射出成型(Injection Molding)是一種被廣泛應用的工業製程，將塑膠原料加熱融化後，然後充填到模具裡，最終成為各種塑膠產品。從高精密的光學元件、電子機構件、汽車機構件、航太機構件等等，到民生消費品，均大量使用射出成型技術，因此，射出成型的能力，代表著製造業非常重要的基礎技術。
但是，射出成型製造業，尤其是有著高精密製程的工廠管理者，卻是長期遭遇老師傅傳承不易、工廠擴產不易、試模調參效率低等痛點。慶幸的是，這些傳統難題在近幾年開始得到緩解，因為借助杰倫智能(Profet AI) AI自動化機器學習(AutoML)平臺，如同企業的虛擬AI資料科學家，讓製造專家無需程式編寫、無需鑽研複雜演算法，也可以快速自主運用AI分析。製造專家在試模調參過程，運用AI協助射出成型的品質預測和製程優化，透過創新的AI運用技術，將複雜的演算法，化繁為簡成為易用的數據分析工具，可快速建立標準化的智慧決策體系，敏捷且有效助力工廠擴大生產規模與提升新品的試模調參效率。
同時，不僅應用於塑膠射出成型的試模調參，各產業都能透過該平臺產品協助老師傅經驗傳承，實現讓企業各職能的80%關鍵人才都能自主運用AI。
射出成型業的當前挑戰
塑膠射出成型的製程工藝通常有五個步驟，分別是塑化、充填、保壓、冷卻、頂出，說明如下：
塑化：將塑膠原料粒子加熱融化至液態狀；
充填：將融化後的液態塑膠，充填至模具中；
保壓：將充填至模具的塑膠進行加壓，以確保塑膠產品的密度扎實；
冷卻：將塑膠產品的溫度冷卻，以進行結構定型；
頂出：藉由模具頂針，將塑膠產品從模具內推出，得到最終成品。
射出成型的關鍵競爭力之一為試模參數的優化調整能力，然而，試模調參是典型的老師傅傳承模式，在業界非常仰賴老師傅經驗傳承，所以導致了如下亟需突破的痛點挑戰。
人才培養不易 老師傅工程師的培養非常不容易，經驗傳承的過程需要耗費大量時間和金錢成本，甚至如果遇到老師傅的離職或退休之時，常使工廠遭遇技術人才的嚴重斷層，影響了品質和產能。
工廠擴產不易 製造業的關鍵競爭力來自規模化生產的能力，因為規模化生產能夠形成總成本領先的競爭優勢，但是如果要實現規模化生產，常面臨以下三個瓶頸：
必須要擁有大量的老師傅，所以當老師傅人數不足時，就嚴重制約了工廠的擴產能力；
很多企業為了分散風險或貼近市場等目的，會在海內外進行多地點的新廠設立，但是，新廠設立之初常面臨品質或產能不佳的問題，問題根源常常來自沒有充足的老師傅在場坐鎮，何況在疫情時代，總廠的老師傅也不願意或礙於隔離規定，因而無法快速到達海外新廠進行現場指導；
規模化生產必須建立在決策標準化與品質一致化之上，但是，如果生產決策依賴老師傅經驗判斷模式，則常面臨不同老師傅有著不同的經驗依據，或是老師傅離職或退休導致的經驗傳承斷層，若是在多地區工廠或跨國工廠，則這個管理痛點會更被放大。
試模調參效率低 新產品開發需要先進行小量的試模調參，藉由反覆的實驗設計(DOE)以驗證新製程參數，只有完成試模才能被承認進到出貨營利的量產階段，所以必須跟時間賽跑。試模目的是驗證設計規格、找尋製程參數、驗證量產可行性，此階段常常面臨幾個痛點：
少量多樣的產品需要經常試模換線，每次的試模換線就是產能損失，如果老師傅人數不足時，大量的試模工作也導致老師傅的工作嚴重超額負擔；
越是高精密的產品，常越是伴隨高維度的製程參數，但是，當參數維度超過十個，甚至於上百個時，已經很難只依靠老師傅經驗判斷加上實驗驗證的傳統方法，就能得到有效率的決策判斷。然而，工廠如果要追求升級生產高附加價值產品，以當今的製造業趨勢而言，可以肯定的是，製程的管控參數維度只會越來越多。
善用AI平臺數據分析，加速問題分析效率
也許工廠的管理層已經習以為常面對這些痛點，甚至默認這些痛點是射出成型製造業躲不開的積習挑戰。可是，很多人不知道的是，只要善用工具，其實這些難題並不難解！
部分對提升產品附加價值或對工廠規模化擴張深具企圖心的業者，已開始導入創新的杰倫智能(Profet AI)【AI 自動化機器學習(AutoML)平臺】，就如同企業的【虛擬AI資料科學家】，是化繁為簡且直觀圖像化操作的AI數據分析工具，快速賦予領域專家運用AI的能力，領域專家僅須了解手上的數據，由上傳到完成分析僅需幾個步驟，讓傳統製造業導入AI能實現「一天上手AI、一週落地AI」，輕鬆將AI應用在例如射出成型試模時的品質預測和製程參數優化等應用場景，如圖1所示。
