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。