Day1：AI基礎與外部大模型技術應用
Introduction to AI (AI技術簡介)（2小時）
目標：理解AI基礎概念、發展脈絡及與企業質量控制等業務場景的潛在結合點
一、開場與引入（10分鍾）
- 破冰互動
- 提問："提到AI，你首先想到什麽？"（收集關鍵詞，如機器人/語音助手等）
- AI與質量控制、銷售預測、供應鏈管理等的關聯
- 舉例：AI在缺陷檢測、預測性維護中的實際應用案例
二、AI技術起源與發展（30分鍾）
- AI的誕生（1940-1950s）
- 圖靈與《計算機器與智能》："圖靈測試"的通俗解釋
- 達特茅斯會議（1956）：AI正式成爲學科
- 發展曆程裏程碑
- 時間軸展示（配圖）：
- 1960s：專家系統（如醫療診斷工具）
- 1997：深藍擊敗國際象棋冠軍
- 2012：AlexNet圖像識別突破
- 2020s：生成式AI興起
三、AI三大流派簡介（30分鍾）
類比：用"不同學派解決問題的方式"幫助理解
1.符號主義（Symbolic AI）
特點：基于規則推理（如早期質檢規則系統）
案例：Excel中的IF函數邏輯擴展
2.連接主義（神經網絡）
特點：模仿人腦學習（如圖像識別質檢）
示意圖：神經元網絡分層處理數據
3.行爲主義（強化學習）
特點：試錯優化（如機械臂調整質檢動作）
案例：AlphaGo學習策略
四、AI在質量控制中的應用場景（30分鍾）
- 視覺檢測
案例：手機屏幕缺陷識別（對比傳統人工檢測）
- 預測性分析
案例：通過曆史數據預測設備故障概率
- 流程優化
案例：利用AI縮短質檢報告生成時間
- 互動討論
分組討論："我們部門哪些工作可能受益于AI？"
五、AI的局限與倫理（15分鍾）
- 當前局限
- 數據依賴性：Garbage in, garbage out原則
- 可解釋性問題：黑箱模型的風險
- 倫理考量
- 隱私保護：質檢數據的安全使用
- 人機協作：AI輔助而非替代人工
Topic1：AI核心概念與企業價值（3小時）
- 電子制造業的AI應用全景圖（質檢、設備維護、供應鏈、工藝優化）
- 企業爲何選擇外部大模型而非開源模型：
數據隱私與合規性要求
技術維護成本對比（TensorFlow vs. 外部一般開源模型）
案例：某路由器廠商通過一般開源模型優化設備維修工單處理效率
Topic2：外部大模型實戰（3小時）
主流外部AI工具解析：
1.一般開源模型（行業垂直能力）
2.一般開源模型（多模態與自然語言處理）
3.雲端API調用與本地系統集成演示
實戰演練：
i.使用大模型API構建質檢報告生成系統
ii.設備故障日志的語義分析與分類
Topic3：核心算法全景解讀（2小時）
算法邏輯與企業場景匹配：
i.監督學習（SVM在電路板缺陷分類）
ii.非監督學習（K-means在設備維修聚類分析）
iii.時序預測（LSTM網絡在庫存需求預測）
iv.算法選擇決策樹：精度vs可解釋性vs實施成本
v.神經網絡與深度學習
Day2：行業場景深度解析
Topic4：質量檢測AI化（4小時）
視覺檢測案例：
i.基于一般開源模型的PCB焊點缺陷檢測（誤判率<0.3%）
ii.多光譜成像+AI的元器件老化預測
過程質量控制：
i.在線檢測數據實時分析系統
ii.案例：某交換機廠商質檢效率提升40%的路徑
Topic5：設備維護革命（4小時）
預防性維護體系構建：
i.振動傳感器數據+時序模型的軸承壽命預測
ii.多設備協同的故障根因分析
備件庫存優化：
i.基于強化學習的動態安全庫存模型
ii.案例：某廠商庫存周轉率提升25%的AI策略
Day3：項目評估與實施規劃
Topic6：AI項目四維評估法（4小時）
可行性評估矩陣：
i.技術可行性（數據質量/算法匹配度）
ii.經濟性評估（ROI測算模板）
iii.組織適配度（IT架構/人員技能缺口）
風險控制：
i.數據漂移監測方案
ii.模型失效應急機制
Topic7：企業級AI實施路線圖（4小時）
優先級排序方法論：
i.快速見效場景（如視覺質檢）
ii.戰略儲備場景（如工藝參數優化）
資源矩陣構建：
i.內部資源（現有IT系統/數據中台）
ii.外部資源（雲服務商/AI供應商選擇標准）
分組實戰：制定本企業AI落地優先級路線圖