不久前，一位台灣的 PCB 製造業者找上若水，研究可以怎麼導入 AI 人工智慧儘快落地。
PCB（印刷電路板）是重要的電子構件，所以被稱為「3C 電子產品之母」。在台灣，這個產業扮演了很重要的位置，光是 2019 年上半年就創下 2,882 億元新台幣的產值。
※備註：什麼是 PCB？印刷電路板，又稱印製電路板，印刷線路板，常用英文縮寫 PCB（Printed circuit board）或 PWB（Printed wire board），是電子元件的支撐體，在這其中有金屬導體作為連接電子元器件的線路。
目前 PCB 的產業近況，由於印製電路板的製作處於電子設備製造的後半程，因此被稱為電子工業的下游產業。幾乎所有的電子設備都需要印製電路板的支援，因此印製電路板是全球電子元件產品中市場占有率最高的產品。目前日本、中國大陸、臺灣、西歐和美國為主要的印製電路板製造基地。
圖／ 簡季婕 Jessica Chien，若水 AI 數據服務團隊策略顧問
在和這位客戶互動的過程中，我們理解到 PCB 產業的現況。就像為了確保產品出貨時100%無暇，PCB 廠普遍應用「自動光學檢測」（Automated Optical Inspection，簡稱AOI）設備來檢測瑕疵，以對製程進行嚴密的品質管理。
※備註：什麼是 AOI 自動光學檢查？
AOI (Automated Optical Inspection) 為高速高精度光學影像檢測系統，運用機器視覺做為檢測標準技術，作為改良傳統上以人力使用光學儀器進行檢測的缺點，應用層面包括從高科技產業之研發、製造品管，以至國防、民生、醫療、環保、電力…等領域。
自動光學檢查是工業製程中常見的代表性手法，利用光學儀器取得成品的表面狀態，再以電腦影像處理技術來檢出異物或圖案異常等瑕疵，因為是非接觸式檢查，所以可在中間工程檢查半成品。高精度光學影像檢測系統，包含量測鏡頭技術、光學照明技術、定位量測技術、電子電路測試技術、影像處理技術及自動化技術應用等領域，其開發應用不但符合高科技產業發展需求，其技術層面更可擴展至國防軍事工業，舉凡兵工武器製造、夜視作戰系統、戰略地形形貌之分析與研判等，都與此影像技術息息相關。
不過，AOI 自動光學檢查的高誤判率也讓 PCB 廠頭很痛。
原來，在 PCB 產業對於良率「寧可錯殺一百，不可放過一人」的高要求，往往會把 AOI 參數設定極高規格，導致設備異常敏感。當數據參數設定過於嚴格時，AOI 過篩誤判率可能達到 7 成。
在這樣的狀況下，PCB 產商又要加派人力複檢，將檢測圖像放大數百倍於操作螢幕上讓人員確認，究竟是真有問題，還是虛驚一場，造成不少人力和時間成本增加。
AI 導入要硬體、要技術，要策略，三者缺一不可。這兩年，愈來愈多台灣企業導入 AI，我們看到數據處理的過程，就在形成企業如何運用科技的策略思維。所以過程中我們都會跟客戶一起思考三個問題：
1，要解決的問題是什麼？
2，要達成的目標是什麼？
3，AI數據分布的樣態、分類和清理的決策樹會是什麼模樣？
清楚定義問題和數據樣態，是 AI 落地的首要關鍵
經過一番討論，客戶設下兩大目標：
首先，希望能降低 AOI 誤判率以節省人力複檢時間，運用 AI 篩掉 AOI 預測失準的圖資，也就是 AOI 判別為瑕疵，但實則無瑕的（False Positive）。
其次，則是想透過判別瑕疵類別找出製程問題來源：如為瑕疵，判別瑕疵類別，並結合機台數據找出成因。
從AI數據處理的角度來思考客戶的目標，有三個主題得要反覆釐清：
1, 何謂瑕疵（Classification）
2, 定位出瑕疵範圍（Localization）
3, AI 真正要學的是什麼？
像在 PCB 的製程中，隱藏著有許多看似無關，實則影響演算法學習的議題，比方影像像素、導致過曝的光源、攝影機拍攝高度等。
於是，我們建議透過「投票系統」（Voting System），把同一個工項交給三位AI數據標註師判斷，並以多數決來確認AOI的判斷到底正確與否。
針對瑕疵判定，這時候從AOI來的已判斷為瑕疵之數據已可分成兩種類型：
1, 正確判讀
2, 錯誤判讀
透過若水的 AI 數據標註師篩選掉第二類圖資後，便留下真正該讓機器學習的 PCB 瑕疵數據。
演算法是吃數據的，它不像人類在經過學習後，會有一定的知識量及超出規則聯想的能力。如果只教演算法「A」等於A，它就只會認「A」，不會知道「a」也等於A。
當時，我們在和客戶反覆討論和定義後，確認以最多十幾種的瑕疵圖資為主，但接著光是定義各瑕疵類別判定原則，以及相關數據就是一項大工程。
在這個狀況下，一旦判定的原則定義模糊，就會混淆演算法的識別能力。為此，若水 AI 的 BD、PM 和製程工程師，密集討論每個瑕疵類別，找出明確且具排他性的特徵定義及辨別原則，形成決策樹，減少誤判。
儘管判別瑕疵的原則大致有個規範，但實際定義仍會依據每個客戶不同的瑕疵標準，而有所差異。
像這位客戶原先想將「灰塵」加入判別種類，但在AOI檢測出來的圖資中，「一個黑點」應該定義為「灰塵」或「污漬」，兩者之間很難用定義釐清，客戶決定從製程改善，而不用AI來解決入塵問題。
透過原則及流程設計，協助客戶將知識標準化
定義、篩選、分類完，這時，才正式進入 PCB 瑕疵 Object detection 的數據標註流程，包含標註「瑕疵範圍」（Bounding Box)及「類型」(Classification)，好讓AI學習瑕疵的類型及面積大小。
在這個階段，若水運用「黃金標準數據集」（Golden Dataset）的機制，以隨時驗證標註品質。
「黃金標準數據集」則是一組確定瑕疵類別正確的「已標註數據」（labeled data），若水在專案中會將黃金標準數據集，隨機放置在工項流中讓標註師領取，再兩相比對標註師標註的結果，來抽驗標註品質。
若發現人為標註的答案與黃金標準數據集不相符，PM 即在第一時間停止標註師作業，並由品質檢核團隊手把手教學。
這樣的雙重機制，不僅能即時掌握標註師對標註原則的熟悉度，也能確保最終僅提供給客戶高品質的標註數據
有意思的是，帶有策略思維的數據處理流程，即便在 AI 還未落地，往往就已經啟動管理優化的機制。
像這個 PCB 瑕疵檢測的個案，在清理數據的過程中，就能發展出判定瑕疵的 SOP 流程，同時也將內部知識標準化，並且協助製程工程師掌握製程問題，即時形成管理的回饋廻圈。這是數據處理最重要的結晶。
【推薦閱讀】
1, 推動 AI 落地，時間怎麼配置最理想？ ➡️➡️ 別急著寫 Code， AI 落地前要回答的兩個問題
2, 人工智慧不再是一種選擇，而是生存下去的基本必須品！➡️➡️ 看全球零售巨人沃爾瑪如何利用龐大的數據網，成功預測消費趨勢，提高營運效率
