也有賴5G與AI的整合,在深山峻嶺或其他危險地區,可透過5G無人機基地台傳輸訊號,透過AR來引導現場工作者進行危機處理;在機場、車站、球場等大型場域,如要提供VR/AR廣告或其他服務,光有大頻寬的5G網路還不夠,還需要AI電腦視覺、空間感知、室內定位導航等技術的配合,才可能創造全新的虛實整合場景體驗。
英飛凌將亮相2020 CES展示創新科技
英飛凌(Infineon)將亮相2020年CES(國際消費電子展),展示如何應用半導體技術,實線產品創新,連接現實與數位世界。要實現現實與數位世界安全且可靠的互聯,有賴於先進感測器技術、可靠的運算能力、硬體式安全性,以及高效率的功率半導體產品。展會上,英飛凌將展示助力消費及汽車產業實現實現物聯網及大數據變革的關鍵半導體產品和技術。
智慧且高效率的汽車是未來智慧城市的一部分。憑藉數十年的經驗及完善的產業生態,英飛凌正積極協助打造 21 世紀的個人交通基礎設施。相關元件與系統展示包括小型、高效能雷達模組及光達元件,可支援先進駕駛輔助系統,同時提高自動駕駛等級;可無縫整合來自所有感測器系統資料的感測器融合技術;車載閘道及車聯網(V2X)通訊技術與安全技術則可確保軟體有效性,同時防範各種嘗試攻擊。此外,英飛凌將展示用於汽車動力傳動系統電氣化的電源轉換模組及電池管理系統;座艙內的創新則包括智慧無線充電以及用以監測駕駛警覺度與乘客狀況的感測器系統;智慧照明解決方案可提升駕駛者的視線能見度,也讓其他用路人更容易看見車輛。
感測器技術可擷取外在世界的資訊,並提供新類型的人機互動介面。 透過基於雷達、紅外線成像、MEMS麥克風及壓力感測器的創新技術,英飛凌及其合作夥伴將打造智慧環境,從個人健康監測裝置到智慧家庭、智慧樓宇、工廠及城市等。
無論是保護個人身分與金融交易,或是確保電池驅動產品的安全性,安全驗證對於確保消費者信心而言都極為重要。英飛凌的安全晶片可在各種應用中建立可信賴的環境,應用範圍涵蓋各種工具、智慧型手機、醫療診斷設備,以及區塊鏈系統、雲端運算伺服器等。
隨著技術轉移至5G無線通訊,小型高效率電源供應器能夠讓資料隨時隨地地傳輸,在物與人之間提供快速且經濟實用的連線。從電信伺服器、無線充電器到大規模資料儲存系統,英飛凌晶片技術是在大數據時代確保數據能夠常時在線 (Always-On)的關鍵。
大數據結合主題專業知識 半導體製程分析更快/穩/準
智慧製造會應用大數據分析來提升現有的分析能力以及如預測性分析的全新能力,然後再運用資料(也就是大數據)在數量、速度、多樣性、準確性(即資料品質)和價值(分析)上的重大發展。這些得到提升的新能力(表1)被視為是延伸先進製程控制(APC)系列的一部分。
半導體製造設備和製程分析的出現和發展,部分是因為三個關鍵產業挑戰而形成。這些挑戰已存在數十年,並非是智慧製造或大數據革命才有。
但是,在某種程度上,這些是半導體製造業獨有的挑戰,這些挑戰分別為:設備和製程複雜性、製程動態和背景豐富性,以及不良的資料品質(在精確性和可用性方面)。
這些挑戰導致半導體產業分析解決方案無法嚴格做到資料驅動。機台、製程和分析領域知識或主題專業知識(SME)也是大部分晶圓製造廠解決方案的關鍵組成部分。因此,半導體產業的製程分析目前和未來也將以此為考量來設計和運用。實際上,通常SME輸入機制在各方面都有正式的界定,從資料收集、資料處理、參數選擇、模型建構、模型和限值優化到解決方案實施和維護。
定義維度能力識別分析方法
過去十年中,分析方法呈現爆炸式成長,而且許多方法都是利用大數據機會開發而得。識別和歸類這些分析法的一個方法是定義分析的維度能力,以及指定或規劃與這些維度的相關分析能力。
圖1提供半導體製造中與分析相關的維度分類。就這些維度來看,可從能力在每個維度中的價值來定義應用或分析。例如,主成份分析(PCA)(一種通常在多元分析(MVA)、故障偵測(FD)和設備健全監控(EHM)中使用的方法)是無監控且回應式分析;MVA通常為靜態和無狀態分析,並且不包含SME。
