單元六：成果驗收（30 分鐘 — 驗收 + 測驗）

授課時間：30 分鐘（評量 + 測驗） 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：完成四項學習成果交付、通過課程測驗

課程導言

各位學員，恭喜你們來到「SmartCore AI × MES 製造業生產管理 AI 課程」的最後一個單元。

過去五個單元中，我們從生產流程痛點的盤點出發，學習了 AI 工具的導入方法與提問技巧，深入了解了智慧製造的案例與資料分類架構，也實際動手操作了 AI 產線助理，並完成了完整的案例練習。現在，是時候驗收你們的學習成果了。

本單元包含兩大部分：

1. 學員成果繳交：四份課程交付文件的繳交與評分（滿分 100 分）
2. 課程測驗：涵蓋全部五個單元的綜合測驗，共 15 題（滿分 100 分）

本單元所驗證的五大核心能力：

1. 問題定義能力 — 能將模糊的生產議題轉化為可驗證的 AI 分析問題
2. 資料收集與分類標準建立 — 能依據 5M1E 架構設計完整的資料分類體系
3. 分析邊界設計 — 能明確界定 AI 可分析的資料範圍與不可推測的區域
4. AI 幻覺控制 — 能辨識並防範 AI 產出不實或無依據內容的風險
5. 管理決策報告生成 — 能將 AI 分析結果轉化為可執行的管理建議

第一部分：學員成果繳交

繳交說明

在前五個單元的學習過程中，您已逐步完成以下四項交付文件。請在本單元開始前確認所有文件已準備完成並繳交。

注意：四份文件皆須基於您自己工廠的實際資料或課程提供之模擬情境撰寫。直接複製課堂範例不予計分。

第二部分：驗收評分表

每份交付文件滿分 25 分，四份合計 100 分。以下為各項目的詳細評分標準與報告範本格式。

報告一：AI 排程建議報告（25 分）

評分標準

報告範本格式

═══════════════════════════════════════════════
AI 排程建議報告
═══════════════════════════════════════════════

報告編號：SCH-YYYY-MM-XXX
報告日期：YYYY/MM/DD
分析人員：__________
審核主管：__________

一、分析目的與問題定義
   1.1 排程問題描述（具體、可量化）
       範例：「A 產線 2025 年 Q1 交期達成率僅 78%，目標提升至 95%」
   1.2 分析目標
   1.3 分析期間與範圍

二、資料來源說明
   2.1 使用之資料欄位清單
       ┌──────────────┬──────────────┬──────────────┐
       │ 資料欄位      │ 來源系統      │ 資料期間      │
       ├──────────────┼──────────────┼──────────────┤
       │ 例：工單編號   │ MES 系統      │ 2025/01-06   │
       │ 例：設備稼動率  │ IoT 平台      │ 2025/01-06   │
       └──────────────┴──────────────┴──────────────┘
   2.2 資料缺口與補充說明
   2.3 資料品質評估
   2.4 分析邊界聲明（AI 可分析範圍 vs. 不可推測範圍）

三、AI 排程分析結果
   3.1 最佳化目標說明
   3.2 排程建議摘要
   3.3 關鍵排程參數與邏輯

四、製造限制條件驗證
   4.1 設備產能限制（驗證方式與結果）
   4.2 材料供應限制（驗證方式與結果）
   4.3 人力配置限制（驗證方式與結果）
   4.4 驗證結果彙整

五、AI 幻覺風險評估
   5.1 AI 可能推測或缺乏依據之建議（逐項列出）
   5.2 各項建議之驗證方式
   5.3 不確定性聲明：
       「以上分析僅基於所提供之 ___ 資料，未納入 ___
        等面向。所有建議須經現場主管確認後方可執行。」

六、行動建議
   6.1 短期可執行事項
   6.2 中長期改善方向
   6.3 需人工決策之項目

七、附件
   - 原始資料摘要
   - AI 對話紀錄（含提問模板與分析邊界設定）

報告二：品質分析結果（25 分）

評分標準

報告範本格式

═══════════════════════════════════════════════
品質分析結果報告
═══════════════════════════════════════════════

報告編號：QA-YYYY-MM-XXX
報告日期：YYYY/MM/DD
分析人員：__________
審核主管：__________

一、分析目的與問題定義
   1.1 品質問題描述（具體不良現象與影響範圍）
       範例：「B 產品本月不良率從 0.5% 上升至 3%，主要集中在尺寸不良」
   1.2 分析目標（例：找出主要不良原因並降低不良率至 1% 以下）
   1.3 分析期間與產品範圍

