← 回課程首頁 單元 2 / 6

AI 工具在生產流程中的導入應用

60 分鐘 | 講授 + 練習

單元二：AI 工具在生產流程中的導入應用

授課時間：60 分鐘（講授 + 練習） 授課形式：講授 40 分鐘 + 實作練習 20 分鐘 適用對象：製造業現場主管、生管人員、品管人員、設備維護人員 先修知識：已完成單元一「生產流程與痛點解析」 學習成果：學員建立標準化提問模板與資料邊界設計能力

學習目標：

  1. 了解 AI 工具（以 ChatGPT 為例）在 SOP 撰寫、排程建議、不良原因歸納的實際應用
  2. 掌握 SCBD 問題定義框架，將模糊的現場問題轉化為可驗證的結構化提問
  3. 理解 AI 幻覺的產生原因，並能運用五步驟流程進行控制
  4. 建立標準化提問模板，確保團隊成員產出一致且可追溯的 AI 分析結果
  5. 設計資料邊界，避免 AI 產出超出可驗證範圍的推測性內容

核心理念：問題定義能力決定 AI 回答品質 -- 垃圾進、垃圾出（Garbage In, Garbage Out）

課程導言

各位學員好，在上一個單元我們了解了製造業常見的痛點，也完成了三類資料盤點表。這個單元，我們要正式進入 AI 工具的實際操作核心：如何把 AI 工具真正導入到我們的生產流程中。

很多人第一次使用 ChatGPT 時，會像跟朋友聊天一樣隨意提問，結果得到一堆「看起來很對，但用不上」的答案。這個單元要教你的，不是 AI 的技術原理，而是一套實戰可用的提問方法論。學完之後，你能帶著標準化的模板回到工廠，讓 AI 真正成為你的工作助手。

在 SmartCore AI 的架構中，我們將 AI 工具的導入分為三個層次：第一層是「會用」，能夠向 AI 提問並取得回覆；第二層是「用得好」，能夠透過結構化提問取得高品質的分析結果；第三層是「用得穩」，能夠建立標準化流程，讓整個團隊一致地使用 AI。今天的目標，是帶大家從第一層直接跳到第三層。

2.1 SOP、排程建議與不良原因歸納（以 ChatGPT 為例）

講稿

首先，我們來看三個最常見的應用場景：SOP 撰寫與優化、生產排程建議，以及不良原因歸納分析。

SOP 撰寫與優化是最直接的應用。過去要寫一份完整的作業標準書，可能需要工程師花好幾天時間整理，還要來回修改格式。現在透過 ChatGPT，我們可以把現有的作業流程描述輸入，讓 AI 幫我們整理成結構化的 SOP 文件。根據業界經驗，GenAI 在轉換既有 SOP 為結構化格式時，準確率可達 90% 以上，新人上手時間從數天縮短到數分鐘。但這裡有一個重要前提：你提供的流程描述必須是完整且正確的，AI 只是幫你「整理格式」，而不是幫你「發明流程」。

生產排程建議方面，AI 可以根據你提供的訂單資料、機台狀態、人力配置等資訊，給出排程的優化建議。預估到 2026 年，超過 40% 擁有生產排程系統的製造商將導入 AI 輔助排程。但請記住，AI 給的是「建議」，最終決定權還是在現場主管手上，因為 AI 無法完全掌握現場的即時狀況，例如突然的機台故障或人員請假。

不良原因歸納是品質管理的重要環節。傳統方式是品管人員手動翻閱檢驗報告，費時費力。AI 可以快速分析大量的品質檢驗資料，找出缺陷的模式與趨勢，協助我們用「五個為什麼（5 Whys）」或「魚骨圖」的方式追根究柢。研究指出，AI 驅動的根因分析（Root Cause Analysis）處理速度是傳統方法的 10 倍以上。

這三個場景有一個共同的關鍵：AI 的輸出品質，完全取決於你輸入的資料品質與提問方式。接下來，我們就來學習如何正確地向 AI 提問。

Prompt 範例一：SOP 撰寫

你是一位資深的製造業工程師，擅長撰寫標準作業程序書（SOP）。

請根據以下資訊，撰寫一份完整的 SOP 文件：

【產品名稱】：PCB 電路板
【工序名稱】：SMT 錫膏印刷
【作業環境】：無塵室，溫度 25±2°C，濕度 50±10%
【使用設備】：DEK Horizon 03iX 錫膏印刷機
【作業步驟描述】：
1. 確認鋼板型號與工單一致
2. 安裝鋼板並校正位置
3. 設定印刷參數（刮刀壓力、速度、脫模速度）
4. 放置 PCB 板進行首件印刷
5. 使用 SPI 設備檢查錫膏厚度與覆蓋率
6. 首件合格後開始量產

