AI 品質控制：何時需要 AI，何時簡單警報已經足夠？

先說清楚決策，再選技術

生產經理因為缺陷流到包裝工位，提出加入 AI 檢測。品質部有照片，維護人員懷疑調整偶爾失準，而客戶規格已列明可量度的公差。這是三個可能的起點。未核對這些資訊就購買相機，可能只是拍出精美影像，而更簡單的量測早已能發現問題。

先拿一件不合格品，釐清它本應觸發甚麼決策。為何不合格？最早在哪個工序能察覺？操作員需要警告、暫停等候覆核，還是經驗證的自動剔除？把客戶要求和品質記錄與實際生產核對。裝配後才看見的缺陷，可能有更早、成本更低的控制點。

比較的對象應是完整檢測安排。每種安排都需要可靠觀察、判斷規則、處理動作及負責人。簡單警報可能因位置不當或無人回應而失效；AI 模型可能因不熟悉的產品或錯誤標註而失效。示範看來順利，並不代表系統可靠。

Excellence industrielle 描述的食品品質例子，值得注意的是把分散的生產資訊、警報及負責回應的人連接起來。它不能證明每種檢測都需要 AI。評估自己的項目時，把現有檢測與建議系統並列，問哪項決策會改變。如果兩者都能按穩定的量測限值作出相同而有用的結論，新增模型就需要名稱以外的具體理由。 [1]

用能解決疑問的最簡單觀察方法

若問題是量測值是否超過議定限值，先做好量測。溫度、重量、壓力或已記錄的製程參數，可能足以支持限值警報。要確認校準、取樣頻率，以及讀數與實際產品的關係。製程溫度合格，本身並不能證明每件成品都符合所有品質要求。

若問題是在受控條件下確認已知特徵是否存在、位置是否正確或尺寸是否合適，傳統機器視覺或其他感測器可能已足夠。照明、定位及檢測治具仍需要工程設計。當合格條件能穩定描述時，規則通常比學習模型更容易解釋及維護。

當有用的外觀差異難以用穩定規則描述，例如表面變化較大且缺陷模式不一，便值得評估 AI。先確認影像真的拍到相關特徵。相機沒有記錄的隱藏缺陷，模型不能憑空還原。更多具代表性的例子可能改善模型，卻不能補救錯誤的檢測位置。

分開計算兩種錯誤

以一條假設的包裝線為例，它需要檢查印刷標籤。缺標籤可能容易檢測；批次碼模糊需要另一種測試；印刷清楚但內容錯誤，則需要與目前生產訂單比較。把三種情況合成一個缺陷類別，會掩蓋第三項決策所需的資訊連接。

品質部應明確定義誤放行為不合格品通過檢測，誤剔除為合格品被標記。按缺陷及產品系列分開計算，並議定後果：漏檢、覆核工作量、物料損失、停產及客戶風險。不要讓整體準確率掩蓋罕見但後果嚴重的缺陷檢出不足。

在供應商調整示範之前，先定好驗收準則。包括測試件數量及來源、參考判斷、未解決的分歧，以及各類別可接受的錯誤範圍。測試中完全沒有某種關鍵缺陷，就沒有依據證明能檢出它。負責品質的人員必須決定還需要甚麼依據。

測試未見過的工況，再測試處理流程

保留一組未用於訓練或選擇門檻的獨立測試資料。按有意義的生產條件分組，避免同一件產品的近乎相同影像同時進入訓練及測試。涵蓋相關物料批次、班次、產品變體及日常呈現差異。有爭議的標註應交專家裁定，不要悄悄當作確定答案。

讓建議的檢測方法先與已批准流程平行試行，只記錄判斷，不讓它放行產品。與參考檢測比較、研究分歧，並量度覆核團隊是否能處理被標記的工作量。測試必須涵蓋實際線速及影像與實物的對應，不能只測一個照片資料夾。

接着測試整條處理流程：影像無法讀取、模型不可用、剔除箱已滿、連線中斷及產品轉換。哪些產品會被暫扣？如何保留身份？由誰決定可以繼續生產？機器安全及產品放行，仍須由相關合資格負責人按規定處理。檢測信心分數不代表獲准略過已批准的暫扣程序。

把驗收後的檢測工作納入預算

確認影像及標註由誰擁有、如何識別模型版本，以及供應商更新軟件時怎樣處理。把相機清潔、燈光更換、適用的校準、標註覆核、重新訓練、驗證及支援納入營運範圍。更換鏡頭或包裝供應商，即使產品名稱不變，也可能改變系統所見的影像。

議定覆核觸發條件及回復舊版本的方法。覆核量增加、缺陷模式改變、新物料或相機設定變動，都應引發調查。保留最後獲接受的設定及已批准的後備流程。重新訓練之前先研究原因，否則模型可能學會遷就本應修正的生產問題。

使用隨文的決策及驗證表，按同一要求比較量測、規則及 AI 方法。Quindart 從品質決策及其資訊依賴開始。當團隊能解釋系統採用甚麼依據、仍無法確認甚麼，以及不確定時由誰負責，採購決策便更有根據。