YouTube影片
文字稿摘要：
Rich:
今天的主題是轉型速智檢
這次邀請到小柿智檢創辦人洪沛駿 Gary
Gary跟大家打個招呼吧
Gary:
各位聽眾朋友
各位先進大家晚上好
我是小柿智檢創辦人Gary
裴老師你好
Rich:
我是在幾週前的Clubhouse上節目訪問到Gary
他公司有快速智慧檢出瑕疵品的能力
這個部分讓我很訝異
說其實也代表我們數位轉型
已經到了一個要用更好的一些方式
然後當然大家也都在不斷的努力
然後這次特別請他從協助
企業多年數位轉型的觀點來跟大家談談
首先
我們請Gary來跟介紹大家介紹您的公司
小柿智檢
Gary:
謝謝裴老師
首先我先介紹一下我們自己
好的
其實我們小柿智檢是在做的
是工業視覺的檢測
我們其實是利用AI深度學習技術來加值
來加值AOI的應用 我們不是取代
所以其實這一塊這個賽道其實叫做AI AOI
是利用AI的技術結合過去的AOI
在應用在目視檢測上
那我們其實做的會是整體方案
整體解決方案
顧名思義其實就是軟加硬
軟體加硬體的完整交付
完整交付給end user
所以其實這塊我們出的會是一個設備的
這是軟體加硬體的一個方案
其實我們在解決什麼樣的問題呢
其實我們在做的會是解決人的問題
過去傳統AOI其實它能力可能有限
尤其是針對什麼 針對瑕疵檢測這個問題
這個題目是吧
那近幾年就是深度學習起來了
看似這個技術是有機會解決
這個賽道的一個
固有的一個痛點
我們在解決人的問題上的話
其實在解決的會是招工的問題
像是品檢段
其實我們主要就是focus
是在解決目視品檢段的問題
人招不到
而且疫情的關係
所以其實現在都是缺工狀態
那目視品檢站是最多人的
所以其實我們在解決就是人
回來說到人的部分
其實只要是人
那就會有
檢測品檢不穩定的一個問題出現
檢出率它是一個浮動的
其實平均檢出率大概就是百分之七到八十
因為這個原因
其實
又會面臨很多他們的客戶的客訴的問題
所以其實
我們小柿智檢在提供的方案就是說
最主要當然是解決人的問題
但當然我們會有Focus
重點就是說其實我們是在電子這種
電子代工的垂直行業裡面
就是Focus在這一塊包含上游的封測
到下游的系統組裝
完畢整機這樣子的產品的外觀的瑕疵檢測
這塊算是我們的一個賽道的一個重點
大概以過去來講
就是說大概我們Focus就是電子製造行業
它的封測
其實今年來講我們就是鎖定像是
被動元件這一塊
甚至像是到一些比較小的小的金屬加工品
這些類型的就人的肉眼
它其實一定要拿放大鏡在看的
這類型的產品
大概就是鎖定這類型產品的外觀瑕疵檢測的市場為主
Rich:
謝謝Gary剛剛的介紹
我們剛剛有聽到
Gary特別強調他是在電子產業
我自己之前也是從電子產業出來的
我在仁寶待1年
神達待10年
他剛剛講的我很有感覺
我們再回到了所以這樣的
你在應用在這樣的行業後
你有這些技術
可不可以跟我們說明你的技術
而且最重要的是你在這些行業
你如何去應用
我們歡迎Gary
Gary:
其實這個topic其實蠻具體的
就是說其實以技術層面來講
這我們小柿智檢的技術說明
細部來講
其實我們大概分軟體和硬體兩塊來
做一個說明
在講解之前
其實大家都知道
其實我們公司會是以AI
軟體為核心的一家公司
但軟體 AI軟體它不是AI技術落地的唯一
不是唯一條件好
就像剛才有介紹就說我們在做AI AOI這個行業
其實這個行業要讓它技術落地
大概可以分成
光機電軟算就是光學機構電控軟體加
算法一個領域的專業要高度整合
以我們來講
其實像AI這塊
其實它大概就是佔1/5到1/4的關鍵
那講到AOI工業視覺檢測
其實市場上來講需求非常大
而且是剛需