二、資料來源說明
   2.1 使用之資料欄位清單
   2.2 不良統計資料來源與期間
   2.3 資料缺口與品質評估
   2.4 分析邊界聲明

三、缺陷分類體系（Defect Taxonomy）
   3.1 分類架構
       第一層（大類）：例 — 外觀缺陷、尺寸缺陷、功能缺陷
       第二層（中類）：例 — 刮傷、凹痕、色差
       第三層（小類）：例 — 表面刮傷 >0.5mm、微刮傷 <0.5mm
   3.2 各類別定義與判定基準
       ┌──────────┬──────────────┬──────────────────┬──────────┐
       │ 缺陷代碼   │ 缺陷名稱       │ 判定基準           │ 嚴重等級  │
       ├──────────┼──────────────┼──────────────────┼──────────┤
       │ APP-01-01 │ 表面刮傷(大)    │ 長度 >0.5mm        │ Major    │
       │ APP-01-02 │ 表面刮傷(小)    │ 長度 ≤0.5mm        │ Minor    │
       └──────────┴──────────────┴──────────────────┴──────────┘
   3.3 分類邊界案例處理規則

四、AI 分析結果
   4.1 不良類型分布（含圖表）
   4.2 趨勢分析
   4.3 異常模式識別

五、5M1E 根因分析
   ┌────────┬──────────────────┬──────────────────┐
   │ 5M1E   │ 可能根因            │ 佐證資料          │
   ├────────┼──────────────────┼──────────────────┤
   │ Man    │ 例：新進人員操作不熟  │ 人員排班表、訓練紀錄│
   │ Machine│ 例：模具冷卻異常     │ 設備巡檢紀錄       │
   │ Material│ 例：來料批次變異    │ 來料檢驗報告       │
   │ Method │ 例：製程參數偏移     │ 參數設定紀錄       │
   │ Measure│ 例：量具校準偏差     │ 校準紀錄          │
   │ Environ│ 例：車間溫度異常     │ 環境監測紀錄       │
   └────────┴──────────────────┴──────────────────┘
   5.1 各因素分析說明
   5.2 因素交互影響分析

六、驗證方式與結果
   6.1 AI 分類結果驗證（人工抽檢方式與結果）
   6.2 根因假設驗證建議

七、改善建議
   7.1 立即改善事項（含負責單位與預計時程）
   7.2 中長期改善計畫
   7.3 不確定性聲明

八、附件
   - 不良統計原始資料摘要
   - AI 對話紀錄（含提問模板與分析邊界設定）

報告三：維修風險摘要（25 分）

評分標準

報告範本格式

═══════════════════════════════════════════════
維修風險摘要報告
═══════════════════════════════════════════════

報告編號：MNT-YYYY-MM-XXX
報告日期：YYYY/MM/DD
分析人員：__________
審核主管：__________

一、分析目的與問題定義
   1.1 維修風險評估範圍（設備類型、產線範圍）
   1.2 分析目標（例：識別未來 30 天內高故障風險設備）
   1.3 分析期間與資料範圍

二、資料來源說明
   2.1 維修紀錄資料欄位與來源
   2.2 設備感測資料（如有）
   2.3 資料缺口與品質評估
   2.4 分析邊界聲明

三、故障分類字典
   ┌──────────┬──────────────┬────────┬──────────┬──────────────┐
   │ 故障代碼   │ 故障描述       │ 故障類型 │ 嚴重等級  │ 標準處理程序   │
   ├──────────┼──────────────┼────────┼──────────┼──────────────┤
   │ F-M-001  │ 軸承異常磨損   │ 機械     │ 高        │ 停機更換軸承   │
   │ F-E-001  │ 驅動器過熱     │ 電氣     │ 中        │ 停機檢查散熱   │
   │ F-C-001  │ 感測器飄移     │ 控制     │ 低        │ 校準或更換     │
   └──────────┴──────────────┴────────┴──────────┴──────────────┘

四、AI 風險分析結果
   4.1 設備風險排序
       ┌──────────┬──────────┬──────────┬──────────┬──────────────┐
       │ 設備編號   │ 風險等級   │ 預測信心度 │ 故障模式   │ 建議處理時間    │
       ├──────────┼──────────┼──────────┼──────────┼──────────────┤
       │ CNC-003  │ 高        │ 82%      │ 軸承磨損   │ 7 天內         │
       │ INJ-007  │ 中        │ 65%      │ 液壓滲漏   │ 30 天內        │
       └──────────┴──────────┴──────────┴──────────┴──────────────┘
   4.2 故障模式趨勢分析
   4.3 重複故障模式識別