圖1 分析維度能力,以及傳統半導體製造APC解決方案對這些維度的對應,唯象模型是表示製程知識的物理模型形式;這些都是使用統計數據進行調整或修改。
在分析應用程式方面,當今晶圓製造廠中的FD大部分均為無監控、回應式、單變數、靜態和基於統計學的分析,並且在FD模型開發中結合SME。透過使用這些維度和其他維度的定義分析法和分析應用程式,可以為識別能力差距、提升機會以及(從長遠來看)改善路線提供框架。
半導體製造APC應用程式近年來的發展體現了工廠控制方法從回應式到預測式(甚至是主動式)的轉變。這主要是依靠大數據的爆炸式成長,其中對於更大數量和更長久資料存檔的支援在某種程度上使得預測式解決方案能夠破譯多變數參數互動的複雜性、描述系統動態、拒絕干擾和濾除資料品質問題。
在許多情況下,為利用大數據解決方案提供的平行計算和即時處理資料,必須重寫這些解決方案中的演算法。同時,還可以開發更易處理大數據的新演算法。例如,早期的預測式解決方案依靠單核CPU和序列處理,而大數據可使用偏最小二乘法(PLS)和支援向量機(SVM)在伺服器集群上進行平行計算。同樣,為處理更多資料而重寫自組織對應(SOM)和產生拓撲對應(GTM)等無監控資料探索技術,能夠讓使用者快速進行深入探索。
同樣地,可以重寫隱馬爾可夫模型(HMM)和粒子群演算法等耗時的統計技術,大大提高計算效率。但是,過多的技術和大量的資料不一定會帶來更深入的了解和預測式能力。筆者認為沒有一種方法或多種方法組合是萬靈丹;相反地,應利用現有資料來自訂符合應用程式的方法,但是,我們認為SME將繼續引導解決方案的開發和維護。
AI/大數據分析迅速竄起
AI可用來描述感知環境並採取措施完成目標的任何裝置或分析法。現在,AI通常用於類比人腦功能的裝置或分析法概念(例如在自動駕駛汽車的應用中)。人工神經網路(ANN)這類分析的一個例子已經存在了數十年,且此類AI分析法在大數據發展中再度出現。例如,深度學習(一種與結構化ANN非常類似的技術)利用分層抽象實現品質更高、速度更快的大量資料分析。
深度學習可用於解決大數據分析中的一些較高維度問題,包括從二維度影像(如晶圓圖)中提取複雜的圖案。深度學習技術得益於資料量大增,並使用資料驅動型受監控技術尋找資料中的關係。這些技術的主要缺點是相對無法在模型開發和維護中合併SME。所開發的模型通常不明確可用,因此難以評估,同時半導體製造分析中涉及的背景複雜性和動態阻礙深度學習使用大量且持續的資料量。
近年來,研究工作的重點是結合SME和AI技術,該方法有望在未來應用於生產現場。另一種獲得極大關注的大數據分析能力是背景分析,該分析使用通常稱為「網路爬蟲」的解決方案。這些應用程式會挖掘背景中的資料,並尋找有關係的圖案或分析結果,例如接近故障的零件。然後,這些應用程式會以非同步方式通知如工廠控制系統的應用程式,以便能夠採取適當的措施。這種方法還會使診斷和預測更具有可重構性。
大數據分析日益進步提升製造良率
當邁向智慧製造時,顯而易見的一點是分析法將在實現良率的過程中繼續發揮更大的作用,同時可使產量最大化並降低成本。大數據的進步將推動這些分析法的發展,筆者認為,到目前為止所取得的進展已經提供一些重要發現,這些發現將有助這些分析法達到最大能力。
第一個重要發現是,半導體產業期待開發或加強的許多分析法解決方案都可以利用相同的模型開發(靜態資料)和模型執行/維護(動態資料)結構。例如,用於PdM的6步模型開發流程(如圖2a和2b中所總結)可用於虛擬量測,甚至預測良率。使用通用的方法不僅能夠節省推廣這些技術所需的時間和精力,還能夠讓製造廠商交叉利用分析法持續進步。
圖2a 使用MVA預測器及其部分的PdM方法,包括故障前時間範圍以及預測置信度或範圍的某種表示。
圖2b 利用離線模型建構和最佳化提供合併SME機制的PdM方法,可用於多種APC預測能力。
