劉詩雁：未來印出來了：日化印刷的 AI 賦能之路

1. 一句話總結

劉詩雁分享他的團隊如何借用製造業行之有年的品管報告「8D report」作為知識萃取的入口，把日化印刷業老師傅累積的判斷經驗轉化成業務、品保、作業員都能直接對話查詢的AI系統。

2. 重點筆記

講者背景

主持人介紹他創業十多年，自嘲是「還沒出場的不成功連續創業家」，靠著「make something people want」這個信念一路做下來，做過的產品橫跨生成式AI平台、聊天機器人、廣告科技與HTML5網頁解決方案。查證後，他的正式身分是戴伊爾斯股份有限公司創辦人暨CEO，英文名Sean Liu（INSIDE專題報導），同時是台灣資料科學協會理事；這個協會登記的正式全名是「社團法人資料科學協會」，成立於2020年11月6日（協會官網關於頁面）。他長期參與台灣技術社群活動，這場分享的內容就是他協助製造業客戶把AI從理論帶到現場落地的實戰經驗。

什麼是日化印刷

他開場先定義這個產業名詞：日化印刷簡單說就是各種包材上印製花樣圖案的印刷業務，範圍涵蓋一般包裝印刷，也逐漸往高科技方向擴張，包括QR碼印製、NFC標籤、防偽標籤等。經查，「日化」原意指日用化學品／日用化工產品（如清潔用品、化妝品等家庭日常使用的非食品類化學品，見維基百科「日用化學品」條目），日化印刷即這類民生消費品包裝的印刷產業，兼具傳統包裝印刷與現代防偽、聯網標籤的技術需求。

導入初期：雙方都很懵

他很坦白地說，團隊剛開始跟製造業客戶談導入AI時，雙方都處於一種「懵逼」狀態——他們對客戶的業態掌握不夠深，客戶對他們的技術也很陌生，因為製造業過去十幾年在「智慧2.0、智慧3.0」這類智慧製造浪潮裡，或多或少都已經導入過某種AI系統，所以客戶第一個問題永遠是：你們現在要導的到底是什麼AI，跟原本已經有的有什麼不一樣？

他舉的實際案例是客戶產線上的瑕疵檢測系統：一台超高速工業相機每分鐘可拍攝數千張到上萬張照片，同步搭配高速捲動的滾軸拍攝印刷標籤，透過卷積神經網絡即時判斷瑕疵並標註進系統。他特別解釋，這類場景理論上也能用生成式AI（例如多模態模型做vision fine-tuning）去做，效果可能還不錯，但不管是反應速度還是拍攝量級對應的運算成本，都不是製造業能接受的量級——這也是他點出的一個關鍵判斷原則：不是每個場景都適合套生成式AI，要先看清楚場域的速度與成本限制。

為什麼選8D report作為切入點

他把方向聚焦在「如何讓製造業內部既有的資料變成可解釋、可對話的知識」。切入點是製造業一個發展成熟的品管框架「8D report」——8D的D指的是Disciplines，是一套讓品保人員收到客訴時能有系統性指引去判斷如何修正問題的框架。查證後，8D方法論最早由福特汽車公司於1986年開發，1987年正式發表於《Team Oriented Problem Solving》手冊，後來成為汽車業、組裝業乃至食品與醫療產業標準化團隊解決問題流程的通用工具（英文維基百科條目）。

他強調8D report的重要性在於，它其實是一家製造業長達數十年的品管歷史記錄，記載了這家公司過去所發生過的所有客訴、當時組建了哪些團隊、找出哪些根本原因（root cause）、最後怎麼解決。更關鍵的是，8D report的欄位天生就串連了公司內部多個系統的資料：報告標頭的產品欄位連到產品資料庫，料號連到物料庫，往上連到訂單與排程資訊，組建團隊的名單則連到人事資料，往下則透過MES（Manufacturing Execution System，製造執行系統，他形容這是「整個產線核心的心臟」）串接到現場大量感測器、UV能量計、可程式邏輯陣列等物聯網數據。他坦言，之所以選8D report切入，也是因為要對客戶提出一個合理的理由——直接跟客戶要一大堆資料，客戶會反問「你們到底要解決什麼問題」，而8D report正好是客戶自己已經在用、也理解其價值的既有框架。

他也提到一個實務細節：8D report本身即使記錄在ERP系統裡，直接輸出往往不夠用，因為業務在回覆客戶客訴時通常需要補充許多額外數據；但這些補充數據常常因為ERP沒有對應欄位而無處可放，結果就散落在組織裡不知道誰的電腦裡。他的團隊透過8D report的編號，把這些散落的補充資料重新彙整起來，作為後續微調或檢索增強生成（RAG）的基礎語料。

三種痛點：業務、品保、作業員

他把問題聚焦在一個相對單純的場景：業務、品保與一線作業員的需求。

• 業務：業務是第一線面對客訴的人，收到像「色偏有問題」這類客訴時，通常沒有足夠的專業知識判斷可能原因，也要花很長時間才找得到內部對應的品保窗口——尤其製造業產線往往分散在不同省份或不同廠房，橫向溝通成本很高。
• 品保：品保人員收到客訴後，也要花時間定位問題發生在哪個客戶的哪個特定場景，並判斷該找誰組成解決團隊、可能的根本原因是什麼。
• 一線作業員：產線良率跟作業員的經驗高度相關。他提到一個很具體的現象（講者自述）：製造業為了分散生產風險，通常不會只在台灣設廠，也會佈局到中國大陸、越南、泰國；台灣與中國大陸的產線良率通常很高，但同一套流程搬到越南、泰國後，良率可能直接驟降到僅剩百分之五十到六十。企業因此一直想解決的問題是：如何把良率高地區老師傅的經驗，有系統地傳遞到良率較低的產線與供應鏈。

