據 IDC調查，超過五成 IoT 專案在整合AI 技術後，再提升 20% 的預期效益，整合 AI 成為AIoT讓製造業不但能優化營運效率與產品良率，更能優化作業流程與營運效率，發展出多元創新的商業價值。但為何許多企業卻遲遲不導入 AIoT？SAS 台灣業務顧問部副總經理陳新銓列舉出三大原因。
1. IoT 資料量過大、導致監控效率不彰
IoT 會建置大量感測器來蒐集數據，但受限工具或儲存成本的限制，無法密集擷取資料，造成數據與真實環境有落差，無法反應問題。
解決方式：以非監督式演算法，利用數據本身的變化挖掘異常。待產線人員累積分析經驗後再加入監督式演算法，能快速產生效益並兼顧人才培養。
2. 製造業應用情境深且雜、分析團隊人力有限
就算生產同樣產品的公司，不同產線也會存在極大的製程差異，使得具備足夠產業知識的數據分析人才短缺，而分析團隊也在各部門中疲於奔命溝通。
解決方式：資料民主化讓懂情境的人自主建模，分析團隊專注複雜議題。善用具 視覺化、自動化的分析工具，讓數據轉換與最佳模型自動產生，降低分析門檻。讓產線工程師，也能在經驗累積下扮演取得分析技能，解決分析人才短缺困境。
3. 模型上線效益不如預期，難以控管風險
不少 AI 上線後才發現模型無法與業務需求整合，或開發時間過長，情境已不適用，種種挑戰都讓 AI 無法發揮價值。
資料來源：
https://tw.news.yahoo.com/%E5%8F%B0%E7%81%A3%E8%A3%BD%E9%80%A0%E6%A5%AD%E5%86%8D%E6%88%B010-%E5%B9%B4%E6%96%B0%E6%A8%99%E9%85%8D-aiot%E5%8A%A9%E5%8A%9B%E5%B7%A5%E5%BB%A0%E9%82%81%E5%90%91%E6%99%BA%E6%85%A7%E5%8C%96-180956247.html
Yahoo新聞編輯中心 2021年6月23日 週三 上午2:09
