近年由於各種如手機、電腦、IOT、車載等新產品迭代更新頻繁，導致 PCB 產業產品少量多樣，且生產製程、配方參數也隨著不同客戶與產品不斷的替換更新，事態加劇，而這也導致企業往往需仰賴資深員工的經驗，在短時間內來調出製造故產品的最佳設定參數；另外，PCB製程複雜，當產線品質問題發生時，往往問題的源頭，可能會歸咎在多個製程上，而無法精確地找出問題要因。
有鑑於此，多數 PCB 大廠針對製造現場，早期均已投入了如 MES、機台連線、AIOT、BI 等系統，其目的為了實現工廠數據的生產透明化、資訊即時化、產品履歷化、戰情可視化，以期能透過上述的系統，能進一步持續改善品質、降低不良等議題，使整體廠內成本降低、工時浪費減少，並有效備料。
早期 PCB 產業無論遇到甚麼樣的問題，皆會將資料收集後，採用如田口法、6 Sigma 等相關品質統計手法來找出要因並進行改善，但觀察到行業內製造現場人員素質不一，且專業統計軟體等運用擴散不易，最重要的是近年資深員工老化與人才招募不易的大環境，這也讓 PCB 產業無論是自身企業的專業知識留存、複製擴散等，都面臨到嚴苛的課題。
不過，近年來這些問題將有望逐漸改善，由於先前提到智能製造風潮下，許多企業導入諸多系統並自身已擁有相當多的生產大數據，在此利基條件下讓許多企業更關注於 AI (人工智慧)發展，期望這些生產大數據可被提煉與智慧應用，從中讓企業提升並獲利。然而在前往 AI 的第一哩路上，第一道難題，則是市場上 AI 專業人才招募困難，這讓 PCB 行業內缺乏 AI 人才的問題浮出水面，許多 PCB 產業也因此被受限而裹足不前。
深知行業痛點，Profet AI 為企業打造全天候 24 小時不間斷的「虛擬 AI 資料科學家」
因應製造業 AI 應用與人才需求，杰倫智能（Profet AI）致力發展製造業應用的 AI 平臺，其自動化 機器學習平臺（AutoML, Automated Machine Learning），目的在於解決企業 AI 應用與落地實現問題，Profet AI 研發的該平臺，就像是企業虛擬AI資料科學家，讓生產專家無需寫程式和鑽研複雜演算法，就可以快速運用過去的生產歷史數據來進行 AI 分析。
在生產過程中，Profet AI 的工具協助企業研發部門進行產品研發優化、品質專家透過工具找出異常要因、製程專家快速找出最佳調整參數，進行生產流程改善，通過創新的 AI 機器學習運用技術，將龐大晦澀的演算法化繁為簡，成為易用的數據分析工具，迅速建立標準化的智能決策體系，幫助工廠進一步擴大生產規模並且提升生產和產品研發的效率。
同時，Profet AI 的平臺不僅應用於印刷電路板產業的生產品質預測，各產業都能夠透過該平臺產品協助，實現讓企業各領域 80% 的關鍵人才都能自主運用 AI，養成企業運用數據分析輔助決策的文化。
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 PCB 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，快速賦予業務專家運用 AI 的能力，業務專家僅須瞭解手上的數據，從上傳到完成分析僅需幾個步驟，讓傳統製造業快速導入AI能「一天上手 AI、一5落地 AI」，輕鬆將AI活用在例如印刷電路板的即時品質預測和製程參數優化等應用場景(如圖1)
（圖 1）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」
以PCB產業鎳化金(ENIG)製程為例，其為相對穩定的生產製程，但仍有以下兩個議題期盼可透過AI進行解決: 一為該製程為批量抽檢，且實驗室的金厚度量測設備較為昂貴，再加上檢驗的時間較長，因此無法實現線上全檢，故有時大量且頻繁生產的狀態下，並不能保證有問題的生產批次會被檢驗出來；二為金為貴金屬，相對成本較高，企業期望用金量減少，且又能符合客戶指定的規格內，現場人員一般透過經驗法則，去進行相關的時間、溫度與濃度等的調配變化，但不同產品、生產線別、板子大小、鍍金面積等太多因素，將導致現場人員為求較高的良率，而傾向合規但金厚度較高的製程方案進行設定，長期下來也導致成本明顯增加。
