近年由於各種如手機、電腦、IoT、車載等新產品迭代更新頻繁，導致PCB產業產品少量多樣，並且生產製程、配方參數也隨著不同客戶與產品不斷的替換更新，事態加劇，而這也導致企業往往需仰賴資深員工的經驗，在短時間內來調出製造故產品的最佳設定參數；另外，PCB製程複雜，當產線品質問題發生時，往往問題的源頭，可能會歸咎在多個製程上，而無法精確地找出問題要因。

有鑑於此，多數PCB大廠針對製造現場，早期均已投入如MES、機台連線、AIoT、BI等系統，其目的為了實現工廠數據的生產透明化、資訊即時化、產品履歷化、戰情可視化，以期能透過上述的系統，能夠進一步持續改善品質、降低不良等議題，使整體廠內成本降低、工時浪費減少，並有效備料。

早期PCB產業無論遇到甚麼樣的問題，皆會將資料收集後，採用如田口法、6 Sigma等相關品質統計手法來找出要因並進行改善，但觀察到行業內製造現場人員素質不一，且專業統計軟體等運用擴散不易，最重要的是近年資深員工老化與人才招募不易的大環境，這也讓PCB產業無論是自身企業的專業知識留存、複製擴散等，都面臨到嚴苛的課題。

不過，近年來這些問題將有望逐漸改善，由於先前提到智能製造風潮下，許多企業導入諸多系統並自身已擁有相當多的生產大數據，在此利基條件下讓許多企業更關注於人工智慧（AI）發展，期望這些生產大數據可擷取與智慧應用，從中讓企業提升並獲利。然而在前往AI的第一哩路上，第一道難題是市場上AI專業人才招募困難，這讓PCB行業內缺乏AI人才的問題浮出水面，許多PCB產業也因此裹足不前。

企業虛擬AI資料科學家 24小時不間斷

因應製造業AI應用與人才需求，杰倫智能（Profet AI）致力發展製造業應用的AI平台，研發出自動化機器學習平台（Automated Machine Learning；AutoML），目的在於解決企業AI應用與落地實現問題，該平台像是企業虛擬AI資料科學家，讓生產專家無需寫程式和鑽研複雜演算法，就可以快速運用過去的生產歷史數據來進行AI分析。

在生產過程中，Profet AI的工具協助企業研發部門進行產品研發優化、品質專家透過工具找出異常要因、製程專家快速找出最佳調整參數，進行生產流程改善，通過創新的AI機器學習運用技術，將龐大晦澀的演算法化繁為簡，成為易用的數據分析工具，迅速建立標準化的智能決策體系，幫助工廠進一步擴大生產規模並且提升生產和產品研發的效率。同時，Profet AI平台不僅應用於印刷電路板產業的生產品質預測，各產業都能夠透過該平台產品協助，實現讓企業各領域80%的關鍵人才都能自主運用AI，養成企業運用數據分析輔助決策的文化。

部分對提升產品附加價值或對工廠規模化擴張深具企圖心的PCB業者，導入創新的杰倫智能「AI自動化機器學習（AutoML）平台」，如同企業的「虛擬AI資料科學家」，為化繁為簡且直觀圖像化操作的AI數據分析工具，快速賦予業務專家運用AI的能力，只須瞭解手上的數據，從上傳到完成分析僅需幾個步驟，就能讓傳統製造業快速導入AI能「一天上手AI、一周落地AI」，輕鬆將AI活用在例如印刷電路板的即時品質預測和製程參數優化等應用場景（如圖一）。

圖一 : 杰倫智能「AI 自動化機器學習（AutoML）平台」，如同企業的「虛擬AI資料科學家」。

以PCB產業鎳化金（ENIG）製程為例，其為相對穩定的生產製程，但仍有以下兩個議題期盼可透過AI進行解決：

一、該製程為批量抽檢，且實驗室的金厚度量測設備較為昂貴，再加上檢驗的時間較長，因此無法實現線上全檢，故有時大量且頻繁生產的狀態下，並不能保證有問題的生產批次會被檢驗出來

二、「金」為貴金屬，相對成本較高，企業期望用金量減少，且又能符合客戶指定的規格內，現場人員一般透過經驗法則，去進行相關的時間、溫度與濃度等的調配變化，但不同產品、生產線別、板子大小、鍍金面積等太多因素，將導致現場人員為求較高的良率，而傾向合規但金厚度較高的製程方案進行設定，長期下來也導致成本明顯增加。

