過去幾年中，有無數關於人工智慧(AI)和機器學習(ML)將如何改變我們生活之預測。所有這一切都涉及一定的投資，預計到2024年，全球AI市場將成長到龐大的5,540億美元規模。
製造業和工業領域也不例外，人工智慧/機器學習正成為工業數位化轉型的關鍵部分。工廠中的電腦早已不是新趨勢，包括幾乎無處不在的可程式邏輯控制器(PLC)和SCADA等完善協定。但是，工業物聯網(IIoT)意味著此刻在生產線上已存在的多種感測器，可以生成越來越多資料。AI和ML則提供了一種利用所有這些資訊的方法，以提高效率和改進生產，進而邁向工業4.0。
然而，工程師應該如何才能實際運用AI/ML，來獲得真正可衡量的收益？該技術是否已經足夠成熟，足以證明可以推出用於工廠車間，還是尚處於初期階段？
首先要闡明一個關鍵點：ML與AI不同。儘管兩者定義各不相同，但業界已經達成共識，即AI廣義泛指使電腦思考的多種方法。另一方面，與人為設計程式或解決方案之所有層面相反，可以將ML更狹義地定義為使電腦能夠透過處理資料自動學習並從中進行改進。在ML中，人們建構多種演算法，俾使系統可以進行預測，並透過檢視預測準確性來達到機器學習。
在工業市場，機器學習正在所有領域受到運用，從預防性維護到優化製程效率，再到簡單卻至關重要的任務例如管理何時訂購替換零組件和消耗品等。機床具有多個溫度和振動感測器，ML系統可以從來自這些感測器的資料中學習何時零件已磨損或無法調整，並且可能很快就會發生故障。這可以透過在現有設備上加裝感測器或使用新型機床來實現，新款式的機床在出廠時應該安裝適當的感測器。
四大類工業主要ML用例
從個別領域細分來看，當前ML在工業自動化中已經有不少典型應用，包括機器視覺、決策、預測性維護，以及幫助提高安全性。 機器視覺常用於檢查和品質控制，可以訓練機器學習系統來識別問題，這可能包括傳送帶上丟失物體之類的簡單應用。決策方面則可使用資料進行自動、快速即時做出最佳操作，從而提高效率並減少人為錯誤範圍。
至於預測性維護，則是使用感測器資料來發現即將出現的問題，最大程度地減少停機時間和相關成本。最後，可運用ML來幫助提高安全性，藉由識別可能引起風險的任何事件並採取相應對策，包括從關閉機器到避免機器人、車輛或人彼此之間碰撞等層面。
實作中並非每個系統都適合應用ML，而是存在許多限制，例如哪些資料可以收集以及如何處理這些資料，或者加裝感測器、運算處理、電源和聯網的成本可能太高等等。延遲是另一個問題，對遠端運算資源或雲端進行資料的發送或接收會帶來延遲。
解決整合ML與自動化挑戰
經過自動化供應商Beckhoff的實際驗證，將ML成功整合到自動化系統中必須滿足五個基本要求，分別是：第一，採開放式介面，確保互通性。第二，ML解決方案須簡單易用，可輕鬆與現有軟體整合，無需專家知識。第三，機器學習解決方案要足夠可靠、準確，可提供有價值結果。第四，足夠強固的訓練方法，可以處理帶有雜訊或不準確資料。第五則是透明度，讓ML系統易於理解。
AI和ML項目在實踐中可能具有很大挑戰性，特別是對於在該領域沒有經驗的組織而言。根據Gartner研究指出「AI專案通常由於可維護性、可伸縮性和管治問題而失敗」，在概念驗證與推出在產系統之間存在巨大差距。很容易造成專案在螺旋式上升時失控，不切實際的期望無法與可擴展性能相匹配，並且缺乏可視性，進而使公司決策者無法發現真正問題。
