單元五：案例練習 — 從產線數據到 AI 改善建議

授課時間：60 分鐘（實作練習） 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 學習成果：完成一份可驗證之改善建議報告 核心理念：限定資料範圍、列出使用欄位、說明不確定性、不得推測未提供資訊

課程導言

各位學員好，經過前面四個單元的學習，我們已經掌握了製造業資料盤點、AI 工具導入、提問框架設計，以及幻覺控制等核心能力。

這個單元是整門課程的總整合。我們將提供一個完整的台灣製造業產線案例，請各位依據案例中的資料，運用前面所學的 SCBD 問題定義框架與幻覺控制技巧，完成一份「AI 行動改善建議報告」。

這不是一場開卷考試，而是一次模擬實戰。你會面對的狀況和你在自己工廠遇到的一模一樣：資料不完美、有些欄位缺漏、有些數字看起來有矛盾。你的任務是在有限的資料中做出有依據的判斷，並且誠實標示哪些部分你無法確認。

重要提醒：本案例中的所有公司名稱、人名與數據均為虛構教學用途，如有雷同純屬巧合。

5.1 案例背景：宏碩精密金屬股份有限公司

公司概況

產線配置

宏碩精密共有三條主要產線：

flowchart TD
    A["沖壓產線 A<br>沖床 A1~A4<br>日夜兩班 / 日產能 12,000 件"]
    B["CNC 加工產線 B<br>CNC-B1~B3<br>僅日班 / 日產能 600 件"]
    C["組裝產線 C<br>組裝工作站 C1~C4<br>僅日班 / 日產能 2,000 組"]
    QC["品質檢驗站<br>IQC / IPQC / FQC"]

    A --> QC
    B --> QC
    C --> QC

    style A fill:#3498db,stroke:#333,color:#fff
    style B fill:#e67e22,stroke:#333,color:#fff
    style C fill:#2ecc71,stroke:#333,color:#fff
    style QC fill:#9b59b6,stroke:#333,color:#fff

當前面臨的問題

宏碩精密的廠長王建明最近接到客戶的品質改善要求（Corrective Action Request, CAR）。主要客戶「大同汽車零件」反映近三個月來料件尺寸不良率明顯上升，要求宏碩在 30 天內提出改善報告。

廠長召集了生管課長、品管課長和設備課長開會，初步盤點發現以下症狀：

1. CNC 加工產線 (B 線) 尺寸不良率從 1.2% 上升至 3.8%，集中在特定幾個工單
2. 排程經常延誤，部分工單超過預定交期 2-3 天
3. CNC-B2 機台頻繁出現報警停機，維修後問題反覆出現
4. 品管人員反映「不良品增加，但很難判斷是材料問題、機台問題還是人員操作問題」

廠長希望運用 AI 工具協助分析，找出問題的根本原因，並提出具體可行的改善建議。

5.2 案例數據資料

使用說明：以下三份表格是本案例提供的全部資料。你的分析必須且僅能基於這些資料。表格中部分欄位標示「-」表示該筆紀錄無此資料。

資料表 A：生產排程紀錄（B 線 CNC 加工，近兩週）

資料欄位說明：

資料表 B：品質檢驗紀錄（B 線 CNC 加工，近兩週）

資料欄位說明：

資料表 C：設備維修紀錄（B 線 CNC 機台，近兩週）

資料欄位說明：

5.3 練習步驟指引

步驟一：資料盤點與分類（10 分鐘）

首先，請仔細閱讀三份資料表，完成以下盤點工作：

任務 1-1：統計各資料表的基本資訊

任務 1-2：找出資料之間的關聯性

請回答以下問題：

1. 排程紀錄中有延遲的工單，能否在品質紀錄或維修紀錄中找到對應的異常？
2. 品質不良率較高的工單，對應到哪些機台和操作員？
3. 維修紀錄中反覆出現的故障，是否與品質不良有時間上的關聯？

步驟二：建立 AI 提問（15 分鐘）

根據步驟一的盤點結果，請設計 AI 提問。以下提供三個提問模板，請依據案例資料填入具體內容。

Prompt 模板 A：排程與交期分析

你是一位製造業生產排程分析專家。

【重要規則——請嚴格遵守】：
1. 僅根據以下提供的排程資料進行分析
2. 不得推測或引用任何未在資料中出現的資訊
3. 若資料不足以支持某項結論，請標示為 [資料不足] 並說明需要哪些補充資料
4. 每項結論請標示信心等級：[高] / [中] / [低]