五、維修履歷模式分析
   5.1 高頻故障統計
   5.2 季節性或週期性趨勢
   5.3 設備劣化曲線分析（如資料足夠）

六、預測限制說明
   6.1 訓練資料期間與涵蓋範圍
   6.2 已知限制與盲區（例：新故障模式無法預測）
   6.3 模型不適用情境
   6.4 不確定性聲明：
       「以上風險評估基於 ___ 至 ___ 期間之歷史維修資料，
        預測信心度僅適用於歷史資料涵蓋之故障模式。
        新型故障或異常操作條件可能不在預測範圍內。」

七、維修策略建議
   7.1 緊急維修項目（立即處理）
   7.2 預防性維修排程建議
   7.3 需人工判斷之項目

八、附件
   - 維修履歷原始資料摘要
   - AI 對話紀錄（含提問模板與分析邊界設定）

報告四：資料收集與分類標準說明（25 分）

評分標準

報告範本格式

═══════════════════════════════════════════════
資料收集與分類標準說明
═══════════════════════════════════════════════

文件編號：STD-YYYY-MM-XXX
制定日期：YYYY/MM/DD
制定人員：__________
審核主管：__________
版本：V1.0

一、文件目的
   說明本標準文件之適用範圍、目的與預期效果。

二、5M1E 資料收集架構

   2.1 排程領域資料欄位
       ┌──────────┬──────────┬────────┬────────┬──────────────┐
       │ 5M1E 分類 │ 欄位名稱  │ 資料型態 │ 單位    │ 填寫規則       │
       ├──────────┼──────────┼────────┼────────┼──────────────┤
       │ Man      │ 操作員工號 │ 文字     │ -      │ 必填，格式OP-xxx│
       │ Machine  │ 設備編號   │ 文字     │ -      │ 必填，格式MC-xxx│
       │ Material │ 料號      │ 文字     │ -      │ 必填           │
       │ Method   │ 製程代碼   │ 文字     │ -      │ 必填           │
       │ Measure  │ 稼動率    │ 數值     │ %      │ 0-100          │
       │ Environ  │ 車間溫度   │ 數值     │ ℃      │ 自動擷取        │
       └──────────┴──────────┴────────┴────────┴──────────────┘

   2.2 品質領域資料欄位（同上格式，涵蓋檢測結果、缺陷分類等）
   2.3 維修領域資料欄位（同上格式，涵蓋故障代碼、維修工時等）

三、分類標準

   3.1 排程事件分類表
       ┌──────────┬──────────────┬────────────────────┐
       │ 事件代碼   │ 事件名稱       │ 定義與判定基準         │
       ├──────────┼──────────────┼────────────────────┤
       │ SE-01    │ 計畫性停機     │ 事前排定之維修或換線      │
       │ SE-02    │ 非計畫性停機   │ 未預期之設備故障停機      │
       │ SE-03    │ 材料等待       │ 因材料未到位而停工        │
       │ SE-04    │ 換線調機       │ 更換產品型號之調機時間    │
       │ SE-05    │ 品質異常停線   │ 因品質問題而暫停產線      │
       └──────────┴──────────────┴────────────────────┘

   3.2 品質缺陷分類表
       第一層（大類）→ 第二層（中類）→ 第三層（小類）
       每層含：代碼、名稱、定義、判定基準、嚴重等級、範例說明
       ┌──────────┬──────────┬──────────────┬────────┐
       │ 代碼      │ 名稱      │ 判定基準       │ 嚴重等級 │
       ├──────────┼──────────┼──────────────┼────────┤
       │ APP      │ 外觀缺陷   │ 目視可辨識     │ -       │
       │ APP-01   │ 刮傷      │ 表面線性損傷   │ -       │
       │ APP-01-01│ 大刮傷    │ 長度 >0.5mm   │ Major   │
       │ APP-01-02│ 微刮傷    │ 長度 ≤0.5mm   │ Minor   │
       └──────────┴──────────┴──────────────┴────────┘

   3.3 維修故障分類表
       含：故障代碼、故障描述、故障類型（機械/電氣/控制/其他）、
       嚴重等級、標準處理程序、預計修復時間

四、邊界案例處理規則
   4.1 分類模糊時的判定流程
       步驟一：依主要特徵判定 → 步驟二：查閱判定基準 →
       步驟三：若仍無法判定則請班組長裁定並記錄
   4.2 複合原因之分類原則（以主要原因為分類依據）
   4.3 新增分類之申請與審核流程

