前言
歡迎回到AI智慧製造，上一篇我們講到了目前製造業的一些困境，並且說明了相關的解決方案。而本篇文章將會各位詳細闡述在雲端上的實際操作與展示架構圖，並且針對應用到的雲端產品進行說明與簡介。希望透過這次的架構展示，使讀者能夠更深入了解雲端所帶來的優勢，並且透過雲端技術也能替傳統製造業注入新的活水。

首先先為讀者送上一張架構圖：

在上一篇文章中，提過在這個案例中的作法主要是透過在研磨廠中配置攝像頭，並且針對鋼材的多個面進行實時照片拍攝，進而將這些照片透過專線或者網路，傳輸至雲端平台上的對象存儲。

接著會進行人工自定義標籤，定義出有瑕疵、無瑕疵等等的判別後的照片，再將這些照片通過雲端的機器學習(ML)的工具進行模型訓練，待模型訓練完成後部署至雲端主機上，後續的所有待判斷照片，都可以透過網路傳輸至雲端主機上進行判別，並且回傳結果至操作人員的客戶端螢幕上。

筆者就此架構進行優劣分析如下：

優勢

1. 將多數硬體資源透過雲端部署，節省前期部署時間與維護成本。
2. 機器學習可以通過預建立的AI模型進行訓練，並且可根據自己的需求進行客製化調整。
3. 工廠端僅需引入攝像頭等自動化攝像設備並接上傳輸線即可。

劣勢

1. 需配置相當穩定的傳輸線路，以避免服務中斷。
2. 延遲較高，等待時間可能較久。

那麼，還有其他方案可以替代嗎？有的，請詳見下圖： 如上圖，此架構一樣需要配置攝像頭，且攝像照片一樣須傳送並存儲在雲端平台上的對象存儲桶中，並且通過雲端平台上的機器學習工具進行模型的訓練流程。模型訓練完畢後，直接部署在工廠端的邊緣設備上，在這個判斷過程中，也可以收集相關的判斷結果反饋，並優化模型。

而以上的架構優劣如下：

優勢

1. 網路配置需求較低
2. 運算與結果回傳速度提升

劣勢

1. 更新判斷模型費時較久
2. 需要添購邊緣伺服器硬體，成本提高
3. 硬體維護人員成本

以上兩種雲端架構，皆透過雲端平台的工具進行AI模型的建立與訓練，不同的是這個判別模型是部署在「雲端平台之上」或者「工廠端的邊緣設備上」。

後續帶來的效果也會不同，若建設在雲端平台之上，將會省去大量的人力與硬體成本，但在網路傳輸上會有些微延遲，判斷的速度可能會降低；若透過雲端平台的工具將模型訓練完成後，再部署至邊緣設備上，將會提升網路傳輸速度，但同時也須負擔額外的硬體成本。

沒有最好的解決方案，只有最適合的解決方案，以上兩者方案提供給先進們參考，就當作筆者的拋磚引玉，期待未來在AI智慧製造上能夠借用雲端的力量，借力使力，達成AI數位化時代的願景。
 

---