目錄
課程簡介
AI 正在重塑製造業。這門課程將帶您了解 AI 在製造業的應用，從預測性維護到品質控制，從排程優化到供應鏈管理，讓您掌握製造業 AI 轉型的關鍵知識。
學習目標：
- 了解 AI 在製造業的應用全景
- 掌握預測性維護和品質控制
- 學會排程優化和供應鏈管理
- 了解數位雙生和智慧倉儲
- 了解製造業 AI 案例
24.1 製造業 AI 應用全景圖
為什麼學_this？
了解 AI 在製造業的整體應用。
核心教學
製造業 AI 應用領域：
生產優化
- 預測性維護
- 品質控制
- 排程優化
供應鏈
- 需求預測
- 庫存優化
- 物流管理
營運管理
- 能源管理
- 智慧倉儲
- 數據平台
產品開發
- 設計優化
- 模擬測試
- 數位雙生
製造業 AI 的價值：
- 生產效率提升 20-30%
- 品質缺陷減少 30-50%
- 停機時間減少 20-50%
- 能耗降低 10-20%
商業範例
一家中型零售連鎖超市，全台有 42 間門市，長期因生鮮損耗過高與人力排班混亂導致毛利偏低，決定導入 AI 系統改善營運。
- 需求預測：依天氣與歷史銷量動態調整訂貨量，生鮮報廢率由 12% 降至 5%。
- 智慧排班：依來客時段自動配置人力，尖峰結帳等待時間縮短 35%。
- 動態定價：即期品自動折扣出清，即期品售出率提升至 88%。
- 庫存優化：滯銷品自動預警並調整陳列，整體庫存週轉天數減少 9 天。
小技巧
- 用 ChatGPT 把設備日誌貼上，請它列出三種最可能的故障模式。
- 在 Claude 輸入「依停機成本排序以下產線痛點」，快速排出導入順序。
- 把巡檢紀錄丟進 Notion AI，自動標記異常關鍵字並生成週報。
- 用 Zapier 串接感測器告警與 Slack，超標即時通知值班人員。
- 下 prompt 時附上機型、噸數與歷史維修次數，預測準確度更高。
練習題
本節摘要
- 應用領域：生產、供應鏈、營運、產品開發
- 價值：效率+25%、缺陷-40%、停機-35%
- 從預測性維護開始
你是 [行業] 的資深顧問，服務過 100+ 間同類型中小企。
我的業務：[規模/位置/客群 一句描述]。
我最大的痛點：[描述]。
請（1）診斷根因（2）提供 3 個同業已驗證的解法，按成本排序
（3）每個解法列出「第一步今天可以做什麼」。
| 任務 | 傳統做法 | AI 做法 | 效果 |
|---|---|---|---|
| 資料整理 | 人手複製貼上（數小時） | AI 結構化提取（分鐘級） | -90% 時間 |
| 客戶溝通 | 逐個回覆 | AI 草稿+人審發送 | 3 倍產能 |
| 決策分析 | 靠經驗直覺 | 數據+AI 多角度分析 | 減少盲點 |
| 知識傳承 | 口耳相傳 | AI 知識庫（隨問隨答） | 新人上手快 3 倍 |
- 我完成了本行業的「任務×AI」評分表
- 我選擇了一個本週就開始的試點任務
- 我設定了輸出品質的人工檢查點
- 我記錄了基準時間（AI 化前後對比用）
一家同規模的中小企用同樣的三步流程（盤點→試點→複製）：第一個月選擇「客戶查詢回覆」試點，回應時間由 6 小時變 40 分鐘；第二個月將成功流程複製到「報價環節」；第三個月全員培訓。三個月後整體產能 +30%，而工具成本是零（全部免費版）。重點從來不是工具，是「每月一個場景」的節奏。
24.2 預測性維護
為什麼學_this？
預測性維護能大幅減少停機時間。
核心教學
什麼是預測性維護？
用 AI 分析設備數據，提前預測故障，在故障發生前進行維護。
預測性維護的流程：
預測性維護的價值：
- 停機時間減少 30-50%
- 維護成本降低 20-30%
- 設備壽命延長
- 安全性提升
適用設備：