五、資料品質管控機制
   5.1 資料完整性檢查規則（必填欄位不得為空）
   5.2 一致性驗證方式（每季進行跨班次判定一致性測試，目標 85% 以上）
   5.3 異常值偵測規則（如：維修工時超過 24 小時自動標記異常）
   5.4 定期稽核頻率與方式

六、版本管理
   ┌──────┬──────────┬──────────────┬──────────┐
   │ 版本  │ 修訂日期    │ 修訂內容       │ 核准人員   │
   ├──────┼──────────┼──────────────┼──────────┤
   │ V1.0 │ YYYY/MM/DD │ 初版制定       │ __________│
   └──────┴──────────┴──────────────┴──────────┘

七、附件
   - 各分類標準之範例案例
   - 資料收集表單範本

第三部分：線上測驗（15 題）

測驗說明

• 題數：15 題（選擇題 10 題 + 簡答題 5 題）
• 配分：選擇題每題 4 分（共 40 分）+ 簡答題每題 12 分（共 60 分），合計 100 分
• 測驗方式：線上或實體測驗皆可
• 涵蓋範圍：問題定義能力、資料收集與分類標準、分析邊界設計、AI 幻覺控制、5M1E 架構

選擇題（第 1-10 題，每題 4 分，共 40 分）

第 1 題（單元一：生產流程與痛點解析）

在導入 AI 進行生產資料分析之前，最重要的前置工作是什麼？

• (A) 購買最新的 AI 軟體工具
• (B) 建立資料收集清單並完成資料缺口盤點
• (C) 聘請 AI 工程師進駐產線
• (D) 直接將所有歷史資料匯入 AI 系統進行分析

標準答案：(B)

解析： 單元一強調「資料未分類前不適合直接進行 AI 分析」。AI 導入的第一步是盤點現有資料狀況、建立收集清單並找出缺口，確保資料品質足以支撐後續 AI 分析，而非急於購買工具或直接匯入未整理的資料。

第 2 題（單元一：資料分類標準）

某工廠的不良品統計報表中，同一種表面刮傷缺陷在不同班次分別被記錄為「刮傷」、「表面損傷」、「外觀不良」三種名稱。這反映了什麼問題？

• (A) 品質標準設定太嚴格
• (B) 資料尚未分類標準化，不適合直接進行 AI 分析
• (C) AI 系統可以自動統一這些名稱，不影響分析結果
• (D) 這是正常現象，不同班次本來就有各自的記錄習慣

標準答案：(B)

解析： 這是典型的資料分類不一致問題。若直接將未標準化的資料交給 AI 分析，會導致統計失真（同一種缺陷被計為三種不同缺陷）。必須先建立統一的缺陷分類標準與代碼，才能確保 AI 分析結果的正確性。

第 3 題（單元二：問題定義能力）

以下哪一個問題最適合作為 AI 分析的輸入？

• (A) 「請幫我改善產線效率」
• (B) 「請分析 A 產線 2025 年 Q1 的設備稼動率下降原因，資料來源為 MES 系統之設備狀態紀錄」
• (C) 「產線最近不太順，請分析一下」
• (D) 「請告訴我工廠所有的問題並提供全面的解決方案」

標準答案：(B)

解析： 單元二強調問題定義的三原則：問題必須可驗證、僅依提供資料分析、資料不足需回報補充項目。選項 (B) 明確指定了分析標的（A 產線）、時間範圍（2025 Q1）、分析目標（稼動率下降原因）與資料來源（MES 設備狀態紀錄），是唯一符合結構化問題定義標準的選項。

第 4 題（單元二：AI 幻覺控制）

你要求 AI 分析某產線的品質問題，AI 回覆中提到：「根據業界經驗，此類問題通常與供應商來料品質有關，建議更換供應商。」但你並未提供任何供應商相關資料。此情況最可能屬於？

• (A) AI 提供了有價值的產業洞見，應立即參考
• (B) AI 幻覺 — AI 在缺乏資料的情況下進行了不當推測
• (C) AI 基於其內建的製造業知識庫所做的合理推論
• (D) 正確的分析結論，可直接採納執行

標準答案：(B)

解析： 這是典型的 AI 幻覺現象。AI 在未被提供供應商資料的情況下，擅自引用「業界經驗」進行推測，違反了「僅依提供資料分析」的原則。正確做法是標註此為未經驗證的推測，並要求 AI 僅就已提供的資料範圍進行分析。

第 5 題（單元三：5M1E 架構）

在 5M1E 分析架構中，某產線的尺寸不良率突然上升。經調查發現，當天工廠空調系統故障導致車間溫度異常升高。此根因應歸類於 5M1E 的哪一個要素？

• (A) Man（人員）
• (B) Machine（機台）
• (C) Method（方法）
• (D) Environment（環境）

標準答案：(D)