但需求都是破碎的
每一個行業
每一個製造行業
它甚至每個製程段
它的需求都是破碎的
所以其實在這賽道上
我們大致上可以分成廣度和深度兩個方向
廣度大部分都是在做通用軟體這件事情
通用的AOI軟體或是通用的AI軟體
AI這種深度學習 它是檢測軟體為主
另外一個方向
就是說抓住
就是抓住一個賽道
然後去做軟加硬的整合 做一個設備
這是深度的
就是每1年
跑每一代一直不斷的加深迭代技術
軟加硬的技術
但我們小柿智檢是由軟體為出發
但我們走的會是深度的發展這條路
回過來講到軟體和硬體部分
首先講我們軟體的特性是這樣
我們其實不是做通用
我們不是做通用
我們做軟體沒辦法
去符合所有的製造行業的目視品檢
我們不可能去做類似這種方式
或是做一些其他的傳產類型
我們還是專注在電子或是金屬加工
在類型我們的技術路線
或者是說我們是走少樣量本的一個路線
為什麼走這個路線
其實很簡單
就是加快
加快什麼加快落地部署時間
加快研發了周期
所以就是說客戶他給我們的樣品
其實只要良品且是少量 幾十張
其實我們就可以提供一個蠻有
performance的一個model交付出來
這是我們軟體走的一個
技術路線的一個特色
其實講到硬體就是比較多可以去發揮
就是說光要有軟體
你一定要有載體
你才能在這工業視覺的檢測上
進行AI的項目落地
所以其實我們家來講
不是光只有AI這一塊
是光只有深度學習 而是說其實我們有光學
有機構
有電控
有這幾個領域的專家
那就是做一個高度集成整合
那有時候有都是這樣子
大家都知道做AI
做AI 大家都知道說你的
數據乾不乾淨 完不完整
你才能夠訓練出一個高性能的模型
那就是說你要怎麼取得這個完美的影像
首先你一定要有
很重要的就是你一定要有光學這塊
所以其實我們在做工業視覺檢測
我們很強調的是光學這一段
其實它是成功關鍵
反而比AI這一塊還要大一些
是我們過去的一個經驗
回來講就是說
你怎麼做一個穩定 穩定的一個
而且是可以取完美圖像的光場
的一個設計
這個就是技術落地成功
快要一半的一個關鍵
那就是說為什麼我們在做這些項目
或者在做一些通用設備
標準級這一塊的時候
其實我們很看重的會是光學加硬體
就是光學加機構電控整合
再加上軟體的特殊算法的一個特性進來
我們才能夠提供給客戶一個
可以直接使用的直接到現場交付給end user
它可以馬上能夠使用的完美的完整的一個
解決方案
再來進一步說明就是說
這一類型的完整解決方案是怎樣的
一個使用應用的情節
通常其實像我在這市場上
哪怕是我們專注的電子行業
那或多或少其實會遇到什麼訂製化的需求
也會有標準化的一個需求
所以其實我們家是具備訂製化能力的
提供標準解決方案的供應商
意思是什麼
我們可以提供標準級 檢測標準級
再來是我們接訂製化單 訂製化單不是從零到一
而是說既有像是軟件或是一些module
我們其實都整合起來
就可以給你一個訂製化單
再進一步講
就是說工廠其實整線生產 以整線來看
其實很多生意我們只是做單站的檢測
檢測完你看NG OK
進一步判瑕疵分類就結束了
其實不是
其實現在我們蠻多
他在看的問題是什麼
他說要看整線問題
其實我們切入點是有點守門員的一個動作
就是我們先看品質 就品檢部分知道問題了
知道有缺陷有瑕疵的
我們進一步把這數據怎麼樣串到MES系統
MES系統
甚至是跟它前段的
有一些可能導入一些
這種工業式聯結方案的
比如說一些機聯網或者可視化
把這些有機台數據的部分串接起來
這一段其實就可以形成什么生產履歷
然後這一段其實很多的
客戶其實像我們手上的也蠻多
都是需要的是這些
所以其實我們給客戶的不只是
一個檢測設備
而是說我們是可以提供對接的
