隨著國內電信業者推出「5G專網」低成本租賃方案，以PCB板廠為主的製造廠商首先跟進，為5G應用在製造業的落地帶來一絲曙光。然而，導入5G專網對製造業的意義，除提升數據頻寬外，更重要是在於數據的廣連結（如促進工廠中大量且異質的IoT設備有效互聯），與對低延遲數據應用（如遠端控制、AMR協作）的支援。而邊緣運算興起，則使機台、人員數據可在更接近設備端，進行即時處理或分析，進一步增加企業數據管理之複雜度。
根據資策會MIC於2022年進行之「台灣製造業AI應用與需求調查」顯示，國內製造業有27.2%實際落地AI應用，但僅不到8%業者達到跨流程的串聯應用，其中「數據」串聯管理為阻礙AI跨流程應用的重要因素之一。而「數據」是企業全面發展AI應用的基礎，在數據量、數據即時性、數據多元性的多維度處理需求下，數據治理已成為製造業須思考的課題。
從企業數位化階段來看，經歷紙本到電子化過程後，製造場域產生之數據（如設備、生產資料）可能儲存於機房，利用內部ERP等系統進行批次處理、報表匯出，或藉由Google、AWS、Azure等公有雲端服務，將數據上傳至外部公有雲，於雲端進行進階的數據分析。企業亦可利用本地端結合雲端的「混合雲」模式進行數據管理。
不過，無論地端機房、公有雲、混合雲皆屬於集中式的數據管理機制，無法對製造設備、生產流程之關鍵問題進行低延遲的即時反饋（如故障預警、預測性維護等），也無法有效利用5G及邊緣運算帶來的優勢。因此企業須以新興數據治理技術予以回應。
例如資料分布服務即基於分散式的點對點機制，讓搭載DDS模組的異質設備（如機械手臂、AMR、感測器等）數據，能不經中控伺服器，即在邊緣系統中建立資料河（Data River），類似對講機的通訊頻道，使不同設備的狀態（如電量、工作負載、位置等）能讓其他DDS設備感知並彼此協調，在5G所支援的低延遲、廣連結特性下，達成整廠設備的即時協同運作與最佳化。
而「數據湖」（Data Lake）可解決不同部門、不同生產流程間的「資料孤島」，及其造成的數據不連貫，無法整合應用的問題。傳統上不同生產環節的部門擁有獨立數據系統，如MES、ERP、CRM、SCM，這些系統在不同生產環節各司其職，但當數據處理涉及跨流程的優化（如跨部門數據分析、機器學習等）時，傳統數據儲存方式就顯出其侷限。
數據湖以統一架構、單一配置的數據空間，允許不同來源（如機台數據、感測器數據、人工操作數據）的結構化（如文字、機器Log檔）、非結構化（如視覺辨識影像）數據存入統一的資料系統，儲存時不須預處理，在數據取用時，操作者可直接對不同生產部門、流程的數據同步存取，進行整合性交叉分析或機器學習，達成全面性數據分析。
除企業內部的數據治理，在全球供應鏈動盪、各國淨零碳排要求下，業者之間也要求更安全的數據交換機制，在避免企業隱私外流前提下，共享必要訊息（如上下游廠商庫存、上下游碳排量）。而新興的數據治理技術「聯邦學習」，可因應企業既希望進行數據共享、又擔心機敏數據外流的困境。
「聯邦學習」為分散式機器學習技術。首先，有共同目標的企業將組成一特定任務結盟（如碳足跡數據追蹤），並讓提供聯邦學習解決方案的第三方企業部署區域模型至各自企業中。此區域模型將從企業內的數據進行學習，並將學習成果彙集回聯邦學習伺服器，此伺服器將學習成果彙總為一總模型，最終以BI報表、演算法等形式提供給參與議題的企業運用。
在此過程中，企業內的數據都從未離開企業體，可避免企業數據揭露意願不足、機敏外流、跨國數據交換的法規限制等議題，而邊緣設備的算力提升，也讓企業數據無須進入中央伺服器，就能以地端設備進行在地運算，保護數據隱私，也加速分散式學習的效率。
除新技術之導入，數據治理也與人員權限管理、組織文化、新系統與既有系統及作業流程之融合度等要素相關，並非單一解決方案的導入一蹴可及，總體來看，製造業面臨的數據治理議題主要可歸結為「對內數據流通性不夠」，以及「對外數據共享安全性不足」兩點。
許多企業意識到數據是企業的金礦，然而從「開採」到更全面管理仍有許多障礙要克服，唯有能穿透企業內外部各環節的數據治理機制，「大數據」才能對企業發揮最大效益。
（本文作者為資策會MIC產業分析師 楊智傑）