再確認客戶明確的需求後，杰倫智能開始進行相關步驟，協助客戶進行 AI 的解題與應用:
步驟 1：匯整生產數據
客戶開始整理過去一年在鎳化金(ENIG)上，針對有抽檢數據 (Y) 的產品批號、產品規格資訊、生產設定與即時參數(鎳槽/金槽)、金厚度數值(目標 Y )等，按照 Y=F(X) 的邏輯，逐一結構化排列成 excel 或 csv 表格格式，結構數據的格式如下圖。(圖2)。
(圖 2 ) 按照Y=F(X)的邏輯，結構數據的格式
步驟 2：建立 AI 預測模型
將數據表格上傳至杰倫智能 Profet AI 的平臺，系統會先進行數據的前處理，讓用戶可再次確認數據的品質，並了解每個特徵值對結果 Y 的相關性後，再將此數據集進行自動建模作業，人員簡單確認建模內容、建模方案設定、開始建模等三這步驟，即可實現全自動 AI 機器學習建模作業。
步驟 3：要因分析、模擬預測、虛擬全檢、參數最佳化推薦(如圖 3 )
I 要因分析：
Profet AI 平台建模完成後，透過系統得分找出最佳的 AI 預測模型，從預測模型中，製程單位可立即分析影響金厚度的相關製程要因，並可依據排名快速回饋至現場，來進行相關品質改善的決策參考依據。實際應用情境下，製程工程師不需有深厚的統計背景，亦可輕鬆使用、快速找出要因。
II 模擬預測：
根據歷史數據建立的預測模型，現場的製程工程師可在平臺上進行即時的參數調整模擬，使用情境在於當現場量測的金厚度過高或過低時，可使用平台模擬操作，輸入如速度、溫度等數值設定值(提升或降低)，由系統自動預測調整參數後的金厚度數值結果，讓製程工程師不須依照過去透過實品實驗的方式，即可先進行事前的調參模擬預測，當透過系統模擬出較佳的調整參數後，再進行實際的參數調整與設定切換，大量減少人為調參時間與實驗所帶來的不良成本。
III 虛擬全檢：
透過 Profet AI 的平台建置預測模型後，該模型可離線部署在現場的製程上，進行虛擬全檢。使用情境在製造現場由原來只能定期或定批抽檢的狀態，改由 AI 系統虛擬監控每批金厚度的品質，當發現預測的金厚度有高於或低於規格值後，品質人員可當下針對該批進行檢驗作業，將品管作業行為由被動式轉為主動式，而實際客戶端運作下也減少不良的產出，降低後續客訴發生的比例。
IV 參數最佳化推薦：
當建立的預測模型準確後，Profet AI 的平台可反向讓製程人員設定期望的金厚度數值，由系統推薦相關製程設定的最佳化參數。
使用場景於鎳化金 (ENIG) 上，製程人員在出貨給客戶的金厚度規格，期望平均金厚度能落在合規但又偏規格下段區間的範圍，讓總體製程用金的貴金屬成本能持續降低，故在系統內，製造工程師可先設定期待的金厚目標數值，然後針對不同線別、產品尺寸、鍍金面積等條件下，讓平臺推薦相應的鎳槽與金槽設定值。此應用方案將過去老師傅經驗系統化，並集成為 ENIG專家系統，後續就算是新進員工快速上手問題或是海外擴廠的人力問題，皆能應用與改善，目前已多家企業實際運用此方案。
(圖3) 平臺推薦製程設定的最佳化參數
Profet AI 改變了過去 PCB 產業在製程、品管上的作業模式，並有效將老師傅經驗轉化成專家系統，讓使用者更加便利與快速去活用，並找出問題的癥結，進行持續的改善。但最重要的是，當大量且不同製程的生產數據可以透過平台產生更多的價值之後，許多用戶企業發現，企業內部已逐漸養成建立數據思考的文化以及培養企業收集數據資產的習慣。當這樣以數據驅動並持續改善的文化深植時，企業將得以提升整體有形與無形的效益並增加獲利。
不僅 PCB 印刷電路板業者，已超過 100 家企業借助 Profet AI 平臺產品和一天上手、一週落地的實踐方法論，進行實際運作，其中大多均為產業中的領導企業，包括半導體IC封測業、面板業、電子業 (EMS) 、石化業、傳統工業、汽車產業、食品等 12 種製造業，共超過 100 個以上的實踐案例。透過該平臺產品的協助，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！」
媒體報導:
CTIMES - 以AI平台改變PCB的現場管理模式