這些年製造業時常談到工業4.0，從資訊化、自動化到智慧化，有些產業領先者投入的早，已透過IoT 及AI 等技術邁入智慧製造，然而一直到年初COVID-19 疫情的攪局下，從市場需求的變化及供應鏈重組都對企業營運帶來前所未有的劇變，促使更多業者加緊腳步規劃數位轉型，畢竟再不改變就有更多可能等待被淘汰。
根據天下雜誌與SAS 台灣在2019 所做的「企業AI 領先度大調查」，台灣製造業開始投入AI 者達45.5%，還沒開始者亦達49.5%。而Deloitte 在2019 年亦針對中國前500大製造業AI技術採用程度展開調查，調查指出87% 的受訪者已經預計在兩年內預計採用AI技術，其中51% 應用在智慧生產，包括工廠自動化、自動排程，以及更進階的則是將AI 電腦視覺技術應用在品質監控、瑕疵管理等方面。有25% 則是將AI加入在產品服務中，而用於企業營運管理及供應鏈者同樣佔8%，用於營運模式決策則是4%。然而，在實際導入AI 後，不少受訪者表示成效與預期有出現落差，可歸咎於來自既有經驗與組織結構上的阻礙、受到基礎架構的限制、資料搜集與品質、缺乏工程經驗等。值得信賴的技術團隊往往能夠提供導入AI 的企業引以為鑒，甚至能夠補足人員的知識與技術能力。
ASML 將 AI 融入產品中 加速催生新產品
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。