同樣很重要的是要考量實現ML系統實用性，以及需要多少運算性能，這些並非總是顯而易見。對任何ML系統而言，模型部署後的日常改進，其實往往不同於初始訓練過程的需求。上線前作業(Pre-production)階段可能需要海量資料和大量運算，必須使用功能強大的電腦或伺服器。但是，在工廠中導入系統後，逐步增量改進(透過所謂「推理」根據新資料來調整模型)所需的硬體性能要低很多，因此非常適合採用嵌入式處理器(圖1)。
圖1 由電腦運作初始訓練，而嵌入式處理器則在現場處理推論。
資料來源：Microchip
相較將資料發送到遠端雲端或中央伺服器進行處理，在嵌入式系統或邊緣電腦中現地運作的ML模型具有明顯優勢，它通常速率更快、延遲更小，對傳輸頻寬的要求較低，並有助於確保資料安全性和隱私性。
Gartner提出一個很有價值的概念稱為「賦權邊緣(Empowered Edge)」，用於描述組織如何實施運算資源和IoT感測器。簡而言之，「邊緣」是指資料源靠近資料處理位置。就本文中「嵌入式」的含義而言，所謂的邊緣可能直達端點層級，包括感測器和致動器(Actuator)都可能配備ML功能。
依策略需求決定運行配置
ML不是萬靈丹，但在許多應用中確實都會有明顯好處，能夠為許多公司提高效率、可擴展性和生產率，同時降低成本。雖然機器學習技術在道德隱私和社會責任等方面有若干爭議，但是對於不直接與消費者打交道的工業應用，這些問題較易於受到良好控制。實際上，IDC認為「企業將會採用AI。不僅是因為他們可以，而且是必須。」這在競爭激烈工業領域可能並非誇大其詞。
為了釐清如何實現ML以及所需元件，首先應該考量「在哪裡」的問題，即目標是在嵌入式系統中本地運作或是在雲端遠端運作所有功能？本地運作通常是最好選擇，但需要仔細權衡取捨，包括成本、延遲、功耗、安全性和運算資源等實際層面。
對於嵌入式ML系統，已有許多供應商可為工業應用提供合適處理器，例如以下幾組範例。
Maxim的MAX78000是專為AI和ML應用而設計的系統單晶片(SoC)，它包括一個帶有硬體加速器的Arm Cortex-M4核心以執行推理，並提供高運算性能，同時保持較低功耗。該公司提供評估板和應用平台(圖2)，可幫助工程師快速入門並充分運用其處理器。
圖2 Maxim MAX7800評估套件包括MAX78000 SoC以及彩色觸控螢幕、麥克風和陀螺儀/加速度計。
資料來源：Maxim Integrated
另一個範例是Microchip ML生態系統，其中有EV18H79A SAMD21和EV45Y33A SAMD21評估套件。內容包括來自TDK和Bosch的感測器，採用了基於Arm Cortex-M0+核心的32位元SAMD21G18微控制器(MCU)。
此外還可以選擇NXP的i.MX RT1060跨界型MCU，基於Arm Cortex-M7 MP核心平台，具備NXP軟體和工具支援，可提供良好的CPU性能和廣泛介面。
嵌入式處理器力挺工業ML應用
機器學習可以成為工業應用中的台柱技術，並且可以透過提高效率、可擴展性和生產效率，以及降低成本來改善製造和其他流程。實施ML解決方案可能很複雜，並且確實需要考量多個折衷。一個關鍵決定是運算資源應該布置在邊緣還是嵌入到系統，或者應該位於雲端或處在單獨伺服器中。
業界已經有越來越多高性能嵌入式處理器可以在工業應用中實施ML，例如Maxim、Microchip和NXP等主要供應商都提供了軟體和開發工具生態系統支援。這意味著在生產系統端點嵌入合適處理器，進而靠近資料源，將有機會從ML實施中獲得最大收益。
(本文作者任職於貿澤電子)