就是我們的品檢數據是可以接上MES系統
做對接的
讓他們整線的系統可以串聯起來
以像是我們自己手上的客戶就是
ASUS集團
底下的某一家IPC廠
那我們就是類似這樣
就是說我們給它的 是一個整體方案
而且是inline的
我們是在做DIP段的 板廠裡面的DIP段
其實像我們提供完整的方案
除了檢測OK NG之外
我們也有數據
這些數據都保存下來
可以跟他系統做對接
包含了這些每一個piece的影像數據
還有它檢測的結果等等
還有良率等等這些
這些都是客戶他們進一步要做分析的
蠻必要的一個環節
那再來的話
像是應用部分
像我們最近期我們就是在
做一些這種被動軟件的這種高速檢測機
或是小金屬的一些加工件的一些
高速檢測機
我們其實都是在幫助客戶做足
因為他原本的品檢人員
他的眼睛可能看這種2x3mm以下的
其實0.2x0.3mm的左右這種大小的
這種加工的材料
像這種東西就是很需要像我們這種技術
進去
進去去幫助那些人去解決這些品檢的問題
Rich：
謝謝剛剛Gary介紹自己公司的技術
當然我們在講應用
當然很重要的要幫助企業
因為剛剛你已經特別提到
ASUS下面的IPC廠
當然我們就會希望說
你是不是可以多舉一些
您怎麼幫助這些企業數位轉型
因為我們還是講數位轉型的重點是什麼
重點是用數位技術
然後來提升效能
甚至有的還會改變商業模式
我們就請Gary來講說你到底
你們公司如何幫助企業數位轉型的
歡迎Gary
Gary:
其實我們會比較巨觀的來講這個部分
而且數位轉型的部分
其實在談這個題目之前
我們先定義一下
那個數位轉型目的會是最終是什麼
其實很多人都在看說這種數位轉型、數位化
其實它最終是要做些什麼
其實以我們所在的一個賽道來看
其實我們做是製造業的一個生意的
其實這塊我就大概是講製造企業的部分
有工廠的部分
他們其實最重要就是說透過一些數位化
就是
data其實最重要就是把
這些data給串接起來
就是類似將像是把一些金流
人流物流資訊流等等
這些數據把它串接在一起
那就是讓它不同的橫向單位
甚至是上下左右等等這些橫向的單位
讓他們串接
讓他們運作
合作起來是更有效率的
以像是我自己的前東家來講
就是富士康集團來講
最終的目的是什麼
所以大概就是四項
就提值、增效、降本、減存
提高生產品質
增加生產效率
降低生產成本
最重要也是降低庫存
你數據越公開透明
而且越完整
越可以達到這四個境界
再進一步講就說這讓企業
其實在這種工廠裡面來做數位轉型、數位化來講
就是可以細分更細分的再講更多的點來
來做 好做研究
其實工廠端 你有可能會導入很多的一些數位化的
數位化的一些解決方案
例如什麼 例如 數位孿生、
機聯網、IoT
取得這些機台數據可以知道什麼 OEE、
稼動率等等
進而數據可視化來呈現這些結果
甚至會導入一些什麼數位化的精準
精準生產排程或者自動報工系統等等
這些等等的數位化解決方案
那我們小柿智檢
最終要提供的價值或是些什麼
其實我們就是在數位轉型
尤其是工廠
工廠數位化里面
甚至到智能化里面的一個眼睛
就是說我們是在從最後段
從最後段去做檢視
讓品檢
讓目視品檢
變成一個科學化的品檢
讓這一段是可以讓品檢數據數位化的
就是說再看最終的品質有沒有問題
其實這些品檢數據它的效益其實很大
在過去來講就是說
大部分都是品檢人員手抄
而且它又不即時
所以很多時候它是抄錯的
約記憶可能幾分鐘後他就忘記了
他有時候是一批次一個工單
他來記錄一次他的良率
等等好或是誤判率還是什麼等等這些
可是你今天如果走到了像這種品檢
這種是數位化的話
其實我們這些品檢數據
可以跟像是ERP
它的數據串起來
甚至MES的數據
