以下介紹各梯次詳細活動內容
第一梯次:
am09:00~09:50 產業自動化需求-自動化檢驗與AI流程:
先分享產業數位化實際應用，金屬製品產業範疇廣，包含手工具、自行車零組件產業七成以上的廠商坐落於中部地區，配合周圍分散在中彰投等地區的衛星工廠，以往沒有檢測流程於產品末端經常會發生產品不良率3%~20%(會因前端製程不穩定所以不良率落差很大)，每年被銷毀數量約為5~10萬PCS。光學辨識鎖定特徵點，利用AI辨識進行檢測，將工件翹曲和尺寸不良品進行檢測挑選出來。以AI協助降低人為誤差，即時數據協助控管生產品質和狀態。在此介紹工業檢驗常用之機器視覺AI，如CNN及DNN等基本概念。
am10:00~10:50 AI自動化佈署概念-MLops介紹及與自動化檢驗AI流程整合:
這部分會介紹包括MLOps步驟，包含了至少三個階段亦即資料準備期 (Data Preparation)、建模期 (Model Creation)和部署期 (Rollout)。 每個階段均包含多個步驟， Data於資料準備期完成清理， Model經過建模期完成模型訓練與測試，模型與資料部署後於部署期將進行監控與微調。MLOps除了需要管理各種開發與部署之流程外，亦需要進行版本管理，包含資料、模型、參數等 以及資料流 (dataflow)與工作流(workflow)的部署。接著介紹工業檢驗過程採用AI訓練及模型精化程序，再介紹引入自動化模型訓練情境及作法，包括容器(container)及管線(pipeline)概念。
am11:00~pm12:30 上機操作自動化AI工具:
這部分會安排實機演練Kubeflow容器及管線操作，實際應用於一機器視覺訓練流程。內容如下:首先，我們將使用基於網頁的交互式開發環境Jupyter Notebook，搭配深度學習框架(Tensorflow)來建立簡單的圖像分類模型以及透過適當工具(TensorBoard)進行模型檢查與參數調整。
第二梯次:
pm01:30~02:20 產業自動化需求-生產排程與AI流程:
利用平行機器來加工作業的生產型態目前已被廣泛地運用於各種產業中，因此有關平行機器的作業排程問題一直受到相當的重視。所謂平行機器排程是在探討工作中心(work center)中會設置一部以上功能相同的相似機器的排程問題，每部機器皆可執行同一加工作業，排程的目的便是要妥善地利用多部機器，將工件安排到各個機器中，並決定工件的加工順序，以達到所希望績效指標的最佳化。在此介紹平行排程AI，包括集成學習及遷移學習等，目標在達成最短總交貨期。
pm02:30~03:20 AI自動化工具介紹-Kubeflow介紹及如何與生產排程AI整合:
Kubeflow主要由 Google發起，並且目前已經有相當 多的企業使用 或參與開發 ，包含 Alibaba, Amazon Web Services (AWS), Bloomberg, Bytedance, Canonical, Cisco, D2iQ, IBM, Intel等大公司。其功能繁多，包含了各種圖形介面及容器及管線；生產排程AI整合預計介紹集成學習(ensemble learning)包括Bagging/Boosting等、遷移學習(transfer learning)於瑕疵檢驗應用實例。在機器學習、深度學習和數據挖掘的大多數任務中，都會假設 training和 inference時，採用的數據服從相同的分佈（ distribution）、來源於相同的特徵空間 feature space）。但在現實應用中，這個假設很難成立，往往遇到一些問題：
a、 帶標記的訓練樣本數量有限。
b、 數據分佈會發生變化。
因此遷移模型即把 B領域中的知識遷移到A領域中來，提高 A領域分類效果，不需要花大量時間去標註A領域數據。生產排程的優化可導入這些進階AI，如集成學習及遷移學習，進行最佳交期預測。
pm03:30~05:00 機器模型增強實作-遷移模型自動化合成:
實作部分預計引入Kubeflow之pipeline及container將大型模型包裹在一容器內，並使用一pipeline管線進行客制模型自動合成，並以實際生產瑕疵影像進行分類，實作遷移模型自動合成。
第三梯次:
pm01:30~02:20 產業自動化需求-機器手臂與AI:
智慧產線完成，過去產線仰賴人工管理、上下料、換刀等，將由智慧機器人、虛實整合等技術取而代之。人力成本由過去24小時2班制，1人4機進行設備操作與工件上下料。調整為1機械手臂搭配4台加工中心機來下達指令並進行產線管理，人均生產力之提升5倍之多。金屬工件在生產過程中，以生產流程標準備化，標準治具盤加上零點定位系統的方式放置。由於頻繁換線，需要透過3D視覺進行物件辨識及人機協助，找出最佳夾取點與料架型態，透過機器人與夾爪進行隨機取料與上料。這邊會介紹整合機器手臂控制之AI如捲積與去捲積模型縮放，進行模擬器與實體手臂之虛實整合。
pm2:30~3:30 機器模型自動佈署KFserving:
隨著應用程式的需要，AI模型會被重新訓練 (re-trained)，此時需要動態即時上線。因此 在開發與部署的流程中AI模型導入“持續開發 /持續部署 ” (Continuous Integration/Continuous Deployment, CI/CD)流程整合。此部分在 PR merge新的 AI模型到 Git上之後，經由 webhook event (也是 Argo Event)的方式，動態將新的 AI模型更新部署到已在執行中的 Kubernetes Cluster中。
pm3:30~5:00 機器模型自動佈署實作Tensorflow-serving:
我們將演示如何使用 Tensorflow-serving 將準備就緒的機器模型容器化以便後續的部署，並在其前端構建一個簡易的REST API接口來接受公共請求。而在最後我們將展示如何挑選一個適當的工作來有效的減少整體開發流程，有效的提升模型開發以及部署的效能。
成員簡介
姓名/公司 職責 專長
石志雄/東海資工系副教授 主持人 物聯網、人工智慧應用開發
黃舒楷/工研院智慧機械組 專案經理 智慧機械、虛實整合
葉信和/信誠金融科技 AI自動化導入 AI自動化實務應用
黃永廣/雲林科技大學電子系副教授 虛擬容器導入 AI自動化實務應用
熊博安/中正大學資工系教授 自動化佈署導入 AI自動化實務應用
