Edge AI Memacu Kilang Pintar E&E Malaysia

AI dalam Pembuatan (Elektronik, Automotif, Semikonduktor)••By 3L3C

Edge AI sedang mengubah kilang pintar E&E Malaysia dengan keputusan masa nyata di lantai produksi, bukan lagi bergantung sepenuhnya pada cloud.

Edge AIKilang PintarPembuatan ElektronikAutomotifSemikonduktorIoT IndustriKecerdasan Buatan
Share:

Pada 2023, lebih 70% projek kilang pintar global melibatkan AI di peringkat edge, bukan sekadar di cloud. Dalam sektor elektronik dan semikonduktor, inilah perbezaan antara robot yang “tunggu loading” dan robot yang buat keputusan dalam beberapa milisaat di lantai produksi.

Kebanyakan kilang di Malaysia – sama ada di Bayan Lepas, Kulim, Senai atau Pasir Gudang – sudah guna cloud untuk analitik dan laporan pengurusan. Tapi untuk automasi robotik, kawalan kualiti waktu nyata, dan keselamatan operator, cloud sahaja memang tak cukup. Di sinilah Edge AI mula mengubah permainan dalam industri pembuatan elektronik, automotif dan semikonduktor.

Artikel ini ambil idea teras daripada tulisan Lee Vick tentang pergerakan AI dari cloud ke edge, dan memfokuskannya kepada konteks pembuatan E&E dan automotif di Malaysia – apa yang sedang berubah, dan apa yang pengurus kilang, jurutera proses dan pasukan IT/OT patut buat sekarang.

1. Dari pusat ke pinggir: corak berulang dalam teknologi

Peralihan AI dari cloud ke edge bukan trend pelik; ia ikut corak sejarah yang sama seperti elektrik, media dan komputer.

Coraknya lebih kurang begini:

  1. Teknologi bermula secara terpusat – mahal, kompleks, hanya dimiliki pemain besar.
  2. Keterbatasan mula terasa – lambat, tak cukup fleksibel, bergantung kepada pihak luar.
  3. Berlakunya terobosan teknologi – komponen lebih kecil, lebih murah, lebih jimat tenaga.
  4. Pengguna awal guna dulu, masalah digilap, kemudian akses jadi normal.
  5. Berlaku titik perubahan (tipping point) – industri terus berubah dan tak patah balik.

Komputer dulu sebesar bilik, kemudian muncul PC, laptop, smartphone. Begitu juga tenaga elektrik: dulu loji besar sahaja, kini ada solar rooftop, microgrid dan EV sebagai storan tenaga.

AI sekarang sedang melalui fasa yang sama:

  • Fasa awal: model AI dilatih dan dijalankan di pusat data berkuasa GPU.
  • Fasa sekarang: tekanan kos, masa tindak balas dan isu privasi memaksa AI bergerak ke peranti edge – dari kamera vision di line SMT hingga ECU dalam kenderaan.

Bagi Malaysia yang sedang menolak agenda Industry 4WRD, NIMP 2030 dan Pelan Induk Sektor E&E, memahami corak ini penting. Syarikat yang kekal bergantung 100% pada cloud untuk AI berisiko ketinggalan bila rakan industri lain sudah mempunyai AI terus di mesin, di robot dan di sensor.

2. Kenapa cloud sahaja tak cukup untuk kilang pintar

Untuk aplikasi pejabat, AI di cloud mungkin memadai. Tapi dalam pembuatan elektronik, automotif dan semikonduktor, keperluan teknikal jauh lebih ketat. Empat isu besar sering muncul bila kilang hanya bergantung kepada cloud.

2.1 Latensi: mesin tak boleh tunggu “buffering”

Di lantai produksi, setiap milisaat dikira.

Beberapa contoh kritikal:

  • Lengan robot perlu berhenti bila manusia melintas dalam zon bahaya.
  • Sistem ADAS di kilang automotif perlu menguji brek dan sensor dalam keadaan simulasi dunia sebenar.
  • Mesin pemeriksaan optik automatik (AOI) perlu menolak PCB yang gagal sebelum masuk proses seterusnya.

Jika imej atau data sensor perlu dihantar ke cloud, diproses, kemudian jawapan dihantar balik, kelewatan beberapa ratus milisaat pun sudah bahaya. Di lebuh raya, kenderaan 110 km/j bergerak lebih 30 meter dalam 1 saat. Di line SMT, berpuluh komponen boleh terpasang salah sebelum model di cloud balas.

Edge AI membenarkan inferens terus di kamera, PLC, robot controller atau modul edge, dengan latensi diukur dalam mikro/milisaat – bukan saat.

2.2 Privasi & pematuhan: data kilang bukan untuk “dibawa melancong”

Banyak kilang E&E di Malaysia beroperasi di bawah:

  • NDA yang ketat dengan prinsipal global
  • Keperluan pematuhan pelanggan automotif (IATF 16949, TISAX dan sebagainya)
  • Polisi dalaman korporat tentang data reka bentuk dan proses

Menghantar video resolusi tinggi line pengeluaran, parameter proses wafer, atau data pengesanan kerosakan ke cloud luar negara menimbulkan isu:

  • Risiko kebocoran IP proses
  • Ketidakpatuhan dasar data serantau
  • Kebergantungan kepada sambungan rangkaian rentas sempadan

Dengan Edge AI, data paling sensitif diproses dan dianalisis secara tempatan, hanya metrik agregat atau model terlatih yang dikongsi ke cloud bila perlu.

