導入AI技術進行產品影像檢查計畫
超硬鑽頭、立銑刀及金屬加工設備製造商 -- Union Tool，是全球領先的「PCB鑽頭」製造企業，專門用於在電子電路板上鑽出用以固定元件與進行配線的微細孔洞。在全球半導體領導廠商所生產的高集成度CPU、GPU等元件能夠正常運作之前，Union Tool所製造的鑽頭所鑽出的這些「孔」是不可或缺的關鍵。
支撐Union Tool高技術力的關鍵，在於其徹底的「內製化」策略 -- 不僅製造產品，連生產設備本身也由公司自行開發。該公司生產技術部副部長篠崎亮表示：「我們公司有著『什麼都自己做』的企業文化。為了實現印刷電路板（PCB）製造商等客戶所要求的產品，我們連製造設備都自行開發，並以客製化方式進行產品製造。」
【圖片說明】Union Tool生產技術部副部長 篠崎亮
Union Tool擁有來自中國、北美等地眾多客戶，主要為GPU和CPU封裝基板製造商，並提供客製化產品。該公司常態性生產超過1000種產品，僅鑽頭刀刃的試作品數量就超過1萬種。
自然地，在製造流程中，「檢查」扮演著至關重要的角色。產品檢查方式包含全檢與抽樣檢查兩種，但由於PCB鑽頭的刃尖比頭髮還細，肉眼難以辨識，因此作業人員必須透過顯微鏡進行檢查。這項作業不僅負擔極大，還需要相當的熟練技術。考慮到未來的人力短缺問題，依賴人工作業的檢查體制將難以持續。基於這個理由，篠崎所屬的生產技術部自2023年起開始研究利用AI進行影像檢查的可能性。
「我們透過攝影機拍攝產品影像，偵測是否有髒污或異物等造成的不良品。但問題在於處理速度。資深作業員能一次目視檢查多支鑽頭，一秒內處理數支產品。若要機器達到同樣水準，必須透過AI快速處理，提高吞吐量才能追得上。」篠崎表示。
為了解決這一課題，該公司最終開發出使用GPU的AI檢查裝置。
以良品影像訓練的AI檢查裝置機制
開發完成的AI檢查裝置，會事先拍攝大量通過檢驗的良品影像，並讓AI進行學習。之所以不是使用不良品的影像來學習，是有其理由的。
「因為鑽頭的不良率極低，而且所謂『不良品』的狀態有各種不同情況，因此實際上很難準備足夠多樣的不良樣本。基於這個原因，我們選擇用良品影像來訓練AI，並採用一種機制來判定『不是良品的東西』即為不良品。」篠崎表示。
在進行良品訓練的同時，也同步開發用於檢查的攝影裝置。為了能拍攝微細鑽頭的刀尖，需要邊旋轉邊拍攝的特殊結構，經過多次反覆試驗，最終完成該裝置，耗時約一年。
導入「AI-Stack」，高效共享GPU資源
在生產技術部內，負責軟體開發的是技術二課。該課的林伸一郎係長與新保貴也副主事，擔任 AI影像檢查系統的開發工作。「最初我們是在各自的電腦中導入GPU，先用兩台機器開始進行模型訓練。實際的學習與程式開發進行得相當順利，但花了很多時間在GPU環境的設定上。」林表示。
【圖片說明】Union Tool生產技術部 林伸一郎
為了實現以AI進行產品影像檢查的系統，Union Tool正同步進行軟體與硬體的開發，目前已進入開發的關鍵階段，目標是在2025年內正式啟用。
此外，生產技術部也希望透過AI來進一步提升生產效率，並有意導入效能更高的GPU。
「隨著開發進展，我們部門的人數也逐漸增加。若每台電腦都分別導入獨立的GPU，不僅成本高昂，還需分別設定環境，造成極大負擔。我們知道NVIDIA的GPU本身支援資源分割功能，因此也曾思考能否讓團隊共同有效利用GPU，但由於架構相當複雜，設定起來很費工夫。」篠崎表示。
然而，針對資料中心所設計的高階GPU通常是為大規模應用而打造，對於該公司而言規格過高、超出實際需求。正當團隊對「GPU分割」這一技術可能性感到興趣卻苦無具體實現方法時，2023年5月，在一場展會中，來自Macnica的一項提案為他們帶來了轉機。
「Macnica 向我們介紹了由台灣INFINITIX所開發的『AI-Stack』工具。它提供的功能似乎剛好符合我們的需求，所以我們決定先測試看看。」篠崎表示。
林與新保連接上由Macnica提供的雲端評估環境，測試AI-Stack的功能。最終，他們判斷這個工具確實能有效提升公司內GPU的使用效率，於是決定正式導入AI-Stack。
其實，AI-Stack的魅力不僅僅在於「GPU資源分割」，更進一步的是其資源管理的效率性。它能根據預設的策略（Policy），將由單顆或多顆GPU組成的資源池，自動分配給個人或團隊使用。使用者可以為每個團隊設定GPU資源的「最小／最大使用量」等條件。例如，當GPU資源處於完全閒置狀態時，某個團隊可以獨占全部資源使用；而當其他團隊也開始使用時，系統會根據預設策略自動進行分配。這樣的運作方式，能有效提升寶貴的GPU資源的使用率，實現彈性又高效的資源管理。