第二個重要發現是,智慧製造將使這些分析法的應用範圍延伸。例如,透過將診斷、控制和預測從晶圓製造廠內擴展到供應鏈中,可以更有效控制客戶需求並提高解決區域良率等問題的能力。第三個可能是最重要的發現為,SME將在半導體產業的分析法應用程式中繼續發揮重要的作用。應用程式將有所不同,但設備和製程專業知識仍然會是半導體製造分析解決方案的關鍵組成部分。
(本文作者皆任職於應用材料)
改善流程/控管品質 AI扭轉製造價值
.大量客製化需求:顧客力量愈來愈大,希望能夠具有客製化、個人化的產品,來滿足需求。這使得傳統大量製造的程序與思維必須改變。
.產品商品化:大量相同產品被製造出來,不斷地進行價格競爭,使得產品商品化、產品差異變小。製造業為求產品差異化,除了思考利基產品研發,也思考運用科技讓產品附加服務產生新價值。
.製造價值轉變:由於電子商務發展,許多製造業跳過中間商直接面對顧客,接受顧客市場需求,也開始挑戰製造的價值。製造業開始思考提供附加服務、顧客體驗來滿足顧客新需求,也開始思考有別於傳統產品銷售的商業模式。
這三個因素使得製造業思考運用各項技術來協助進行數位轉型。許多大型的製造業由於資金雄厚及市場占有率,已經進行轉型並獲致成果,如:GE、西門子、Bosch、富士康、海爾電器等。中小型製造業亦亟欲運用相關技術進行數位轉型。
AI大數據改善工廠生產流程
改善工廠生產流程是製造業首先考慮運用物聯網或人工智慧等技術的方向之一。工廠運用大數據、人工智慧來提升生產流程的效率、提升產品良率、彈性生產,滿足大量客製化等需求。
生產過程監控與分析是許多工廠運用新興技術協助生產效率提升的第一步。當生產作業的設備、物料數據可以進行數據蒐集、視覺化展現後,進一步利用大數據或人工智慧技術進行處理、分析乃至於最佳化生產流程。這種初步應用可以稱為連接工廠(Connected Factory)。
連接工廠最初步的作法將生產計劃、生產任務、設備狀況、物料狀況、產品良率狀況等蒐集,透過工廠電子看板、桌上型電腦、智慧手機等,即時監視工廠各種狀況。亦可透過監視攝影機將產線現場操作狀況呈現,甚至危險動作可以警訊通知。進一步,利用物聯網技術,可將產線生產狀況,如設備是否正常運行或停機、已經生產多少產品等數據進行蒐集,進一步分析全局設備效率(Overall Equipment Effectiveness),以提高設備利用率,減少停機待料、產品品質損失、換線時間等,進而改善生產作業的效率。運用人工智慧與大數據分析,可以分析比較不同時段、不同設備、製作不同產品OEE數值,找出影響OEE的關鍵因素,提供現場工作人員參考與主管的決策改進。
利用RFID智慧控制生產過程
生產過程控制是另一種在產線運用人工智慧的做法。最常見的方式是利用RFID的方式,進行備料通知,讓產線的備料能夠即時,達到不缺料、不囤積的目的。例如:惠而浦洗衣機工廠運用RFID在其塗料作業上,讓物料能即時送達。有些工廠則將生產訊息與物料搬運車連動,讓物料搬運車能自動搬運所需的物料至生產線或是發貨區等。
Amazon Kiva物料搬運車是最著名的人工智慧搬運車。Amazon在全球倉儲運用15,000台Kiva搬貨機器人協助倉庫搬貨。訂單出貨時,撿貨人員站在特定區域,Kiva機器人配置電腦視覺系統掃描地上條碼,並具備最佳化搬運路徑演算法,會將放置欲出貨商品貨架,頂到撿貨人員區。撿貨人員根據電腦螢幕顯示訂單貨品撿貨。撿貨完畢,可要求Kiva將貨品送至出貨棧板區。進一步,自動搬運車機器人要全面運用電腦視覺技術,建構現場3D環境及最佳路徑,並能學習分辨障礙物與繞路行走。致力於人形或動物形狀的波士頓動力(Boston Dynamics)則運用類犬型機器人、人形機器人進行搬貨是另一種新思考方式,不過這樣的運用尚未被大量試行在實務工業環境下。
