（10/28）Day 1｜AI 跨域整合與企業導入路徑（9:00~17:30，7.5 小時）
1. AI 跨域整合：單點應用到產線串接（3.5 小時）
課程目標：理解製造現場 AI 由單點應用走向產線串接的關鍵，掌握跨域整合四層架構與第一條串接題目的選擇方法。
- 製造業 AI 現況盤點：「還沒開始、做了單點、卡在試點」三種樣態，以及試點上不了線的五大原因：沒有資料底、沒有接口、沒有負責人、沒有驗收標準、沒有改流程。
- 價值流與 AI 應用地圖：從詢價報價、材料進料、成型加工、二次加工、熱處理、表面處理到檢驗出貨，盤點各段資料可得性與常見 AI 應用。
- 跨域整合四層架構：設備層、資料層、模型層、決策層的角色與分工；由下而上、由上而下、由痛點貫穿三種起手式比較。
- 串接案例解析：成型參數×檢測結果閉環調機、熱處理能耗×碳排分攤、客戶規格書×報價×排程快速承諾、委外製程三方協同、客訴批號追溯。
- 課堂演練：繪製自家產線價值流，標示資料「拿得到、對得起來」的環節，初選第一個串接題目。
2. 企業 AI 導入路徑圖與顧問輔導（4 小時）
課程目標：建立以成熟度自評為起點的導入方法，產出可作為專案章程的十二個月導入路徑圖與可驗收的 POC 條件。
- 成熟度自評：AI 智造成熟度五級（人工經驗、數位化、可視化、預測化、自主優化）與六構面（設備與連網、資料與系統、製程知識、品質與量測、能源與碳、組織與人才）。
- 十二個月導入路徑圖：診斷盤點、快贏試點、垂直串接、複製擴散四階段之交付物與過關判準；內部 PM、現場領班、Data Owner 與外部顧問的角色分工。
- 顧問輔導實務：進廠第一週五件事、對總經理／生管／品保／現場領班的訪談清單、價值×可行性機會快篩矩陣。
- POC 驗收與外部資源：以真實環境、營運指標、使用者簽字撰寫驗收條件；委託顧問三大誤區與政府、SI、設備商、學研資源搭配。
- 實作：完成成熟度自評表與機會快篩矩陣，選定一個報價或排程相關的快贏題目並寫出驗收條件。
（11/04）Day 2｜數位轉型策略規劃與智造藍圖（9:00~17:30，7.5 小時）
3. 轉型路線選擇與智造藍圖畫布（3.5 小時）
課程目標：理解推動製造業轉型的外部壓力，選定適合自身的轉型路線，完成一頁式智造藍圖。
- 三股外力：碳成本內部化（歐盟 CBAM 進入正式期）、客戶要求上升（產品碳數據、批次到爐次追溯、供應鏈稽核）、缺工與技術斷層。
- 四種轉型路線：成本型、品質型、交期型、綠色型的典型樣態、AI 重點與六構面投資配置比較。
- 智造藍圖畫布：目標客戶與市場、關鍵競爭能力、數據基礎、技術投資、組織與人才、量測指標六格填寫方法與示範案例。
- 課堂演練：判定「現在是哪一型、三年後要成為哪一型」，完成自家智造藍圖畫布與一句話轉型主張。
4. 製造業三年轉型節奏與預算規劃（4 小時）
課程目標：建立分年投資節奏與可說服經營層的預算規劃能力，並運用生成式 AI 工具完成 90 天行動計畫。
- 三年轉型節奏：第一年打底（資料進得來）、第二年串接（一條線全通）、第三年擴散與差異化（能力變成訂單），各路線情境案例解析。
- 預算與投資回收：省下來的、拿得到的、避開的三個數字；回收期算法、累計投資效益曲線與第一年預算配置（含內部人力）。
- 數據與綠色金融：從資料收集、碳盤查、ESG 報告到永續連結融資的資料基礎；策略層三大常見錯誤：照抄大廠、一次買齊、沒有留人。
- 實作：以生成式 AI（如 ChatGPT）完成客訴回覆、委外檢驗回報、SOP／報表整理等練習，並運用填空式提示詞產出 90 天題目，分組完成一頁藍圖與 90 天行動計畫。
（11/11）Day 3｜AI 決策引擎與品質、設備智慧應用（9:00~17:30，7.5 小時）
