從奧運AI教練系統談FMEA

今晚是東京奧運閉幕的日子，很開心今年台灣的成績比往年都來得好，然而佳績的背後，除選手、教練等團隊的努力外，運動科學也逐漸扮演重要的角色。以舉重項目為例，運用「AI教練系統」協助教練做戰術調整，包含掌握競爭對手可能的傷勢所在、判定下一把的舉重重量等等。AI系統愈來愈重要，其中的風險更應好好管控，所以這集節目就跟各位分享「從奧運AI教練系統談FMEA」這個主題。

什麼是FMEA?

首先，FMEA失效模式與效應分析，起源於1949年美國軍方，後來逐漸拓展到太空、航空、核電、醫療、汽車、軟體等領域，只要是高可靠度要求的領域皆可適用，而目前最新版的FMEA是2019年由兩大汽車協會聯合所出版的，此版本的FMEA有七大步驟，分別是1.定義範圍、2.結構分析、3.功能分析、4.失效分析、5.風險分析、6.優化、7.文件化成果等。若要用一句話說明什麼是FMEA，FMEA是預應式的風險管理方法，可以預先分析可能的技術風險所在，而提前預防、探測、甚至是優化。

透過七大步驟可以有條理的找出可能的風險所在，並加以預防、探測及優化，接下來分別說明如下。

1. 定義範圍

要分析AI教練系統的風險，首先，必須透過邊界圖明確定義AI系統的範圍，同時必須進一步分析系統外部不同的接口，包含物理接觸、資訊交換、能量交換、數據交換及人機介面等。

2. 結構分析

接著進一步分析邊界圖裡面的AI系統，從功能的角度將AI系統做結構化的分析，一般而言至少分析三個層次，例：系統、模組、演算法/資料庫等，在分析過程中為考量成本，分析的層次也不要太多，不要分析到最低層次的函數。

3. 功能分析

在結構分析完之後，接著分析各系統要素的功能，將每個系統要素的功能是什麼及該功能的要求都必須分析出來。而各系統要素的功能要求會受到法規、終端用戶的需求等影響而有所不同。以AI教練系統為例，由於選手舉完一把的休息時間只有不到2分鐘，教練更得在30秒內決定下一把的舉重重量，AI教練系統必須在短短2分鐘內產出分析，這代表AI教練系統功能要求中，回應速度必須小於2分鐘。

4. 失效分析

失效分析主要分析各個功能可能有什麼樣子的潛在失效模式，例：回應時間超過2分鐘、回應精準度小於7成等，同時會分析失效模式形成的原因以及對顧客的影響，顧客包含終端用戶，政府法規，上一級的產品集成。

5. 風險分析

風險分析是以潛在失效模式分析為基礎，定義預防措施、探測措施，通過評估嚴重度、頻度及探測度來估計風險，並對需要採取的措施進行優先排序。以AI教練系統來看，回應時間大於2分鐘便是重大風險，必須提前預防甚至須要重新調整軟體。

6. 優化

優化的目的在於通過改進設計，制定降低風險和增加顧客滿意度的措施，所以若AI教練系統回應時間大於2分鐘，必須改進設計，不然AI教練系統便來不及給予教練舉重重量等建議。

7. 文件化成果

最後FMEA的結果需紀錄存檔，以便後續參考使用。

愈是要求高可靠度的領域，不論是硬體還是軟體或軟硬整合，都可以運用FMEA做風險控管。透過這集節目的分享，想以AI教練系統為例，告訴您可以如何運用FMEA做風險控管，希望您會喜歡這集的節目。