穹境科技 SkyRealm Tech預約流程健檢
返回洞見列表
流程自動化2026-10-014 個章節

AI 找到原因，還不算改善

根因要接上 CAPA

核心結論

先整理異常時間、產品與批次、設備、製程參數、檢驗結果、操作班別、維修與最近變更，並讓各系統時間可對齊。每個候選原因都要能連回原始證據；若資料只存在照片或紙本，先做一致欄位與事件編號，不必一開始建大型資料湖。

執行摘要

核心觀察：AI 根因分析的價值不是快速生成一張魚骨圖，而是協助工程師把跨設備、製程、品質與維修資料收斂成可驗證假設。NIST 指出，診斷知識若散落在紙本與個人文件，相似問題仍會重做調查；2026 年研究也顯示，LLM 的一致回答可能仍然錯誤。[1][2] 行動建議：將每個 AI 推薦原因綁定原始證據、反證測試、負責人與截止日，通過現場確認後才建立矯正措施；結案必須再驗證缺陷率、復發率與副作用。FDA 的 QMSR 僅適用特定醫療器材製造商，本文引用其品質系統邏輯，不把它誤寫成台灣一般製造業的法規要求。[3][4][5][6]

先把異常變成證據包

傳統根因分析常從一份客訴、停機紀錄或不良品照片開始，再由工程師追問人、機、料、法、環。問題不在缺少分析工具，而是設備訊號、製程參數、檢驗、維修與批次資料時間不同步，調查結果又留在個人檔案。NIST 指出，相似問題因此會在不同人員與工廠間重複診斷。[1]

導入 AI 前，先為每個異常建立證據包：發生時間、產品與批次、設備狀態、參數變更、前後工序、檢驗結果、維修事件與操作紀錄。AI 可協助找出相近案例與候選原因，但每個候選都要指回原始紀錄。找不到來源的推論只能標示為假設，不能直接寫進正式根因。

用獨立驗證擋住自信錯誤

2026 年的 LLM 故障診斷研究呈現一個關鍵反例：在 NASA 子集上，原始 LLM 準確率只有 0.618，低於傳統分類器的 0.920 至 0.930；重複輸出的高度一致也不保證正確。[2] 因此不能把語句完整、推理順暢或多次回答相同，當成根因已被證實。

較安全的流程是把 AI 假設交給另一條驗證路徑，例如規則、統計模型、物理限制、實驗或資深工程師。研究在 LLM 與驗證器一致的約 66% 案例中取得約 90% 準確率，但其餘案例需要升級，而且作者明確表示接受不等於保證正確或自動維修命令。[2] 企業應同時報告接受、拒絕與人工覆核。

從根因走到矯正措施

找到可能原因後，品質流程才進入真正困難的部分：誰要改什麼、何時完成、如何避免副作用，以及怎麼證明沒有復發。九個月製造個案顯示，AI 品質導入需要資料科學與製造工程同步調整，系統應支援異常排序與調查，而不是取代現場專家的責任。[3]

代理式根因分析可以串起前處理、異常偵測、因果探索與報告，但 AAAI 研究仍是公開與專有資料集上的示範，不是一般工廠的自動改善證明。[4] 實務上應把每個確認根因連到矯正措施、責任人、截止日、變更審查、驗證方法與復原條件；未完成成效查核前，狀態只能是觀察中。

結案前驗證真的沒再發生

以人為中心的診斷治理提醒，系統要決定何時揭露結構、提供哪種協助，以及先問哪個可確認問題，而非一次丟出完整答案。[5] 對中小企業而言，可先讓 AI 生成三個最可能原因、各自支持與反對證據，以及下一個成本最低的確認動作，工程師完成測試後再更新排序。

FDA 的 QMSR 僅適用特定醫療器材成品製造商，但它顯示品質系統重視風險、紀錄與一致生產的邏輯。[6] 一般製造業可借用這個心法，卻不能冒稱法律適用。Lead Measure 可看證據完整率、假設驗證週期與措施準時率；Lag Measure 再看同類缺陷復發、報廢、停機與客訴。