2.3 Kos dan kebolehpercayaan rangkaian

Sesiapa yang pernah laksanakan projek IIoT berskala besar tahu masalah sebenar bukan pada sensor, tapi rangkaian:

  • Kos bandwidth naik apabila video / data mentah dipam ke cloud 24/7.
  • Kualiti sambungan tak konsisten – terutamanya kilang di kawasan perindustrian dengan infrastruktur lama.
  • Bila sambungan terganggu, automasi yang bergantung kepada cloud boleh terhenti terus.

Edge AI mengurangkan trafik ke cloud (hanya hantar “keputusan” dan bukan data mentah) dan membenarkan sistem terus beroperasi walaupun talian ke cloud jatuh.

3. Apa yang jadikan Edge AI kini praktikal untuk pembuatan

Dulu, menjalankan AI di peranti edge memang sukar: cip tak cukup laju, model terlalu besar, penggunaan kuasa terlalu tinggi. Hari ini, landskap sudah berubah dengan tiga pemacu besar.

3.1 Reka bentuk pemproses khusus AI (NPU, TPU, GPNPU)

Pengeluar semikonduktor kini membangunkan NPU / AI accelerator yang direka khas untuk:

  • Operasi MAC dalam jumlah besar
  • Penggunaan kuasa yang rendah (sesuai untuk modul edge dalam panel kawalan atau dalam robot)
  • Integrasi ke dalam SoC perindustrian dan automotif

Bagi pembuat peralatan (OEM) di Malaysia – dari mesin ujian IC hingga robot pembungkusan – cip sebegini membolehkan mereka menggabungkan AI terus dalam produk tanpa menambah kos dan saiz yang melampau.

3.2 Teknik pemadatan model: quantization, pruning, distillation

Di peringkat perisian, komuniti AI semakin matang:

  • Quantization menurunkan precision (cth dari FP32 ke INT8) tanpa menjejaskan ketepatan dengan ketara.
  • Pruning & compression buang sambungan dan parameter yang tak penting.
  • Knowledge distillation pindahkan “ilmu” dari model besar cloud ke model kecil di edge.

Hasilnya, model vision untuk pemeriksaan PCB, pengesanan kecacatan permukaan wafer, atau pengesanan anomali getaran motor boleh dijalankan pada modul edge bersaiz tapak tangan dengan TDP beberapa watt sahaja.

3.3 Seni bina yang mesra perubahan model

Dalam pembuatan, model AI jarang kekal statik:

  • Design produk berubah.
  • Proses diselaraskan.
  • Jenis kecacatan baharu muncul.

Jika hardware accelerator terlalu kaku dan hanya menyokong set operator tetap, chip akan ketinggalan sebelum sempat ROI tercapai. Pendekatan lebih moden – seperti yang Lee Vick kupas – ialah seni bina yang:

  • Meminimumkan pergerakan data antara blok (kurang latensi & kuasa).
  • Membenarkan operator tersuai ditambah melalui bahasa pengaturcaraan biasa (contoh C++).
  • Menyokong model yang berubah tanpa perlu reka semula silikon.

Untuk pemain semikonduktor di Malaysia yang mereka bentuk SoC atau modul industri, faktor ini membezakan produk yang hidup 10 tahun berbanding produk yang lapuk dalam 3 tahun.

4. Aplikasi Edge AI yang beri impak terus di kilang Malaysia

Berikut beberapa senario yang saya banyak nampak bila berbual dengan pasukan operasi kilang elektronik dan automotif.

4.1 Pemeriksaan kualiti berasaskan visi di line elektronik

Masalah biasa: AOI tradisional pakai rule-based image processing:

  • Sukar dikonfigurasi untuk board baharu.
  • Banyak false reject, operator penat re-check.
  • Sukar kesan kecacatan halus tertentu.

Dengan Edge AI Vision:

  • Kamera berkuasa NPU di setiap stesen boleh menjalankan model deep learning secara tempatan.
  • Model dilatih di cloud menggunakan data sejarah, kemudian diserahkan ke edge untuk inferens masa nyata.
  • Hanya statistik dan sampel kes ragu sahaja dihantar ke cloud untuk penambahbaikan model.

Hasil tipikal yang syarikat laporkan:

  • Penurunan false reject 30–50%.
  • Masa “recipe changeover” untuk model baharu jauh lebih singkat.
  • Lebih banyak isu kualiti dikesan di awal line, bukan di akhir pengujian.

4.2 Penyelenggaraan ramalan (predictive maintenance) peralatan kritikal

Motor, pam, oven reflow, chiller – semua ini bila rosak, OEE terus jatuh. Selama ini, data getaran dan suhu dihantar ke server tengah atau cloud untuk dianalisis secara batch.

