你的第一個工廠本體（ontology），不必搬移資料就能對應資料

每當客戶提出品質問題，你的團隊裡總還有人得拿著一個批號，從 ERP 查到歷史資料庫（historian），再查到配方試算表，一路詢問同事每筆紀錄存放在哪裡。第一個工廠本體（ontology）不需要資料遷移，就能縮短這段路程：它記錄你的產品、配方、設備與量測值是什麼、彼此如何連結，以及各自由哪個系統保存，而資料則維持原位。

什麼是工廠本體？

工廠本體是一個共用模型，描述工廠中的各種事物，例如產品、配方、製程步驟、設備、量測變數與資料來源，以及它們之間的關係。第一版可以只保存參照，而非複本。舉例來說，模型知道某個感測器標籤量測的是 3 號攪拌槽的黏度，而其讀值保存在歷史資料庫中。

以參照方式對應，團隊能得到什麼

• 減少四處追問。 從批次到其配方版本、槽體、感測器標籤與原料批號的路徑，只需寫下一次。問題從這張地圖開始，而不是先發一輪訊息。
• 讓你已付費的軟體發揮更大價值。 ERP、MES 與歷史資料庫繼續各司其職。本體指向這些系統，並記錄其中紀錄之間的關聯。
• 範圍明確的第一個專案。 一條產線、一組明確定義的實體，不需要平台遷移。
• 一張後續自動化可以使用的全貌。 SAP News 於 2026 年 9 月 23 日刊出的專題報導指出，員工靠著知道該查哪份試算表，來彌補系統分散的問題，而 AI 代理本身並不具備這種組織脈絡。工廠地圖把這些知識寫下來，現在供人使用，日後也能供自動化與 AI 代理使用。

Functional AI Solutions 的基礎本體工作就從這裡開始。我們與你的團隊一起定義實體，將每個實體連結到既有保存它的紀錄，並用你們自己的問題來測試這張地圖。

導入前後：追溯一個批次

以一家台灣工業塗料製造商為例，它收到一件針對某個批次的客訴。現在，品質團隊要先在 ERP 查詢工單，再問生產單位跑的是哪個配方版本，接著問工程單位用了哪個槽體與哪些感測器標籤，最後到歷史資料庫搜尋對應的時間區間。每一步都仰賴某個人的記憶。

為那一條產線建立本體後，品質團隊從批次開始，沿著參照一路追查：

實體	存放位置	地圖儲存的內容
生產工單	ERP	工單編號、批次連結
批次	MES	批次 ID、產線、時間區間
配方版本	工程試算表	版本 ID、檔案與列位參照
攪拌槽	MES 設備清單	槽體 ID、已安裝的感測器
黏度讀值	歷史資料庫	僅存感測器標籤；讀值留在歷史資料庫
原料批號	ERP 進貨紀錄	批號、供應商

ERP 的生產工單與 MES 的批次仍是各自獨立的紀錄；地圖記錄的是兩者如何相互參照。

以參照方式對應，在真實工廠中行得通嗎？

2026 年 4 月 7 日，多特蒙德工業大學（TU Dortmund）機械工程學院的 IPS 團隊介紹了其虛實整合試點啤酒廠背後的知識圖譜。該本體為產品、配方、製程、作業程序、設備與量測變數建立模型。團隊與 Daibe 合作打造了一個資料連接器，從既有的 IT 與 OT 系統擷取營運中繼資料，並對應到本體的類別與關係。

這座啤酒廠的知識圖譜不匯入任何量測數值或時間序列。它連結的是工廠結構、製程脈絡、量測變數的參照以及資料來源本身，把零散的中繼資訊轉化為脈絡，支援透明度與可追溯性。對採購方而言，這個大學試點是一個實際運作中的參考設計。

開放工具也支援同樣的模式。Ontop 是採用 Apache 2.0 授權的虛擬知識圖譜系統，會將圖譜查詢轉譯成對來源資料庫執行的 SQL，因此資料留在這些來源中。其實體化教學建議，將量大且持續更新的感測器資料保持虛擬，而把較豐富的脈絡存放在圖譜中。

第一版要如何界定範圍與評估成效？

從你的問題出發建立模型：

1. 選定一條產線。
2. 寫下約 10 個目前難以快速回答的追溯問題，例如某個批次對應的是哪個配方版本、槽體與感測器。
3. 只為這些問題所需的實體與關係建立模型。
4. 以參照方式，將每個實體連結到其來源系統。
5. 計算這 10 個問題中，有多少個能在無人重新輸入資料的情況下，藉由地圖協助回答。

識別碼決定進度。如果歷史資料庫把某個槽體稱為 TK03，MES 則稱為 Mixer 3，那麼第一項建模工作，就是記錄這兩個名稱指的是同一個槽體。

讓地圖屬於你，再加以重複運用

工廠本體承載的是你對「事物是什麼、彼此如何關聯」所做的決定，因此你自己的團隊應該能讀懂並擴充它。這正是 FAIS 處理本體工作的方式。之後，同一張地圖便能在你起步的那條產線上支援客製化自動化與代理式軟體，也能為下一條產線提供起點。

本季你可以採取的行動：選定一條產線，寫下 10 個追溯問題，並計算一張只存參照的地圖能協助回答其中多少個。如果結果顯示值得進行第一版建置，那就是該與我們談談的時候。