【輸出格式要求】：
- 包含：目的、適用範圍、權責單位、作業流程、注意事項、相關表單
- 每個步驟需包含操作說明、品質標準、異常處理
- 使用表格呈現關鍵參數

請僅根據以上提供的資訊撰寫，若資訊不足以完成某個段落，
請明確標示「[待補充：需要XXX資訊]」。

Prompt 範例二：生產排程建議

你是一位生產排程規劃專家。請根據以下資料提供排程建議：

【可用機台與產能】：
- A 線：日產能 500 片，目前維護中，預計明天 08:00 可用
- B 線：日產能 800 片，目前運行中，今日剩餘產能 300 片
- C 線：日產能 600 片，目前閒置

【待排訂單】：
| 訂單編號 | 產品型號 | 數量 | 交期 | 優先級 |
|---------|---------|------|------|--------|
| WO-2401 | X100    | 1200 | 2/25 | 急件   |
| WO-2402 | Y200    | 800  | 2/27 | 一般   |
| WO-2403 | X100    | 500  | 2/26 | 一般   |

【限制條件】：
- X100 只能在 A 線和 B 線生產
- 換線需要 2 小時
- 每日工作時間 08:00-20:00（含休息）

請提供：
1. 建議排程表（含甘特圖式文字排列）
2. 交期風險評估
3. 若有交期風險，提出替代方案

僅根據以上資料分析，不要假設任何未提供的資訊。
若需要更多資訊才能做出更準確的判斷，請列出需要補充的項目。

2.2 問題定義與分析範圍設計

講稿

接下來我們進入這個單元最核心的能力：問題定義。

很多人第一次使用 ChatGPT 時，會像跟朋友聊天一樣，問一些很模糊的問題，例如「我們工廠良率不好，怎麼辦？」這種問法，AI 只能給你一些泛泛的建議，對實際工作幫助不大。

在 SmartCore AI 的框架中，我們強調一個重要原則：問題必須是可驗證的（詳見 2.4 節）。也就是說，你問 AI 的問題，得到的答案必須能夠用現有的資料或方法去驗證對錯。

好的問題定義有四個要素，我稱之為「SCBD 框架」：

  1. S -- Specific（具體）：問題要具體到可以行動。不是「良率不好」，而是「B 線 SMT 製程在 2 月份的錫膏印刷不良率從 0.5% 上升到 1.2%」。
  2. C -- Constrained（有限制）：分析範圍要有明確的邊界。指定時間範圍、產品型號、製程站別，避免 AI 做出超出你資料範圍的推論。
  3. B -- Based on Data（基於資料）：所有分析必須基於你提供的資料，而非 AI 的「常識」或「推測」。
  4. D -- Deliverable（可交付）：明確告訴 AI 你要什麼格式的輸出 -- 表格、條列清單、流程圖描述，還是特定的報告格式。

讓我舉一個對比的例子：

面向 不好的問題 好的問題
具體性 為什麼我們的品質不好？ B 線 SMT 錫膏印刷不良率在 2 月份從 0.5% 升至 1.2%，主要不良模式為錫膏偏移，請分析可能原因
限制條件 幫我分析不良原因 僅根據以下附件中的 SPC 數據與設備參數記錄，分析不良率上升的前三大可能原因
資料基礎 我們應該怎麼改善？ 根據附件中 2 月 1 日至 2 月 20 日的巡檢紀錄，找出不良率高峰出現的時段與對應的設備參數變化
輸出格式 給我一些建議 請以表格列出：可能原因、對應資料證據、建議改善措施、預期效果、優先順序

記住：你定義問題的精確度，決定了 AI 回答的可用程度。花 5 分鐘把問題想清楚、把資料準備好，比花 30 分鐘跟 AI 反覆對話來得有效率得多。

2.3 限定資料來源與資料邊界設計

講稿

這一節我們要討論一個在製造業使用 AI 時最容易犯的錯誤：讓 AI 自己猜。

ChatGPT 的訓練資料來自網路上的大量文本，它「知道」很多關於製造業的一般知識。但問題是：你的工廠不是「一般」的工廠。你的設備型號、製程參數、人員配置、原物料供應商，都是獨特的。如果你沒有明確限定資料來源，AI 就會用它的「通用知識」來填補空白，而這些填補的內容看起來非常專業、非常有說服力，但可能完全不適用於你的實際狀況。

