隨著人工智慧（AI）技術的快速發展，全球各行各業都在尋求利用AI來提升效率和創新能力。台灣的紡織成衣產業在傳統生產技術上具備優勢，但在AI應用方面仍在摸索，本文將探討如何在生產製造與研發行銷兩大領域引入AI技術，以助產業迎頭趕上全球趨勢。
生產製造中的AI應用
- 提升自動光學檢測（AOI）的精準度
- 瑕疵檢測：目前，紡織布面、成衣車縫等瑕疵檢測大多依賴圖像辨識技術。購買光學自動辨識機器並不困難，難在於資料庫的分類和整理，如何將指標型圖樣和缺陷型圖樣的從資料庫中建立，直到讓機器懂得特徵以清楚辨別。
傳統AOI檢測精準度有落差且辨識速度也慢，可在設備上加裝AI加速卡提升偵測精細缺失與分類，以AI運算速度大幅強化AOI能力，避免將瑕疵布料、車縫的產品一路流入生產線，導致物料損失。唯資料整理仍需靠人工一一建立
【案例】ITMA 2023 期間，Shelton Vision推出WebSpector系統，這種先進的織物檢測系統使用人工智慧和機器學習來檢測各種類型紡織品的缺陷，包括能夠以高達100m/min的速度檢測迷彩織物上的瑕疵，而且缺陷辨識率超過 98%。
source：Shelton Vision
- 成衣尺寸品檢：成衣廠出貨的最後一個階段為，度量各尺寸段是否在符合製造單上的允收範圍，如尺寸不符則退回產線重新拆除製作，故廠端通常配置2人一起度量驗收。因此在AOI的基礎下，建議可將需驗收成衣外緣線條成立標準尺寸模型，可運用輸送帶將每件完成品送至拍攝處掃描，對比標準尺寸模型即刻分析圖像數據。還可訓練標示問題點，同時判斷通知回送某一個工段作修正處理。
AI視覺控制器可以自動對比成衣尺寸與通用基準模型，可節省度量的人力，以及避免長期工作疲勞造成錯誤又將不合規產品出貨等問題，再者累積異常數據交付AI分析出工段問題點對應解決方案。當下一批訂單進入系統時，提前警示需安排特殊生產點，以強化流程提高整體生產效率。
- 多機器人系統協作應用於熨燙工序
- 上述提及成衣在最後階段為度量尺寸，在此之前成品需經過熨燙平整維持度量尺寸的一致性，廠區多半配置3~4位人力。因不同成分衣服需對應不同溫度整理熨燙，但熨斗高溫危險且傳統溫度控制只靠齒輪轉動，操作者施加壓力若不均導致壓痕無法出貨。
故可導入AI控制的將機器人手臂，以多隻機器人手臂以群體系統協調配合熨燙工作，兩隻作為前附吸盤將衣服兩個肩點一起吊起，前後各一隻頭裝載熨斗，由螢幕後端控制溫度、時間和設置熨燙軌跡，以站立面熨燙，前後衣身轉換從機器人手臂旋轉角度即可達成。如此操作不僅不用人力還可增快速度、不傷衣服沒有壓痕、減少人員受傷等工安問題。且多機器人系統乘載能力強，若有故障可經AI控制交由其他機器人完成降低出錯率。
- 生成式AI用於快速尺碼放版
- 2D版片經過製作樣衣試穿後確認下訂單後，需要依照客戶製造單指示縮放尺碼，多半是規律尺寸的放大和縮小。故可利用深度學習模型（如卷積神經網絡，CNN）學習大量版片數據，從而生成外觀輪廓相似但尺寸相異的版片。
AI模型可以通過大量版片數據，學習不同尺寸之間的比例變化規則，自動生成各種尺寸的版片，精確地調整版片的各個轉角、彎弧，確保在縮放過程中保持原版片的比例和形狀，減少人為繪製的錯誤和不一致。
通常人為縮放一個5段尺寸的褲子需要2個小時，導入訓練完整的生成式AI應於1分鐘完成，此舉讓縮放碼段不僅立即完成，若經客戶修改再縮放亦是如此快速。此
外，尚可根據客戶偏好的尺寸，定制生成客製化版片，滿足各類客戶需求，同時提高縮放精準度和整體生產效率。