另一種生產控制人工智慧應用則是輔助自動化產線的流程進行,例如一家紙尿布工廠已經發展整體產線自動化流程。然而,產線自動化流程會遭遇到某階段異常而使得生產程序延後或停擺。該工廠即運用人工智慧分析方法採集分析每道程序控制訊號以及狀態監控參數,找出正常生產狀態與偏差狀態的特徵。一旦人工智慧程式分析可能異常的尿布,則將該尿布轉到檢查區,以避免影響整個產線。一家輪胎公司運用人工智慧,讓前導製程的數據可以即時送到數據模型中運算,以確定下一道製程溫溼度、設備參數等。這將使得整個輪胎製程能動態根據環境與前道製程狀況進行最佳化調整。
除了分析設備、物料的參數外,也可以運用人工智慧電腦視覺分析的方式來分析生產過程問題進而進行控制。例如:釀酒工廠生產品質的關鍵之一是讓每個酒瓶應該注入一樣多酒。然而,注入啤酒會產生泡沫,造成每一次注入狀況不同而使得注入酒的數量不一致。一家工廠即在注入飲料製程上放入智慧攝影機,分析每次注酒成功(注入一定的酒量)或失敗。在注入過程中,智慧攝影機能夠在每秒30個酒瓶速度下,快速地辨別注入不夠或沒有蓋上瓶蓋的酒瓶,將其移到品質不良區。並在過程中,即時地紀錄成功與失敗酒瓶數目。該智慧攝影機晶片具備AI快速處理與分析能力。
對於製造業來說,如何確保生產產品品質亦是一項重要的管理要點。大數據與人工智慧可以協助生產品質的管理可從生產過程品質監控與預測以及生產過後的品質檢測來協助,以下分別介紹幾個應用案例與趨勢。
運用AI預測生產品質
如何在生產過程中預測生產品質可能狀況,進一步提前處理是另一個常見的人工智慧製造業應用。WD是世界上最大的硬碟製造商之一,其製造的挑戰是追蹤硬碟機生產每個過程,以確保產出硬碟品質,並可減少顧客使用過程中,因品質問題造成資料毀損。WD即利用大數據分析與人工智慧分析方法,從各項生產設備的資訊中找出可能的問題,並發出異常警訊以提前預測可能品質不良的產品而避免出廠,造成商譽損失。應用材料公司是半導體設備廠商,也將品質預測功能放入設備中,以減少其半導體客戶因為設備參數問題,而製造不良的晶圓。
村田製作所(Murata)公司生產電容、電阻、感應器等元件,應用在智慧型手機、汽車產品中。電子元件製造牽涉到多個站台的生產,必須整合數據進行品質、成本、產出時間的分析。特別是工廠、周圍或設備本身溫度都會影響元件生產的品質。設備與生產過程的數據量亦很大,不容易管理。該公司整合各種工廠、產線設備感測資料、環境感測資料以分析影響產品良率。其中,還包含空氣溫度、管線中水溫度、空氣中蘊含的粒子數等。透過綜合各工廠、產線資料,運用大數據、人工智慧進行生產品質預測,以改善生產良率。
生產品質預測除了利用設備參數進行預測外,也可以運用視覺檢測的方式來檢視產品問題進一步進行預測。例如日本IT大廠NEC推出「AI Visual Inspection」視覺檢測,運用機器學習技術,可以檢測生產線上的產品影像。例如金屬、人工樹脂、塑膠等產品加工業的生產線,運用 AI進行高速檢查,找出不良品,提升生產線效率。
事實上,工廠中本來已經存在自動光學檢測系統(Automation Optical Inspection, AOI)檢測產品問題。傳統自動光學檢測系統,必須花許多時間校調產品光學檢驗方式,無法適用在小批量多樣產品線的生產。結合大數據、人工智慧影像處理的新興檢測系統,則可以根據產品的樣式、顏色、形狀各種面向同時檢測,以同時檢測不同產品生產。同時,運用機器學習的技術,也可以讓作業人員即時糾正錯誤判別的狀況,讓檢測系統學習以不斷地提高檢測準確性。這使得新興人工智慧檢測系統更能應付大量客製化彈性工廠需求。IVISYS生產檢測設備公司即發展人工智慧產品視覺檢測方案,可以針對產品的樣式、顏色、形狀各種面向同時檢測。首先,IVISYS根據不良品進行分析,建立產品不良視覺檢測模型,進行產品檢測作業時,具備檢視畫面,能讓現場人員而非專業工程人員進行同步修正,以強化檢測模型。IVISYS攝影機具備多方向鏡頭,可以針對產品不同面向進行攝影,以進行3D成像建立。影像資料也持續記錄,可以持續地改善模型。在某一個產業案例中,IVISYS不良品檢測比人工檢測速度提升35%,且能做到針對每個產品進行檢測。此外,檢測結果報告亦可以提供人員進行生產排程參考。
