AOI虽是一个已经历经数十年的淬炼的成熟技术，仍有许多无法突破的瓶颈，例如误杀率太高，导致複检的人力无法降低，还有某些瑕疵需要多条件下才能判断，以及无法制定容错空间等等，这些都是制造厂商所面临到必须忍痛包容的点，尤其现今面临产业转型，许多产线被迫调整成少量多样的形式，这些都是过去AOI 所难以克服的。
面对现今消费电子产品极力朝向轻、薄趋势发展，上中游印刷电路板（PCB）、面板、晶片等核心元件也须随之整合，并採取一体化设计；在制程阶段，则将要求品质应通过全检、24/7不间断连续生产。如今不仅导入自动化光学检测（AOI）解决方案已是标配，还须加入人工智慧（AI）以2D/3D图像分析为核心的机器学习技术，强化影像辨识功能。
回顾过去AI因为受到高速运算技术限制，CPU无力执行机器学习（Machine learning）演算法，直到约7~8年前NVIDIA正式跨足AI并加速深度学习（Deep learning）演算法之后，才促使AI能真正蓬勃发展，并深入影响人类社会各层面生活，接下来甚至还会持续向云端cloud、5G，或地端的自驾车、机器人等领域渗透。
但随著AI技术的兴起与成熟，大家著眼于AI 能够解决以上的困境，然而实际面有这样容易吗？ AOI 要加装AI 这对翅膀会遇到什麽样的问题呢？
如何透过AI AOI瑕疵检测改善工厂制程？
AI 辨识系统的导入，能如何协助AOI瑕疵辨别的判断？
首先，良率提升是否达到预期？ 以传统的AOI 来说，多是用光学比对的方式，在主程式中需要放有图库，让判读程式来比对，但是AI 则是经过训练之后，可以依据瑕疵的特徵来做侦测，因此需要的训练样本更少，模型建立速度更快。并且后续只需要以增加样本的方式，就能逐渐提高检测率或是降低漏检率。制造业者比起误判率，更在乎的是不要漏检，也就是江湖传言的，宁可错杀一百，也不要有漏网之鱼，而这些就是AI 面临的挑战！
另外AI 相较于传统AOI 需要的电脑算力比较大，受限于目前硬体的效能，通常无法像过去那样极短时间内比对上百万张的图片，因此大部分客户都会用AI AOI用来作第二次的複判，将AOI判为瑕疵的再做一次检查，像这样与传统AOI 设备检测流程的整合，也是极其关键的挑战。
最后，很多AI 模型都是在实验室里面闭门造车，或许在可控的环境，数量不多的样品测试底下，表现还算令人满意，然而未经过大量的现实产线检验，许多厂商也不敢贸然使用，以我们的经验，模型的成熟以及稳定，端赖与业主不断地沟通以及通力合作，搜集各式种类的样本，花费许多心力时间所累积才有令人满意的可靠AI。
3个企业自行开发AI 辨识系统最常面临到的问题
很多传统AOI公司面临AI 来袭，都会考虑是否在公司内部成立AI 部门，找团队来耕耘，立意虽好，但以目前来说：
AI 深度演算法有一定的门槛，人才难得。
进来之后除非对于演算法的研究有相当的热诚，让他单一做一样瑕疵检测，很容易磨耗心志与热诚，好不容易培养出来的人才也会面临难以留任。
演算法推陈不断出新。
除了软体技术开发外还需与学术研究配合，往往过去的方法百试不灵，但是採用新的论文新的方法就解决了，可见维运一个有竞争力与专业性的软体，所需耗费心力＆人力程度不容小觑，这些是我们有许多配合的AOI 设备厂商都共同面临到的问题！
关注微信号
