李家岩Chia-Yen Lee

利用作業研究與數據科學方法協助製造業數位轉型

研究興趣主要以「生產力與效率分析」與「製造數據科學」為主，以下分別陳述。

典型生產力與效率分析的研究，收集每個公司或決策單位於特定時間下的資源投入與生產產出，並衡量其相對技術效率 (efficiency)。然而，這類的分析多屬於「事後評估」。透過發展邊際生產力來解決生產有效性 (effectiveness)，並建議邊際利潤最大化的方向來優化資源配置，協助產能規劃與製程改善，將分析推向「事前規畫」。

另一方面在能源與永續議題上，以納許均衡 (Nash equilibrium) 探討碳交易 (cap-and-trade) 下汙染物排放的邊際減排成本(marginal abatement cost) (也就是為了消除額外一單位所排放的汙染，所需要花費的額外成本)，以及排放權的配置問題 (allocation of emission permit)。在每年碳排放總量管制的限制下，透過碳交易與排放權配置來改善環境問題。

在製造數據科學的研究方面，參與產學合作與建教合作，產業別涵蓋半導體製造廠、面板廠、半導體封裝測試廠、伺服馬達、工具機、五金扣件、化學工廠、植物工廠、系統整合商等，期望協助製造業數位轉型。

以數據科學發展方法論，包含在線預測監控 (in-line predictive monitoring) 機制進行半導體製程參數與設備參數監控，提出「彼此獨立、互補遺漏 (MECE)」特徵篩選找出重要參數間彼此低相關並提供完整決策資訊量，發展數據科學架構診斷半導體封裝脫層問題的製程影響參數與脫層預測，提出階層式設備健康指標 (equipment health index) 以監測設備並開發預測保養 (predictive maintenance)，以深度學習預測原料價格並使用強化學習建構採購決策模組，開發產能規劃模型，改善產銷平衡以及生產排程最佳化等。