AI 模型也需要量產技術

在製造業開發一個新產品時，不會因為有了原材料，成品就自然從產線另一端出現。

材料必須在正確的時間送到正確的位置，也要決定加工的順序與條件。製程開發會測試不同條件，找出可行的方法；量產技術則要把這個方法變成能在實際產線上反覆運行的製程。開始量產之後，生產技術與品質團隊仍要持續觀察狀態並處理變化。

在製造業裡，這些都是很自然的事情。

但談到資料時，這些中間步驟常常被省略。好像只要把資料收集起來，就會自然產生價值；只要做出一個 AI 模型，就差不多可以拿到現場使用。

實際上，用資料做出產品，同樣需要像製造業一樣有完整而有紀律的流程。

使用資料，也有自己的製程

想像一座工廠會更容易理解。首先，材料與物流必須穩定。需要的東西如果不能在需要的時間到達需要的位置，再好的製程也無法生產。Data Engineering 的角色也很類似：把不同系統產生的資訊收集起來，讓需要的人和系統可以持續、可靠地使用。

接著是製程開發。工程師改變材料與條件，找出哪些因素會影響結果，再找到更好的製造方法。Data Science 也有相似的工作方式：理解影響結果的因素、驗證假設，並建立預測或最佳化的方法。

但在製程開發中找到好的條件，並不代表已經可以量產。

少量測試有效的條件，還要確認在一天生產數萬件時是否仍然有效。設備或材料改變時也要能運作，並且要處理失敗與例外。對資料產品來說，ML Engineering 與運行系統處理的正是這一類量產問題。

建立模型與運行模型，是不同的問題

這個差異在製造 AI 特別重要。

用製程資料建立一個預測模型，相對容易理解。可以收集歷史資料、比較不同方法，再選出表現最好的模型。

真正困難的部分從之後才開始。

量產中，產品會變，設備狀態也會變。零件會更換，製程條件會調整。量測值可能延遲，也可能根本不存在。昨天表現很好的模型，今天不一定還在相同條件下運作。

這也是製造業不會把實驗室裡得到的製程直接搬進量產線的原因。

因此，真正的製造 AI 除了模型準確度之外，還要回答更多問題。什麼條件下可以使用模型？什麼時候不應該相信結果？如何知道性能已經改變？發生問題時應該回到哪個安全狀態？

就像製程開發之後還需要量產技術，模型開發之後也需要一套運行體系。

製造業本來就是這樣工作

有趣的是，這種工作方式對製造業並不陌生。

開發製程、驗證、導入量產、觀察結果，再繼續改善，本來就是製造工程師每天在做的事。條件改變就重新確認，發生問題就找原因，只有經過驗證的變更才會進入生產。

做料理也很相似。買到好的食材，不代表料理就完成了。食材要先處理，要測試不同的烹調方法形成食譜，也要讓實際廚房能一次又一次做出相同的味道。餐廳客人變多之後仍要維持品質，食材或廚房環境改變時也要調整做法。

只有一份食譜，餐廳不會自己運轉；只找到一組好的製程條件，工廠也不會自己運轉。資料與 AI 也是一樣。

收集資料、建立模型、導入實際生產、持續確認狀態並改善，本來就是不同的問題。如果中間的流程被省略，再好的模型也很容易停留在實驗階段。

要讓製造 AI 真正進入現場，需要的不只是更多模型，而是完整的流程：準備資料、建立模型、驗證、運行，再持續改善。

製造業為了穩定生產產品，長期把不同角色與製程分開並持續精進。現在，把資料與 AI 用在生產上，也需要建立同樣程度的體系。