AOI (自動光學檢測) 的優點是可以取代過去人工檢測作業，不會因疲勞失誤，也能判斷得更精確；然而，對於有些陰暗處，就會容易產生誤判 (false reject) 的情況。也因此，A 公司將參數設定極高的規格，只要有瑕疵都無法通過。

在高規格的 AOI 參數下，導致Overkill rate (過殺率) 達到5成。結果只有 50% 的 PCB 板能順利通過，剩下的 50% 則被判定為 NG。

於是，為了避免淘汰太多明明就可以使用的PCB板，A公司又必須要以人力複檢，此舉又造成了不少人力和時間的成本。因此如何更精準的設定參數，降低 Overkill Rate、減少人力成本，是A公司的首要目標。

我們針對A公司欲優先著手的爐前 AOI 做現況分析，並訂下本次的專案目標：降低 AOI 的 Overkill Rate (過殺率)，也就是 AOI 判斷為瑕疵，但實際上無瑕的 (False Positive)，並減少人工檢測的工作量。

由於 AOI 的精確度遇到瓶頸，造成 Overkill Rate 過高，我們透過導入 AOI AI 的技術大幅降低過殺率。首先，每一組 New Component 需蒐集 OK 與 NG 的照片建立 AI 模型，使用演算法作初步的分析，定義瑕疵並蒐集瑕疵數據；接著，透過 AOI 蒐集更多的影像數據，再採用這些數據不斷調校 AI 人工智慧。

由於利用AI處理圖形計算需要強大的演算能力，為了避免過高的硬體成本投資，我們利用雲端虛擬機 (VM) 進行模型訓練 (model training)。雲端虛擬機的好處是可以彈性調整、即開即用，大幅降低訓練成本。

導入AI檢測工具後，我們達成兩項主要效益：

• 儀器的 Overkill Rate 由原本的 50%，降低為 4%
• 減少 92% 人工檢測的工作量。
• 混和雲架構讓 Retrain 新模型的成本不到 3K USD，替代上千萬的伺服器投資。

AOI自動光學檢測技術已臻成熟，然而因應PCB板越做越精密，及多樣化的產品需求的變化，因此利用AI手法提升檢測精準度勢在必行。透過蒐集瑕疵圖像數據，AI可以快速學習收斂，讓儀器更加智慧。AOI與AI是相輔相成的存在，透過AOI快速蒐集數據，並用這些數據縮短AI模型的訓練時間，也因此AOI+AI已成為許多工廠提升準確率的主流方式。

如何選擇最合適的雲端架構與環境是企業數位轉型時的重要課題，企業需依照不同的需求部署環境。純雲、混和雲、地端環境可以依照實際需求交叉應用，尋找最合適的雲端環境。