解析： 5M1E 中的 Environment（環境）涵蓋生產環境條件，包括溫度、濕度、潔淨度等。空調故障導致車間溫度異常屬於環境因素變化，可能影響材料尺寸穩定性或設備加工精度，因此應歸類為環境因素。注意不要誤選 Machine — 空調系統並非生產設備，其影響的是環境條件。

第 6 題（單元三：資料分類設計）

建立品質缺陷分類表時，以下哪種做法最符合 AI 分析的需求？

• (A) 分類越細越好，建立上百種缺陷子類別以求精確
• (B) 只需「良品」與「不良品」兩個分類即可
• (C) 建立層級式分類（大類→中類→小類），每個類別有明確定義與判定基準，並確保各類別有足夠的資料量
• (D) 依照作業員個人經驗自行分類，保持彈性

標準答案：(C)

解析： 單元三強調缺陷分類設計須兼顧「分類精細度」與「實務可執行性」。層級式分類既能提供足夠的分析粒度，又能確保分類的一致性與可操作性。同時，每個類別必須有明確定義與足夠的資料量，AI 才能有效進行學習與辨識。過細會增加填寫負擔，過粗會失去分析價值。

第 7 題（單元四：分析邊界設計）

在使用 AI 工具進行產線報表分析時，「分析邊界設計」的核心目的是？

• (A) 限制 AI 的運算能力以節省使用成本
• (B) 明確界定 AI 可分析的資料範圍與不可推測的區域，避免產生無依據的結論
• (C) 讓 AI 盡可能分析所有可取得的資料，不設任何限制
• (D) 設定 AI 回覆的字數上限以縮短等待時間

標準答案：(B)

解析： 分析邊界設計是控制 AI 產出品質的關鍵機制。其目的在於明確告訴 AI「哪些資料可以使用」、「哪些問題可以回答」、「哪些推測不可以做」，從而將 AI 的分析限縮在有資料支撐的範圍內，有效防範 AI 幻覺的發生。

第 8 題（單元四：AI 產線助理操作流程）

AI 產線助理的標準操作流程為：資料收集 → 資料分類 → 資料整理 → 問題設計 → 分析限制 → 結果驗證。若省略「資料分類」步驟直接進行 AI 分析，最可能導致什麼後果？

• (A) AI 分析速度會加快
• (B) AI 可能將不同類型的問題混在一起分析，導致結論偏誤或統計失真
• (C) 不會有任何影響，AI 會自動完成分類
• (D) 只會影響報告排版格式，不影響分析結果的正確性

標準答案：(B)

解析： 資料分類是確保 AI 分析品質的基礎步驟。若未經分類就直接進行分析，AI 可能將不同性質的資料混合處理（例如將計畫性停機與非計畫性停機混在一起計算稼動率），導致分析結果失真、結論偏誤，進而做出錯誤的管理決策。

第 9 題（單元五：案例練習）

學員完成的 AI 改善建議報告中，以下哪一項敘述最符合本課程的報告撰寫要求？

• (A) 「根據 AI 分析，建議全面更換產線設備以提升產能」
• (B) 「根據 MES 系統 2025 年 1-3 月之設備稼動資料，AI 分析顯示 CNC-03 之非計畫性停機佔總停機時間 45%，主因為主軸溫度異常（資料依據：溫度感測紀錄）。建議優先排定 CNC-03 預防性維修，但此建議尚需與現場維修團隊確認感測器校準狀態」
• (C) 「AI 建議產線效率可提升 30%，建議立即採納」
• (D) 「根據業界最佳實務，建議導入全自動化產線」

標準答案：(B)

解析： 選項 (B) 完全符合單元五的報告要求：限定資料範圍（MES 系統 2025 Q1 資料）、列出使用之資料欄位（設備稼動資料、溫度感測紀錄）、提出具體且可驗證的建議（CNC-03 預防性維修）、說明不確定性（需確認感測器校準），且不推測未提供的資訊。

第 10 題（綜合：SmartCore AI × MES 架構）

SmartCore AI × MES 架構中，5M1E 數據整合模型的核心價值在於？

• (A) 完全取代人工品質檢測，實現全自動化判定
• (B) 提供統一的數據分類架構，使排程、品質、維修三大模組能基於一致的資料標準進行 AI 分析與交叉比對
• (C) 讓 AI 完全自主管理整間工廠的生產營運
• (D) 大幅減少資料收集的工作量，降低人力成本

標準答案：(B)