不論製造業或服務業,對於理解顧客喜好,分析市場趨勢等,均能提供產品服務設計、營運方向的參考。特別是網際網路發達,顧客在部落格、公司官網、社群媒體、電商網站等均留下許多數據可以提供分析。例如:Maruti Suzuki是一家汽車公司,即運用透過各種管道資料分析顧客需求並進行交叉銷售。Maspex是一家飲料公司,運用透過各種管道資料分析線上評價以協助行銷。GE運用KDD分析家電產品數百萬抱怨紀錄,分析原因為何。Grandi Salumifici Italiani運用數據挖掘分析全球不同市場銷售預測。HP運用數據挖掘技術分析電話、網站、Emails、銷售夥伴等通路,以理解顧客喜好、抱怨,進而改進產品。
事實上,需求預測系統在1980年代即已經有許多系統發展,甚至2000年代供應鏈規劃系統亦盛行。傳統需求預測系統以過去銷售紀錄為主,進行數據計算與預測。然而,影響需求的原因還包括:顧客對產品的喜好程度、市場品牌訊息乃至於天氣變化、原物料價格等複雜因素。新興人工智慧需求預測系統即是蒐集各種多元、大量數據進行分析以找出規則並進行預測。特別是許多顧客留下訊息在Email、電話、社群媒體等文字紀錄上,運用新興文字分析技術或自然語言處理技術的人工智慧技術,協助分析顧客抱怨或喜好,進一步可進行產品需求趨勢與銷售預測。
(本文作者為資策會MIC產業分析師)
解決智慧製造資安隱憂 統一標準防守更全面
隨著5G等科技發展,資訊自動攻防技術戰略重要性提升,資訊戰先行將是未來戰爭新形態,因此,資訊安全攻防將是公私立機構在資訊安全管理的優先部署重點。而5G、AI大數據更是使智慧製造得以逐步實現,隨著資訊應用日益多元,資安問題也隨之潛入工業製造的各個角落,因此半導體資訊安全標準的重要性已經不可輕忽。
SEMI國際半導體產業協會組長張啟煌表示,半導體產業協會正致力於設立台灣第一個半導體設備資訊安全標準。由於半導體設備生命週期很長,所以會存在許多過時的資訊系統,資安問題因而產生。另外,在高科技產業中,大數據與智慧製造的資訊應用越來越多元,然而在整合的過程中,也增加了資訊安全的風險。加上不同廠商產出的半導體設備,遵循的標準與資安考量都有所不足,因應此問題,制定統一的資安標準刻不容緩。
張啟煌指出,一個工廠裡面可能同時存有幾十個作業系統,非常多廠商還在使用終止支援(End of Support, EOS)的作業系統。儘管半導體設備價格少則幾千萬,貴則可以上至幾億,可是大家卻是注重於IT技術的研發,而時常忽略了資安問題,這其實是很嚴重的。太多先進的應用正促進智慧製造的發生,同時也帶來了更高的資訊安全風險。
張啟煌呼籲,要談智慧製造、製造效能之前,應該先討論資安。廠商究竟該如何因應資安風險,首先必須遵守相關標準使用合時宜的作業系統,否則機台種類過多,有些不能補丁,有些就算可以補丁也十分麻煩,將會難以管理。另外,廠商也應該注意工廠內網的問題,因為只要有電腦就有中毒的風險,因此資訊安全的標準也應該涵蓋到內網的保護。最後,預防勝於治療,供應鍊安全是首要之務,要求生產機台的廠商在設備出廠時,就內建安全設定功能,將會比事後增加防護功能更有效率。
智慧製造也帶來了資安風險,盡快確立半導體資安標準十分重要。
IIoT故障預診斷 提升產能/設備稼動率
隨著軟硬體的進步,人工智慧(AI)和大數據(Big Data)等技術也跟著蓬勃發展,包括資料收集與分析等都比以往更為方便,例如將這些技術導入工業製造,進行設備故障的預先診斷,也能大幅提升產能與效率並降低相關成本。
工業技術研究院巨量資訊科技中心資料分析技術部副經理賴建良表示,善用AI和大數據可以創造智慧製造新價值。在產線端可以導入故障預診斷(PHM)技術,提升產線效率同時降低維修成本。
