製造業導入 AI 品管檢測前的選型評估：POC 怎麼設計才知道準不準

一間兩百多人規模的電子零件代工廠，目檢線每天要靠八個熟練作業員盯著產品挑瑕疵，人力成本年年上漲，老師傅也開始有人準備退休。廠長看過幾場 AI 視覺檢測的展示，現場 demo 抓瑕疵抓得又快又準，價格也在預算範圍內，心裡已經有八成把握要簽約。唯一還沒想清楚的是：demo 現場那批漂亮的樣本，跟自己產線上真正會遇到的瑕疵，到底是不是同一回事。

這個猶豫是對的。AI 品管檢測的展示現場，用的往往是廠商精挑細選、光線條件最理想的樣本，跟產線實際的照明、震動、粉塵、批次差異完全是兩個世界。很多後來喊卡的專案，不是模型不厲害，而是簽約前沒有把「準不準」這件事定義清楚，等到上線才發現落差。

導入前該先確認的資料與流程前提

在跟任何廠商深談之前，廠內自己要先盤點三件事：現有目檢累積了多少張已標註的瑕疵影像、這些標註是不是由有經驗的品管人員做的、產線的光源與拍攝角度是否穩定。這些前提沒有，AI 模型就沒有東西可以學，再厲害的演算法也是巧婦難為無米之炊。

同樣重要的是，現有的目檢 SOP 有沒有文件化。很多老師傅的判斷標準是「看習慣了就知道」，這種隱性知識如果沒有被整理成明確規則，廠商拿到的需求就只會是「幫我抓瑕疵」這種模糊描述，訓練出來的模型自然也抓不到重點。導入前把這份標準寫下來，是最花時間但也最值得的一步。

POC 該怎麼設計才知道準不準

真正有意義的 POC，不能只是廠商拿自己的展示資料庫跑一輪。應該堅持用產線最近三到六個月的真實瑕疵樣本，涵蓋各種光線、批次、產品版型的變化，讓模型在你的環境裡重新驗證一次。

POC 開始前，雙方要先寫清楚驗收標準：多少的誤判率算過關、漏檢率的上限是多少、測試樣本數要多大才有統計意義，這些數字都要在合約或試用協議裡白紙黑字寫明，而不是等結果出來再各說各話。時間拉長一點也沒關係，一般抓一到三個月比較務實，太短的 POC 只能驗證「技術上做得到」，驗不出「在你的產線上穩不穩」。

該問廠商的關鍵問題

除了準確率數字，還有幾個問題一定要問：模型是用你的產線資料重新訓練，還是套用一套通用模型微調而已；上線後如果發生連續誤判，責任跟後續調校的費用怎麼算；系統要不要跟既有的 MES 或報表系統串接，串接的技術門檻與費用是不是含在報價裡；以及萬一之後想換廠商，訓練好的模型與資料能不能帶走。這幾題答得含糊，通常代表後續合作也會很含糊。

導入前最後該確認的事

如果廠商願意用你的真實產線資料做 POC、願意把驗收標準寫進合約、也講得出模型訓練方式與資料歸屬，這通常是一個值得繼續談下去的對象。反過來，如果對方只想用漂亮的展示資料說服你，或是每個關鍵問題都用「上線後再看」帶過，這就是該放慢腳步、多找一家比較的訊號。品管檢測牽動的是出貨品質與客訴風險，多花兩三週把評估做扎實，遠比事後重來划算。