解析： 5M1E 是 SmartCore AI × MES 架構的核心數據整合模型。其價值不在取代人工或減少工作量，而是建立排程、品質、維修三大模組共通的資料分類語言，使不同模組的資料可透過共通欄位進行交叉比對與整合分析，進而產生更完整、可靠的管理決策依據。

簡答題（第 11-15 題，每題 12 分，共 60 分）

第 11 題（問題定義能力 — 12 分）

某工廠主管對你說：「我們產線最近良率一直掉，你用 AI 幫我看看怎麼回事。」

請將此模糊需求轉化為一個符合 AI 分析標準的問題定義，並說明你需要向主管確認哪些資訊才能開始分析。

標準答案：

問題定義轉化範例：

「請分析 ___（指定產線名稱）產線於 ___（指定期間）的製程良率變化趨勢，使用 MES 系統之良率統計與不良分類紀錄，找出良率下降的主要不良類型與可能的 5M1E 關聯因素。」

需向主管確認之資訊：

1. 分析範圍：哪條產線？哪些產品型號？良率下降是指哪個時間區間相較於哪個基準期間？
2. 良率定義：良率的計算方式為何（首次良率 / 最終良率）？合格判定基準為何？
3. 資料來源：目前有哪些可用的資料系統（MES、品質檢測系統、SPC 資料）？資料記錄是否完整？
4. 已知排除項目：是否已知有特殊事件（如新產品導入、設備更換、新進人員）可能影響良率？
5. 期望產出：主管期望的報告內容為何（原因分析、改善建議、兩者皆要）？

評分要點：

• 問題定義須包含：分析標的、時間範圍、資料來源、分析目標（各 2 分，共 8 分）
• 確認事項至少列出 3 項且具體合理（4 分）
• 展現「資訊不足時應回報補充而非自行假設」的觀念

第 12 題（資料收集與分類標準 — 12 分）

請針對「設備維修紀錄」設計一套符合 5M1E 架構的資料收集欄位表。至少包含 6 個欄位（每個 5M1E 要素至少對應 1 個欄位），並說明每個欄位的資料型態與填寫規則。

標準答案：

5M1E 要素	欄位名稱	資料型態	填寫規則
Man（人員）	維修人員工號	文字	必填，格式 MT-XXX，須為合格維修人員清單內之工號
Machine（機台）	設備編號	文字	必填，格式依設備管理系統編碼規則（如 CNC-001）
Machine（機台）	故障代碼	文字	必填，依故障分類字典選填（如 F-M-001 軸承異常）
Material（材料）	更換零件料號	文字	有更換時必填，格式依料號編碼規則
Method（方法）	維修類型	選項	必填，選項：預防性維修 / 矯正性維修 / 緊急維修
Method（方法）	維修工時	數值（小時）	必填，精確至 0.5 小時，記錄實際作業時間
Measurement（量測）	修復後檢測結果	選項	必填，選項：合格 / 有條件放行 / 不合格需複修
Environment（環境）	維修時環境條件	文字	選填，記錄特殊環境狀況（如高溫、粉塵）

評分要點：

• 涵蓋 5M1E 六大要素，每個至少 1 個欄位（6 分）
• 欄位定義明確，包含資料型態與填寫規則（4 分）
• 填寫規則具體可執行（如格式要求、必填/選填標示）（2 分）

第 13 題（分析邊界設計與 AI 幻覺控制 — 12 分）

你使用 AI 分析一份產線排程資料後，AI 產出以下結論：

「分析結果顯示，將週六加班班次從 8 小時延長至 12 小時，可提升月產能 15%。此外，根據產業趨勢，建議引進自動化搬運系統（AGV），預估可再提升效率 20%。」

請指出這段 AI 產出中可能存在的問題，並說明你會如何修正或標註。

標準答案：

問題識別：

1. 加班延長建議缺乏限制條件驗證： AI 未考量勞動法規限制（加班時數上限）、人員疲勞對品質的影響、加班成本效益分析等實務限制。此建議可能在法規或實務上不可行，但 AI 並未標註此風險。

2. AGV 建議屬於 AI 幻覺：「根據產業趨勢」此一表述並非基於已提供的產線排程資料，而是 AI 自行引用外部知識進行的推測。若原始分析資料中不包含搬運效率相關數據，則此建議完全超出分析邊界，屬於典型的 AI 幻覺。

3. 數字缺乏計算依據：「提升月產能 15%」和「提升效率 20%」這兩個數字的計算過程與假設條件均未說明。缺乏計算過程即為不可驗證之結論。

修正方式：

• 將加班建議加註限制條件：「此建議需確認是否符合勞動法規之加班時數上限，並評估疲勞對品質之影響後方可採納。」
• 刪除 AGV 建議或標註為：「⚠ 超出本次分析範圍之參考資訊，非基於已提供資料之結論，不應作為決策依據。」
• 要求 AI 提供產能提升 15% 的計算過程與假設條件
• 加入不確定性聲明：「以上分析僅基於所提供之排程資料，未納入人力成本、法規限制與品質影響等面向。」