- 生產線設備
- 包裝機械
- 工業機器人
- 電機和泵
商業範例
一家擁有 12 條產線的中型電子代工廠，長期因射出成型機突發停機導致交期延誤，每月平均損失 60 小時產能，維修團隊疲於奔命。
- 做法：在關鍵機台加裝振動與溫度感測器，即時回傳數據至 AI 平台：提前 10 天預警軸承異常，非計畫停機減少 35%。
- 做法：以歷史維修紀錄訓練故障預測模型：準確率達 88%，誤報率降至 7% 以下。
- 做法：依 AI 建議排程維護時段，避開出貨高峰期：每年節省加班與急修成本約新台幣 180 萬元。
- 做法：將預測結果整合至 ERP 自動開立工單：維修回應時間縮短 50%，整體設備效率提升 12%。
小技巧
- 用 ChatGPT 輸入「依這份振動頻譜列出三種軸承故障特徵」，快速建立判讀清單。
- 在 Notion 建設備履歷表，欄位含運轉時數、保養日期與異常代碼。
- 用 Zapier 把感測器超標值自動推送 Slack，觸發巡檢工單。
- 請 Claude 依歷史維修紀錄，生成 RUL 預測的 prompt 模板。
- 先用 Canva 畫出關鍵設備拓樸圖，標註感測器安裝位置。
練習題
本節摘要
- 預測性維護提前預測故障
- 停機時間減少 30-50%
- 從關鍵設備開始
24.3 AI 品質控制
為什麼學_this？
AI 品質控制能大幅提升產品品質。
核心教學
AI 品質控制的應用：
視覺檢測
- AI 用攝影機檢測產品
- 自動辨識缺陷
- 高準確率
統計品質控制
- AI 分析品質數據
- 早期預警偏差
- 防止大批缺陷
預測性品質
- 預測品質問題
- 提前預防
- 持續改善
瑕疵分類
- 自動分類瑕疵類型
- 分析根因
- 改善製程
品質控制工具：
- 視覺檢測系統（Cognex、Keyence）
- 工業攝影機
- AI 分析平台
商業範例
一家年產 800 萬件文具的製筆廠，過去靠 12 名品檢員以目視檢查筆尖與墨水流暢度，漏檢率達 6%，客訴每月超過 40 件。
- 導入 AI 視覺檢測筆尖成型：漏檢率由 6% 降至 0.8%，客訴降至每月 5 件以下。
- 以高速攝影搭配深度學習判定墨水斷線：檢測速度從每分鐘 120 支提升至 1,500 支。
- 將缺陷影像自動回饋至射出成型機參數：不良重工率降低 45%，每年節省約 320 萬元。
- 遠端儀表板即時監控三條產線：品檢人力由 12 人精簡至 4 人，改派至製程改善。
小技巧
- 用 ChatGPT 將檢測標準轉成 prompt，例如「條列五種包裝破損類型與判定特徵」。
- 把瑕疵照片丟給 Claude，請它生成對應的訓練標註說明與關鍵字。
- 用 Notion 建立瑕疵案例庫，每筆記錄類型、判定依據與處理方式。
- 用 Zapier 串接檢測系統，發現瑕疵自動開立工單並通知負責人。
練習題
本節摘要
- AI 品質控制：視覺檢測、統計控制、預測
- 缺陷率可降低 50%
- 視覺檢測最適合包裝和標籤
24.4 排程優化
為什麼學_this？
優化排程能提升生產效率。
核心教學
AI 排程優化的應用：
生產排程
- AI 優化生產順序
- 考慮多種約束
- 最大化產能
資源分配
- 優化設備使用
- 平衡工作量
- 減少瓶頸
交期管理
- 預測交期
- 優化排程
- 準時交付
排程優化的價值：
- 生產效率提升 20-30%
- 交期準確率提升
- 資源利用率提升
商業範例
一家員工約 120 人的連鎖烘焙中央工廠，每天要為 30 間門市生產 80 種常溫與冷藏糕點。過去靠人工排程，尖峰時段產線常塞車，報廢率偏高，門市也常抱怨到貨時間不穩。
- 做法：以 AI 依訂單交期與產線負載自動排序生產，交期準確率由 82% 提升至 97%。
