預測性維護：先建立資料，再討論省下多少成本。

即時監控、異常偵測與預測不是同一件事

即時監控描述目前狀態，異常偵測找出偏離常態的訊號，預測性維護則試著提早指出需要維護的情況。三者需要不同的資料與驗證方式。

先做好狀態與告警，往往比在資料不足時直接訓練模型更有實際價值。

需要哪些資料才能開始？

除了設備訊號，也需要維護、故障、使用條件與時間紀錄。不同設備、負載與環境可能造成差異，應保留能解釋變化的背景資訊。

• 設備識別、採樣與時間同步
• 故障定義、事件與維護紀錄
• 負載、環境與操作條件
• 資料缺漏、感測器異常與變更

怎麼驗證模型是否值得使用？

測試資料應與訓練資料區分，並依時間與設備情境安排驗證。要同時看漏掉的故障、過多的告警，以及告警是否早到足以採取行動。

人工確認與維護工作流程也應納入驗證。即使模型指標看起來理想，現場無法採取行動仍不算完成落地。

維護成本要使用同一口徑

比較導入前後時，應確認產量、設備與時間範圍是否相近，將平台持續成本也納入。規劃書的「省下百萬」是主題範例，沒有真實證據前不使用它作為績效宣稱。

循序導入的路徑

先盤點設備與資料，再做 IoT 試點、資料品質確認及規則型告警。資料足夠後才評估模型，並讓維護團隊參與驗收。

部署之後也要觀察設備、環境與負載改變，必要時更新評估，不能假設模型永遠適用。

第一次討論先帶上設備與故障紀錄

列出設備、關鍵訊號、故障紀錄與維護流程，即使資料不完整，也能先判斷應該優先補足哪一段基礎。