這就是所謂的「資料邊界設計」（Data Boundary Design）。資料邊界設計的核心概念是：明確告訴 AI 什麼可以用、什麼不能用、不知道的時候該怎麼做。

具體來說，你需要在每次提問時做到四件事：

  1. 明確提供資料：把 AI 需要分析的資料直接貼在提問中，或明確描述資料的內容。
  2. 聲明分析範圍：告訴 AI「僅根據以下提供的資料進行分析」。
  3. 設定「不知道」的規則：告訴 AI「如果提供的資料不足以回答某個部分，請明確指出需要補充哪些資料，而非自行推測」。
  4. 禁止外部引用：如果不希望 AI 引用訓練資料中的通用知識，要明確聲明「不要引用外部案例或一般性建議」。

資料邊界設計的好壞對比

壞的做法：

幫我分析我們工廠的設備故障原因，設備是 CNC 加工機。

問題：沒有提供任何實際資料，AI 只能根據通用知識回答，可能產出看似專業但與你工廠完全無關的分析。

好的做法：

請根據以下設備故障紀錄分析 CNC-03 的故障模式：

【資料範圍】：2024 年 1 月至 6 月
【設備編號】：CNC-03（型號：FANUC Robodrill α-D21MiB5）

【故障紀錄】：
| 日期 | 故障代碼 | 故障描述 | 停機時間(hr) | 維修措施 |
|------|---------|---------|-------------|---------|
| 1/15 | AL-07   | 主軸過熱警報 | 2.5 | 清潔散熱片、更換冷卻液 |
| 2/03 | AL-07   | 主軸過熱警報 | 1.5 | 清潔散熱片 |
| 2/28 | AL-12   | Z軸定位異常 | 4.0 | 更換線性滑軌 |
| 3/15 | AL-07   | 主軸過熱警報 | 3.0 | 更換主軸軸承 |
| 4/10 | AL-20   | 刀庫換刀異常 | 1.0 | 調整氣壓 |
| 5/22 | AL-07   | 主軸過熱警報 | 2.0 | 更換冷卻液泵浦 |
| 6/08 | AL-12   | Z軸定位異常 | 3.5 | 校正原點 |

【分析要求】：
1. 僅根據以上紀錄分析，不要引用外部案例
2. 找出最常見的故障模式與頻率趨勢
3. 評估 AL-07 重複發生是否指向未解決的根本原因
4. 若資料不足以做出結論，請列出需要補充的資訊

【輸出格式】：
- 故障統計摘要表
- 根因分析（使用五個為什麼方法）
- 建議的預防性維護計畫

看出差別了嗎？好的做法中，我們提供了具體的資料，限定了分析範圍，設定了「資料不足時回報」的規則，還規定了輸出格式。這樣 AI 就像一個拿到完整資料的分析師，而不是一個只能猜測的顧問。

資料邊界設計檢查清單

每次向 AI 提問前，請逐項確認以下項目：

檢查項目 說明 範例語句
是否提供了完整的分析資料？ 資料直接嵌入提問中 「請根據以下數據分析...」
是否聲明了分析範圍限制？ 時間、產線、製程、產品 「僅分析 2 月份 B 線的資料」
是否設定了「不知道」的處理規則？ AI 遇到資料不足時該怎麼做 「若資料不足，請列出需補充項目」
是否禁止了外部知識引用？ 避免 AI 使用訓練資料填補 「不要引用外部案例或通用建議」
是否指定了輸出格式？ 表格、條列、報告 「請以下列表格格式輸出」

2.4 AI 幻覺（Hallucination）產生原因與控制方式

講稿

我們來到今天最重要的主題：AI 幻覺（AI Hallucination）。

什麼是 AI 幻覺？簡單來說，就是 AI「一本正經地胡說八道」。它會生成看起來非常專業、非常有自信的內容，但實際上是錯誤的、編造的。為什麼這在製造業中特別危險？因為如果決策依賴了含有幻覺的 AI 輸出，可能會觸發操作失誤甚至安全事故。