評分要點：

• 正確辨識 AI 幻覺（超出資料範圍的推測）（4 分）
• 辨識缺乏驗證依據的數字與遺漏的限制條件（4 分）
• 提出具體的標註與修正方式（4 分）

第 14 題（5M1E 數據整合分析 — 12 分）

某工廠的 CNC 加工中心在最近一個月內發生了三次相同的主軸異常振動故障。請運用 5M1E 架構，針對每個要素提出至少一項應調查的方向，並說明如何利用 AI 工具協助進行根因分析。

標準答案：

5M1E 調查方向：

5M1E 要素	調查方向	可收集之資料
Man（人員）	三次故障時的操作人員是否為同一人？操作參數設定是否正確？是否有新進人員未完成訓練？	操作員排班表、訓練紀錄、操作參數設定紀錄
Machine（機台）	主軸軸承磨損狀況？上次預防性維修時間？同型號機台是否有類似問題？	維修履歷、設備巡檢紀錄、振動感測器數據
Material（材料）	加工材料是否變更批號或供應商？材料硬度是否異常？	來料檢驗紀錄、材料批號追溯資料
Method（方法）	加工程式是否變更？切削參數（轉速、進給）是否超出建議範圍？	加工程式變更紀錄、參數設定值
Measurement（量測）	振動感測器是否已校準？異常判定閾值設定是否合理？	感測器校準紀錄、閾值設定紀錄
Environment（環境）	車間溫度是否有異常變化？地面振動是否受鄰近施工影響？	環境監測紀錄、廠區施工紀錄

AI 工具協助方式：

1. 資料整理： 將三次故障的 5M1E 資料整理為結構化表格，匯入 AI 進行交叉比對
2. 模式識別： 請 AI 比對三次故障的共同因素（例如：是否都發生在同一班次、同一批材料、同一加工程式下）
3. 分析邊界限制： 明確告知 AI 僅就提供的資料進行分析，不得引用外部案例或進行無依據推測
4. 提問模板範例：「請根據以下三次主軸異常振動的 5M1E 資料，找出三次故障的共同因素與差異因素，並就有資料支撐的部分提出可能的根因假設。若資料不足以判斷，請列出需補充的資料項目。」

評分要點：

• 完整涵蓋 5M1E 六個要素，每項調查方向具體可執行（6 分）
• AI 工具運用方式合理且包含分析邊界限制（3 分）
• 提問模板包含幻覺控制措施（僅用提供資料、不足時回報）（3 分）

第 15 題（綜合應用：SmartCore AI × MES 三模組交叉分析 — 12 分）

請說明 SmartCore AI × MES 架構中，排程模組、品質模組與維修模組如何透過 5M1E 數據整合模型進行交叉分析。請舉一個具體的製造場景說明三個模組的連動關係，以及 AI 在此場景中如何提供有資料依據的決策建議。

標準答案：

5M1E 數據整合與三模組交叉分析：

SmartCore AI × MES 架構以 5M1E 為共通的資料分類語言，使三大模組能夠共享與交叉比對資料：

• 排程模組：記錄每台設備的生產排程、稼動率、停機事件（依 5M1E 分類）
• 品質模組：記錄每批次的品質檢測結果、不良類型分類（依 5M1E 分類）
• 維修模組：記錄設備維修履歷、故障類型分類（依 5M1E 分類）

因三個模組使用相同的 5M1E 分類架構，資料可透過共通欄位（如設備編號、時間區間、操作人員）進行交叉比對。

具體場景：射出成型產線品質異常事件

某射出成型產線的 B 產品在本週的尺寸不良率從 0.5% 上升至 3%。

• 品質模組資料顯示：尺寸不良集中在特定模具（Machine），不良類型為「縮水變形」（分類代碼 DIM-03），主要發生在夜班時段
• 維修模組資料顯示：該模具兩週前進行過冷卻水路清洗維修，維修履歷記錄了清洗範圍與方式
• 排程模組資料顯示：夜班的該機台排程為連續生產 10 小時以上，與日班排程（6 小時批次）明顯不同

