我的跨領域學習故事 第4篇

人工智慧主修的選擇與未來應用方向

我選擇人工智慧技術與應用學士學位學程就讀的原因是在2024年的時候chatGPT大放異彩，業界都希望利用AI能夠提高生產效率、降低需要的人力資源。各行各業都是如此，可以看到AI應用的廣泛性、實用性，所以想要研究人工智慧。
目前跨領域主要跟工業AI有關係，目前正朝向智慧應用輔修前進。這個是我給自己的未來規劃，結合台灣本土製造業偏多的現況，於是選擇了工業AI相關課程進行學習。

跨域實踐與產業接軌的學習歷程

逢甲大學內設有與美國洛克威爾自動化公司（Rockwell Automation）合作創辦的實驗室，以及跟鞋業相關的自動化實驗室，且同時推出了智慧應用輔修鼓勵同學去參與。我在校內選修工業AI相關課程（如自動化實驗、製程資料分析、機台異常偵測等），課程主要在與 Rockwell Automation 合作之教學實驗室進行實作，包含 PLC基礎控制、感測資料擷取與產線情境模擬，作為上課使用的實驗設備與空間。
在大一正式開學前，系上特別安排我們參訪2024 年台北南港 SEMICON 展，由師長親自帶領了解人工智慧在半導體產業的應用與趨勢。這次經驗讓我在尚未正式上課前，就能直接接觸產業前線，了解AI如何實際融入製造與創新技術，也讓我對未來的學習方向有了更具體的想像與期待。
在輔修過程中，學校也安排我們參訪合作產業（如高明精機），透過現場觀摩了解產線自動化運作，同時與業界主管交流，獲得寶貴的實務見解與學習機會。這些經驗讓我更清楚地看見 AI 技術在製造現場的真實需求，也更確定自己未來想在智慧製造領域持續深耕的方向。

從程式到產線：看見工業 AI 的真實樣貌

我投入的領域是工業 AI。相較於原主修偏重基礎與通用型應用、著重演算法與系統實作，工業 AI 更要求現場觀察與問題定義：必須先釐清產線究竟要提升效率、良率，還是安全。走入現場後，我更能實踐課堂所強調的「不要為了 AI 而 AI」以流程與數據為起點：看機台、讀資料、與現場人員對焦痛點，透過實地勘查與製程理解界定可行的問題範圍，再選擇合適的方法（如異常偵測、預防維護、排程最佳化）提出可落地的解法。與過去的學習相比，工業 AI 更強調一個閉環：問題導向 → 資料蒐集 → 現場驗證 → 持續迭代。

以工業 AI 修課為核心的實作學習歷程

在學習過程中，最大的困難來自理論與實務的落差。雖然在課堂上能理解演算法與模型概念，但當實際應用於工業場域時，常因資料品質不一致、機台條件複雜而無法順利驗證。剛開始我嘗試用既有模型處理資料，卻發現準確度不理想，這讓我意識到僅懂 AI 原理還不足以解決實際問題。
為了克服這點，我主動學習資料清理、感測器校正與數據前處理等流程，並利用課餘時間與教授討論案例，一步步釐清問題來源。同時，我也閱讀相關論文與開放資料案例，學習如何讓 AI 模型與製程邏輯結合。經過多次嘗試與修正後，逐漸建立起將理論轉化為實務的能力。這段歷程讓我學會面對問題時不急於求解，而是從根本理解環境與需求，找出可行的方向持續改進。

跨域學習帶來的收穫與反思

透過工業 AI 相關課程與產業觀摩，我最大的收穫是更理解「技術與現場需求之間的距離」。過去在人工智慧課程中，我主要著重模型的準確率與演算法設計；但在進入實驗室進行工業 AI 課程後，我逐漸體會到現場更關心的是系統能否穩定運作、能否實際提升效率或安全性。
在與不同背景的師生合作與企業訪談過程中，我學會用更務實的角度看待 AI 的應用，也培養了跨領域溝通與協調的能力。這段學習讓我意識到，跨域並不只是技術的延伸，更是一種從現場出發、整合思考與反覆驗證的過程。
整體而言，跨領域學習讓我從「關心技術」轉為「理解問題」，也讓我更確定未來希望在智慧製造與 AI 應用的交叉領域持續深耕。