受疫情、地緣政治動盪衝擊及淨零碳排時程迫近等因素影響，製造業對導入遠距生產、自動化管理的智慧化需求日漸增加，對供應鏈上下游訊息掌握度的要求，也逐漸提升。有些製造業者主動擁抱，然有些業者也被迫調整營運策略，例如疫情造成的封城、人員居家隔離、異地工作普及等狀況，導致遠距管理、遠距生產需求增加，使得企業必須更快速掌握、整合不同設備及不同生產流程的關鍵訊息及數據。
為此，製造業者除加速設備連網化、雲端化布局，全球也有近四分之一業者開始進行工廠不同功能區域、設備、生產部門的即時數據擷取與串聯，以提供遠距監控與整合決策所需。
另一方面，戰爭、斷航、貿易保護帶來的產業聚落重組等外部事件，也讓企業供應鏈的穩定性備受挑戰。企業要達成準確的零件交期、物流、庫存控管，就必須充分掌握、整合上下游業者的相關數據，以作即時性的綜整判斷。同時，各國政府及各大品牌商也開始要求製造業(及其供應鏈)進行碳減量、碳盤查，迫使企業必須加速掌握供應鏈上下游的碳排關鍵數據。
數據治理面臨三大痛點
全球有超過七成業者有意願與供應鏈上下游業者(如原料供應商、庫存端)進行數據共享，而到2024年，則將有四成業者完成數據共享。然而，在數據做為企業重要資產的觀念逐漸普及，多數企業也更加重視自身數據價值，而因害怕高價值、機敏數據外流至競業手中，影響數據共享意願。另外，資料隱私法規以及跨國數據共享限制，也使企業必須在數據共享的好處，與數據流通的限制間，尋覓新的折衷方案。
進一步檢視單一製造業者的生產環節，就會發現無論內部營運、外部合作，皆與數據處理息息相關。「人、機、料、法、環」的各個環節都涉及數據生產、數據擷取、數據儲存、數據應用、數據整合、數據交換與加值。在「數據即資產」的智慧製造觀念下，數據治理逐漸成為企業轉型為智慧製造的重中之重。
想要發揮數據的最大價值，製造業必須充分掌握即時、關鍵的內外部數據流。然而，多數業者亦面對不同環節數據應用的痛點及挑戰。以設備端數據來說，目前雖已有不少製造現場進行初步數位化、智慧化(如AOI視覺檢測、IoT感測器布建)，然而智慧化設備多為單點導入建置，各生產設備間系統孤立，數據無法互通，難以進行整合串聯應用與分析，此為第一個痛點。
第二個痛點則是企業內的不同部門(例如研發、倉儲、製造)、不同生產流程，大多使用不同管理系統，系統間數據格式往往難以進行串聯，而形成資料孤島情形，僅能提供固定部門取用方式，無法進行交叉分析，致使企業無法進行如預測性維護、產線效率最佳化、或發現跨部門資料的隱藏關聯價值等整合性應用。
第三個痛點，基於近年製造業者逐漸意識到「數據」乃是企業重要資產，在企業間的數據共享上，往往呈現互信不足，不願進行真實、即時的數據交換的情形。而缺乏透明、安全的數據共享架構，害怕數據隱私外流，以及國際間數據管制法規趨嚴等因素，皆是影響企業數據交換意願的主要原因。
綜上所述，製造業者面臨的數據治理痛點，主要為「對內數據流通性不足」，以及「對外數據共享安全性不夠」。針對這些痛點，以下將分析三種新興的數據治理技術，即數據發布服務、數據湖以及聯邦學習數據治理架構與技術，分別解決設備間數據串流、跨部門數據整合，以及跨企業數據共享的數據治理問題。
跨設備數據串流：數據發布服務
在製造場域中，同一廠區內的機械手臂、送料帶、AMR、感測器等，皆有各自廠牌封閉的作業系統與數據格式，若要進行數據統合，需藉由製造執行系統，或利用統一的標準、框架或協定(例如物聯網的MQTT數據協定)，進行數據串聯。
然而，目前主要的系統或框架，皆無法進行設備數據間的即時串聯與自動協作，而多用於事後分析。資料即時串聯不易，跟許多工業設備不斷產生即時且龐大的數據量有關。例如類比機台產生的連續波形數據，就是一種極端龐大的資料，而且這類資料的規模，甚至大到讓批次數據儲存都變得不切實際。此外，事後批次分析也無法滿足諸如故障預警、預測性維護等需求，導致整廠自動化程度有所不足。
為此，作為設備數據即時交換、設備協作解決方案之一的數據交換框架，DDS(Distributed Data Service)模型及其衍生應用(如用於機器人系統的ROS 2)，在近年廣受注意。在實際應用上，DDS框架會先在邊緣系統中建構一「中間層」，所有掛載DDS模組的異質設備，可將特定「議題」拋至此中間層(猶如工人將突發事件，在對講機的公用頻道發送)，而所有接收到議題的設備，都會衡量自身資源能否處理此「議題」。