AI 交叉分析（含分析邊界限制）：

提問：「請根據以下品質模組、維修模組、排程模組之資料，分析 B 產品尺寸不良率上升的可能原因。僅就所提供的資料進行分析，若資料不足以判定請列出需補充項目。」

AI 基於三模組交叉比對可能提出：

1. Machine × Method 交互影響： 夜班連續生產 10 小時可能導致模具溫度持續上升，影響冷卻效果→縮水變形（排程資料 + 品質資料支撐）
2. Machine 維修關聯： 兩週前冷卻水路維修後可能未完全恢復原始冷卻效率（維修履歷支撐）
3. 建議補充資料： 模具溫度監測資料、冷卻水流量資料（AI 標註資料不足部分）

不確定性聲明： 以上分析僅基於三個模組已記錄之資料。模具溫度變化假設需以實際溫度感測資料驗證，維修品質影響需與維修團隊確認。

評分要點：

• 清楚說明三模組各自的資料角色與 5M1E 作為共通架構的功能（3 分）
• 具體場景合理且展現三模組交叉分析的邏輯（4 分）
• AI 應用包含分析邊界設定、幻覺控制與不確定性聲明（3 分）
• 整體論述邏輯清晰、結構完整（2 分）

第四部分：評分彙整與成績計算

報告評分彙整（共 100 分）

測驗評分彙整（共 100 分）

總成績計算

總成績 = 報告總分 × 0.6 + 測驗總分 × 0.4

成績等級對照表

及格與補考規定

• 及格標準：總成績 70 分以上
• 補考機制：未達 70 分者，可於兩週內重新繳交交付文件或重新測驗（限一次）
• 補考最高分數：補考成績最高以 79 分計算

第五部分：講師評語欄

═══════════════════════════════════════════════
講師綜合評語
═══════════════════════════════════════════════

學員姓名：__________
學員編號：__________
評量日期：__________

一、問題定義能力：
   □ 優秀  □ 合格  □ 待改進  □ 不合格
   評語：


二、資料收集與分類標準能力：
   □ 優秀  □ 合格  □ 待改進  □ 不合格
   評語：


三、分析邊界設計能力：
   □ 優秀  □ 合格  □ 待改進  □ 不合格
   評語：


四、AI 幻覺辨識與控制能力：
   □ 優秀  □ 合格  □ 待改進  □ 不合格
   評語：


五、管理決策報告生成能力：
   □ 優秀  □ 合格  □ 待改進  □ 不合格
   評語：


綜合建議：


講師簽名：__________  日期：__________
═══════════════════════════════════════════════

第六部分：六大單元核心概念總回顧

全課程知識架構圖

flowchart TD
    TITLE["SmartCore AI × MES<br>製造業生產管理 AI 課程總覽"]

    TITLE --> U1["單元一：生產流程與痛點解析<br>30 分鐘"]
    TITLE --> U2["單元二：AI 工具導入應用<br>60 分鐘"]
    TITLE --> U3["單元三：智慧製造案例解析<br>60 分鐘"]
    TITLE --> U4["單元四：工具操作 — AI 產線助理<br>120 分鐘"]
    TITLE --> U5["單元五：案例練習<br>60 分鐘"]
    TITLE --> U6["單元六：成果驗收<br>30 分鐘"]

    U1 --> U1D["交付：三類資料盤點表<br>排程 / 品質 / 維修"]
    U2 --> U2D["交付：標準化提問模板<br>與資料邊界設計"]
    U3 --> U3D["交付：三類分類表設計<br>排程事件 / 品質缺陷 / 維修故障"]
    U4 --> U4D["交付：AI 分析問題模板<br>資料分類標準、完整分析報告"]
    U5 --> U5D["交付：可驗證之<br>改善建議報告"]
    U6 --> U6D["四份報告繳交與評分<br>綜合測驗 15 題"]

    TITLE --> CORE["核心理念<br>先盤點、再分類、再整理、最後才導入 AI<br>AI 的價值不在取代人，而在放大人的判斷力"]

    style TITLE fill:#1e40af,stroke:#333,color:#fff
    style U1 fill:#3498db,stroke:#333,color:#fff
    style U2 fill:#2ecc71,stroke:#333,color:#fff
    style U3 fill:#f39c12,stroke:#333,color:#fff
    style U4 fill:#e67e22,stroke:#333,color:#fff
    style U5 fill:#9b59b6,stroke:#333,color:#fff
    style U6 fill:#e74c3c,stroke:#333,color:#fff
    style CORE fill:#c0392b,stroke:#333,color:#fff

各單元一句話重點

本單元結束 — 恭喜您完成「SmartCore AI × MES 製造業生產管理 AI 課程」全部六個單元！