圖面要求
尺寸、公差、材料、表面處理、版本與註記，是後續製造與品質判定的起點。
QIF 專題系列導覽
核心判斷真正的智慧製造，不是讓 AI 直接接管現場，而是讓企業每一次設計、製造、檢測、異常與改善，都留下下一次可以再利用的知識。QIF 的價值，是替品質資料補上共同語意與證據鏈，讓經驗不只被保存，還能被追溯、校準與再使用。
一、智慧製造不是把老師傅換成 AI
很多工廠一談智慧製造，就很容易把焦點放在模型、平台、儀表板或自動化設備。但現場真正難的地方，往往不是沒有資料，而是資料背後的判斷沒有被留下來。
老師傅之所以珍貴，是因為他看過不同產品、材料、機台、模具、製程與品質異常。看到一張圖面，他不只看尺寸，也會想到哪個角落容易變形、哪個表面處理會出問題、哪一種供應商變更可能讓良率掉下來。
AI 無法憑空產生這些經驗。它可以做的，是把散在圖面、檢驗表、異常單、培訓教材、設計規則與改善紀錄裡的線索整理出來，讓新人、新產品和下一次決策少走一段冤枉路。
不要講太滿：AI 不會直接取代老師傅，QIF 也不是單獨就能建立完整知識庫。QIF 比較準確的定位，是品質語意與證據鏈的基礎之一；真正落地仍然需要流程、系統、權限、覆核與人員治理。
二、CAD 圖面是資料，但還不是資訊
CAD 圖面裡有尺寸、公差、材料、註記與版本，這些都是資料。但如果這些資料不能和 MES、品質系統、歷史異常、供應鏈變更、製程教材與老師傅經驗串起來，它仍然停在文件層次。
資料要變成資訊，至少要回答三件事：這個要求從哪一版圖面來？它影響哪個製程或檢驗項目？如果結果超出邊界，過去有沒有類似案例可以查？
現場結果
製程參數、量測結果、異常原因與改善對策，是讓設計要求被現場校準的回饋。
判斷脈絡
誰判斷、依據什麼、在哪些條件下有效，決定這筆知識下次能不能被放心使用。
三、QIF 讓品質資料具備可累積條件
QIF（Quality Information Framework）可以理解成品質知識庫的語意基礎之一。它讓設計要求、檢驗計畫、量測結果、統計分析與改善回饋，有機會進入同一條可追溯資料鏈。
這件事的重點不是「把資料全部存起來」，而是讓資料之間有關係。圖面要求能對到檢驗項目，檢驗結果能對到異常原因，異常改善能回到下一次設計與製程判斷。當這些關係持續累積，企業才會從單次解題，走向組織學習。
| 資料狀態 | 沒有 QIF / 共同語意時 | 導入品質語意與證據鏈後 |
|---|---|---|
| 設計要求 | 留在圖面與人工解讀裡。 | 能對應檢驗計畫、量測結果與版本脈絡。 |
| 量測結果 | 只是一筆合格或不合格紀錄。 | 能回查判定依據、量測條件與改善紀錄。 |
| 經驗判斷 | 留在人腦或零散檔案中。 | 能被標記來源、條件、可信度與適用邊界。 |
四、共同版本、規則與人工覆核
SCM 的共同版本提醒我們：沒有同一份資料語意，AI 不能巡邏、彙整和警示。品質知識庫也是一樣，若圖面、供應商版本、檢驗表與異常紀錄各講各的，AI 只會把混亂放大。
報帳 OCR 的分流邏輯也很像品質知識庫：不是所有資料都能自動吸收。低風險、格式穩定、來源明確的資料可以自動進來；高風險、低信心、牽涉責任判定的資料，必須進人工覆核。
共同版本
先確認每個判斷都對到同一版圖面、同一版規格、同一個生效時間。
信心分流
把硬數據、經驗判斷、AI 推論與人工確認分層，不讓所有資料看起來都一樣可信。
例外治理
例外不是噪音，而是知識庫最該保存的邊界資料；成功和失敗都要回灌。
五、三個去識別化現場實例
以下案例依據使用者提供的內部 MD 摘要轉為對外可讀版本，只保留方法與管理意義，不公開本機路徑、客戶、配方、供應商料號、報價或受控文件內容。
實例 1：製程培訓教材，讓隱性經驗先被看見
許多工廠其實已經有知識庫雛形，例如噴塗、射出、電鍍、移印、網印、壓模、雷射等製程培訓教材。這些教材把原本靠師徒口耳相傳的作業原理、常見問題與注意事項寫下來，讓新人不必完全靠碰運氣學習。
QIF 對應角度在於：這些經驗若能再和圖面要求、檢驗項目與實際量測結果串接，就不只是教材，而會變成可追溯的品質知識資產。
實例 2：CAD 知識交接包，把設計規則變成可傳承資產