賴建良說明,工業製造的產線設備維護包含了預測和進廠管理兩個部分。預測的其中一個問題就是過度保養(Over Maintenance),有時設備零件還沒壞,保養時間到還是馬上更換,造成資源以及開銷的浪費,但是機器故障的成本太高,通常還沒損壞仍會選擇換掉,形成過度保養的問題。另一個問題則是非預期性停機(Unscheduled Downtime),即使已經定期更換零件,設備依然有可能意外停機,停機以後就須要進行清機和調機等作業,進而會影響產能和設備稼動率。最後,還有無法確定產品異常原因的狀況,當下游檢測機台發現產品異常,就須要停機,耗費大量時間與人力成本去尋找異常原因,造成產品的良率下降甚至報廢等問題。
針對故障預診斷,賴建良做了進一步的說明,利用生產過程中機台相關的資料與維修紀錄,可以進行故障預診斷。收集關鍵零件的健康指標,了解零件與正常狀態的差距,進行健康狀態評估(Health Status Assessment),即可快速找出故障源進行排除,關鍵零件健康狀態一目了然;另外,藉由相關資料的收集分析,可以進行故障預測(Failure Prediction),避免零件無預警故障造成非預期性停機,在故障點前提早預測到,事先進行零件的更換與維修,減少無預期故障帶來的原料損失;除了在故障前預測之外,也可以進行零件的剩餘壽命預測(Remaining Useful Life Prediction),對維修排程、備料與產線調配做更好的安排,提高機台稼動率並降低機台維護成本。
工研院巨量資訊科技中心資料分析技術部副經理賴建良表示,在產線端導入PHM技術,可以提升產能減少成本。
賴建良舉例說明,如華邦電子建置的機台預警系統,透過對參數因子的蒐集、解讀和分析預測,在問題事件發生前發出預警通知,減少非預期性停機狀況,並在第一時間採取矯正措施。在高度自動化的工廠結合機台預警系統,優化生產流程,確保少量多樣的產品品質,滿足車規或公規等高階市場的需求。
智慧音箱開疆拓土 遠傳力闢物聯網市場版圖
在亞馬遜(Amazon)推出Echo之後,帶動全球智慧音箱及人工智慧(AI)語音助理的熱潮,不僅Google、Apple或音響品牌業者相繼投入智慧音箱產品外,隨著物聯網(IoT)商機蓬勃發展,電信業者也開始切入智慧音箱市場,推出相關產品與服務。例如遠傳電信便於近期發布兩款全新攜帶式智慧音箱「小愛講」和「小狐狸」,此一布局不僅是看好智慧音箱具備智慧家庭服務中樞的潛力,也希望能藉此拓展物聯網市場版圖,搶占市場先機。
根據研調機構Deloitte指出,智慧音箱市場於2019年市場價值將達到70億美元,較2018年的43億美元,年成長率達63%,成為歷史上成長最快的網際網路裝置類別;而預估2019年智慧音箱銷售量將可以達到1.64億台。
對此,遠傳個人用戶事業群數位服務處副總經理陳萍坽表示,遠傳未來將以「大人物」為企業發展主軸,深耕大數據、人工智慧、物聯網三大關鍵領域,而智慧音箱可說是遠傳布局這三大領域的先鋒,因智慧音箱不僅能為消費者創造良好的人機互動體驗,同時未來還有望成為各式聯網產品的控制中樞。
陳萍坽進一步說明,對於電信業者而言,智慧音箱可說是不能缺席的市場。遠傳推出「小愛講」和「小狐狸」,不只是瞄準智慧音箱商機,而是希望能藉此深耕物聯網市場。未來物聯網裝置勢將遍地開花,像是智慧家庭中的洗衣機、電視機等家電用品都將有聯網功能;而智慧音箱的語音控制功能有望成為各種聯網裝置控制中樞,提供各種創新應用服務。因此,該公司便積極布局,期能透過智慧音箱搶占物聯網先機,再進而深耕智慧聯網市場。
據悉,遠傳所推出的兩款「小愛講」和「小狐狸」智慧音箱,目前已可實現部分智慧家庭應用,控制家電產品如EQL智能小管家、智慧燈泡、智慧插座等;同時也具備資訊快查(如天氣、股票、匯率換算等)、生活幫手(設鬧鐘、查時間、家庭留言等),以及娛樂音訊播放(音樂、新聞、有聲書等)。