AI 幻覺的產生原因

生成式 AI 並不是通過「理解事實」來產出答案的，而是通過龐大的語料訓練，學習「語言的機率分布」。當它收到提示（prompt）後，會依據上下文預測下一個最有可能出現的詞。這就像一個很會考試的學生 -- 他記得所有考古題的「答題模式」，但不一定真的理解內容。

AI 幻覺主要有以下幾種成因：

成因類型 說明 製造業情境舉例
訓練資料不足 模型訓練資料中缺乏特定領域的內容 問到特定設備型號的參數時，AI 可能編造規格數據
語境模糊 提問不夠具體，AI 自行填補空白 問「良率怎麼改善」，AI 給出與你產品無關的建議
過度自信 模型傾向於給出確定性答案，即使不確定 AI 斷言某故障原因為 A，但實際上它只是在猜測
時效性落差 訓練資料有截止日期，無法反映最新狀況 AI 推薦的材料規格可能已被新版取代
跨領域混淆 相似術語在不同領域有不同含義 「良率」在半導體和食品業的計算方式不同

製造業 AI 幻覺實際案例

以下是三個在製造業場景中容易發生的 AI 幻覺案例，幫助大家認識風險：

案例一：虛構的設備規格

提問：「FANUC Robodrill α-D21MiB5 的主軸最高轉速是多少？」

AI 回答：「FANUC Robodrill α-D21MiB5 的主軸最高轉速為 24,000 rpm。」

問題：該型號實際最高轉速為 10,000 rpm（標準型），AI 將不同型號的規格混淆。如果依據這個數據設定加工參數，可能造成主軸損壞。

教訓：設備規格務必以原廠手冊為準，不要依賴 AI 的回答。

案例二：編造的統計數字

提問：「台灣 PCB 產業的平均良率是多少？」

AI 回答：「根據 TPCA 2025 年報告，台灣 PCB 產業平均良率為 97.3%，其中 HDI 板良率約為 95.8%。」

問題：AI 可能編造了具體的數字與來源出處。TPCA 未必發布過此確切數據，且不同產品、不同製程的良率差異極大，不存在一個有意義的「平均良率」。

教訓：凡是 AI 引用的統計數字和來源，務必人工查證原始出處。

案例三：不符合你工廠的改善建議

提問：「我們錫膏印刷不良率偏高，怎麼改善？」

AI 回答：「建議導入 AI 視覺檢測系統，即時監控錫膏印刷品質，搭配自動調整刮刀壓力的回饋控制系統...」

問題：你的工廠可能只有一台老舊的印刷機，根本沒有自動回饋控制的介面，AI 的建議完全不切實際。而且 AI 沒有分析你的實際數據，只是給出「通用型」建議。

教訓：限定 AI 只能根據你提供的資料分析，不要讓它給出脫離你工廠實際條件的建議。

AI 幻覺控制五步驟流程

以下是我們在 SmartCore AI 框架中使用的幻覺控制流程：

+-----------------------------------------------------+
|               AI 幻覺控制五步驟流程                    |
+-----------------------------------------------------+
|                                                     |
|  步驟一：限定資料來源                                  |
|  |- 提供完整的分析資料                                |
|  |- 聲明「僅根據提供資料分析」                          |
|  +- 禁止引用外部知識                                  |
|           |                                         |
|           v                                         |
|  步驟二：設定回報機制                                  |
|  |- 要求 AI 標示不確定的部分                           |
|  |- 資料不足時列出需補充項目                           |
|  +- 使用信心等級標示（高/中/低）                       |
|           |                                         |
|           v                                         |
|  步驟三：指定輸出格式                                  |
|  |- 固定表格、條列或報告格式                           |
|  |- 要求標示資料來源對應                               |
|  +- 結論需附上推論依據                                |
|           |                                         |
|           v                                         |
|  步驟四：人工驗證                                     |
|  |- 對照原始資料核實 AI 輸出                           |
|  |- 檢查數據計算是否正確                               |
|  +- 確認建議的可行性（現場主管審核）                    |
|           |                                         |
|           v                                         |
|  步驟五：迭代修正                                     |
|  |- 將驗證結果回饋給 AI                               |
|  |- 修正錯誤後重新生成                                |
|  +- 建立已驗證的提問模板庫                             |
|                                                     |
+-----------------------------------------------------+