- 做法：將換線時間納入排程模型，減少不必要的清洗與切換，整體產能提升 22%。
- 做法：依門市銷售預測動態調整批量，每日報廢率由 6.5% 降至 2.8%。
- 做法：排程結果自動推送至各門市系統，選貨與配送準備時間縮短 35%。
小技巧
想讓排程優化真正落地，可從以下實操著手：
- 用 Zapier 將 MES 工單資料自動同步至 Google Sheets，避免人工複製遺漏。
- 在 ChatGPT 輸入「依交期與機台產能，排出最小延遲排程」，快速取得初始方案。
- 請 Claude 檢查排程資料缺漏欄位，prompt 寫「列出空值與異常值清單」。
- 用 Notion 建立排程假設與版本紀錄，方便回溯每次調整依據。
練習題
本節摘要
- AI 排程優化生產順序、資源、交期
- 效率提升 20-30%
- 需準確數據
24.5 供應鏈管理
為什麼學_this？
AI 能優化供應鏈，減少成本和風險。
核心教學
AI 供應鏈管理：
需求預測
- AI 預測原物料需求
- 避免缺料
- 減少庫存
供應商管理
- 評估供應商表現
- 風險預警
- 議價支持
物流優化
- 優化運輸路線
- 預測到貨時間
- 降低運輸成本
庫存優化
- 安全庫存設定
- 自動補貨
- 減少過剩
商業範例
一家年營收約新台幣 12 億元的連鎖餐飲集團，旗下有 45 間門市，長期面臨生鮮食材損耗高、尖峰時段缺貨與離峰時段報廢的雙重壓力，採購決策多依賴店長經驗，難以因應天氣與節慶波動。
- 導入 AI 需求預測：依歷史銷售、天氣與節慶資料預測各店食材需求，預測準確率提升至 93%。
- 動態調整採購與配送排程：依預測結果自動生成叫貨建議，食材損耗率降低 22%。
- 建立安全庫存警示機制：即時監控各店庫存水位，缺貨率降低 48%。
- 整合供應商交期資料：提前掌握延遲風險並自動調整配送，緊急調貨次數減少 35%。
小技巧
- 用 Zapier 串接 ERP 與供應商 Excel，自動同步庫存欄位，免手動匯入。
- 在 ChatGPT 輸入「依下列交期資料，標出延遲風險前三名供應商」，貼上 CSV 即得排序。
- 把歷史缺料紀錄丟給 Claude，請它歸納「延遲原因分類表」，輸出成 Notion 資料庫。
- 用 Notion 建立供應商主檔，欄位含交期、良率、單價，供 AI 讀取比對。
- Prompt 加上「只輸出表格，不含說明」，避免 AI 回覆夾雜廢話，方便直接貼回系統。
練習題
本節摘要
- AI 供應鏈：預測、供應商、物流、庫存
- 庫存成本降低 20%
- 需數據連通
24.6 數位雙生
為什麼學_this？
數位雙生是製造業的未來趨勢。
核心教學
什麼是數位雙生？
數位雙生是實體設備或工廠的虛擬副本，可以模擬、預測和優化。
數位雙生的應用：
- 模擬測試：在虛擬環境測試
- 預測優化：模擬改善方案
- 培訓：虛擬訓練操作員
- 遠程監控：即時同步實體狀態
數位雙生的價值：
- 降低試錯成本
- 提升優化效率
- 加速新產品開發
- 改善安全性
商業範例
一家年營收約新台幣 8 億元的連鎖餐飲集團，旗下有 45 間門市，長期面臨尖峰時段出餐壅塞、備料過剩與人力調度失衡等痛點，過去僅能靠店長經驗調整，試錯成本高。
- 做法：為每間門市建立廚房產線的數位雙生模型，模擬不同來客量下的出餐流程，結果：尖峰時段平均等候時間由 12 分鐘縮短至 7 分鐘。
- 做法：在虛擬環境測試 30 種備料與排班組合，結果：食材報廢率降低 18%，每月節省約 42 萬元成本。
- 做法：將模擬結果同步至 POS 與排班系統，結果：人力調度誤差減少 25%，單店人力成本下降 9%。
- 做法：新門市展店前先以數位雙生驗證動線與設備配置，結果：展店籌備期由 90 天壓縮至 60 天。