【分析資料】：
（請將資料表 A 的內容貼入此處）

【使用欄位】：
工單編號、指定機台、計劃完工日、實際完工日、延遲天數、操作員、備註

【分析要求】：
1. 統計各機台的延遲次數與總延遲天數
2. 找出延遲的共同特徵（機台、操作員、產品型號）
3. 評估延遲對後續工單排程的連鎖影響

【輸出格式】：
| 分析項目 | 發現 | 信心等級 | 資料依據 |
|---------|------|---------|---------|

Prompt 模板 B：品質不良分析

你是一位製造業品質工程師，專精於 CNC 加工製程的不良分析。

【重要規則——請嚴格遵守】：
1. 僅根據以下提供的品質檢驗資料進行分析
2. 不得推測未提供的製程參數、環境條件或材料資訊
3. 若資料不足以做出根因判斷，請明確說明不確定性
4. 每項結論請標示信心等級：[高] / [中] / [低]

【分析資料】：
（請將資料表 B 的內容貼入此處）

【使用欄位】：
工單編號、產品型號、不良數量、不良率、不良類型、機台、操作員、備註

【分析要求】：
1. 統計各不良類型的發生次數與占比
2. 分析不良率與機台、操作員之間的關聯性
3. 找出不良率變化的趨勢與轉折點
4. 使用五個為什麼（5 Whys）方法推論可能的根因

【輸出格式】：
## 一、不良統計摘要
（表格）

## 二、關聯性分析
（表格：機台 × 不良率、操作員 × 不良率）

## 三、根因分析
| 為什麼 | 推論 | 信心等級 | 資料依據 |
|--------|------|---------|---------|

## 四、資料不足項目
（條列需補充之資料）

Prompt 模板 C：綜合改善建議

你是一位製造業持續改善（CI）顧問，擅長整合排程、品質、設備三方面資料提出改善建議。

【重要規則——請嚴格遵守】：
1. 僅根據以下三份資料進行綜合分析
2. 改善建議必須有明確的資料依據，不得基於通用性建議
3. 每項建議需說明預期效果與不確定性
4. 區分「短期（1 週內）」與「中期（1 個月內）」行動

【分析資料】：
（請將資料表 A、B、C 的內容貼入此處）

【使用欄位】：
排程——工單編號、機台、延遲天數、備註
品質——工單編號、不良率、不良類型、機台、操作員
維修——機台編號、故障代碼、故障描述、停機時間、維修措施

【分析要求】：
1. 找出排程延遲、品質不良、設備故障三者之間的關聯
2. 識別最關鍵的根本原因（Root Cause）
3. 提出具體、可執行的改善建議
4. 排定改善行動的優先順序

【輸出格式】：
## 一、問題摘要（一段話）

## 二、三方資料交叉分析
| 日期區間 | 排程異常 | 品質異常 | 設備異常 | 關聯說明 |
|---------|---------|---------|---------|---------|

## 三、根因分析
（魚骨圖描述或 5 Whys 結構）

## 四、改善建議
| 優先序 | 改善措施 | 負責單位 | 時程 | 預期效果 | 不確定性說明 |
|-------|---------|---------|------|---------|-------------|

## 五、需補充之資料
（條列）

步驟三：執行 AI 分析與驗證（20 分鐘）

1. 執行提問：將填好資料的 Prompt 模板輸入 ChatGPT 或其他 AI 工具
2. 檢查輸出：逐項對照原始資料，確認 AI 的統計數字是否正確
3. 標記幻覺：如果 AI 輸出中出現原始資料未提及的資訊（例如提到溫度、濕度、材料批號等），請標記為「AI 幻覺——原始資料未提供」
4. 補充分析：根據 AI 的回饋，判斷是否需要追加提問

驗證檢查點：

• AI 統計的不良數量與原始資料表一致
• AI 未引用資料表以外的資訊
• AI 有標示信心等級
• AI 有列出資料不足的項目

步驟四：撰寫改善建議報告（15 分鐘）

請依據以下格式完成你的報告。

5.4 交付成果：改善建議報告格式

====================================================
       宏碩精密金屬 CNC 加工產線改善建議報告
====================================================