幻覺控制方法對照表

控制方法 做法說明 效果 適用場景
資料錨定（Data Grounding） 在提問中直接提供所有分析資料，要求 AI 僅基於提供資料回答 降低 70-90% 幻覺 品質分析、故障診斷
角色設定（Role Setting） 指定 AI 扮演特定專業角色，並聲明其知識邊界 降低跨領域混淆 SOP 撰寫、製程諮詢
信心標示（Confidence Labeling） 要求 AI 對每個結論標示信心等級（高/中/低） 方便人工聚焦驗證 根因分析、排程建議
回報機制（Fallback Reporting） 設定「資料不足時回報補充項目」的規則 避免 AI 自行編造 所有場景
格式固定（Structured Output） 要求固定輸出格式，含資料來源對應 方便追溯與驗證 報告產出、資料彙整
交叉驗證（Cross Validation） 用相同資料問不同方式的問題，比對答案一致性 發現矛盾之處 關鍵決策分析

2.5 問題可驗證原則與資料不足回報機制

講稿

前面提到了「問題必須可驗證」這個原則，這裡我們要深入展開。

什麼叫做「可驗證」？意思是：AI 給你的答案，你有辦法回到現場或回到資料中去確認它是對的還是錯的。如果一個問題的答案無法被驗證，那這個問題就不適合用 AI 來回答。

舉個例子：

問題 是否可驗證 原因
「B 線 2 月份錫膏偏移不良集中在哪些日期？」 可驗證 可以回去比對檢驗紀錄確認
「B 線的錫膏偏移不良明年會不會變嚴重？」 不可驗證 需要預測未來，無法用現有資料確認
「刮刀壓力從 8.0 調到 8.5 的日期與不良率上升是否吻合？」 可驗證 可以比對參數紀錄與品質資料
「這條產線的設計是否合理？」 不可驗證 問題太模糊，沒有明確的驗證標準

資料不足回報機制是可驗證原則的延伸。當 AI 發現你提供的資料不足以回答某個部分時，它不應該自行編造，而是應該告訴你需要補充什麼。這需要你在提問時主動設定這個規則。

以下是標準的「資料不足回報」指令語句，可以直接嵌入你的 prompt 模板中：

【資料不足處理規則】：
- 如果提供的資料不足以支持某個分析結論，請標示為「[資料不足]」
- 標示後，請列出需要補充的具體資料項目及理由
- 不要為了「看起來完整」而自行編造資料或假設
- 如果整體資料不足以進行有意義的分析，請直接說明，
  並列出完整的資料需求清單

2.6 固定輸出格式設計與標準化提問模板

講稿

最後，我們來談一個經常被忽略但非常實用的技巧：固定輸出格式設計與標準化提問模板建立。

在工廠環境中，我們不只是要「一次性」地使用 AI，而是希望建立可重複使用的流程。想像一下，如果每個班組長用 AI 分析不良原因時，輸出的格式都不一樣，那主管要怎麼彙整？品質會議上要怎麼對比？

這就是為什麼我們需要設計標準化的輸出格式。具體做法是在你的 prompt 模板中，明確規定 AI 的輸出結構。

模板一：品質異常分析報告模板

以下是一個完整的標準化 prompt 模板，可以直接複製使用：

【角色設定】
你是一位製造業品質工程師，專精於 [填入製程名稱] 的不良分析。

【重要規則——請嚴格遵守】
1. 僅根據以下提供的數據進行分析，不要引用外部知識或案例
2. 如果數據不足以支持某個結論，請標示為「[資料不足]」
   並列出需要補充的資訊
3. 每個結論請標示信心等級：
   [高] = 有直接數據支持
   [中] = 有間接數據可推論
   [低] = 為合理假設但需驗證
4. 不要編造任何數據或統計數字

【背景】
[簡述問題背景，例如：B 線 SMT 製程 2 月份錫膏印刷不良率上升]

【數據資料】
[在此貼入你的實際資料，例如每日不良率表格、設備參數紀錄等]