小技巧
- 先用 Notion 建立設備清單與感測器對照表，欄位含機台編號、訊號名稱、取樣頻率。
- 用 ChatGPT 下 prompt：「依以下欄位幫我產生數位雙生資料字典草稿」，再人工校對。
- 缺乏即時數據時，用 Zapier 把試算表新資料自動寫入資料庫，模擬即時串流。
- 用 Claude 檢查訊號單位與時間戳格式是否一致，避免建模時對齊錯誤。
練習題
本節摘要
- 數位雙生 = 實體的虛擬副本
- 應用：模擬、預測、培訓、監控
- 高階應用，需數據基礎
24.7 能源管理
為什麼學_this？
AI 能降低能耗和成本。
核心教學
AI 能源管理的應用：
能耗監控
- 即時監控能耗
- 識別高耗能環節
- 異常預警
能耗優化
- AI 優化設備運行
- 調整生產排程
- 避免尖峰耗電
節能預測
- 預測能耗趨勢
- 制定節能方案
- 追蹤效果
能源管理的價值：
- 能耗降低 10-20%
- 成本節省
- 符合 ESG 目標
商業範例
一家擁有 12 間門市的連鎖健身中心，每月電費高達 180 萬元，其中空調與熱水系統佔整體用電近七成，離峰與尖峰時段用電失衡，導致契約容量長期超約受罰。
- 做法：於各場館導入 AI 用電監測與負載預測，自動調控空調與熱水加熱時段；結果：尖峰用電量下降 22%，每月超約罰款歸零。
- 做法：以 AI 分析各時段進場人數與設備使用率，動態調整照明與空調分區運轉；結果：整體用電量降低 18%，年省電費約 390 萬元。
- 做法：建置 AI 異常偵測模型，即時揪出冷媒外洩與設備空轉；結果：設備故障排除時間縮短 40%，年度維修成本減少 65 萬元。
小技巧
- 用 Zapier 串接電表 API，每小時把用電量自動寫入 Notion 資料庫。
- 對 ChatGPT 下指令：「分析這份尖峰用電 CSV，列出前三高耗能時段與原因」。
- 在 Claude 貼上契約容量與電費單，請它試算調整需量後的月省金額。
- 用 Canva 把每月用電趨勢做成看板，貼在產線旁提醒尖峰時段。
練習題
本節摘要
- AI 能源管理：監控、優化、預測
- 能耗降低 10-20%
- 符合 ESG 趨勢
24.8 智慧倉儲
為什麼學_this？
智慧倉儲能提升倉儲效率。
核心教學
AI 智慧倉儲的應用：
自動倉儲
- AGV 機器人搬運
- 自動上架和選貨
- 24/7 運行
庫存管理
- 即時庫存追蹤
- 自動盤點
- 智能補貨
路線優化
- 優化選貨路線
- 減少移動
- 提升效率
智慧倉儲的價值：
- 選貨效率提升 2-3x
- 庫存準確率提升
- 空間利用率提升
商業範例
一家員工約 120 人的連鎖文具批發商，長期因選貨錯誤率高與倉庫空間不足，導致每月客訴超過 40 件。
- 導入條碼掃描選貨系統：選貨錯誤率由 2.5% 降至 0.3%，客訴減少八成。
- 採用移動式貨架與動態儲位規劃：空間利用率提升 35%，等於多出 200 坪儲位。
- 串接即時庫存看板：選貨效率提升 2.8 倍，單日出貨量從 1,200 箱增至 3,400 箱。
- 導入自動補貨提醒：缺貨率下降 60%，滯銷庫存減少 25%。
小技巧
- 用 ChatGPT 輸入「比較 AMR 與 AGV 三年 TCO 表格」快速估算。
- 在 Notion 建 ROI 模板，欄位含人力節省、錯誤率、回收期。
- 請 Claude 依你倉庫坪數與 SKU 數，產出 WMS 導入成本清單。
- 用 Zapier 串接 WMS 與 Google Sheets，自動記錄選貨工時。
- Prompt 範例：「以台灣中型電商倉為例，列出智慧倉儲五項隱藏成本」。
練習題
本節摘要
- 智慧倉儲：自動倉儲、庫存管理、路線優化
- 效率提升 2-3x