落地效果：從兩到三週縮短到即時查詢

他展示了一段經過去識別化處理的真實對話記錄（客戶身分已用合成資料處理）：業務收到客訴後，直接向系統詢問過往類似色彩一致性問題的處理經驗、有沒有可參考的解決案例，系統會列出過去發生的類似狀況；業務、品保、作業員都可以用同一套介面查詢想要的答案。他提到，過去這類客訴回覆平均要花兩到三週才能確定怎麼回覆客戶，現在品保人員可以快速定位問題該找誰、怎麼組建團隊，作業員也能直接取得歷史資料彙整而成的「老師傅智慧」；查證後，INSIDE的專題報導把導入後的效果形容成「幾分鐘內就能找到答案」，跟他口頭講的兩到三週形成對照，方向一致。

技術落地的骨架：ETL占了九成五的工作量

他把整套系統簡化成一個標準流程：客戶問題進來後先做query改寫，再進入語意檢索（他提到團隊主要用Python做semantic search），中間會做多種切塊（chunking）處理，包括語意切塊（semantic chunking）、百分位切塊、標準差切塊等方法。他給的關鍵提醒是：導入AI如果不是像瑕疵檢測那種特殊場景，有百分之九十五的時間其實都在做ETL（資料擷取、轉換、載入）這件事，真正花在微調或RAG本身的時間反而只占很小一部分；INSIDE的專題報導也引用了同一個數字，把這部分工作歸類為資料整合與標準化。

他也點出企業內部落地時的現實取捨：在開放環境下開發，可以自由選用OpenAI、Cohere的re-ranking、外部搜尋API等服務把回答做得更完整；但要真正落地到企業內部，通常必須考慮資料不能外流，於是走向兩條路——預算充足的走NLM（地端大型語言模型）架構，預算有限的則走全開源路線。

3. 關鍵數據與案例

• 工業相機瑕疵檢測：每分鐘拍攝數千張到上萬張照片，搭配高速捲動滾軸與卷積神經網絡即時判斷瑕疵（講者自述）。
• 良率對比：台灣、中國大陸產線良率高，遷移到越南、泰國後可能驟降到百分之五十到六十（講者自述，無外部來源佐證）。
• 客訴回覆時間：導入前平均需兩到三週才能確認如何回覆客戶，導入後可快速查詢歷史案例（講者自述，INSIDE報導交叉引用方向一致）。
• ETL占比：他估計導入AI的工作量中，除了瑕疵檢測這類特殊場景，約九成五的時間花在ETL，微調與RAG只占很小一部分（講者自述，INSIDE報導引用同一數字）。
• 8D方法論起源：福特汽車公司1986年開發、1987年正式發表（英文維基百科）。

4. 金句

• 「如果我們將這些資料匯聚起來，它就會是一個很不錯的、老師傅知識萃取的一個來源。」
• 「導入AI如果不是像剛剛那個瑕疵檢測的狀況的話，其實有百分之九十五的時間都在做ETL這件事情。」
• 「老闆其實只需要看到中間有一個magic，得到回應；但我們各位都是開發者都知道，中間其實是有非常多的dirty work要進行的。」
• 「你以前叫他丟資料，大家就會想說，欸那你幹嘛要這些資料，那我們要解決什麼問題？」

5. 提到的工具與名詞

• 8D report：製造業品管框架，D指Disciplines，用於系統性追蹤客訴處理歷程，詳見上方說明。
• MES（Manufacturing Execution System，製造執行系統）：串接ERP、排程系統與現場感測器，他形容為「整個產線核心的心臟」。
• 語意切塊（Semantic Chunking）／百分位切塊／標準差切塊：文件切分方法，用於將長文件拆成適合檢索增強生成使用的片段。
• RAG（檢索增強生成）／微調（Fine-tuning）：兩種讓AI系統具備企業專屬知識的技術路徑。
• NLM（地端大型語言模型）架構：企業內部落地、資料不外流時的部署選項之一，與全開源路線相對。
• NFC標籤／防偽標籤／QR碼印製：日化印刷產業近年擴張的高科技業務範疇。

6. 延伸觀察

這場最出人意料的是「8D report其實是老師傅知識庫」這個洞察——他沒有一開始就衝去做什麼炫技的多模態或生成式demo，而是先花時間搞懂客戶產業裡本來就存在、客戶自己也認同價值的資料骨架（8D report），再順著這個骨架把散落各處的知識萃取出來。這跟前面兩場的邏輯剛好形成一個完整的對照：林鉦育那場講金融業要先想清楚場景才能導入AI，吳柏翰那場講技術上該怎麼在RAG和微調之間做選擇，他這場則補上了最容易被忽略但最花時間的一塊——如何在陌生產業裡，用現場訪談找到一個雙方都能接受的資料切入點。他那句「有九成五的時間都在做ETL」，大概是這天最誠實的一句話。

7. 資料來源