過去消費性市場的產品生產型態是少樣多量，由於產品的樣式不多，加上大量且長時間生產，不但可以讓製造系統每一環節都針對單一產品調整，讓產能最大化，也可以讓品質穩定在一定程度，在此狀況下，產品的質量俱佳。不過近年來市場的消費者行為改變，多樣化成為市場的主流競爭模式，由於整體消費量不變，產品樣式一多，每一樣的單一需求量勢必就會減少，因此少量多樣化成為現在的製造模式。

凌華科技產品經理陳帥名指出，在AI技術的導入下，產線檢測的效能將可進一步提升。

少樣多量可以將製程長期設定為單一生產模式，少量多樣則必須頻頻更動產線，這也讓製程中的檢測環節帶來挑戰，過去由於產量大，產線都以調製最佳化，因此良率也非常高，檢測作業只要在製程的最後一環檢測少樣種類的產品即可，無論是設備或人員，需要具備的技能種類都不多。現在的產品種類一多，非但良率提升困難，而且對設備與人員來說，要精確檢測眾多種類的產品，人員技能與設備功能都要同步提升。

對此狀況，凌華科技產品經理陳帥名指出，近年來因應工業4.0興起的智慧化趨勢，不但可解決現在製造業者的問題，同時在AI技術的導入下，產線的效能將可進一步提升。

目前會應用在產線上的AI演算法主要是機器學習(Machine Learning)與其分支出來的深度學習(Deep Learning)，這機器學習演算法解決了製造系統過去需要長期訓練的問題，過去製造系統必須先在內部建立大量資料庫，讓前端的檢視設備可依資料庫的樣本判別產品良窳，不過一來要龐大樣本數建立有難度，二來新品不斷出現，產線工程師必須也必須不斷調整前端設備的識別設定，對整體產線來說，都不是最佳做法。

機器學習則是讓機器可以學習演進，根據一次又一次的設定，建立不良品的篩選邏輯，之後系統就會依此邏輯自我進化，之後有未曾出現的瑕疵，就會以過去建立的邏輯判斷是否為不良品，讓辨識能力持續接近最佳化。

機器學習演算法並非始於今日，在1950年代那一波AI熱潮中就被提出，不過當時硬體效能有限，因此並沒有能力被落實應用。後來半導體技術快速成長，摩爾定律不斷提升系統的運算能力，如今機器學習在IT系統上運作已不是問題，而產線檢測就是目前的應用環節之一。在具有機器學習演算法能力的生產系統中，只要建立少數樣本的資料庫，系統就會開始自主學習判別，將智慧製造願景落實在產品檢測端。