AI的解題與應用

在確認客戶明確的需求後，杰倫智能開始進行下列的相關步驟，進一步協助客戶進行AI的解題與應用：

步驟1 匯整生產數據

客戶開始整理過去一年在鎳化金（ENIG）上，針對有抽檢數據（Y）的產品批號、產品規格資訊、生產設定與即時參數（鎳槽/金槽）、金厚度數值（目標Y）等，按照Y=F（X）的邏輯，逐一結構化排列成excel或csv表格格式，結構數據的格式如圖二所示。

圖二 : 按照Y=F（X）的邏輯，結構數據的格式

步驟2 建立AI預測模型

將數據表格上傳至杰倫智能Profet AI的平台，系統會先進行數據的前處理，讓用戶可再次確認數據的品質，並了解每個特徵值對結果Y的相關性後，再將此數據集進行自動建模作業，人員簡單確認建模內容、建模方案設定、開始建模等三這步驟，即可實現全自動AI機器學習建模作業。

步驟3 要因分析、模擬預測、虛擬全檢、參數最佳化推薦（如圖三）

1.要因分析：

Profet AI平台建模完成後，透過系統得分找出最佳的AI預測模型，從預測模型中，製程單位可立即分析影響金厚度的相關製程要因，並可依據排名快速回饋至現場，來進行相關品質改善的決策參考依據。實際應用情境下，製程工程師不需有深厚的統計背景，亦可輕鬆使用、快速找出要因。

2.模擬預測：

根據歷史數據建立的預測模型，現場的製程工程師可在平台上進行即時的參數調整模擬，使用情境在於當現場量測的金厚度過高或過低時，可使用平台模擬操作，輸入如速度、溫度等數值設定值（提升或降低），由系統自動預測調整參數後的金厚度數值結果，讓製程工程師不須依照過去透過實品實驗的方式，即可先進行事前的調參模擬預測，當透過系統模擬出較佳的調整參數後，再進行實際的參數調整與設定切換，大量減少人為調參時間與實驗所帶來的不良成本。

3.虛擬全檢：

透過Profet AI的平台建置預測模型後，該模型可離線部署在現場的製程上，進行虛擬全檢。使用情境在製造現場由原來只能定期或定批抽檢的狀態，改由AI系統虛擬監控每批金厚度的品質，當發現預測的金厚度有高於或低於規格值後，品質人員可當下針對該批進行檢驗作業，將品管作業行為由被動式轉為主動式，而實際客戶端運作下也減少不良的產出，降低後續客訴發生的比例。

4.參數最佳化推薦：

當建立的預測模型準確後，Profet AI的平台可反向讓製程人員設定期望的金厚度數值，由系統推薦相關製程設定的最佳化參數。使用場景於鎳化金（ENIG）上，製程人員在出貨給客戶的金厚度規格，期望平均金厚度能落在合規但又偏規格下段區間的範圍，讓總體製程用金的貴金屬成本能持續降低。

所以在系統內，製造工程師可先設定期待的金厚目標數值，然後針對不同線別、產品尺寸、鍍金面積等條件下，讓平台推薦相應的鎳槽與金槽設定值。此應用方案將過去老師傅經驗系統化，並整合為ENIG專家系統，後續就算是新進員工快速上手問題或是海外擴廠的人力問題，皆能應用與改善。

圖三 : 平台推薦製程設定的最佳化參數

Profet AI改變了過去PCB產業在製程、品管上的作業模式，並有效將老師傅經驗轉化成專家系統，讓使用者更加便利與快速去活用，並找出問題的癥結，進行持續的改善。但最重要的是，當大量且不同製程的生產數據可以透過平台產生更多的價值之後，許多用戶企業發現，企業內部已逐漸養成建立數據思考的文化，以及培養企業收集數據資產的習慣。當這樣以數據驅動並持續改善的文化深植時，企業將得以提升整體有形與無形的效益並增加獲利。

不僅PCB印刷電路板業者，已有多家企業借助Profet AI平台產品和一天上手、一周落地的實踐方法論，進行實際運作。透過該平台產品的協助，讓各企業與各職能的80%關鍵人才都能自主運用AI。當前越來越多製造業導入AI，企圖利用AI打造競爭力的戰略高地，佈局下一個五年的升級轉型。因此，有越來越多高階管理者異口同聲表示：「AI賦能已經不是要不要做的問題，而是怎麼將AI賦能應用得比對手更快速、怎麼應用得比對手更廣泛！」