運用機器學習最佳化生產決策

因應市場需求的快速變化，需要敏捷生產系統進行彈性化的產品製造，才能滿足現代市場中各類型消費者。製造業者常面臨製程資訊不夠透明或缺乏歷史資料的情形，通常會參考類似的產品資料進行決策，或擴充產能以應付代工客戶之交期急迫性，但由於生產機台與材料並非同一時間點購入，機台效能有所不同，生產材料也不盡相同，實際生產結果與預期仍有所差異。

預測品質與效能對製造業的運營效率影響甚遠，市場交期越來越短，造成產銷規劃及協調複雜度提高，在這變化快速、技術和產品不斷推陳出新的環境，如何精準且快速的進行預測及最佳化決策是相當關鍵的致勝點。受限製程複雜又短交期的生產條件限制下，預測特定機台與產品類型組合的生產率，以快速因應需求而決策，對於製造業是一項重要任務。

在商業領域方面，價格預測是重要的商業問題，而產品與服務價格同時受到各種類別與數值屬性影響，例如電力需求和價格會受到不同季節、商務活動與化石燃料價格等因素影響；而製造系統中，不同機器類型和產品屬性組合，對生產率有不同程度的影響，過往在面對混合資料集的預測問題，對於複雜的產品組合模式普遍針對單一資料集建構預測模型，其預測模型無法因應生產現場的產品組合變化而動態調整，導致後續安排加工時間不易並難以精準規劃產品交期。

隨著技術的快速發展及產品的多樣化，實務上蒐集到的資料集中的類別屬性或是類別屬性的屬性值數量也會持續增加，使得在對資料集進行分析、建立預測模型時的運算更加複雜、耗費過多時間，因為類別變數進行編碼後資料維度的激增，且當資料集的資料筆數過多時，也會造成運算速度的降低以及記憶空間無法負荷的問題。

希冀應用機器學習提高生產系統的預測準確性，找出各種產品、機台參數間的交互關係組合，讓企業有所參考依據，輔助人員就現況可行之產能規劃與機台派工進行最佳化決策。基於強化學習(Reinforcement Learning)的概念，在得到穩健初始解後，透過觀察以此初始解進行生產後，生產系統的環境(Environment)、生產系統給予的獎勵(Reward)，如實際的工時以及良率與預測值的差異，以及環境的狀態(State)，進而分析此初始解是否符合現在生產系統的環境。在做決策時觀察環境中的變動，將變動納入決策考量。

參考來源：

本文取自資策會數位轉型研究所委託國立臺灣大學工業工程研究所之機器學習研究報告（2021年12月完稿，作為內部參考之用）