AI 瑕疵檢測系統:自建、買套裝、找前線部署顧問嵌入,三種路線怎麼選?

上季我們去看一條 SMT 產線。廠長很自豪地打開一套買來的 AI 光學檢測(AOI)後處理系統,說能自動判瑕疵。我請他調出過去三十天的資料:系統標記為「瑕疵」的板子裡,真正該退的只有一成出頭,其餘全被作業員手動放行。換句話說,這套 AI 沒有省下人力,它只是多請了一位很愛喊狼來了的助理。

問題不在模型爛,而在「怎麼把它放進這條線」這件事,一開始就選錯了路。

製造業導入 AI 瑕疵檢測,說到底就三條路:自己從頭建、直接買套裝、或找前線部署顧問把工程師嵌進你的現場。AI 瑕疵檢測 自建 vs 外購的爭論很熱,但多數人漏掉第三條路,而它往往才是良率壓力大、又不想養一整支 AI 團隊的工廠真正需要的。先把三條路攤開看。

三條路線的真實差異

什麼時候該自建

如果你的缺陷型態夠獨特、夠多、而且會持續演化——比如半導體封裝或特殊面板,市面模型根本沒見過你的瑕疵——自建的貼合度天花板最高。前提是你真的養得起。一支能把瑕疵檢測做上線的團隊,至少要資料工程、ML 工程、加上懂產線的領域工程師。我們看過太多工廠低估的是後半段:模型 demo 出來 92% 準確率,但要接進 MES、接上剔除機構、跟老師傅的判準對齊,這段沒人做,專案就卡在 POC 墳場。自建不是敗在演算法,是敗在最後一哩的落地工程。

什麼時候買套裝就夠

反過來,如果你的缺陷是通用型的——刮傷、缺件、錯位、印刷髒污——而且產量大、要求快,那套裝方案的性價比很難被打敗。幾週就能上線,供應商也累積了跨廠的資料。代價是兩件事:一是水土不服,通用模型對你特有的邊界案例常常誤判,像開頭那條 SMT 線;二是供應商綁定,想調整判準、想拉資料出來再訓練,都得看對方臉色。買套裝前,務必要求供應商用你自己的不良品樣本跑一次真實驗證,別看它 demo 裡的漂亮數字。

顧問嵌入:被低估的第三條路

多數比較文章只講自建對外購,但實務上最尷尬的族群是——缺陷夠特殊、套裝接不住,團隊卻又養不起、自建撐不動。這正是前線部署工程(FDE)的位置。

做法是工程師直接進你的現場,用你自己的產線影像和老師傅的判準,訓一套貼合你缺陷的模型,接進現有 AOI 與剔除流程,盯到誤判率壓下來、作業員真的開始信任它、良率報表看得到變化,才算交付。關鍵在最後:知識和模型要留在你手上,而不是換成另一種供應商綁定。它拿到自建的貼合度,又不用你從零養一支團隊。

三條路沒有標準答案,只有適不適合你這條線。但無論哪條,判準都一樣:demo 準不算數,產線上有人真的照它做決策、良率有變化,才算數。這也是我們在 Tenten 做瑕疵檢測時唯一認的驗收線——工程師不進場盯到有人在用,我們不簽結案。