Dengan Edge AI:

  • Node sensor pintar di mesin menganalisis corak getaran / arus secara lokal.
  • Model anomaly detection mengesan keganjilan dalam beberapa saat dan mencetuskan amaran kepada sistem MES/CMMS.
  • Hanya features atau insiden penting dihantar ke cloud untuk analitik jangka panjang.

Pendekatan ini mengurangkan downtime tak dijangka dan mengurangkan data yang perlu melalui rangkaian.

4.3 Kilang automotif: AD/ADAS, robot welding dan keselamatan operator

Sektor automotif Malaysia – termasuk Tier 1 & Tier 2 pembekal – semakin digerakkan oleh kenderaan elektrik dan ADAS. Edge AI memainkan peranan di dua peringkat:

  1. Dalam kenderaan:

    • ECU dengan NPU memproses data kamera, radar dan lidar secara lokal.
    • Latensi rendah kritikal untuk brek automatik, lane keeping dan lain-lain.

  2. Di kilang:

    • Robot welding dan painting guna vision di edge untuk pelarasan trajektori masa nyata.
    • Sistem keselamatan zon berbahaya pantau pergerakan manusia dengan kamera + Edge AI, bukan hanya sensor IR asas.

Kedua-duanya memerlukan silikon yang tahan automotif, jimat kuasa dan menyokong AI moden – tepat di persilangan antara pembuatan, automotif dan semikonduktor.

5. Cara praktikal memulakan strategi Edge AI di kilang anda

Banyak syarikat besar tersangkut kerana cuba “buat pelan agung” dulu. Realitinya, Edge AI lebih berkesan jika dimulakan dengan langkah fokus dan diulang.

5.1 Pilih satu use-case yang “sakitnya jelas”

Contoh yang sesuai:

  • Stesen AOI yang paling banyak false reject.
  • Mesin bottleneck yang sering rosak mengejut.
  • Proses manual critical-to-quality yang masih bergantung kepada mata manusia.

Jika kesannya boleh diukur (scrap rate, downtime, takt time), lebih mudah dapat buy-in pengurusan.

5.2 Reka bentuk seni bina hybrid: cloud + edge

Pendekatan yang biasanya berkesan:

  • Cloud / pusat data on-prem untuk latihan model, pengurusan versi, analitik menyeluruh.
  • Peranti edge di lantai produksi untuk inferens masa nyata dan respon automatik.

Pastikan pasukan IT dan OT berbincang awal tentang:

  • Standard komunikasi (OPC UA, MQTT dan sebagainya).
  • Cara kemas kini model (OTA update, jadual downtime, rollback jika perlu).
  • Polisi keselamatan dan segmentasi rangkaian.

5.3 Pilih platform semikonduktor yang tak mengikat anda

Dalam jangka panjang, kilang akan guna pelbagai model dan teknik AI. Saya secara peribadi lebih gemar platform yang:

  • Menyokong bahasa dan framework biasa (C/C++, Python, ONNX, TensorFlow Lite dan sebagainya).
  • Membenarkan operator tersuai bila model baharu perlukan fungsi unik.
  • Mengoptimumkan pergerakan data di dalam cip, bukan hanya kiraan MAC semata-mata.

Isu besar yang banyak jurutera adu ialah: “AI accelerator laju atas kertas, tapi bila integrasi sebenar, banyak masa hilang hanya untuk pindah data antara blok HW.” Seni bina yang menyatukan compute fleksibel dan MAC dalam memori kongsi tempatan jauh lebih praktikal untuk edge.

6. Ke mana hala tuju Edge AI untuk pembuatan Malaysia

Ramalan pasaran menunjukkan peranti Edge AI bakal mencecah lebih USD140 bilion menjelang 2034, dengan CAGR sekitar 21–37%. Untuk Malaysia yang sedang memposisikan diri sebagai hab E&E Asia, angka ini bukan sekadar statistik – ia adalah peluang strategi.

Bagi sektor pembuatan elektronik, automotif dan semikonduktor di sini, beberapa perkara jelas:

  • AI tidak akan kekal di cloud sahaja. Model mungkin dilatih di pusat data, tetapi nilai operasi maksimum datang bila inferens dibuat di mesin, di sensor, di kenderaan.
  • Semikonduktor ialah enabler utama. Dari NPU dalam modul vision sehinggalah SoC automotif, inovasi silikon menentukan sejauh mana kilang boleh menolak lebih banyak kecerdasan ke edge.
  • Pengeluar yang bertindak awal akan memimpin. Banyak kilang sudah tepu dengan “projek dashboard”. Gelombang seterusnya ialah AI yang betul-betul mengubah OEE, FPY dan masa siklus melalui keputusan masa nyata.

Jika anda terlibat dalam merancang transformasi kilang – sama ada untuk MNC besar di Penang atau vendor komponen tempatan – ini masa yang sesuai untuk bertanya:

Di mana AI kami hari ini, dan berapa banyak yang sudah benar-benar berada di edge – di tempat keputusan operasi diambil setiap saat?

Jawapan kepada soalan ini akan membezakan kilang yang hanya “nampak moden” dengan kilang yang betul-betul menggunakan AI sebagai enjin daya saing dalam dekad akan datang.