報告人：_______________
日  期：_______________
資料範圍：2 月 3 日至 2 月 14 日，B 線 CNC 加工產線

一、分析資料說明
   1.1 使用之資料表：（列出）
   1.2 使用之資料欄位：（逐一列出）
   1.3 資料筆數：排程 __ 筆、品質 __ 筆、維修 __ 筆
   1.4 資料限制與缺漏：（說明哪些資訊未被提供）

二、問題摘要
   （以 3-5 句話概述發現的核心問題）

三、數據統計
   3.1 排程延遲統計
       | 機台 | 總工單數 | 延遲工單數 | 延遲率 | 總延遲天數 |
       |------|---------|-----------|--------|-----------|

   3.2 品質不良統計
       | 機台 | 總檢驗數 | 總不良數 | 平均不良率 |
       |------|---------|---------|-----------|

       | 不良類型 | 發生次數 | 總不良件數 | 占比 |
       |---------|---------|-----------|------|

   3.3 設備維修統計
       | 機台 | 維修次數 | 總停機時數 | 最常見故障 |
       |------|---------|-----------|-----------|

四、交叉分析與根因推論
   4.1 排程—品質關聯：（描述發現）
   4.2 品質—設備關聯：（描述發現）
   4.3 根因推論：（使用 5 Whys 或魚骨圖邏輯）
   4.4 不確定性說明：（明確列出哪些推論缺乏直接資料支持）

五、改善建議
   | 優先序 | 類別 | 改善措施 | 負責單位 | 時程 | 預期效果 | 信心等級 |
   |-------|------|---------|---------|------|---------|---------|

六、需進一步蒐集之資料
   （條列本次分析無法涵蓋、但後續改善需要的資料項目）

====================================================

5.5 評分標準（Grading Rubric）

本報告的評量採用以下五個面向，滿分 100 分：

各等級說明

5.6 常見錯誤與避免方式

錯誤一：直接引用 AI 輸出而未驗證

症狀：報告中的統計數字與原始資料表不符，例如 AI 算出 CNC-B2 的平均不良率為 3.2%，但手動計算應為 4.2%。

避免方式：拿到 AI 輸出後，至少手動驗算一次關鍵統計數字。特別是加總、平均值、百分比這三類最容易出錯。

錯誤二：讓 AI 推測未提供的資訊

症狀：報告中出現「可能是因為材料批次品質不穩定」或「環境溫度變化可能影響加工精度」等說法，但原始資料中完全沒有材料批次或環境溫度的資料。

避免方式：每一個結論都回頭對照資料表，確認有對應的欄位與數據。無法對應的，歸入「需進一步蒐集之資料」章節，而非當作分析結論。

錯誤三：缺少不確定性標示

症狀：報告中所有結論都以確定語氣呈現，例如「CNC-B2 主軸磨損是不良率上升的唯一原因」。

避免方式：使用「根據現有資料推論...」、「此關聯尚需進一步驗證...」等措辭。即使你很有把握，也要說明推論的依據和限制。記住，資料只涵蓋兩週，樣本數有限。

錯誤四：改善建議過於籠統

症狀：報告中寫「加強設備維護」、「提升人員訓練」等缺乏具體行動的建議。

避免方式：每項建議必須回答五個 W：做什麼（What）、誰負責（Who）、何時做（When）、為什麼（Why，對應到哪個分析發現）、如何衡量效果（How to measure）。

錯誤五：忽略資料之間的交叉關聯

症狀：分別分析排程、品質、設備三方面資料，但未將三者串連起來看整體圖像。

避免方式：以工單編號和日期作為關聯鍵，將三份資料表交叉比對。例如：WO-3405 在排程上延遲 → 在品質上不良率 4.0% → 在維修紀錄中 CNC-B2 於前一天報修。這種時間線的串接是本案例最重要的分析方法。

5.7 參考解答大綱（僅供講師參考）

注意：以下為講師用參考解答，請勿在課堂上直接發放給學員。學員應自行完成分析後，再由講師對照講解。

關鍵發現摘要

發現一：CNC-B2 是問題核心機台

• 12 筆工單中，CNC-B2 負責 5 筆，其中 5 筆全部延遲（延遲率 100%）
• CNC-B2 的品質不良率為 4.2%（加權平均），遠高於 CNC-B1 的 1.1% 和 CNC-B3 的 0.9%
• CNC-B2 在兩週內報修 6 次（含 E-07 故障 5 次），占全部維修紀錄的 60%