研發與行銷中的AI應用
因應消費者受到社群影響而不斷改變購買習慣，通路商需要創新更切合消費者心意的商品，因此收集客戶的購物習慣和偏好，透過人工智慧的深度學習，分析整理出品牌的消費群偏好模式，可協助開發下一季度新款式。操作方式為：
- 預測消費偏好與動態更新調整
- 根據所有顧客的瀏覽軌跡為基礎，紀錄瀏覽者的數位足跡數據，包含社交媒體數據、反饋與評論，將服裝類別的顏色、偏好款型、試穿尺寸等數據集結形成數據資料庫，以AI分析消費者行為模式用來辯別潛在需求和預測喜好，生成推薦內容或投放合適商品。並且需加入動態更新模型以監測模型預測效果，進行必要的調整和優化，增強優良購物體驗提高購買率。
【案例】一方面，時尚是有輪迴性的，例如“20年週期”(20-Year Rule)：90年代的消費者可能喜歡60年代和70年代的喇叭褲及JNCO大垮褲；而現在千禧世代和Y世代則穿著90年代的細肩帶洋裝和軍靴。
另方面，經濟與時事也會影響流行，例如最著名的裙長理論(經濟越繁榮，女性的裙子越短)，與口紅效應(經濟衰退時，女性會改以新口紅等小奢侈品來點亮自己的風格)。
現今，隨著Instagram等社交媒體平台的興起，有影響力的人開始發布他們的OOTD(今日裝扮)。對此，時尚產業透過SEO和演算法快速捕捉趨勢。但這也意味著趨勢的周期可能會更短，因為每個人都在尋找下一件大事，而不是重複外觀。
過去，為了預測需求，快時尚必須收集來自整個時尚界的洞察力，考慮到巴黎T台、柏林街頭、好萊塢紅地毯和紐約時裝週上展示的顏色、圖案、材質和剪裁。但其中難免受到時尚買手大腦的選擇性偏好或偏誤。
對此，瑞典時尚帝國&M已開始採用人工智慧演算法捕捉搜尋引擎和部落格上的資訊來獲取時尚趨勢數據，搭配商店收據、商店退貨和會員卡數據等大數據，來分析本地客戶的需求。
- 服裝設計模組化
- 透過AI找出網站瀏覽最多的款式，依據面料、顏色、版型預測市場趨勢進行分析，並協助生成獨特的設計服飾，再交與設計師判斷是否與其創意理念和搭配技巧相符，然後將以建立好的人體建模，進行3D模擬渲染或虛擬穿戴呈現，節省設計師構思及手繪圖稿時間，加快設計產出款數並精準對應市場需求。
提升AI訓練效率
人工智慧的深度學習多數以單一往返的深度訓練，一旦構成一個模型即可進入應用，但常因資料庫的數據不足導致結果持續出現偏差。若以AI模型使用它自己生成的標示進行再訓練，加乘彼此訓練應可更快達到成果。
由AI向AI學習（AI learning from AI）被稱為「自我學習」或「知識蒸餾」，在提高AI模型的性能和效率方面顯示出很大的潛力。將每個AI訓練模型在環境中進行探索和學習，並且相互交換信息或策略，以改進彼此的學習效果，此訓練方式多半應用於多機器人協作和分布式控制系統。
台灣紡織成衣產業目前應用AI技術尚在評估階段，現況應以資料庫的整合與定義同時並進，豐富資料庫數量也要確保數據品質，此皆為首要工作。初期應積極收集各廠或各品牌數據和圖樣，選擇標示問題點並累積資料庫數據。
中期可進行數據分類同時妥善選用AI處理技術工具和平台，通過深入分析和學習資料庫數據，實現精準預測、創意設計生成、優化消費體驗，從而提升生產效率和擴大商業效益。
最後要注意的是，AI發展技術均建立於加速運算和人工智慧，因應不同類型的資料中心基礎設施，需搭配多種先進液冷技術降低設備運算溫度，才能穩定提供強大且高效的運算能力，滿足日益增長的AI訓練和推理需求。