例如當機器視覺檢測(AOI)設備偵測到瑕疵工件，便會拋出一個「議題」，而目前運載容較低的手臂，則會負責處理(撿取)該瑕疵工件，不需經由統一的系統分派、或經雲端伺服器才下決策，故能加快協作效率。而企業內5G專網的落地，則進一步確立了DDS數據協定的優勢，由於5G具備低延遲、高頻寬、高可靠性、高服務質量(QoS)等特性，使得在DDS環境下的設備，可以以更即時、更高正確率、更大的數據傳輸量進行議題溝通，進而達到群機協作的效果。
跨部門數據整合：數據湖
而在不同部門、不同生產流程間的「資料孤島」，則可用「數據湖」新興數據治理技術來因應。傳統上，不同生產環節的部門人員，各自管理其數據系統，例如MES、PLC、ERP、CRM、SCM等，這些系統在不同生產環節與部門各司其職，但當數據處理涉及跨部門、跨流程的優化(如跨部門數據分析、機器學習、整廠最佳化)時，傳統的數據儲存方式便顯出其侷限。
數據湖的數據應用架構，便是從上述跨部門數據應用需求中應運而生。數據湖以統一架構、配置單一的數據空間，允許不同來源(如機台數據、感測器數據、人工操作數據)的結構化(如文字、機器Log檔)、非結構化(如圖片、影像)數據存入統一的資料系統，儲存時不須經過預處理，而在數據取用時，操作者也可以直接對不同生產部門、流程的數據進行同步存取，進行整合性交叉分析或機器學習。
另一方面，也存在能兼顧傳統與新興應用的混合式數據架構，例如將數據湖與傳統數據倉儲同構的資料模式，既能滿足傳統、單點的數據應用，也能滿足新的數據應用需求(如跨部門即時數據分析、機器學習)。在5G專網落地的情形下，數據的即時、無線的存儲與取用，也變得更加可行。
跨企業數據共享：聯邦學習
在企業間數據共享部分，企業若想追蹤上游出貨、物流、倉儲或碳足跡等數據，既有的作法為導入供應鏈管理系統(SCM)，將不同來源的數據，如上游廠商人員輸入、倉儲或貨車IoT數據彙整後，進行分析應用。然而在企業數據隱私意識抬頭，國際法規趨嚴的情況下，直接將原始數進行共享的作法，逐漸變得不切實際，而企業間的數據往往因系統、格式、及對數據的解釋差異、造成互操作性不足，使數據直接共享的效果，大打折扣。
新的數據治理技術「聯邦學習」可有效因應企業既希望進行數據共享、又擔心機敏數據外流的問題。「聯邦學習」為一分散式機器學習技術。首先，有共同目標的企業，將組成一特定的任務聯盟(例如碳足跡數據追蹤)，並讓提供聯邦學習解決方案的第三方企業，部署區域模型至各自企業中。此區域模型將從企業內的數據進行學習，並將學習成果彙集回聯邦學習伺服器，此伺服器再將學習成果彙總為一主模型，最終以BI報表、演算法等形式提供給參與議題的企業運用。
在上述聯邦學習的過程中，企業內的數據都從未離開企業體本身，因而避免了企業揭露意願不足、機敏資料外流、及跨國數據交換限制等議題，而近年邊緣設備的算力提升，也讓企業數據無須上公有雲或私有雲，而能以地端設備就進行在地運算，保護了數據隱私，也加速了分散式學習的效率。
台灣智慧製造業者發展契機
本文所提到的三種數據治理技術，已各自發展出自己的產業生態系，茲彙整如表1。製造業在數據治理上的典範轉移為國內軟硬體業者帶來新的發展契機。以短期來說，5G專網落地、邊緣算力提升，將拉動廠內數據融合需求，使數據應用從「雲端」回到「場域+雲」的混合模式，為具備製造場域OT數據整合經驗的臺灣廠商，帶來新的軟硬體製造、創新服務商機。
另一方面，開源開發框架普及，各大海內外大廠試驗性的合作，也預示了未來異質設備協作場景的浮現，若國內智慧製造業者在設備上加掛、導入共通標準之DDS模組及服務，可望加速融入成形中的異質設備協作生態系，開拓新的廠內協作商機。
而以IT端的數據服務來說，基礎數據服務及基礎架構，目前海外大廠如Google、Amazon仍占絕對優勢，然而，國內業者可仿照海外新創模式，善用大廠基礎資源予以進行整合加值，並根據國內產業客製化需求，滿足在地產業服務。另一方面由於國內中小型製造業者大多處於數位轉型起步階段，仍具大量基礎數據收集、數據分析服務之需求，此類需求較難為國外高價、低彈性的套裝軟體(如SAP)所滿足，因此亦可提供台廠潛在市場機會。
(本文作者楊智傑為資策會MIC產業分析師；魏傳虔為資策會產業顧問)