【分析要求】
1. 找出不良率變化的關鍵時間點與對應變數
2. 使用五個為什麼（5 Whys）方法進行根因分析
3. 提出改善建議與預防措施

【輸出格式——請嚴格按照以下結構】

## 一、摘要
- 分析範圍：[時間/產線/製程]
- 分析資料筆數：[N 筆]
- 主要發現：[一句話摘要]

## 二、數據統計
| 不良模式 | 發生次數 | 占比 | 趨勢（上升/下降/持平） |
|---------|---------|------|---------------------|

## 三、根因分析
| 排名 | 不良模式 | 可能原因 | 信心等級 | 資料依據 |
|------|---------|---------|---------|---------|

## 四、改善建議
| 優先序 | 改善措施 | 負責單位 | 預期效果 | 所需資源 |
|-------|---------|---------|---------|---------|

## 五、資料不足項目
- [項目 1]：需要 [XXX] 資料，原因：[為什麼需要]

模板二：設備故障診斷模板

【角色設定】
你是一位設備維護工程師，專精於 [填入設備類型] 的故障分析。

【重要規則——請嚴格遵守】
1. 僅根據以下故障紀錄分析，不引用外部知識
2. 資料不足之處標示「[資料不足]」並列出需補充資訊
3. 信心等級標示：[高]/[中]/[低]

【設備資訊】
- 設備編號：[填入]
- 設備型號：[填入]
- 分析期間：[填入起訖日期]

【故障紀錄】
| 日期 | 故障代碼 | 故障描述 | 停機時間(hr) | 維修措施 | 更換零件 |
|------|---------|---------|-------------|---------|---------|
[在此貼入資料]

【輸出格式】

## 一、故障統計摘要
| 故障代碼 | 發生次數 | 累計停機時間 | 平均修復時間 |
|---------|---------|------------|------------|

## 二、故障模式分析
| 故障代碼 | 故障模式 | 頻率趨勢 | 根因假設 | 信心等級 |
|---------|---------|---------|---------|---------|

## 三、預防性維護建議
| 優先序 | 維護項目 | 建議週期 | 預估效益 | 所需備品 |
|-------|---------|---------|---------|---------|

## 四、資料不足項目
[列出需補充的資料]

模板三：生產排程優化模板

【角色設定】
你是一位生產排程規劃專家。

【重要規則——請嚴格遵守】
1. 僅根據以下提供的資料進行排程建議
2. 不要假設任何未提供的產能、工時或資源資訊
3. 若資料不足，列出需補充項目

【機台與產能資料】
| 產線 | 日產能 | 目前狀態 | 可接產品型號 | 換線時間 |
|------|-------|---------|------------|---------|
[在此貼入資料]

【待排訂單】
| 訂單編號 | 產品型號 | 數量 | 交期 | 優先級 | 特殊要求 |
|---------|---------|------|------|--------|---------|
[在此貼入資料]

【限制條件】
[列出所有限制條件]

【輸出格式】

## 一、建議排程表
| 日期 | 時段 | 產線 | 訂單編號 | 預計產量 | 累計完成 |
|------|------|------|---------|---------|---------|

## 二、交期風險評估
| 訂單編號 | 交期 | 預計完成日 | 風險等級 | 說明 |
|---------|------|----------|---------|------|

## 三、替代方案（若有交期風險）
[替代排程方案說明]

## 四、需補充資訊
[列出會影響排程準確性的缺漏資訊]

模板管理建議

固定格式模板有三個核心好處：

  1. 一致性：不同人使用同一個模板，輸出格式一致，方便比對與彙整。
  2. 完整性：模板中的欄位會「提醒」AI 不要遺漏重要資訊。
  3. 可追溯性：要求標示資料依據和信心等級，讓後續驗證有跡可循。

建議每個部門根據自己的常用場景，建立 3-5 個標準化的 prompt 模板，存放在共用資料夾中，讓所有人都能使用。這就是 SmartCore AI 框架中所說的「標準化提問模板庫」。

2.7 ChatGPT 對話示範：從錯誤到正確的完整流程

以下模擬一位品管組長使用 ChatGPT 分析不良原因的完整對話過程，展示如何從不理想的提問逐步修正到正確的做法。

第一輪對話（錯誤示範）

使用者：我們最近良率下降了，你幫我分析一下原因。

ChatGPT：良率下降可能有以下幾個常見原因：

  1. 原物料品質波動
  2. 設備參數偏移
  3. 人員操作不當
  4. 環境溫溼度變化
  5. 模具或治具磨損

建議您可以使用魚骨圖（特性要因圖）從人、機、料、法、環五個面向逐一排查...