【圖片說明】INFINITIX所開發的AI-Stack是業界頂尖的AI基礎設施管理軟體，能大幅加速企業的AI導入。整合GPU分割／集約、跨節點計算、異質雲端管理、直覺式圖形化操作介面，以及環境建構功能，能將GPU運算資源的使用效率最大化，並靈活支援AI的高速迭代開發。
即使休假，也能持續活用GPU資源
生產技術部表示，導入AI-Stack後，團隊成員之間共享GPU資源變得極為簡單，並給予高度評價。
「當AI開發專案啟動時，我們會啟動容器並建構所需的開發環境。若要手動分配GPU資源，就必須由專人每次透過Kubernetes進行操作與設定，這項作業不但繁瑣，還非常耗時。但自從導入AI-Stack之後，這些複雜的步驟都不再需要，我們只需要專注於AI學習資料的設計與開發工作。」新保表示。
【圖片說明】Union Tool生產技術部 新保貴也
林對AI-Stack的排程功能給予高度評價。「AI-Stack不僅能將GPU分割，讓多位使用者同時使用時自動進行資源分配優化，還有一個非常方便的功能，就是可以『預約使用GPU』。像是進行大量資料訓練時，可以事先將工作排入佇列（queue），依序執行。如果在週五下班前預約好週末的GPU任務，那麼等到週一早上就能看到處理結果，不需要像以前一樣週末還得有人來公司啟動GPU計算。」
目前，該公司在長岡技術中心已建置一台配備兩張NVIDIA RTX A5000的GPU伺服器；而東京總部則配有性能更高的NVIDIA H100。這些GPU資源全都在AI-Stack平台上統一集中管理，未來也預計開放給生產技術部以外的部門共同使用。
培養能活用AI的內部人才
透過AI-Stack，Union Tool已成功建立起能高效分割並運用GPU資源的基礎架構。然而，篠崎也坦言，目前公司內部仍缺乏能真正活用 AI 的人才。
「其實在管理部門，有許多工作非常適合導入AI進行效率化。但若要實現這一點，就必須在開發、製造、管理等所有部門培養能活用AI的人力。因此，我們從其他部門調派了3位同仁至生產技術部，啟動一個專案，著手探討如何透過AI進行業務改革。」
該專案成員之一為池津駿一（第一工具技術部PCB工具開發課）。池津本身是鑽頭設計師，但他也希望透過AI促進公司內部文件資源的有效活用。
「公司內部有大量包含技術資訊的報告書等文件，但過去這些知識並未被有效活用。而這些文檔中往往包含客戶的特殊規格等機密資訊，因此我們無法將它們交給外部AI進行學習。因此，我們正在考慮在公司內部建立AI環境，自行建構本地的LLM（大型語言模型）來處理這些內容。」池津表示。
【圖片說明】Union Tool生產技術部 池津駿一
Union Tool所製造的工具多為客製化產品，根據不同客戶的需求，PCB的材質與表面加工狀態等也各不相同，相關的技術文檔可說是新產品開發過程中極為寶貴的知識寶庫。池津正構思，透過將生成式AI與公司內部資訊搜尋結合的機制，採用RAG（檢索增強生成，Retrieval-Augmented Generation）等技術手法，有效活用這些過去累積的知識與經驗，提升AI回答的準確性。
未來隨著AI在多個部門的應用逐漸擴大，AI-Stack的GPU資源分割功能也將發揮更大的價值。
給予在導入過程中持續陪伴的 Macnica 高度評價
在Union Tool的AI-Stack導入專案中，篠崎等人一致表示，作為經銷商的Macnica是他們極為可靠的後盾。
「說實話，在導入AI-Stack的過程中，我們公司『什麼都自己來』的文化反而成了阻力。我們想靠自己內部成員完成所有設定，結果反而花了很多時間。Macnica的負責人一直在旁默默陪伴，尊重我們的做法，耐心地守望整個導入過程。雖然他們可能其實早就想出手幫忙(笑)，但他們只在我們真的遇到困難時才伸出援手，這點讓我印象很深刻。」篠崎表示。
透過AI-Stack，Union Tool建立了能高效管理GPU的環境，未來不僅將此應用於生產技術領域，更期望透過AI推動整個公司業務的效率化。在堅持「什麼都自己做」的企業精神之下，結合對優秀工具果斷導入的靈活態度，Union Tool實現AI活用成果的那一天，已然近在眼前。
製作：ITmedia株式會社 © 2025 ITmedia, Inc. All Rights Reserved.
