此報道已獲客戶批准對外發布。歡迎分享！
點此閱讀全文：jmp.com/KAIST 這段錄影也可以在 JMP 的 YouTube 頻道上找到。
韓國科學技術院 (KAIST) 副教授李鍾碩 (Lee Jong-Seok) 結合真實的產業經驗，闡述了為何人工智慧必須尊重基本的物理原理才能在工廠車間獲得信任。
重新思考人工智慧在實際製造業問題的應用
簡要總結：
韓國科學技術院（KAIST）副教授李鍾碩（Lee Jong-Seok）分享了人工智慧在實際製造業應用中面臨的挑戰。儘管人工智慧模型規模日益龐大，但它們往往缺乏透明度，且無法遵循基本的物理規律，因此人類的專業知識至關重要。他的研究重點在於建構既簡單易懂又兼具準確性和強大功能的模型，從而連接學術界和產業界。透過融入領域知識和統計約束，他解決了諸如預測鋼材塗層重量等實際製造問題，這表明，如果沒有深厚的專業知識和對問題背景的深刻理解，僅靠人工智慧是遠遠不夠的。
重點總結：
- 更簡單的模型帶來實際影響：儘管大型人工智慧模型在研究中佔據主導地位，但李教授強調，更簡單、更易於解釋的模型在製造業中往往表現更佳。模型必須符合真實的物理原理，才能獲得信任並部署到生產車間。
- 基於物理約束的人工智慧提升可靠性：在鋼材塗層應用中，標準神經網路的預測結果違反了基本的物理原理。透過在模型中嵌入統計約束，強制製程變數之間存在正相關關係，研究團隊確保了預測結果既準確又符合物理規律。
- 連結學術界與產業界：學術方法並非總是能直接應用於工廠環境。李教授的研究工作遊走於理論與實務之間，他運用先進的機器學習方法來解決實際的工業問題。
- 可解釋性促成行動：製造決策需要清晰的因果關係。透過優先考慮透明度而非模型規模，工程師可以自信地調整製程參數，而無需承擔意外後果的風險。
- 統計基礎依然重要：僅靠先進的人工智慧是不夠的。深入的統計學和優化知識對於設計穩健、可解釋且安全的模型以應用於實際場景至關重要。
韓國科學技術院（KAIST）李副教授語錄
「目前的AI透明度還不夠高。人們只是把AI應用到自己的問題上，卻不知道它是否真的能改善流程。”
「由於數據獲取管道有限，將人工智慧應用於實際問題會面臨一些挑戰。人工智慧只能從公開數據中學習，因此它對特定領域了解不夠深入。”
“例如，在製造業等基礎領域，人類專家可以做得更好。”
“我把自己定位為學術界和產業界之間的橋樑，因為研究論文中的方法論通常不能直接應用於實際問題。”
“目前研究的一個大趨勢是盡可能地建立龐大的模型，但這也使得模型越來越難以理解。我和我的學生們則努力讓模型盡可能地簡單。”
“要在製造業應用人工智慧，我們應該能夠解讀這些模型。最簡單的方法就是讓模型簡單易懂，但同時又能保證其準確性和強大功能。”
