「我最有成就感的是，就是教會一位年資 30 多年的品管阿姨開發 AI 模型！」日月光半導體製造人工智慧應用整合部主任工程師謝孟恩分享，由於品管同事負責的產線經常需要人工清點數百個零件，在 AI 培訓課程的結業專案上，該同事已學會應用 AI 影像辨識技術，自動對位並清點數量，並將這套工具推廣到自己部門。

讓沒有 IT 背景的人，都能學會用 AI 是日月光半導體製造（簡稱日月光）的 AI 策略，而主責該計畫的正是日月光智慧製造資訊總處，旗下人工智慧應用整合部。自 2023～2024 年間，日月光在台灣最大的製造廠區高雄廠內已有超過 50% 的員工（約一萬多人）參加 AI 教育訓練，完成 60 個以上的 AI 專案。

建 no-code 平台，讓同事根據所需功能訓練專屬模型

人工智慧應用整合部副處長陳宥瑜指出，專業的 AI 人才難尋，2018 年起日月光就自行培訓人才，一開始是找外部單位協力，教同仁寫 AI 程式碼，「但課程對於非技術背景同仁來說太難，他們很難短期學會並用在實際業務中。」再加上，培訓的種子同仁數量有限，每年數十位，對於萬人規模的企業來說，緩不濟急。

這讓團隊反思 AI 的訓練方針，與其教同仁寫 AI 程式碼，不如建一個 no-code （無需寫程式碼）AI 平台（日月光稱為 IAI 平台），提供常見的機器學習模型，包括：影像辨識、數值分析、異常偵測，讓同仁在平台上匯入資料，選擇合適模型就能進行訓練，並用圖表檢視模型的結果。

舉例來說，品管人員想要檢視產品瑕疵，可將正常與瑕疵的產品照片上傳到平台，並標記瑕疵品的特徵，再選擇適合的訓練模型，平台會自動訓練並生成一個能識別產品瑕疵的模型。透過這個方式，大家都有機會學會「用 AI」。團隊在 2022 年完成 IAI 平台建置，同時規畫 3 階段課程，並培訓人工智慧應用整合部成為講師。

加強管理層支持使用新工具，日月光開「經理人班」

第一階段是線上課，主要是分享 AI 應用案例及介紹模型的種類，勾起同仁的學習興趣；第二階段則是平台實作；第三階段要求學員分組以實際工作問題為主軸，設計 AI 解決方案，像是有的學員利用 AI 偵測機台異常，有的則透過 AI 預測生產排程。每階段課程都會安排測驗，學員得通過它才能進到下個階段。

此時，培訓單位遇到的難題是，愈後面階段，完課率愈低，像是第三階段，同仁需要在 4 個月內完成新的 AI 專案，日月光 AI 課程講師、人工智慧應用整合部專業技術副理李世郁說：「學生常反應忙不過來，想退出培訓。」

另一個狀況是，同學即使第三階段結訓，他們回到原職位後，並沒有持續做 AI 專案。陳宥瑜坦言：「AI 運算資源很昂貴，必須確保培訓能帶來實質效益。」

所以，他們不僅花時間與學員所屬部門的主管溝通，也在 2024 年針對主管開設「經理人班」，培養他們 AI 專案管理的能力，並透過跨部門月會盤點各部門旗下的 AI 專案，確認完訓同學持續投入專案中。

陳宥瑜認為，跟中階主管溝通是 AI 培訓成功的關鍵。他觀察，大型組織推動 AI 策略時，常遇到高層很樂意投入資源支持、第一線同仁很願意參與課程，但中階主管因為沒時間參與，而對 AI 應用和效益的認知相對有限。因此，即使部屬建置的 AI 模型成效不錯，他們仍擔心「模型可靠度夠嗎？不確定 AI 怎麼判讀數據？」而不敢在實務中採納學員的成果。這些主管的疑慮在「經理人班」都能得到解答。

導入 AI 工具帶來多少效益？請財會部門協助換算成本、評估績效

加速推進 AI 專案過程中，不少主管也關注的是「AI 能帶來多少效益」。因此，日月光的每個 AI 專案會請財務部從成本角度提供建議，並在專案運行一段時間後，進行實際績效評估。

例如，品管部改用AI清點數量，財務單位就會將其節省的人員工時換算為成本，列入部門的績效。透過績效可視化，鼓勵各部門發展 AI 專案。

從營運策略的角度來看，陳宥瑜認為，各部門的生產力提升計畫，可透過培訓方式讓賦能業務單位同仁自行開發 AI 工具，從而提高日常工作的效率與創新能力。

然而，企業內部同時也需要有一群精英團隊，專注解決跨部門或高複雜度問題，進而提高企業的核心競爭力。這就是人工智慧應用整合部在培訓以外的另一項任務——承接困難專案，包括用 AI 優化日月光的製程品質。如此才能讓 AI 資源達到效益最大化。

「日月光能做到目前的成績，都是一點一滴累積。」陳宥瑜回顧，2021 年以前，AI 團隊在日月光還不是部門，成員也僅有個位數，後來他們是先做出指標性專案獲得高層青睞，再逐步爭取建置 AI 平台、設立有系統的 AI 課程。如今看到遍地開花的 AI 專案，距離「全員 AI」的目標又更近一步，他跟團隊都非常開心。

核稿編輯：邵蓓宣