或是機聯網的數據
這些串接起來
數據更透明化之後
其實這些是可以提供給一些高層
有一些決策者在公司裡面
製造企業或廠佈裡面
他是有決策的
一些高級高階主管
它可以來依據這些數據做什麼做決策
這是過去
過去這種沒有把數據數位化的一個痛點
進一步來講
就是說其實我們有這些製程數據的
或者這些生長數據品檢數據的之後
它其實可以做什麼
它是可以形成一個閉環的
進而可以做什麼 做溯源 溯源分析找問題
找製程的問題
找製程機台的是不是參數跑掉的問題
像這一段其實
像我們之前其實也有做到這一段
這一段其實我們就稱為製程參數優化
就是跟前面的IoT廠商合作
我們把整線數據串起來
那我們就做一個閉環
進一步就是提供這些參數
這些設備
製程設備的參數要往哪個方向調整
再舉個例子
就是說像我過去是在對岸
那就是在我前東家
其實在他們生產時候
冬天和夏天遇到一個問題
遇到什麼樣的問題
其實那邊冬天是零下 會下雪的
夏天往往是超過四十度
所以有時候它那個廠裡面的設備
它的參數
其實是要隨著春夏秋冬去做調整
但如果你沒有調整這麼即時
其實對它的良率來講其實影響蠻大
其實變成是他重工的一些產品
它那個成本其實是相對高的
可能你一天生產不會有什麼感覺
可是它是1年生產
是幾千萬批次
其實成本是很恐怖
那再舉個例子
像是以我們在做台灣的一些案子來講
就是說
像我們有在做這種精密鑄造這個場域
我們其實在做的就是我們從3D
3D視覺檢測加上AI這段
這段是我們做
我們就找配合機聯網廠商
取得這些製程數據等等
我們就把它串成一個閉環
所以從我們就是交付這種
整體的一個閉環的方案給業主
他最重要他要看什麼
他不一定是要看
非常精準
說你要跟他講說每一個製程段
他的設備要那裡去調
而是他們的現場的IE人員或品管人員
或是工廠的PE等等
他們就在看趨勢
現在的要往哪裡調整這些設備
調整它的良率才能夠提升
所以說其實回到原點
這個題目就是說我們小柿智檢
其實協助
企業的數位化轉型來講說我們
是協助製造企業對我們是用品檢的這種
AI、AOI的手法進去
抓到瓶頸的數據
讓瓶頸數據跟其他的數據串接
產生更大的價值
這個就是我們小柿智檢其實在這個
企業數位化轉型裡面扮演的一個角色
Rich:
剛剛Gary講的很細
而且從自己過去的經驗
有在富士康的經驗
到現在
當然我們也必須要提到的就是說
今天既然已經發展到這樣
我們也知道其實整個台灣
所謂的數位轉型
現在越來越成熟
當然就大家都進來了
小柿智檢也是一個很不錯幫助電子業的一個企業
那我們就一定要問到說
那您再看這個未來
小柿智檢的未來您怎麼看
還有我們要麻煩告訴我們您的未來展望
Gary:
之前我自己個人
我是比較喜歡從過去歷史先講起
因為畢竟從歷史到現在
那你才可以去期望未來
其實歷史在過去
就是說過去在蠻多年
就是過去蠻多年是在對岸
其實我自己本身也待過幾間蠻大間的
就是頂部企業的AI公司
其實最早我就是在做這種商業
就是在商業的AI應用包含像是人臉辨識、NLP這一類型的
我後來也去到中國第二大的這種芯片廠
芯片廠 IC設計
進一步
後來富士康找上我
後來就是包含我團隊
我們就是進去
因為在那個時間點的時候
我就是在想
AI它是一個很難的一個技術很新的
還在成長中的一個技術
它怎麼產生商業價值
這件事情我那時候其實一直在想
已經好幾年前的
他可能是15、16年左右時間
後來其實就說想想到其實
AI如果讓他在一個拘束的環境
有拘束環境底下去讓他產生價值
其實是一個方式
所以進而我就是就去到了富士康
去做智能製造相關的一些項目
那時候其實我是在華中地區的
那時候其實我們在裡面就是一個部門
一個部門
我就是就是推著部門
