如何应用数位转型对应人力缺口问题

作者 ■型创科技 / 杨崇邠 应用顾问

（转载自繁体版ACMT电子技术月刊No.068)

型创辅导工厂时最常碰到的问题是，员工越来越难找，工厂反馈可能是因为疫情因素，可能是因为人力被半导体/或医疗产业吸去的因素，总之！就是越来越难找！撇开这些不可预期的因素，我们来看看基本面，人力统计数据怎么说。

台湾111年人口分布（文章首图）

• 15-24岁：240万人；

• 25-44岁：670万人；

• 45-64岁：690万人。

趋势分析，再过个5年

• 投入就业的应届毕业生预估再少40万人。

• 65岁以上人口再增加10万人，符合退休年龄。

未来可投入职场的年轻学子会越来越少，当老臣都面临退休时，「缺工」、「缺经验」就成了所有公司重要的生存问题，企业经营者们都思索着如何面对！

我们来看看民生产业如何面对！24Hr超商、连锁餐饮店、外送平台，其中共同的特质：

• 学生可以打工，中年可以二次就业，人员年龄限制不高；

• 员工不懂咖啡也可卖咖啡，职能越来越多功全能；

• 替换交接容易，拓展据点快速，他们又是如何做到！？

2大思考方向

3大执行方针

具体应用在工厂的解决方法

撷取射出机成型参数，建立制程异常管制判断，勾稽产品质量，短短一句话，但实务上却是困难重重。必须克服跨厂牌跨年份的机联网问题，AI算法问题，制程异常和质量关联性的实验问题。

成型质量推论采用多层前馈式倒传递学习神经网络架构，藉隐藏层抽象化感测数据融合特征，运用梯度下降学习法则进行训练，建立质量检验推论模型，其中采用线性或连续型激励函数作为重量回归模型输出层的激励函数。针对缺料分类判别模型，则采用步阶函数作为输出层的激励函数。

外观检测推论：采用深度学习(Deep Learning)，输入不同种类瑕疵影像，经由多个卷积层(Convolution layer)、全连通层(Fully Connection Layer)、池化层(Pooling Layer)等技术建构不同瑕疵特征图(Feature map)，进而建立外观检测推论模型。

过去，工厂机台管理多以人工为主，当问题发生时办公室人员也不会马上知道，信息传递不实时。现在，透过IoM将射出机完成系统可视化整合，办公室也可以透过远端实时广告牌发现异常闲置，实时做提醒。从原先需靠人员抄写现场订单状况，每日需花120分钟作业。如今完成数位升级后，系统实时输入和显示状态，无须人工抄写作业，提升工作效率75%。

透过系统将非计划性停机项目整理分类，闲置通报和异常记录进行设备提前点检、备品准备，来降低故障时间，因此多出约60分钟生产时间，除了帮助产量提升5%之外，每月产值相对增加14.5万 / 月。

图１：射出机成型参数取出，设定值和实际值

步骤一：每次生产或试模问题都被默默解决，希望透明化

师傅现场碰到问题时往往第一时间会试着解决，所以问题常常发生也悄悄的被解决，因此希望可以将实际发生的问题记录下来，好让问题成为公司资产，后续至少可以针对常发生的问题提供解决对策方案。

步骤二：针对生产异常收集师傅经验逐步放入系统

当系统可一步步收集实际问题时，后续透过追踪沟通将师傅的解法一并放入对应的系统数据库，如此就可以开始传承师傅的经验，将知识保留在公司系统中。

步骤三：透过数字化掌握问题和对应解法，逐步传承人员经验

1. 进行产品生产过程记录，将试模碰到的问题，生产碰到的问题通通记录在系统里。并透过人员沟通，后续一一补上对应解决方法，让未来再发生时可以参考，同步记录模具资料以便人员查询学习。

2. 记录最终产品实际的缺陷问题，有了缺陷记录统计分析后，可以再进一步观察找出关联性。

图２：设定上下限，制定参数稳定示警

图3：AI推论模型算法