- 投資較大，評估 ROI
24.9 數據平台
為什麼學_this？
AI 需要數據平台支持。
核心教學
製造業數據平台的組件：
數據採集
- 感測器、IoT
- 設備數據
- 生產數據
數據存儲
- 數據倉庫
- 即時處理
- 歷史數據
數據分析
- AI 分析
- 即時監控
- 預測模型
數據視覺化
- 儀表板
- 即時監控
- 報告
數據平台工具：
- 工業物聯網平台
- 數據倉庫（Snowflake、AWS）
- BI 工具
商業範例
一家年產 8,000 萬支筆的中型文具製造廠，長期靠人工抄錄 60 台射出機的溫度與壓力數據，良率波動時難以追溯原因，每月報廢成本高達 45 萬元。
- 做法：於 60 台射出機加裝感測器並串接雲端平台，即時集中管理製程數據；結果：資料彙整時間由每週 12 小時縮短至 15 分鐘。
- 做法：以 AI 分析溫度與壓力參數對良率的影響；結果：筆桿良率由 88% 提升至 95%，每月減少報廢損失約 30 萬元。
- 做法：建立異常自動告警與決策儀表板；結果：異常反應時間由 4 小時降至 20 分鐘，停機時間減少 35%。
- 做法：將歷史數據回饋至排程與備料系統；結果：整體設備效率提升 12%，交期準確率達 96%。
小技巧
- 用 Notion 建數據字典，欄位定義與更新時間同步維護。
- 在 ChatGPT 輸入「依欄位產生 SQL 檢查空值與重複」快速驗證。
- 用 Zapier 將表單資料自動寫入 Google Sheets 減少人工。
- 請 Claude 比對兩份欄位命名，列出不一致處再統一。
練習題
本節摘要
- 數據平台：採集、存儲、分析、視覺化
- 是 AI 應用的基礎
- 先打好數據基礎
24.10 案例研究
為什麼學_this？
參考案例能幫助理解實際應用。
核心教學
案例 1：預測性維護
- 一家寵物食品包裝廠
- 感測器偵測異常振動
- 提前 2 週預測故障
- 停機時間減少 40%
案例 2：AI 視覺檢測
- 一家寵物零食廠
- AI 檢測產品外觀
- 缺陷率降低 50%
- 檢測速度提升 10x
案例 3：智慧倉儲
- 一家寵物用品倉庫
- 自動選貨機器人
- 效率提升 3x
- 空間利用率提升 30%
商業範例
一家中型零售連鎖（約 40 家門市、年營收新台幣 12 億元）長期面臨促銷檔期備貨失準，熱銷品缺貨、滯銷品堆倉，庫存周轉率低於同業。
該公司導入 AI 需求預測系統，整合 POS 銷售、天氣與促銷檔期資料，重新校準各門市補貨模型。
- 做法：以機器學習預測各門市單品周銷量，將預測誤差從 28% 降至 11%。
- 做法：依預測自動生成補貨建議，缺貨率由 9% 降至 3.5%。
- 做法：針對滯銷品觸發降價提醒，庫存周轉率提升 22%。
- 做法：整體導入三個月內，滯銷庫存金額減少新台幣 1,800 萬元。
小技巧
參考案例時，別只抄結論，要拆解它的落地步驟。
- 用 ChatGPT 把案例拆成「資料、模型、流程」三欄清單，比對自家現況。
- 在 Claude 輸入「依此案例，列出我這條產線最缺的三項資料」，取得差距清單。
- 把差距丟進 Notion 建追蹤表，每項標負責人與期限。
- 用 Zapier 串接表單與通知，資料一更新就提醒負責人。
練習題
本節摘要
- 案例：預測性維護、品質檢測、智慧倉儲
- 從小而具體的項目開始
- 證明 ROI 後擴展
24.11 課程總結
課程總結
下一步學習
- C-25 零售服務業 AI：零售應用
- C-26 AI 賦能 ERP：系統整合
- C-21 AI Agent 原理與應用：智能自動化
© 2026 Buddylala.ai — Build Your AI Future, Together.