AI時代來臨-田口品質工程與AI合作的契機

常常在AI的文章中獲得一些訊息, 例如:AI通過分析生產數據、優化參數和預測結果，能顯著提升製程效率和產品質量。

所謂建立預測模型(Building a Predictive Model)就是: 在收集到足夠的數據後，AI的核心任務是建立一個模型來預測「如果我把參數設定成X1、X2、X3、X4、X5(X1:溫度;X2:攪拌轉速 RPM; X3:壓力;X4:添加劑的流量;X5:乾燥風量)結果會是Y1、Y2、(Y1:粘度; Y2:色度)」。這個模型可以是：

回歸模型(Regress Model): 預測連續性數值，如能源消耗、粘度、分子量、…常用幾種回歸模式有以下

線性回歸 /非線性回歸/Logistic回歸/多項式回歸/ 逐步回歸

.....以及更多其他預測模式演算法

例如: 透過(配合數據採集與Sensor感測器) ,收集線上感測器的數據，如：PH值、容氧量、各種鹽類濃度量等，建立AI水質預測模型，AI模型透過學習歷史數據，建立一個非線性關係模型，用來預測在當前水質條件下，達到目標出水所需的最佳藥劑投加量

壹、應用情境

_{1.>所以: AI方式透過演算法、機器學習、深度學習進行『預測模型(Building a Predictive Model)』之製程優化應用情境是:}

資料參考Azure:機器學習服務背後的數學與邏輯簡介

• 已大量生產、資料累積豐富

_{• 製程高度非線性（如半導體、化工）}

_{• 參數多且交互作用複雜}

_{• 需要即時預測 / 自動調參}

_{• 追求極致良率或多目標最佳化}

^{2.>而前面多篇的案例介紹透過『Taguchi田口方法』的應用情境是:}

• 通常在新製程開發初期階段即可適用

• _{參數數量不多（<10）,事先進行參數討論分析或可以透過參數篩選}

_{• 須進行額外實驗實驗成本高、資料量不需要太多(是透過直交表規劃之實驗,進行估計與預測)}

_{• 在全新製程階段,需要快速找到「可用且穩定」的設定}

貳、兩者核心概念差異:

參、資料數量需求差異:

肆、綜合結論:

·    Taguchi DOE 適合「新製程階段-探重要參數及參數優化、少資料、找方向、求穩定」

·   AI 製程最佳化 適合「已經量產階段、多資料、求極致、動態控制及預防模式」

伍、實務上「最佳做法」：混合式策略

1.  先用 Taguchi DOE

_{o   快速縮小參數範圍}

_{o   排除不重要因子}

_{o   找到關鍵因子對抗Noise}

2.  再用 AI 建模

_{o   對關鍵參數做精細建模}

_{o   建立預測模型與最佳化器}

_{o   及時發現異常提早預防控制}

_{<註:部分資料參考ChatGPT 與個人工作經驗整合>}