300 萬張圖片使用 7 秒速檢，智邦用 AI 全面革新品管流程

工程師每天要耗費大量時間，人工檢查大量的電路板照，更不用說還要顧及其他任務。這個檢測場景，是許多工廠端的工程師，都會遇見的實務問題。這也促使在製造端擁有 30 年經驗的智邦科技，開始思考：「如果能用 AI 來協助品質檢測，會不會是個好主意？

2018 年，智邦科技的 AI 部門正式成立。一開始只有兩到三人的小團隊，專注於兩個關鍵專案：PCBA 2D AOI 瑕疵檢測，以及包裝附件包是否遺漏的檢測工作。

在當時 AI 模型種類，還不像現在這麼多樣的年代，團隊從 300 萬張圖片中，一張張手動標註，最終完成了 20 多萬張圖片的標記工作、進一步建立無線偵測模型。雖然剛開始每次訓練都需要花兩天的時間，才能建立一個 AI 模型。但他們深知，借力 AI 提升效率會是未來最重要的趨勢之一。

也因此，智邦在後續幾年，都配合工廠與客戶的需求，陸陸續續提供更多的解決方案，例如幫助工廠做一些品質的檢測，包括像組裝動作的檢測、條碼的品質檢測、成品的外觀瑕疵檢測等等。

到了 2021 年，因應全球各地工廠的需求，智邦科技選擇 AWS，導入 MLOps 機制。他們在地端建立 Kubernetes 架構，結合 AWS 雲端服務，讓AI應用更具靈活性，更容易進行橫向擴展。

2022 年，智邦科技又開始思考，如何將這項技術，與智慧製造及辦公室應用結合。而這次，他們仍舊選用 AWS，透過 Amazon Bedrock 建構 RAG LLM 架構。

由於 Amazon Bedrock 上有許多大型語言模型，智邦可以很有彈性做切換。他們在地端的應用，像 RD、HR、BI 等報表，都可以在地端做好語意分析後，再切換選用不同的大型語言模型，回答使用者的問題，便能降低成本。

例如 BI 報表，目前智邦已經讓使用者口語化描述，他想看什麼樣報表，系統就可以產生出對應的內容，給使用者；或是 Code 生成的前期檢測討論，現在也可以透過 Code-GEN 的方式，生成基本的框架，再進行細部修改後，就可以馬上做驗證，這也大大提升了整體開發的速度。

目前，智邦科技已建立了完整的 AI 生態系統（EcoSystem），整合過去幾年的解決方案，將影像處理手法和 AI 模型模組化，建構在同一平台上。

這個平台包含兩大部分：首先是 ACI 的架構，他們將工廠的檢測手法，及人體姿態判斷模組化，方便使用者依據實際使用情境調整使用。例如組裝動作檢測系統，能依據產品 SOP 建立 AI 模型，自動監控組裝流程的準確性。

此外，智邦科技的自動化 AI 模型訓練和部署流程，從資料收集開始就經過精心設計。檢測站同時也是資料收集站，即時將資料上傳到 Amazon Simple Storage Services (Amazon S3)儲存。

各地工程師只要收集資料上傳至 AWS，就能自動觸發機制，並部署到地端使用。同時，系統也會收集檢測結果和各地 AI 系統的運作情況，上傳至 AWS 進行分析，再提供給各地工程師參考使用。

在企業數位化方面，智邦則透過 AWS 的大語言模型架構，開發了智慧辦公助手。

該系統採用彈性的模型選用策略，能依據不同應用場景，選擇合適的大型語言模型，有效優化成本效益。

在實際應用中，也已成功整合至多個業務領域，包括支援自然語言查詢企業報表、提供 Code-GEN 功能加速開發流程、統一各據點IT維修知識庫，以及結合 CI/CD 流程進行自動化程式碼掃描及測試。

智邦科技從一個客戶場景出發，不斷地透過AI生產更多創新應用，而這個過程，背後都有 AWS 的產品支持，才能讓更多想像落地執行，也為智邦的數位化轉型，奠定重要里程碑。