MKC Logo
瀏覽數:388

中小型紡織業者的AI應用困境與突破

關鍵字:

  AI是一個聽起來很具吸引力的科技時尚用詞,稱之為2018年的經管熱詞也不為過,甚至其又有延燒到2019年之趨勢,在琳瑯滿目的概念性工具中,有能有多少企業主認真去思考,AI應用在企業內部時,是用來”做什麼”?又該有哪些先決條件、該花多少資源…對很多製造業者,尤其是中小型業者,AI就跟過去一些新興科技名詞一樣,聽起來有跟上的急迫性,而一旦要做卻發現充滿許多疑問。

  本文參考經濟部工業局2018年智慧機械推動計畫中,對台北桃園地區、彰化社頭地區之紡織業者訪談資料,配合生產力中心內部對紡織業之認知,分析中小型紡織業者在AI應用上所面臨的困境,與探討未來可能的解決之道。以下之論述,乃以「促進中小型紡織業者,利用AI來提升營運效益」為基礎,以紡織產業群聚為預期實踐對象進行論述,若業者所處環境與本文有差異者,請自行斟酌採用相關建議。

一、紡織業織之產業鏈與群聚狀況

  臺灣紡織產業結構完整,主要的群聚在北部有針織代工聚落(樹林、桃園、五股、新莊、泰山),染整聚落(觀音、大園),整理加工聚落(樹林、五股),中部有梭織代工聚落(彰化和美、雲林),南部有棉/化纖混紡梭織聚落(台南、永康)。多年來,臺灣紡織產業已經發展多項次產業。再從產業鏈的角度來看,紡織產業上游包含纖維、成絲天然物料及塑化原料;中游包含紡紗加工、織布染整;下游則為成衣、紡織品與不織布。

  上游廠商數少穩定度高,企業規模較大,相對單純,但廠商彼此之間缺乏橫向連結,主要都專注在自身產品。天然纖維方面台灣相當缺乏,都是靠進口,但合成纖維則是不虞匱乏,台灣的塑化產業供應鏈可說是相當完整。

  中游企業營業範疇橫向涵蓋較廣,有些廠商甚至直接經營下游通路,所以產業中下游之分際並沒那麼清楚。又台灣勞動力成本高,許多下游廠商逐漸外移至勞動力成本低的國家,故台灣紡織下游廠商分布較少。

  目前整個紡織產業的AI應用多屬於單一企業的內部應用型態,大多與智慧機械結合,用於提升產能;這種類型的AI應用在大廠間已經開始展開,部分中型業者也開始在自動化機械上加置資料收集裝置,為AI智能生產做準備。但在跨企業的產業鏈AI應用則還未見開始的契機,就連企業之間的資訊連結都很缺乏,更遑論建構在資訊之上的AI應用。

二、AI推動之問題分析

  (一)業者的基礎條件落差

  要妥善推動AI應用,業者必須先了解AI可以用在哪裡,而透過訪談發現,大部分的中小型企業主,對AI的應用認知並不明確,多將AI當成一種工具,沒認知到AI是一種建立在數據環境上的應用手段,所以在資訊化、數據化不完善的經營環境中,可以說大部分的企業都還不具備AI的應用條件,經營管理相關數據還靠單機EXCEL統計分析做決策,業務洽談靠電話,顧客需求靠老員工的經驗與交情…,這些都在在顯示中小企業缺乏AI應用之基礎建設;即便單看用於生產線上的AI應用,多還只是自動化就足以因應,並不需要用到AI技術,更遑論還在採用人工的半自動化生產流程。