問題分析：AI 給出的是「教科書式」的通用回答，這些答案放到任何一間工廠都適用，但也因此對你的工廠沒有任何針對性的幫助。

第二輪對話（修正後）

使用者： 你是一位 SMT 製程品質工程師。請僅根據以下資料分析不良率上升原因。

【資料】：B 線 2 月份錫膏印刷站每日不良率如下：

  • 2/01: 0.4%（正常）
  • 2/05: 0.6%（當天更換新批次鋼板）
  • 2/08: 1.1%
  • 2/10: 1.3%
  • 2/12: 0.9%（當天調整鋼板張力）
  • 2/15: 0.5%
  • 2/18: 1.4%（當天換回舊批次鋼板）
  • 2/20: 0.8%

規則：僅根據以上資料分析，資料不足之處標示 [資料不足]。

ChatGPT： 根據您提供的資料，分析如下：

關鍵發現：

  1. 不良率上升的轉折點在 2/05，恰好是更換新批次鋼板的日期 [信心：高]
  2. 2/08-2/10 不良率持續攀升至 1.3%，顯示新鋼板可能存在品質問題 [信心：高]
  3. 2/12 調整鋼板張力後，不良率從 1.3% 降至 0.9%，有改善但未回到基線水準 [信心：高]
  4. 2/18 換回舊批次鋼板後不良率反而升至 1.4% [信心：中] -- 此現象與鋼板因素矛盾，可能有其他變數介入

[資料不足] 需補充項目：

  • 2/18 當天的設備參數紀錄（刮刀壓力、速度）
  • 新舊批次鋼板的開口尺寸量測紀錄
  • 2/18 的環境溫溼度紀錄
  • 2/18 的操作人員班次資訊

對比說明：第二輪的回答是基於你提供的實際資料做出的分析，每個結論都標示了信心等級，遇到無法解釋的現象也誠實地指出需要補充的資料，而不是隨意編造原因。

本單元重點回顧

核心觀念

  1. 問題必須可驗證：AI 回答的內容，必須能用現有資料或方法去驗證對錯。無法驗證的問題，不適合交給 AI。
  2. 僅依提供資料分析：明確限定 AI 的分析範圍，避免引用通用知識導致幻覺。你的工廠是獨特的，通用答案幫不了你。
  3. 資料不足需回報：設定「不知道就說不知道」的規則，要求 AI 列出需補充的資訊，而非自行編造。
  4. 固定輸出格式：建立標準化的輸出模板，確保結果一致、完整、可追溯。
  5. 資料邊界設計：每次提問前，確認已提供資料、聲明範圍限制、設定回報規則、禁止外部引用。

SCBD 問題定義框架

元素 英文 說明 範例
S Specific 問題具體到可以行動 「B 線 SMT 錫膏印刷不良率從 0.5% 升至 1.2%」
C Constrained 分析範圍有明確邊界 「僅分析 2 月 1 日至 20 日的資料」
B Based on Data 基於提供的實際資料 「根據附件中的 SPC 數據與設備參數」
D Deliverable 明確的輸出格式要求 「以表格列出原因、證據、建議、優先序」

AI 幻覺控制口訣

限資料、設回報、定格式、人驗證、再修正

  • 限資料：提供完整資料，聲明「僅根據提供資料分析」
  • 設回報：要求「不確定就標示，資料不足就回報」
  • 定格式：使用固定輸出格式，含資料來源對應
  • 人驗證：AI 輸出必須經過現場人員核實
  • 再修正：將驗證結果回饋，迭代優化提問模板

課堂練習

練習一：問題定義改寫（10 分鐘）

請將以下模糊問題，用 SCBD 框架改寫為標準化的 AI 提問：

原始問題：「我們的包裝線最近一直出問題，幫我想想怎麼改善。」

改寫步驟提示：

  1. S（具體化）：什麼問題？是包裝破損？封口不良？標籤歪斜？發生在哪條線？數據是什麼？
  2. C（設限制）：時間範圍？產品型號？班次？
  3. B（給資料）：你手邊有哪些資料可以提供？檢驗紀錄？不良統計？
  4. D（定格式）：你希望 AI 輸出什麼？原因分析表？改善建議排序？

參考答案格式：

你是一位包裝製程品質工程師。
請根據以下 [產品名稱] 包裝線 [線別] 在 [時間範圍] 的
[不良類型] 檢驗紀錄，分析不良率從 [X%] 上升至 [Y%] 的原因。
[貼入資料]
僅根據以上資料分析，資料不足之處標示 [資料不足]。
請以表格列出：可能原因、信心等級、資料依據、改善建議、優先序。