發現二：E-07 主軸振動是反覆出現的未解決問題

• E-07 故障代碼在 CNC-B2 上出現 5 次（2/03、2/06、2/08、2/10、2/12）
• 前三次維修措施為「調整」和「更換周邊零件」，第四次才「更換主軸軸承」
• 更換軸承後（MR-0208），振動值下降但未完全消除，隨後出現精度偏差（MR-0210）
• 信心等級：[高]——有直接維修紀錄支持

發現三：品質不良集中在 CNC-B2 + PM-A12 的組合

• PM-A12 在 CNC-B2 上的不良率為 4.8%（WO-3405: 4.0%, WO-3407: 6.7%, WO-3409: 4.5%, WO-3412: 4.0%）
• PM-A12 在 CNC-B1 和 CNC-B3 上的不良率僅為 1.0% 和 0.95%
• 推論：CNC-B2 的主軸精度不穩定，對 PM-A12（汽車轉向軸套）這類精度要求較高的產品影響最大
• 信心等級：[中]——有資料關聯性支持，但缺少產品公差規格作為直接證據

發現四：新人操作與設備問題疊加造成最高不良率

• WO-3407 的不良率 6.7% 是所有工單中最高的，由新進人員王志明操作 CNC-B2
• 但無法僅歸因於人員因素，因為同期 CNC-B2 正處於主軸問題未解決狀態
• 信心等級：[低]——人員因素與設備因素的貢獻比例無法從現有資料區分

不確定性與資料缺口

以下項目為本次分析無法確認、需進一步蒐集之資料：

1. CNC-B2 主軸的實際振動量測值——維修紀錄僅有「異常」描述，無具體數值
2. PM-A12 的產品公差規格——無法判斷目前的偏差量與允收標準之間的差距
3. 材料批次資訊——無法排除來料品質變異的可能性
4. 環境條件（溫度、濕度）——無法評估環境因素對加工精度的影響
5. CNC-B2 的設備年資與累積加工時數——無法評估設備是否已進入磨損期
6. 操作員王志明的受訓紀錄——無法確認新人是否完成足夠的上機訓練

建議改善行動（參考）

重點回顧

 +-----------------------------------------------------------------+
 |              案例練習核心學習要點                                   |
 +-----------------------------------------------------------------+
 |                                                                 |
 |  原則 1：限定資料範圍 ──> 只用提供的三份資料表                     |
 |  原則 2：列出使用欄位 ──> 明確告訴 AI 用哪些欄位分析               |
 |  原則 3：說明不確定性 ──> 區分「有據結論」與「待驗假設」             |
 |  原則 4：不得推測     ──> 缺少的資訊歸入「待蒐集」清單              |
 |                                                                 |
 |  核心方法：三份資料表交叉比對                                      |
 |  關鍵工具：工單編號 + 日期 = 串聯排程、品質、維修的鑰匙             |
 |  最終目標：產出一份可驗證、可執行的改善建議報告                     |
 |                                                                 |
 +-----------------------------------------------------------------+

三個帶回工廠的能力

1. 資料分類與盤點能力：面對一堆數據時，能夠快速辨識資料類型、評估品質、找出缺口。這是所有 AI 分析的前置作業。

2. 結構化提問能力：運用 SCBD 框架與幻覺控制規則，讓 AI 成為你的分析助手而非胡言亂語的「顧問」。記住：限資料、設回報、定格式、人驗證、再修正。

3. 有依據的決策能力：在不完美的資料中做出合理判斷，同時誠實標示不確定性。這不是示弱，而是專業——因為真正危險的，是對自己的分析過度自信。

延伸思考

完成本案例後，請思考以下問題（不需要交報告，但建議記錄下來）：

1. 回到你自己的工廠：你的產線是否也有類似「CNC-B2」這樣的問題機台？你目前有哪些資料可以做類似的交叉分析？

2. 資料缺口的優先順序：如果你只能新增一個資料欄位到現有系統中，你會選擇什麼？為什麼？

3. AI 的角色定位：經過這次練習，你認為 AI 在你的日常工作中最適合扮演什麼角色——資料統計助手、異常偵測工具、還是改善建議產生器？

本單元結束｜恭喜完成 SmartCore AI × MES 製造業生產管理 AI 課程全部五個單元