案例拆解:一條 SMT 產線導入 AI 品檢後,誤判率從 8% 降到 1.2% 的 90 天

先講結論，這是一個關於「AI 品檢 案例」最容易被忽略的真相：AOI（自動光學檢測）機台早就抓得到瑕疵，工廠真正的痛點是過殺（false call）——好板被判成不良，逼著後段每片都要人工複判。這條 SMT 產線最初的誤判率是 8%，聽起來不高，換算成現場就是：每天約 1.2 萬片板子，有 960 片被丟到複判區，兩個作業員一整班盯著螢幕點「OK / NG」，眼睛酸、手也軟。

客戶找上我們時，其實已經導入過一次 AI 品檢。供應商的 Demo 很漂亮，缺件、偏移、立碑、少錫都框得出來。簽約、上機、驗收，全程順利。三個月後我到現場，工程師卻已經把 AI 判定當成參考、實際還是靠人複判——因為它太愛喊狼來了。這不是產品爛，是它沒被「養」在這條產線上。

90 天做了什麼，先看數字

我們沒有換相機，也沒有換掉原本的檢測演算法供應商。動的是資料、流程、和人。

最後一列才是重點。前面幾列是結果，最後一列是這套系統有沒有活下來。

第 1 到 30 天：先把「錯在哪」講清楚

我們的 FDE 工程師直接坐進產線旁邊，不是遠端開會。第一件事是把過去三個月被判 NG、但人工複判其實是 OK 的板子全撈出來，總共四千多片影像。分類之後發現，8% 的誤判裡有超過六成集中在兩類：一是深色電容在特定角度反光，被誤判成偏移；二是無鉛錫膏的霧面表面，在某些爐溫批次下被判成少錫。

換句話說，模型不是不會判，是它沒見過「這條產線、這批料、這個爐溫」下的正常樣貌。通用模型為「一般工廠」而生，這家偏偏用的料和爐溫曲線都不一般。這跟我們在客服、在金融看過的狀況一模一樣——Demo 用的是乾淨世界，產線是髒的。

第 31 到 60 天：把資料回收做成閉環

真正的工程量在這裡。我們幫產線接了一個很土但有效的機制：作業員每次複判改判，那片影像和決定就自動回流到一個標註佇列，當班組長每天花 20 分鐘確認標註品質。兩週累積下來，我們用這批「產線自己吐出來的真實資料」對誤判最兇的兩個瑕疵類別做微調（fine-tune），沒有重訓整個模型。

這裡我們踩過一個雷，誠實講：第一版微調我們貪快，把所有改判資料一次餵進去，結果漏檢率微幅上升——模型學到「多放行」。後來改成分類別、設過殺與漏檢的雙門檻，寧可犧牲一點過殺改善速度，也不能讓漏檢升高。品檢的紅線永遠是漏檢，客戶賠不起。

第 61 到 90 天：讓人願意用，才算上線

技術調到位只是一半。前一套系統失敗的真正原因是信任——工程師被誤判傷過，就不再看 AI 的判定。所以我們在最後 30 天做了三件不性感但決定成敗的事：把 AI 的判定信心值和「為什麼判 NG」的框圖直接顯示在複判畫面上，讓人看得懂它在想什麼；設一個每日晨會的三分鐘看板，公開昨天過殺和漏檢的數字，讓改善被看見；並把調參的權限交還給客戶的資深工程師，我們在旁邊陪跑而不是把持。

到第 90 天，使用率從三成爬到九成二。不是因為我們規定他們用，是因為每天要複判的板子從 960 片掉到 144 片，人自己就不想回到過去。

我們從這個案子學到的

第一，AI 品檢的成敗很少輸在模型，多半輸在資料閉環和現場信任。第二，過殺比漏檢更容易毀掉一個專案，因為它每天消耗現場人的耐心。第三，90 天能不能見效，取決於有沒有人真的坐進產線，而不是遠端交付一包模型就走。

這也是我們做事的方式：工程師進場，把資料回收、雙門檻、看板這些不起眼的環節一個個接起來，扛到上線、扛到現場的人願意用為止。Demo 很美不算數，產線上那 92% 的使用率，才算數。