日月光攜手 SAS 建構 Agentic AI 智慧營運中樞 推進「全員 AI」規模化，打造可治理、可協作的數位勞動力

【威傳媒記者蘇松濤報導】

　　半導體製造講求高精度、高一致性與即時反應，任何製程偏差、設備異常或排程失準，都可能影響品質與產能表現。隨著AI模型從單點部署朝向規模化與 Agent 協作，日月光以「全員 AI」為策略，攜手 SAS 導入 SAS Viya 平台，建構 Agentic AI 智慧營運中樞，串接既有資料、模型、演算法與 AI Agent，強化模型生命週期管理、智慧決策、治理及 Multi-Agent 協作能力。

　　日月光既有 AI 應用已深入生產排程、品質與設備管理等實際場景。以智慧排程與即時動態派工（RTD）為例，AI 能依據產線進度、設備狀態與生產需求，動態調整生產安排，並提前通知相關人員準備，減少設備等待與閒置，讓生產管理從被動追蹤轉向主動調度。此次雙方進一步以良率預測展開 Multi-Agent 概念驗證，探索不同 AI 能力的協作與管理模式，為後續規模化應用奠定基礎。

從「全員 AI」走向規模化管理　SAS Viya 串起模型、Agent 與智慧決策

　　日月光多年來持續推動 AI 應用，從早期的 AI for Expert，將專家經驗與 AI 模型結合，解決特定製程問題；接著進入 AI for Everyone，透過 No-Code 平台降低使用門檻，讓更多工程師能運用數據解決日常工作問題；現在更進一步思考如何讓 AI 不只提供分析與建議，還能承接實際工作任務，逐步形成可與人協作的數位勞動力。

　　日月光人工智慧應用整合處處長陳宥瑜表示，隨著企業內部模型與 Agent 數量持續增加，關注重點也從「建立更多 AI」，進一步走向模型治理、可靠度、生命週期管理，以及如何將成功經驗複製到不同場景與廠區。

　　這次與 SAS 的合作，正值日月光 AI 應用從單點開發走向規模化管理的階段。SAS Viya 採開放式架構，可串接日月光既有資料、模型、演算法與日月光公司內部系統，並整合 ModelOps、智慧決策與 Agent 管理能力，讓不同 AI 元件能在一致架構下被調用、追蹤與協同運作。

　　SAS 台灣總經理龔律安表示：「當 AI 應用進入企業核心流程，挑戰不再只是建立更多模型，而是如何讓模型、Agent、資料與工具在一致且可治理的架構下協同工作。日月光已累積成熟的 AI 與製造能力，SAS 希望協助這些既有成果被更有效地管理、擴展與複製，進一步支撐『全員 AI』走向數位勞動力。」

　　對日月光而言，SAS 平台的一項重要價值，就在於不必將既有 AI 資產打掉重做。原有模型、演算法及資料處理元件仍可持續使用，再由 SAS Viya 扮演協調與管理中樞。在專案評估過程中，完整的治理能力、透明的決策流程，以及資料、MCP 與外部系統的串接能力，也是 SAS 獲得肯定的重要因素。

　　雙方初期也以良率預測進行 Multi-Agent 概念驗證。當使用者提出良率相關問題後，平台可協調資料處理、特徵工程、模型訓練、部署與評分不同 AI 能力，讓多個 Agent 在同一決策流程中共同完成任務。即使不是資料科學家的製造與良率領域專家，也能透過自然語言介面調用相關 AI 能力；日月光既有的模型、演算法與相關工具可持續沿用，由 SAS Viya 負責調用與協調，而非重新打造一套 AI。

AI 深入產線　打造產能、品質與員工效益三大優勢

　　在此次 SAS 平台導入之前，日月光已累積多項 AI 現場應用成果。以生產排程為例，日月光透過即時動態派工持續掌握產線進度與設備狀況，依據即時需求調整生產安排。其運作概念如同 Uber 智慧派單，系統可預判設備與生產需求，提前通知相關人員準備，降低設備等待與閒置時間。

　　品質管理方面，落塵（Particle）控制也是重要 AI 應用場景。透過數據中台彙整製程、設備、廠務與品質等不同來源資訊，再透過 AI 預測進行提前的預警，協助專業團隊更快判斷可能原因與處理方向。

　　AI 帶來的效益也延伸至人力運用。隨著生產規模擴大，目檢與重複性作業的工作負荷也同步增加。日月光透過 AI 自主檢測與作業自動化，降低例行性工作對人力的依賴，讓工程師能將更多時間投入異常分析、品質改善與專業決策。這不僅提升作業效率，更讓人力運用從重複性執行逐步轉向高價值的專業工作，強化組織因應產能成長的能力。

　　這些既有成果，也進一步凸顯 AI 規模化後的新課題：當不同產線、設備與專業領域持續產生更多模型與 Agent，企業需要一套一致的架構，讓這些 AI 資產可以被管理、追蹤、重複利用並彼此協作。

深化 AI 治理與知識傳承　讓數位勞動力跨場域複製

　　當模型與 Agent 愈來愈深入企業營運，治理的重要性也隨之提高。企業不只要知道模型準不準，也需要掌握模型與 Agent 的版本、運作狀況、資料來源與決策流程。SAS Viya 透過 ModelOps 與 Agent 管理機制，協助企業追蹤模型與 Agent 的生命週期、效能與執行紀錄，並保留必要的決策流程與可追溯資訊，降低 AI 規模化後的治理複雜度。

　　陳宥瑜進一步指出，對高度仰賴資深工程師經驗的半導體製造而言，AI 的另一項長期價值則是知識傳承。日月光期望逐步將製程判斷、異常處理與最佳實務，沉澱為可保存、管理與重複利用的企業智慧，降低經驗隨人員退休或異動而流失的風險。

　　日月光推動 AI 的下一階段，重點不再只是讓更多工程師使用 AI 工具，而是讓 AI 從分析與建議，逐步走向承接製造現場的實際工作任務。透過 SAS Viya 整合既有模型、演算法與 AI Agent，建立一致的治理與協作架構，讓分散的 AI 能力逐步轉化為可管理、可協作、可跨場域複製的數位勞動力，推動 AI 從個別應用走向企業級營運能力。

圖片提供：SAS

(資料來源：威傳媒新聞-WinNews)