關鍵要點

1

假設不是根因：AI 推薦只能進入待驗證清單，必須以現場測試、時間關係與反證排除後才成立。

2

一致也可能答錯：多次輸出相同不能取代獨立驗證；同時揭露自動接受覆蓋率與人工升級率。

3

知識要能重用：把故障模式、證據、已排除原因、處置與結果結構化，避免不同班別重做同一調查。

4

改善要有人負責：每項矯正措施都要有責任人、完成期限、變更內容、風險檢查與復原方案。

5

結案看是否復發：除了關閉工單，還要在足夠觀察期內確認缺陷、停機或客訴沒有以相同機制再發生。

參考來源

[1]

Smart manufacturing through a framework for a knowledge-based diagnosis system

美國國家標準暨技術研究院（NIST）原始研究 · 2017-06-09

https://www.nist.gov/publications/smart-manufacturing-through-framework-knowledge-based-diagnosis-system
[2]

Explainable LLM-assisted fault diagnosis for smart manufacturing using multi-trace diagnostic rationales and verification

International Journal of Advanced Manufacturing Technology 原始研究 · 2026-09-17

https://link.springer.com/article/10.1007/s00170-026-19043-z
[3]

Beyond technology: how systemic coordination enables AI integration in manufacturing

Journal of Manufacturing Technology Management 原始研究 · 2026-08-14

https://www.sciencedirect.com/org/science/article/pii/S1741038X26000301
[4]

CausalPulse: Agentic Copilot for Root Cause Analysis in Smart Manufacturing

AAAI Conference on Artificial Intelligence 原始研究 · 2026-03-14

https://ojs.aaai.org/index.php/AAAI/article/view/42381
[5]

WrenchBuddy: A Governance Framework for Human-Centered Industrial AI Fault Diagnostics

Machines 原始研究 · 2026-08-29

https://www.mdpi.com/2075-1702/14/9/984
[6]

Quality Management System Regulation (QMSR)

美國食品藥物管理局（FDA） · 2026-02-02

https://www.fda.gov/medical-devices/postmarket-requirements-devices/quality-management-system-regulation-qmsr

常見問題

Q：中小型工廠做 AI 根因分析，第一步要整理哪些資料？

A：先整理異常時間、產品與批次、設備、製程參數、檢驗結果、操作班別、維修與最近變更，並讓各系統時間可對齊。每個候選原因都要能連回原始證據；若資料只存在照片或紙本，先做一致欄位與事件編號，不必一開始建大型資料湖。

Q：AI 列出的第一名原因，可以直接當正式根因嗎？

A：不可以。排名只代表模型認為較可能，不代表因果已成立。工程師仍要檢查時間先後、物理機制與替代解釋，並設計反證測試。正式根因至少要有可追溯證據、排除主要競爭假設，且矯正後在預定觀察期內未以相同機制復發並留存紀錄。

Q：AI 根因分析準確率要多少才適合上線？

A：沒有通用百分比。應分別看自動接受案例的準確率、系統覆蓋率、人工升級率與漏掉高風險原因的成本。研究案例顯示約 90% 的接受案例準確率只涵蓋約 66% 案例，不能說成全體 90%。先用影子模式按故障類別建立自己的門檻。

Q：根因分析完成後，CAPA 什麼時候才能結案？

A：矯正措施完成不等於可結案。還要確認變更已執行、沒有造成新風險，並在足以涵蓋主要產品、班別與工況的觀察期內比較缺陷率、停機、報廢或客訴。若事件頻率低，就延長觀察或採加速驗證，不能只用沒有新通報判定有效。

Q：AI 根因分析最適合從哪一類品質問題開始？

A：先選反覆發生、已有一定事件量、每次調查耗時高，而且處置結果可量測的問題，例如同類設備停機或穩定出現的製程缺陷。避免一開始挑重大但一年只發生一次的事件。試點應限定一條產線與一個故障族群，先驗證證據品質和調查週期。

由穹境科技 AI 情報系統生成 · 2026-10-01 · 資料來源見上方參考列表