應用場景
要因分析、品質預測
製程不良要因分析
在製造過程中，品管人員經常需要分析製程參數對產品質量的影響，識別並控制關鍵變數，確保產品達到所需的質量標準。
痛點分析
- 製程參數多：製造過程常產生大量數據，涵蓋多個製程參數和質量指標，數據量大且複雜，難以人工分析
- 多變因影響：多個製程參數之間可能存在複雜的交互作用，傳統方法難以有效捕捉這些關係，導致分析結果不準確
- 大量試誤成本：過往查找異常原因，需透過不斷的 try and error 找出造成異常的原因，調整時間長且難以歸納出參數於結果間之關係
成果效益
- 透過機器學習，縮短了分析時間，品管人員能夠更快地應對製程問題
- 協助工廠擺脫大量依賴老師傅經驗式分析，實現數據驅動的客觀分析與經驗傳承
製程品質結果預測
在傳統製造業中，企業因考量成本和時間等因素，通常採用抽樣檢測的方式進行產品質量檢驗。
然而，抽樣檢測僅能覆蓋部分產品，存在品質異常未被發現的風險。
痛點分析
- 無法全面檢驗：抽檢造成不良品未被發現，最終成品質量下降，需要額外成本進行返修或重做
- 人工檢測耗時費力 : 檢測方式常為人工檢測，對於人力耗費需求及時間花費較多
成果效益
- 提前預測每批的品質檢測項目，讓品管人員透過預測的數據，針對預測結果不符的產品進行主動式檢驗，降低不良品流出風險 8.3%
- 提前知道產品生產結果，降低人力檢驗成本，提升工廠整體檢驗效率 9.8%