5. 製造業 AI 決策引擎：預測與最佳化（3.5 小時）
課程目標：掌握製造業 AI 決策引擎的技術架構，理解預測與最佳化問題的建模方法及人機決策分工。
- 決策引擎架構：數據蒐集、特徵工程、模型推論、決策輸出四層架構，從「記錄歷史」轉向「預測未來」。
- 製造業預測場景：設備健康與剩餘壽命、製程品質與良率、客戶需求與供應商交期；數據稀少、標記成本高、概念飄移等共同挑戰。
- 最佳化問題框架：決策變數、目標函數、限制條件的定義；精確法（LP／MILP）、啟發式（GA／PSO）與強化學習的適用情境。
- 決策支援與自動決策：高風險場景由 AI 建議、人類決定；低風險重複性場景由 AI 直接執行。
- 課堂演練：以報價或排程情境，拆解決策變數、目標函數與限制條件。
6. AI 品質預測與設備預測性維護（4 小時）
課程目標：理解品質預測與預測性維護的資料來源、核心演算法與導入效益，能規劃自家的品質或設備 AI 應用題目。
- 品質異常偵測：機器視覺（CNN／ViT）外觀瑕疵偵測、多變量 SPC、SHAP 根因分析；品質問題的成本與傳統抽樣的侷限。
- 品質預測模型選型：XGBoost／LightGBM、LSTM／Transformer、CNN 之比較；分類、迴歸與多輸出架構；SMOTE、成本敏感學習等不平衡數據處理。
- 預測性維護：事後、定期、預測維護比較；振動、電流、溫度、聲發射感測與邊緣預處理；健康指數與剩餘壽命（RUL）預測。
- 維護模型架構與案例：Autoencoder、Isolation Forest 無監督異常偵測；頻譜圖 CNN、隨機森林故障分類；LSTM 退化序列建模與實務成效。
- 實作：以製程參數與量測資料情境，規劃品質預測或預測性維護所需的資料欄位、模型方法與驗收指標。
（11/18）Day 4｜智慧排程、能源最佳化與 AI 智慧助理（9:00~17:30，7.5 小時）
7. AI 智慧排程與能源最佳化實務（3.5 小時）
課程目標：掌握 AI 智慧排程與能源最佳化的核心方法與建置流程，能評估急單插入、設備故障等情境的排程因應方案。
- 排程問題的挑戰：Job Shop 排程的 NP-Hard 本質、組合爆炸、急單插入與設備故障等動態不確定性。
- 排程最佳化演算法：遺傳演算法（NSGA-II）、模擬退火與禁忌搜尋、GNN＋啟發式，以及強化學習動態排程的建模框架。
- 排程系統整合與建置：APS 計畫層、MES 調度層、即時排程層；設備故障、急單、缺料等例外事件處理；AI 排程系統建置五步驟。
- 能源最佳化：能耗預測模型、峰谷電價與需量管理、設備能耗基線與異常偵測、壓縮空氣系統最佳化、碳排放管理與 ESG 數位化。
8. AI 智慧助理：LLM×RAG×MCP 應用（4 小時）
課程目標：理解 LLM×RAG×MCP 智慧助理的系統架構與應用情境，並整合四天所學完成輕量化 AI 流程改善提案。
- 廠內資訊查詢痛點：SOP、設備手冊與品質規範分散，MES／ERP 資料需專人查詢，異常發生時延誤處理時機。
- LLM 選擇與幻覺風險：LLM 不認識你的工廠；Cloud LLM 與 Local LLM 在資料外流、網路依賴、導入成本、模型能力與延遲上的比較。
- RAG 與 MCP 架構：RAG 處理非結構化知識（SOP、規範、維修紀錄），MCP 介接結構化即時資料（工單、良率、庫存）；整體系統架構與應用情境。
- AI 轉型成功關鍵：從資料、人才、流程與組織面歸納製造業 AI 轉型的成功要素。
- 專題發表：以報價或排程痛點為題，分組提出輕量化 AI 流程改善方案（現況、AI 解法、所需資料、負責人與 90 天行動），並進行發表與講評。
