智能制造经过多年来的讨论和演进，目标已相当明确并且也是一可达到的愿景，道理容易理解，导入AI，然后做出超过人类的成果，但是用在智能制造的时候，好像缺少什么。AI要能成功，有三个主要的部分：算法、算力以及数据。前两者只要有足够的资本便容易取得，但数据这块却特别麻烦。
麻烦之处在于，本身搜集即是一个问题，以及对数据不了解。以现在的技术来说，语言和影像可以转换成数据，但是机台种类繁多，产生的特性和要求也都还不了解，又要怎么去分析？
转型要从数据下手
工厂要先数字化(数字转型)，搜集好数据、了解数据，才真的有机会往智能制造走。
只搜集营运数据是不够的，设备、技术的数据，都应该要完整搜集。市场上其实已有很多供应商提供解决方案，但是有很大一部分做的是“看得到的数字转型”。例如，哪台机器有没有在加工、有没有料、有无亮灯等的提示。但真正需要的，应该是所谓“看不到的数字转型”，也就是机台里面的加工质量、效率、稳定性等，而非单纯检视有加工与没加工就好。
当然，掌控稼动率很好，但如果哪天稼动率低，业者却不知道究竟事出何因。所以未来是关键，搜集能掌握未来的资料，透过分析去知道原因，未来这些事就能在掌控之中。
别把数字转型当项目在执行
工厂流程的环节不只一两个，但无论如何总要先透过数据分析，了解之后才能优化。目前业界普遍的做法是将最复杂最有价值的几个问题丢出来，先成立项目组，以项目方式处理。
但这样的作法会让企业内部产生责任推托，如果不是项目组的人员，那数字转型就跟之无关。事实上一间工厂要能真正进化，迈向工业4.0，将会有几百个甚至上千个问题需要解决，也就是所谓的“长尾”问题，而这些问题的总价值很可能还超越最贵的那几题，那怎么办？
企业需要一套核心数据分析全流程架构来解决长尾问题。过去在软件开发的领域，企业盛行一套DevOps的开发维运架构，为的是能系统化和规模化去应付频繁的部署需求。
面对数字化过程中对数据分析效率要求的提升，国际上现在也效法DevOps架构发起了AnalyticOps的概念，用一套系统化的平台建构一个可规模化的数据分析流程，以提升企业内部各环节数字化的效率。
举例来说，如讯能集思所推出的产品理论架构，即跟AnalyticOps相似，推出的智能决策平台JarviX以OT(营运技术)端的需求切入，透过AI增强分析的技术来降低工具的使用门槛，让OT端能够自主完成数据分析全流程，减低企业为了数据分析付出的庞大跨部门沟通成本，对比以往需要IT和DT人员搭配组成的项目团队去做分析，现在OT的人员就能直接做数据分析，大规模的提升分析流程各环节的效率。
中原大学机械工程系教授钟文仁
学习的机制会是最大挑战
要做更好的产品，当然可以透过提升机台的精度或者稳定度，但是如何用，就是数据分析的意义，透过分析能够加值，超越大家所使用的极限，并且从数据看到未来，真正解决问题或者持续优化流程。
传统老师傅将这些机台使用方法储存在脑袋里，转变为直觉反应，当然不排除老师傅也有做一些统计分析，但是主要还是依靠经验，这些事比较偏向“个人的修为”。事实上现在整个世界，透过软硬件技术的革新，是可以更精准的。
还有另一个问题，这世界变化这么快，老师父讲的虽不是错的，但也不见得是对的。数据的一个好处是，正确成分绝对更大，因为反映的是真正制程里面的东西。好比看一个人健不健康，如果能量测身体所有的数据，不是仅从表面来看，一定是更精准。
