F al se p os iti ve ra te
圖MC04-15 ROC 曲線
關於比較迴歸模型的效能方面，常用的方法為RMSD (Root-mean-square deviation)及R2 (R-squared)，其計算公式如下。其中，yi、yˆi與y分別為真實值、預測值與
y
平均值，N 為 差值為di，i=1~n。這時我們可以令虛無假設(Null hypothesis)為 H0，其意義為 A、B 方法 效能無差異，以及對立假設(Alternative hypothesis)為 H1，其意義為 A、B 方法效能有差異。這時可以假設di 之母體為常態分布，採用 t 檢定，其公式如下：
165
166
圖MC04-16 巨量資料分析技術流程架構
167
為了加速雲端智能服務未來應用拓展的彈性與速度，系統架構如MC04-17 所示，規劃 將採三層式架構，分成前端應用、雲端網頁化架構、後端分析三層，形成一個通用型的架 構。每一層都有其專職負責的人員，分別為使用者、資訊團隊、分析專家。此架構運作的 流程如下：首先分析專家開發資料分析的演算法模組，之後由資訊團隊透過封裝整合的技 術，將演算法模組掛載至雲端平台，透過效能調校 （Performance Tuning)、安全性控管
（Security)等程序，讓前端的使用者統一透過 Web Service 的介面來使用巨量資料分析的計 算服務。Web Service 是一種軟體服務的形式，它透過 Web 通訊協定及資料格式的開放式 標準（例如 HTTP、XML 及 SOAP 等）來為其他應用程式或異質系統提供服務，或進行 資料交換。選用Web Service 此一介面的理由在於，它的介面已是工業界標準，任何系統都 可輕鬆存取，且透過其封裝資料及運算邏輯，可避免核心知識直接曝露給使用者。
圖 MC04-17 巨量資料技術服務化平台 雲端智能品質監診系統雛形建立
隨著品質分析作業需求多樣化，及系統分析功能精進等因素，建立「雲端智能品質監 診系統」功能，將原先之Off-Line 批次式品質分析作業，精進到 On-Line 的智能品質監診 系統，如圖MC04-18 所示。系統首先從大數據中將煉鋼合金成分、熱冷軋製程參數與最終 品質的關係轉換為AI 模型，當上游製程發生異常時，能以 AI 預測出可能的品質變異（即
「品質預警」），並警示當線採取必要的補救措施，警示下游進行製程參數之動態調控補償，
達到彈性生產、有效減少剔退的目標。
領域專家
資料科學專家
168
圖MC04-18 雲端品質監診系統雛形架構
圖MC04-19 雲端品質監診系統雛形運作流程
169
2. 上游成分、製程參數(因)與下游品質(果)變異之間的關係可利用迴歸分析(Regression)來 建立。以往品管人員慣用的工具僅有線性迴歸(linear regression)的功能，當因果之間關 係涉及複雜的非線性關係時，便無法解釋。本研究導入資料科學(Data Science)的工具與 理論，發展出「雲端巨量資料分析服務平台」 :
(1) 運用資料探勘(Data Mining)的手法，對眾多參數進行重要性排序，協助人員鑑別 與篩選出與品質相關的重要成因(Feature Selection)，避免將不相關的因子代入建 模影響模型精度。
(2) 導入「非線性多變量迴歸」的建模方法(例如：支持向量機，Support Vector Machine)，
運用高維轉換的概念，讓原本低維空間線性不可解的問題在高維空間中變成可解， (Coefficient of determination)為 0.4，使用本平台則 R-squared 為 0.8。
3. 隨著品質分析作業需求多樣化，及系統分析功能精進等因素，建立「雲端智能品質監診