藉由培訓課程協助工具機暨零組件產業的非 IT 背景從業人員,建立資訊系統與資料處理的基礎觀念,逐步認識企業數位化架構與流程優化邏輯,並實際運用 Microsoft Power Platform 與 AI 技術工具,完成現場資料擷取、自動化流程建構與稼動率數據視覺化應用。透過模組化教學設計與角色導向的應用場景演練,提升學員對 IT 系統整合的理解能力與應用信心,全面強化產線資訊透明度與決策效率,促進智慧製造於中小企業的落地推動。
隨著全球製造業邁入智慧化轉型,提升設備的營運韌性與加工品質已成為企業競爭的核心。在實際生產流程中,核心動力設備(如主軸)若發生無預警故障,將引發連鎖性的生產中斷與高昂成本損失。
為協助中小企業克服數位轉型門檻,本課程導入 「No-code(視覺化積木式)AI 實作」的模式,以協助學員建立「設備預測性維護(PdM)」之完整觀念,並透過以下三大核心面向達成轉型目標:
(1) 技術傳承數位化(無門檻 AI 賦能)
針對傳統設備診斷高度仰賴個人感官經驗、缺乏量化標準的困局,本課程採用 Orange Data Mining 視覺化工具,無需具備程式開發背景,即可將師傅的專業知識數位化。透過直觀的拖曳操作,降低學員進入 AI 領域的技術門檻,有效解決中小企業人才不足與技術斷層之風險。
(2) 強化數據決策層次(導入 AI 共創式學習)
引導學員學習感測數據(以振動訊號為示範)的處理流程,並運用「單類別分類」等 AI 方法建立健康基準。特別加入大語言模型(LLM)應用課程,學習運用 Prompt Engineering 技巧,讓學員能透過與 AI 協作,將複雜的異常指標轉化為易懂的診斷建議,讓數據分析從「單純建模」進化為「輔助決策」的高層次應用。
(3) 建立共通溝通語言(智慧化管理決策)
透過量化的健康評估指標與 AI 產出的視覺化診斷報告,消弭現場維護人員與管理決策端之間的專業資訊落差。AI 產出的分析結果將成為企業內部的「共通語言」,讓維修判斷依據透明化、科學化,進而優化維修資源配置與生產排程效率。
本課程以主軸健康預診作為應用範疇,透過實務工具操作與 AI 共創演練,協助學員不僅能掌握特定零件的診斷技術,更能建立一套可遷移至企業內各類設備的 AI 預防性維護實踐能力,讓數據價值真正落地於產線現場。
課程結合大型語言模型(LLM)與零程式碼分析工具,教導學員運用提示詞技巧,將 Gemini、ChatGPT 作為 AI 輔助學習工具,協助查詢操作步驟、規劃標準作業流程及排除問題;並搭配 Orange Data Mining 圖形化介面,透過模組拖曳操作,無須撰寫程式即可完成資料載入、視覺化探索、模型訓練與演算法比較,降低數據分析的學習門檻。
最後以「機台主軸健康預警」為實務案例,帶領學員整合現場專業知識、AI 工具與數據分析方法,實作設備異常預測模型,並培養運用 AI 引導分析、解決問題及自主建立設備診斷流程的能力,使學員在面對不同設備與維護情境時,也能靈活運用所學,逐步實踐智慧製造應用。
課程結合大型語言模型(LLM)與零程式碼分析工具,教導學員運用提示詞技巧,將 Gemini、ChatGPT 作為 AI 輔助學習工具,協助查詢操作步驟、規劃標準作業流程及排除問題;並搭配 Orange Data Mining 圖形化介面,透過模組拖曳操作,無須撰寫程式即可完成資料載入、視覺化探索、模型訓練與演算法比較,降低數據分析的學習門檻。
最後以「機台主軸健康預警」為實務案例,帶領學員整合現場專業知識、AI 工具與數據分析方法,實作設備異常預測模型,並培養運用 AI 引導分析、解決問題及自主建立設備診斷流程的能力,使學員在面對不同設備與維護情境時,也能靈活運用所學,逐步實踐智慧製造應用。
課程結合大型語言模型(LLM)與零程式碼分析工具,教導學員運用提示詞技巧,將 Gemini、ChatGPT 作為 AI 輔助學習工具,協助查詢操作步驟、規劃標準作業流程及排除問題;並搭配 Orange Data Mining 圖形化介面,透過模組拖曳操作,無須撰寫程式即可完成資料載入、視覺化探索、模型訓練與演算法比較,降低數據分析的學習門檻。
最後以「機台主軸健康預警」為實務案例,帶領學員整合現場專業知識、AI 工具與數據分析方法,實作設備異常預測模型,並培養運用 AI 引導分析、解決問題及自主建立設備診斷流程的能力,使學員在面對不同設備與維護情境時,也能靈活運用所學,逐步實踐智慧製造應用。
活動詳情:https://smelearning.sme.gov.tw/news.php?node=840