然後去做一些工廠的一些生意
我們講說就是跨部門生意
做成就是可以轉
我就可以養我自己的部門
在那時候
其實我們大家把製程段可以分成像是
以富士康講法就是Level 5、60就是
還有這些SMT等等
到後是系統組裝
就是機殼廠板廠到系統組裝廠這個類型
其實裡面我們做了蠻多的項目
做了蠻多的項目
有些跟影像有關係
有些跟機台數據的分析
良率分析或是製程分析有關係
那其實做做方面其實我們就是想說
像這一段
尤其是AOI這一段
其實它是可以讓你這個技術落地
如果當然你的技術要好了
它是一個可以讓技術落地
產生高價值的地方
原因是什麼
就是當然就是比較粗淺來講
就是省人、省人工
因為那時候也卡在這些招工 尤其品選段
一條線就要bug到bug
對自己的板塊其實是非常多能力的地方
那有時候不是只是省成本
而是要進去他們人才、人力招募的一個困境
但是回過來就是基於過去的歷史
之後就是我們
在裡面其實也有在做一些incubation的
一個事情
然後就是我們那個集團
然後後來我們這個項目也活下來
後來就是出來
出來之後就是做一樣這塊的生意就是在做
AI AOI這塊生意
當然過去的經驗就是延續下來
然後出來
我們就重新打造這些所有的技術
就一路以來就是開始接這種比較中型企業的單
我們就是比較少做這種大型企業的
那最終目的是什麼
其實當初的一些信仰
或是一些必須反而沒有講的這麼的遙遠
其實我們想的法是說技術要先變現
變現當然是為了養活自己
當然要賺錢
做企業這是目的
那進而我們才談做這個技術能不能
幫助到幫助到人
幫助到這些工廠
幫助到這些工廠裡面的生產品質提升
那就是
當然這些必須就是說能不能幫助到這些人
當然我們也知道說其實
我們出來在選的會是賽道
就說因為其實工業視覺檢測這一塊
其實它蠻大的
而且剛需 市場太大
這一塊其實市場太大
還有一個數據
就是說其實現在市場滲透率不到5%
也就是 95%以上都是沒有這些東西的
這跟整個需求破碎化有關係
然就是各行各業
就是各個製造行業
他們的需求都不太一樣
我們怎麼去做這塊生意呢
其實我們早些年都是在try
就是說重新打造這技術
然後去造幾個示範案例落地
這些技術就是要有一些reference
那其實一直收斂
一直收斂
一直收斂
收斂到最後
其實我們抓住的或者是說
就我們在想的是怎麼去
抓一些附加價值的產品或是半成品
它的檢測
這就是我們在抓的一個賽道
在我們的技術特性是
針對這種外觀瑕疵檢測
所以其實我們收斂到現在
就是我們去抓的會是一般目視品檢的人
他可能要拿放大鏡去看的一些瑕疵檢測項目
小零件就是在1mm以下的世界
大概是零點幾
零點幾這樣子的一些小的東西
這些當然人可以檢
就是說可是它放大鏡可能五倍
十倍五倍的放大鏡才看得到的東西
因為你看到放大鏡仔細看
就變得是速度很慢
所以其實我們在抓的一個點是說
有從很精密的檢測的需求
在量用大的需求速度越來越快
所以我們大概就是往這個方向開始切
切進去
那隻是在講的事情
是說我們其實抓
當然現在有蠻多的一些成功案例
那我們也收斂到今天的
其實我們最重要未來的來講
就是說我們現在談深耕了
就說在台灣至少要要有自己的一片天
要有幾個比較重要的一些案例
但最重要當然是先養活自己
那未來的話
就是說往海外發展其實也不是未來
其實我們現階段就已經開始往海外發展
已經有一些海外項目
只是說最重要
就是說我們其實是要
未來還是要出一個什麼
國際化的公司
而不是只是local的一個企業
所以我們是希望把這技術是除了
保留在台灣做台灣生意之外
在台灣市場做起來之外
我們還可以走上國際
就是把這一塊技術做好
讓我們成為一個國際化的一個公司
沒有留言:
張貼留言