應用場景
配方最佳化、參數推薦
研發配方最佳化
研發部門在新產品開發和現有產品改進過程中，經常需要進行大量的實驗，過程通常涉及複雜且多變的各種因素。
痛點分析
- 實驗成本高：傳統的實驗設計方法通常需要耗費較長的時間、人力和資源
- 變量眾多：在研發過程中需要考慮多個變量及其相互影響，傳統方法難以準確識別和優化這些變量
- 倚賴人員的經驗：配方的設計倚賴資深工程師的經驗，但該經驗難以有效傳承給新進員工
成果效益
- 透過特徵重要度分析，快速找到影響研發目標的特徵參數，幫助研發人員收斂研究方向
- 搭配模擬功能使用，分析多變因影響目標的程度，縮短研發時間
NPI 階段參數推薦
產品在研發轉大量生產階段時，需對生產參數進行調整，確保產品能夠順利進入量產並保持高品質和高效益。
痛點分析
- 數據不足：新產品在這一階段的歷史數據有限，難以通過經驗積累進行有效的參數設定和優化
- 生產穩定性挑戰：初次進入量產階段，生產流程尚未完全穩定，需要反覆調整和優化，增加了試錯成本
- 跨部門協作困難：NPI 階段需要研發、製造、品質等多部門協同工作，若單純由人員經驗判斷，容易因信息傳遞和協作的效率影響到參數優化的效果
成果效益
- 結合相似產品過往 NPI 階段之調參紀錄，從過往歷史數據中學習，並收斂影響產品品質之參數，大幅減少試錯排查時間
- 提供可視化的參數優化結果，促進研發、製造和品質部門之間的有效溝通和協作
首檢命中率預測
在批次生產類型的大量生產階段，為確保產品質量，通常會先生產小批量（首件批次）進行檢驗，以確定生產參數的正確性和穩定性。
若能通過來料檢驗推薦最佳生產參數，則可以顯著提高首件檢驗命中率。
痛點分析
- 來料質量不穩定：不同批次的來料品質存在波動，且影響首件的品檢，因此需要針對來料調整生產參數
- 缺乏數據支持：傳統方法依賴經驗進行參數設定，無法有效紀錄和傳承判斷
成果效益
- 從過往生產數據中找出來料對於參數調控之關聯，提高首檢命中率 7%，減少試錯次數和調整時間
- 通過持續收集和分析來料和生產數據，可以不斷優化參數推薦模型，實現生產流程的持續改進