圖1：善用Profet AI自動化機器學習平臺，人機協作進行預測式參數調整，優化製程
虛擬AI資料科學家平臺
杰倫智能(Profet AI)「虛擬AI資料科學家平臺」，不同於傳統只有AI資料科學家才能掌握的艱深複雜AI技術，而是專門為製造業用戶量身設計，只要以下的四個步驟，即使是AI零基礎的製造專家立也能開始自行著手AI分析：
步驟1：設定分析命題 製造工程師思考當前試模時的關鍵問題，並轉化為AI機器學習的分析命題，例如：影響成型品質的相關射出機臺參數為何？當調整製程參數後，預測品質會如何改變？或對於期望的目標成型品質下，射出機臺參數應該怎麼設定？
步驟2：彙整結構數據 用戶將每一個產品生產的歷史數據，按照產品流水序號，把品質結果（預測目標Y）及生產參數履歷等（潛在影響因子X），按照Y=F(X)的邏輯，逐一地結構化排列為excel或csv表格格式，結構數據的格式如圖2，數據筆數盡可能多放，其中數據可以是數值、時間、判定類別(OK/NG)、或等級類別(Grading Bins)。
圖2：AI機器學習所需的結構化數據格式示意圖
步驟3：建立AI預測模型
將數據表格上傳至杰倫智能Profet AI自動化機器學習(AutoML)平臺，如圖3所示，內核創新研發的自動化機器學習建模引擎，具備50種以上的AI機器學習演算法，用戶不需要編寫程式、也不需學習複雜演算法，而是只需依循平臺提示的5個直觀圖像化操作設定，即可自助式完成了傳統上曠日費時且高深莫測的AI分析，連AI零基礎的用戶都可以實現一天上手AI、一週落地AI，讓工廠用最快時間落地、落地最多AI命題。
圖3：杰倫智能(Profet AI)自動化機器學習平臺，如同企業的虛擬AI資料科學家
步驟4：要因分析、預測、模擬、參數優化推薦 藉由Profet AI自動化機器學習(AutoML)平臺，可以根據製造工程師的不同分析需求，得到相應分析結果，包括：射出成型品質的要因分析、品質預測、模擬實驗、製程參數優化推薦。
要因分析： 分析射出成型品質的影響因子排名和權重，可快速針對性調整關鍵射出參數，也有助於製造工程師突破過去的慣性思考盲點。
品質預測： 根據歷史數據建立的預測模型，製造工程師可做事前預測，預測新的射出製程參數所帶來的成型品質結果。
模擬實驗： 根據歷史數據建立的預測模型，現場的製造工程師可在平臺上進行即時的試模模擬，預測當設定不同射出參數時，將對成型品質產生怎樣的結果變化。
製程參數優化推薦： 根據歷史數據建立的預測模型，可讓製造工程師先設定期待的品質目標，然後讓平臺推薦相應的射出參數方案，並且該平臺支持多目標模式下的參數推薦，示意如圖4。
圖4：參數推薦的運用示意，協助製造工程師即時加速試模效率
效益轉化
試模時間快速縮短 透過將不同產品和機臺的試模數據快速進行AI建模，讓射出成型產業在新人培訓或老師傅在試模調機時，都能即時得到AI賦能輔助，有效縮短試模時間。
形成數據驅動式企業文化 藉由該快速上手的AI平臺工具，可實現快速建立企業運用數據思考的文化，快速培養企業收集數據資產的習慣，快速打造數據式的標準化傳承體系。
是故，過去被業界長期認為是無解的挑戰難題，現在已經可被迎刃而解，製造專家借助「Profet AI虛擬AI資料科學家軟體平臺」，老師傅其實也能搖身成為製造業的斜槓AI專家，可自主實現AI品質預測和AI製程優化，對工廠管理層而言，老師傅傳承、工廠擴產、製程開發效率等的痛點將可大大緩解。
讓企業80%的關鍵人才都能自主運用AI
不僅在塑膠射出成型業，借助Profet AI平臺產品和一天上手、一週落地的實踐方法論，也已經在超過50家企業進行實際運作，其中10家為產業中的領導企業，包括半導體IC封測業、面板業、印刷電路板業、電子業(EMS)、石化業、傳統產業等12種製造業，超過100個實踐案例。透過該平臺產品協助老師傅經驗傳承，讓各企業與各職能的80%關鍵人才都能自主運用AI。
當前越來越多製造業導入AI，企圖利用AI打造競爭力的戰略高地，佈局下一個五年的升級轉型。因此，越來越多高階管理者異口同聲表示：「AI賦能已經不是要不要做的問題，而是怎麼將AI賦能應用得比對手更快速、怎麼應用得比對手更廣泛！」