GCP 從數據分析到 AI 預測 協助製造業縮短產品上市時程

艾司摩爾（ASML）是全世界最大的半導體光學蝕刻機設備及服務供應商，他們所生產的微影設備協助 Intel、三星、台積電等大廠將線路圖曝光在矽晶圓上，是半導體的關鍵製程。在 ASML 新一代的光刻機中融入了機器學習技術，能預測每個設備層的效能。由於設備層與製程經常變動，因此光刻機也需能監控其精準度並自我訓練，使得 ASML 無需介入客戶的產線，精準地完成交辦任務。ASML 既有在地端的解決方案無法隨著數據與模型的增長及軟體複雜度而快速調整，因此希望搬遷上雲。

GCP 助攻 ASML 加速工程團隊開發 減少整體成本

過去 ASML 工程師每天需花費數小時在解析與預處理數據，搬遷上 GCP 後，此數字降為 0，整體工程效率及上市時間減少 40%。透過將 BigQuery 及 GKE 用於資料擷取以及其所具備的自動擴充功能，ASML 的 AI 團隊能更快獲取資料，節省工程師每天 4 小時的時間。隨之而來的效益是縮短產品釋出周期，從過去需耗時幾個月到如今僅需2週就能發佈新產品服務。而今 ASML 更從 Google Datalab 轉換到 AI Platform Notebooks 以更優化整個機器學習預測的流程（如圖1）。在 GCP 上能導入所有在地端既有的安全控制措施，且有更細微的身份認證與存取權限控管功能，因此 ASML 領先半導體同業率先採用雲端服務。而今透過 GCP 可對關鍵數據進行分析、開發模型，並將其嵌入安全應用程式中部署在客戶的本地端，提供更優異的服務。

不只是高科技業，傳產製造業也同樣能善用AI。紡織業大廠和明紡織希望能縮短過去以人工方式辨識布料材質的時間，以加速產品製造時程。同時希望能將過去累積的生產經驗與技術系統化妥善保存，並加快往後樣品的建檔與搜尋時間，以跟上如今少量多樣、快速變化的時尚產業。於是 2 年前在 CloudMile 的協助下，透過 Tensorflow 與 GCP 平台，先將生產過的布料樣式建檔，並透過機器學習技術將布料辨識建模、訓練模型，以協助設計師能快速搜尋特定布料樣式。

如此一來和明紡織從設計到提供樣布給客戶的時間，從 1.5 至 3 個月大幅縮短到 2 至 3 天，而產品從設計到正式上市的時間也降低 25%。未來，和明更希望能以機器學習、雲端平台為基礎，結合布料樣式應用程式並將社群功能融入設計人員的作業流程中，提升協同合作效率，而所有數據都能留存作為後續分析再利用，生產知識也能一併保存傳承。