利用數位模型幫助企業進行數位轉型

文：黃正傑 2021-03-09

發布時間： 2021-03-08 11:16:00

科技意會 大數據 數位轉型

不論是小汽車、積木、還是公仔模型，都是人類探索世界的工具。企業數位轉型也需要各種數位化模型，以分析、預測或控制實體的設備、製程、環境等。本文介紹機理模型、數據模型兩種典型的數位模型概念、應用、以及優缺點，讓企業思索在數位化過程中可以建立什麼樣的數位模型。

透過模型認識世界

小孩子最喜歡玩模型了，不論是Tommy 小汽車、樂高積木、還是比卡丘公仔、芭比娃娃、星際大戰的光劍，還會角色扮演、玩扮家家酒；小孩子透過這樣模型，去探索世界、模擬情境。同樣地，在管理學、軟體業及產業界也利用各種模型來探索、規劃、乃至於模擬真實或未來發展。最近，由於數位轉型、工業4.0等應用的發展，強調利用數位化模型來模擬狀況、預測未來，於是數位模型開始被許多產業界討論。究竟數位模型是什麼呢? 有哪些類型? 又如何應用呢?

兩種類型的數位模型

數位模型種類多元，可以從不同的角度進行分類。由於近期大數據、人工智慧的發展，常會有人將數位模型分為[工業]機理模型(mechanism model)以及[大]數據模型(data model)。以此，本文主要以這兩種進行說明。

1. 機理模型：

機理模型或稱為「機制模型」、「機械模型」，是指透過理解機械、流體、動力、製程等機制或原理，利用數學公式、方程式、或者因果關係，建立模型或表達方式，以方便進行分析、控制。例如：牛頓運動定律F=ma就是典型的機械模型。我們可以利用牛頓運動定律了解特定質量在特定運動速動下所產生的力量，用來發展動力控制系統。

在工廠的環境中，諸如製程、配方或設備故障，牽涉到多種參數或因變數對於應變數的影響，也使得機理模型隨著設備、製程複雜度愈高而愈複雜。在數位轉型或工業4.0的應用當中，我們把這些機理模型數位化，可以透過軟體、網路來監控製程參數、因變數（如：溫度、壓力），並進行評估。

因此，現在「工業機理模型」被討論很多，包括：

 ● 基礎理論模型：如製造過程涉及到的流體力學、熱力學、空氣動力學方程等模型；

 ● 流程邏輯模型：如ERP、SCM供應鏈管理等業務流程中蘊含的邏輯關係；

 ● 零部件模型：如零部件3D模型；

 ● 製程模型：如生產過程中涉及到的多種製程、配方、參數模型；

 ● 故障模型：如設備故障關聯、故障診斷模型等；

 ● 模擬模型：如風洞、溫度場模型等；

鼎新電腦在工業APP上利用OEE設備稼動率計算的數位模型，可以讓企業隨時監控設備稼動率狀況。機理模型重視的是因果關係，談的是在某種參數的控制或變化下，會產生一定的結果。

2.數據模型：

然而真實的世界並不如機理模型所設想的完美。由於許多參數、因變數無法觀測到，或者因變數太過複雜而無法建立數學模型，使得機理模型常無法反映真實世界的狀況。例如：「下一年的人口數=今年人口數+出生率-死亡率」的機理模型，但由於每年出生率、死亡率都在變動，很難預估下一年的人口數；此外，每個國家影響出生率、死亡率的因素也不一樣，或者非常複雜（如：公衛水準、人民健康指數、壓力指數、年齡結構等均會影響），很難建立一體適用的機理模型。於是，透過歷史數據進行統計的數據模型開始發展。

我們可以蒐集某個國家近幾年的人口數成長的數據，透過對於歷史數據的觀察，建立可能的數據模型以預測未來的走向。如下圖所示，某國的人口數成長依據歷年數據可能是線性發展、某一國則可能是曲線發展。我們不需要確切觀察或衡量已知或未知因變數或者進一步確立因果關係的「機理」，只要討論人口數成長可能適配哪一種曲線即可。這就是基於統計或數據的模型，是一種從數據中歸納的模型。

現在，在大數據技術與方法的發展下，許多產業界開始利用數據模型來解決以往機理模型不易解決的複雜的問題。數據模型包含傳統的統計模型（如ANOVA、t-test），以及機器學習模型（如回歸、聚類、分類、神經網路、深度學習等）。舉例來說：控管品質良率時，我們可以利用傳統統計的方式，設置某些參數（如：溫度、壓力）的上限值及下限值模型，用來監控超過狀況的參數，進而提醒品質控管人員。如再進一步加入大數據技術，則可綜合更多歷史數據之參數組合樣態，判定品質是否異常。使用數據模型強調的數據間的關聯，而不是因果關係。

結論

機理模型或數據模型均是現在企業或工廠利用數位模型進行數位轉型的重要模型。機理模型講究因果關係，方便觀察與控制。但可能因為參數或因變數無法觀察、太複雜或不容易建立因果關係而使得無法有效地建立模型。數據模型則來自於長期歷史數據建立的模型，可以不需要探討因果關係、或觀察未知的因變數，而進行控制與預測。然而，數據模型可能由於數據的不足或蒐集數據的問題，而產生偏誤。此外，數據模型缺乏對於機制原理的了解，可能被歷史數據誤導。展望未來，愈來愈多的機理模型與數據模型相互結合並進行數位化，協助企業或工廠更容易地分析、預測與控制實體環境。

黃正傑

你喜歡挑戰不斷隆起的技術高原、探索無限寬廣的創新領域嗎? 那麼我們是同路人。黃正傑，台大資管博士，協助鼎新進行前瞻技術研究與應用發展。歷經IT架構技術顧問、供應鏈管理顧問、軟體產業分析師等多項職務，並兼任文化大學助理教授。讓我們一起從創新與變革角度，探索新興技術！

更多案例