  (二)資訊落差是一種營利手段

  就如同大部分的商業營利模式,買低賣高是最基本的營利法則,而這個法則是建構在資訊不夠透通的前提下,但AI應用的必備條件「資訊共享」,才能有足夠的資訊做分析與精準的決策,正是打破這個前提的作為。舉例來說:對下游廠商最適化原料庫存量,不一定是對上游廠商最有利的生產與銷售量,其可能會傷害上游廠商的利益。因此,存在著類似風險的資訊共享行為,在還沒找到更大的共利模式之前,將被價值鏈上的廠商抗拒,這也是目前紡織產業的AI應用多還停留於單一廠商內部之主因。

  (三)業者對新事物風險承受度與回報難以預期

  大部分的中小型紡織業者對風險的承受能力很低,而且對於各種投入都期望能快速反應在獲利上;但AI應用的效益比較容易出現在大規模、長期運作的生產型態中,再加上業界有缺乏類似應用的成果可以參照,業者對投入自然容易裹足不前;另一方面,AI技術提供的資訊服務業者,也因為缺乏紡織產業執行經驗,面對企業主的成效預估提問,同樣難以提出具說服性的論述。在這樣的狀況下,即使有政府資源提供補助,業者也很難輕言投入。

三、未來可能的解決之道

  前述問題中,第一個問題屬於業者的自我體質改善,隨著環境的變化與競爭,會逐步解決與淘汰未能跟上腳步的業者。至於問題二與問題三,目前看來無法由產業內來找到解答,比較適合由提供技術的資訊服務業者先提供解決方案,以下提出幾個解決方案的發展方向,供有意協助紡織業突破困境的資訊服業者參考。

  (一)第三方提供共利模式

  本方案主要針對問題二,合作業者間資料應用信任度之問題,如果問題在於掌握資料的雙方有利害衝突,那繞過雙方,讓一個可以信賴的第三方來進行資料應用與分析,而所分析的結果應用也採行不偏向哪一方的最佳方案,例如:提供的最佳庫存進料是供給方與需求方的最大利益折衷量,如此一來,應該可以解決相互不信任問題,同時也避免中小企業要培養資料分析人員與模式之成本,本方案唯一要控制的是第三方服務的經營成本,或可採用設立或利用現有非營利法人單位來推動。

  (二)由資訊技服業者開發可快速應用於生產的proto type(原型)

  前述問題三的癥結在於使用成本,中小企業的需求不像大企業那麼複雜,如果能開發半成品的應用模組;就如同現在很多POS系統;可以讓不同企業的採用不用全面客製化應該可以降低導入成本。唯一的問題是產品與企業需求的貼近性,談到這點,本文擬引用Google的資深資料工程師Sam Witteveen對塑造AI產品所提之建議「設計的開頭應該源於真實情境,產出應該是一個產品產出(product result)而非學術產出(academic result)。」,建議AI業者與紡織產業合作,到紡織產業上下游中,幾個不同類型企業的現場,找出共同性高的需求來開發proto type,使產品貼近企業需求。

  (三)與消費者資訊連結的AI數據應用開發

  由訪談所收集到的問題發現,業者多將焦點放在自身與供應鏈體系,而「終端消費市場」的資訊卻鮮有人注意,紡織業生產最終還是與消費者的消費狀況有相關,目標市場消費者的平均消費能耐、消費走向、消費者的時尚觀感…這些資訊應該也被納入分析,才能達到整個紡織體系生產的最佳化。應該也要有資訊服務業者來提醒紡織企業重視這一端的AI應用,AI只是個過程手段,其必須與「反應機制」結合才能產生效益,目前大多數業者看到了生產體系中的種種反應機制,卻忽略了來自市場端的資訊,該與研發策略和生產計劃連結,才是完整的從市場到生產端的總體最佳化應用。

 

參考資料:

1.Sam Witteveen,.2018.Building AI Products: From Paper to Prototype to Production.

2. 陳嘉茹、岳俊豪、柯郁琳(2018),2018臺灣產業群聚發展地圖,IEK出版。

您可能會有興趣的課程

資料讀取中...

您可能會有興趣的出版品

資料讀取中...

能力雜誌

資料讀取中...
輔導諮詢