練習二：建立你的第一個 Prompt 模板（15 分鐘）

請根據你自己的工作場景，選擇以下其中一個情境，建立一個標準化的 prompt 模板：

  1. 品質異常分析：分析某一站別的不良率變化
  2. 設備故障診斷：根據故障紀錄找出故障模式
  3. 生產排程優化：根據訂單與產能資料建議排程

你的模板必須包含以下五個要素（完成後請自行勾選確認）：

  • 角色設定（AI 扮演什麼角色）
  • 資料邊界聲明（限定分析範圍）
  • 幻覺控制規則（資料不足時的處理方式）
  • 輸出格式（表格或條列格式）
  • 信心等級標示要求

練習三：AI 幻覺偵測練習（10 分鐘）

以下是一段 AI 回覆的內容。請找出其中可能是「幻覺」的部分，並說明為什麼你認為它不可信。

AI 回覆： 「根據分析，您的 CNC-03 主軸過熱問題的根本原因是冷卻系統的密封圈老化。FANUC 官方建議每 2,000 運轉小時更換一次密封圈，而您的設備已累計運轉 5,800 小時未更換。建議立即更換型號為 A98L-0031-0026 的密封圈，成本約 NT$3,500。更換後預計可降低 85% 的過熱警報發生率。」

偵測提示：

  1. 上述回覆中，哪些是「看起來很具體但可能是 AI 編造」的部分？
  2. 「FANUC 官方建議每 2,000 小時更換」這個數據可信嗎？如何驗證？
  3. 「累計運轉 5,800 小時」這個數據從何而來？你有提供嗎？
  4. 「降低 85%」這個數字有依據嗎？
  5. 零件型號和價格是否需要額外確認？

自我評量

請選出最適當的答案（單選）：

第 1 題：在向 AI 提問時，以下哪一項做法最能有效減少 AI 幻覺？

(A) 問題描述越簡短越好，讓 AI 自行判斷重點 (B) 提供完整的分析資料，並聲明「僅根據提供資料分析」 (C) 讓 AI 自由發揮，再從回答中挑選有用的部分 (D) 只問 AI 是非題，避免開放式問題

第 2 題：SCBD 框架中的「C（Constrained）」指的是什麼？

(A) 要求 AI 用中文回答 (B) 分析範圍要有明確的邊界，例如時間、產線、製程 (C) 要求 AI 保守估計，不要給太樂觀的建議 (D) 限制 AI 的回答字數

第 3 題：當 AI 的分析結果中出現「根據業界平均水準，您的良率偏低約 3%」這類說法時，正確的做法是？

(A) 直接採信，因為 AI 應該有最新的業界數據 (B) 質疑這個數據的來源，因為 AI 可能編造了「業界平均水準」的數字 (C) 忽略不管，只看其他部分的分析 (D) 要求 AI 提供更精確的數字到小數點第二位

第 4 題：以下哪一個問題符合「可驗證」原則？

(A) 「我們的工廠未來三年會不會被淘汰？」 (B) 「B 線這個月的設備稼動率是否高於上個月？」 (C) 「我們的品質管理制度好不好？」 (D) 「AI 覺得我們的工廠表現如何？」

第 5 題：建立標準化提問模板的主要目的是什麼？

(A) 節省打字時間 (B) 確保不同人使用 AI 時，輸出結果格式一致、可追溯、可比對 (C) 讓 AI 的回答變得更長更詳細 (D) 避免 AI 拒絕回答問題

參考答案：1-(B)、2-(B)、3-(B)、4-(B)、5-(B)

延伸閱讀與參考

  • Prompt 工程最佳實踐：在提問中提供清楚的指令、具體的上下文，並指定輸出格式，可大幅提升 AI 回答品質。
  • RAG（檢索增強生成）技術：透過在回答時即時檢索企業內部知識庫，可有效降低 AI 幻覺發生率，業界實測可降低 70-90% 的幻覺產出。
  • 製造業 AI 應用趨勢：2026 年超過 40% 的製造商將升級至 AI 輔助生產排程，搭配數位孿生（Digital Twin）技術進行模擬預測，已成為智慧製造的標準配備。
  • SmartCore AI 模板庫：本課程提供的所有 prompt 模板均可在 SmartCore AI 系統的模板管理模組中直接取用，支援版本控管與團隊共享。

本單元結束 | 下一單元：單元三 -- MES 系統數據整合與 AI 分析實作