案例情境：中小型電子組裝廠如何用 AI 導入準備完成 90 天 PoC
一、案例背景：資料混亂讓 AI 題目一直停在討論
以下為中小型電子組裝廠的示意案例，用來說明導入方法，不代表特定客戶實績。工廠想做瑕疵預警，但設備資料、檢測結果、工單與人工備註分散在不同系統，設備編號和時間格式也不一致，導致團隊無法穩定建立訓練資料。
因此第一個 90 天目標不是直接上線自主決策模型，而是完成一條可追溯的資料管線，並用明確的 PoC 指標判斷是否值得擴大。
二、電子組裝廠的 AI 導入準備架構
1. 先收斂題目與資料範圍
團隊把場景限定在一條 SMT 產線的一類瑕疵，固定設備、產品、工單與檢測結果的欄位。範圍越清楚，越容易在有限期間內確認資料缺口。
2. 建立資料品質與標註規則
將設備事件、製程參數、檢測結果與人工複判對齊，建立缺值、重複、延遲與標籤衝突的檢查。品質與製程人員共同確認異常定義，並記錄標籤版本。
3. 讓結果回到現場
PoC 輸出不只是一個分類結果，還要顯示觸發時間、關聯設備與可檢查的證據。現場人員回填誤報、已確認或需複判，作為下一輪調整的回饋。
三、90 天示意 PoC 節奏
第 1 至 30 天完成場景、欄位與資料品質盤點；第 31 至 60 天建立清洗、對齊與標註管線，產出可重現的資料集；第 61 至 90 天執行受控 PoC，檢查準確度、誤報率、提前量與現場採用率。
「90 天完成」是示意的專案節奏，不等於固定承諾。若要宣稱 PoC 成功，還要先定義樣本數、基準模型、成功門檻、資料排除條件與是否影響生產的驗收方式。
四、這個案例的四個防錯重點
- 不要在資料欄位尚未對齊前急著挑模型。
- 異常標籤要由品質、製程與資料團隊共同確認。
- PoC 指標要同時包含模型表現與現場採用。
- 上線前要規劃模型版本、權限、監控與回退。
五、結論：先交付可追溯管線，再決定要不要擴大
對中小型工廠而言，完成資料盤點、品質規則與受控 PoC，本身就是 AI 導入準備的重要成果。當團隊能說清楚資料從哪裡來、模型如何驗收、現場如何回饋，後續擴充到更多產品或產線才有可靠基礎。
對應服務
禹芃科技可協助中小型製造業進行 AI Readiness 盤點、資料管線建置與 PoC 驗收設計。
對應服務 CTA：AI 導入準備