設計繪圖規則與 CAD 知識交接包，代表企業已經意識到「設計要求不能只留在個人習慣裡」。當尺寸標註、版本管控、材料選擇與設計注意事項被整理成共用文件，後續才有機會進入品質資料鏈。
這也是從資料到資訊的第一步：先把設計經驗顯性化，再把它和製造、檢測、異常與改善資料連起來。
實例 3：同業比較與設計優缺點，保存成功也保存邊界
只保存成功做法，知識庫會變成成果展示；連失敗、比較與優缺點都保存，才會變成組織學習。像模切做法比較、設計理念優缺點這類資料，表面上是簡報，實際上是把「為什麼這樣做、什麼情況不適用」留下來。
成功案例告訴我們方法可行，失敗或限制案例告訴我們方法邊界。這兩種資料一起累積，AI 才能在未來協助提示風險，而不是只產生漂亮答案。
六、從個人經驗到組織學習
智慧製造真正的發展，不是從人工突然跳到全自動，而是從每一次錯誤、每一次改善、每一份教材、每一張圖面與每一次檢驗中，把可再利用的部分留下來。量變累積到一定程度，才會出現質變：新人查得到過去怎麼判斷，新產品可以參照相似案例，主管能追溯為什麼當時做了這個決定。
這就是 QIF 和智慧製造知識庫之間的關係。QIF 不是魔法，也不是全部答案；它比較像是一組讓品質資料能對齊、能追溯、能回灌的共同語言。沒有這種共同語言，AI 很難真的理解現場；有了共同語言，AI 才比較可能協助組織縮短學習曲線。
結論：真正的智慧製造，是讓下一個人不必從頭犯錯；讓老師傅累積一輩子的功力，不只留在一個人的腦中，而能成為企業可累積、可校準、可傳承的品質知識庫。
卡片定位與保密、引用聲明
定位：本頁為 QIF 專題第 10 篇文章，用來說明 QIF 與智慧製造知識庫的關係，並連結外部權威準則。具體敏感明細留在各受控源文件，本頁只做方法整理與公開導讀。（本頁所述「工廠」均為去識別化代稱。）
若連結之權威單位，有認為需要修改、調整或下架之必要，本單位將配合調優、修改、刪除或者下架。
保密（營業秘密）：本頁為對外文件，不揭露客戶名稱、機種真實名稱、配方、供應商料號、報價等營業秘密；內部檔案路徑與本機連結也不作為公開連結提供。
引用（連結＝引用，不得用於模型訓練）：下列外部連結僅供引用、查證、延伸閱讀，不得整段或整圖轉載、不得用於訓練 AI。標準發行者之標準條文原文一律不轉錄；本頁相關內容均為自行整理並標出處。
外部權威連結與註解
- DMSC / QIF Standards：Quality Information Framework註解：QIF 是用來交換品質資訊的開放標準，可作為本文「品質語意與證據鏈」的標準背景。
- ISO 23952:2020 Quality information framework註解：ISO 23952:2020 是 QIF 的國際標準頁面，用來佐證 QIF 並非單一軟體廠商格式，而是品質資料交換標準。
- NIST Smart Manufacturing Systems Design and Analysis Program註解：NIST 對智慧製造系統、資料模型與分析方法的研究，可支撐本文「智慧製造需要資料脈絡與系統整合」的論點。
- NIST: Digital Thread for Smart Manufacturing註解：Digital thread 強調跨生命週期資訊串接，對應本文把設計、製造、檢測、異常與改善串成企業知識庫的主軸。
準備把現場經驗整理成可治理的品質知識庫？
從一條產品線、一次品質異常或一份檢驗表開始，盤點資料欄位、版本、信心分層與人工覆核流程。
卡片定位與保密、引用聲明
定位：本頁為知識庫「QIF 專題系列」文章，用來整理工廠 CAD、品質資料、製造治理與 AI 應用之間的關係，並連結外部權威準則。具體敏感明細留在各受控源文件，本頁只做指引。（本頁所述「工廠」均為去識別化代稱。）
若連結之權威單位，有認為需要修改／下架之必要，本單位將配合調優、修改、刪除或者下架。
保密（營業秘密）：本頁為對外文件，不揭露客戶名稱、機種真實名稱（一律代號）、配方、供應商料號、報價等營業秘密。
引用（連結＝引用，不得用於模型訓練）：外部連結僅供「引用、查證、延伸閱讀」，不得整段／整圖轉載、不得用於訓練 AI。標準發行者（ISO／ASME／AIAG）之標準條文原文一律不轉錄；本頁相關內容均為自行整理並標出處。