AI 服務應用

以人工智慧、電腦視覺、深度學習為基礎，透過 Viscovery 自行研究開發的技術，為電商提供【AI 圖像搜索解決方案】，打破文字搜尋的限制，讓消費者透過拍照或上傳照片來搜尋難以形容，甚至無法使用文字來做搜尋的商品，例如：外來文商品、服飾、鞋子、包包、美妝商品等，讓搜尋變得更直觀、容易，藉以提升商品搜尋效率與消費體驗，並進而提升電商轉換率與銷售額。目前已與台灣 momo 合作導入。

透過數據分析與智能客服建造智慧線上預約服務，目前已應用在洗衣產業，透過智慧線上預約系統，線上預約洗衣服務，到府收送 透過智能客服解決洗衣各種問題，打造24小時隨時預約及客服服務。 智能客服採用最新人工智慧深度學習(Deep Learning)，自動紀錄每一次問答紀錄，具備錯誤矯正的能力。 我們打造的AI會員經營，透過數據分析做自動化的會員經營，提高消費者回購率以及客單價。

森林生態系統為動植物提供重要的生存環境，並生產可再生資源，所以說森林是全球碳和能量平衡的重要組成部分，森林結構的量測是資源評估和林產資源經營的基礎，政府和環境組織出於經濟、規劃和保護目的，必須調查森林資訊以掌握森林資源的數量，為積極推動林業及林產工業發展，活絡我國林業與木材產業鏈、振興區域經濟、提升在地就業，並因應國內過去積極造林之人工林已逐漸達輪伐期之可收穫利用階段，人工林積極疏伐將會是目前的主要作業之一 因此進行林地調查以及木材採取搬運等作業勢必增加各林區管理處人員之工作量，使用機器學習、深度學習技術等科技化輔助木材檢測作業，評估與分析可引進及改善國內林產業務林材測量作業之可行性。

門市對客戶沒有溫度，不知客戶內心需求。門市人員考效及人效差，沒有主動提供客戶最佳活動。利用大數據分析，智能推播更有能力可以解決細緻的個人化服務與精準行銷。宏康智慧採用wifi結合台灣主流通訊軟體LINE，收集線上線下客戶活動軌跡 主動推薦客服有關客戶相關訊息與教學，幫助客服更易了解客戶以便提供適合產品方案，行銷/人事管理單位也能夠以此作對應評審該門市/客服的服務水平績效,以提升坪效與人效。同時也可以整宏康智慧發展的其他通路平台，服務可以整合APP、LINE、POS，應用於各種產業的服務與行銷應用。

透過AI客服智能除錯機器人，業者的客戶可以只要輸入錯誤代碼， AI客服即可以step by step圖文顯示維修對策，引導立即排除障礙，減少機器故障帶來的營業損失，同時業者也可減輕真人客服的負擔，專注解決差異性的個別問題。 雲程在線採用人工智慧機器學習設計的聊天機器人平台，整合文字、語音的識別與對答能力，透過自然語意理解及智能學習，讓業者可以藉由智能客服展開與客戶即時互動、同時也具備錯誤矯正能力，能自動修正錯別字或同音字，讓客戶可獲得快速的互動新體驗。 本服務以AI客服-智能除錯系統為基底，並整合真人客服、網站、APP、LINE、FB 、YouTube…等社群媒體，目前已成功娃娃機、兌幣機、自動販賣機等應用。

1. QBot 是一個智能交談機器人，可在企業的官網、APP、社群帳號裡回應客戶問題，扮演企業對外或內部溝通的窗口 2.可應用於線上客服系統，透過資料庫數據分析、AI 智能化辨識，協助回應之文字的互動機器人 ChatBot 3. 透過 AI 智能化 ChatBot 應用提供使用者進行即時互動，談話服務、資料查詢、網路搜尋、商業資訊等服務

透過不斷的改進與優化，智能電話機器人能夠應對實務上不同的情境，替各行業有效降低成本、提高效率。它可以運用在名單過篩上，當公司有活動時，交給機器人去大量撥打邀約電話，顧客真正有意願時才線上即時交給非忙線的專員，是一個更有效率的運用；隨著上線後有更多的數據庫，機器人也可以持續優化，例如精簡話術、增加語料。能夠用於電話行銷、帳務催收、滿意度調查、新客戶回訪、活動通知、續約通知、繳費提醒、語音導航、預約服務、訂位訂票等，深耕於多行業領域業務，更理解業務，更瞭解客戶，更具有智慧。

智能助手平台可以分析客服與客戶對話內容，匹配出推薦答案，加速客服回答處理；還可以提醒客服適當的話術，增加客戶滿意度，並能提供客戶畫像，幫助客服聚焦識別，挖掘出新機會點。可以應用於客戶服務、業務查詢、業務線上申辦、預約服務等，幫助企業提高服務效率、降低人力成本及新人業務知識學習成本。

數位樣布資料建立： Frontier的方式很簡單，紡織廠不用添購昂貴設備，只要用公司裡最常見的事務機掃描布片，三分鐘就能上傳完成。接著再透過雲端上多達12個AI引擎，自動辨識布種、克重範圍、紋路、規格、色號，省去手動建檔的功夫。 AI織布判別： 經由機器學習(Machine Learning)讓其進行圖片特徵資料之辨識及分析應用，AI自動辨識布種、顏色及花型 AI圖搜圖： 於樣品庫中，品牌設計師可以從生活中找尋靈感，依照手邊的現有布樣花色的圖片、照片，利用圖搜圖功能來找尋廠商樣布中相近的花色樣式，讓設計師可以更加直覺便利的從生活中找尋想要的布樣花色。

凱比機器人主要為一Android開放平台, 並開放機器人控制介面與平台供第三方進行調研開發合適之應用. 提供真實的人機交互介面給第三方進行應用部署.

自動化分揀倉儲決策AI系統結合大數據與智動化科技，研發以預測、快速反應為基礎之AI倉儲軟硬體解決方案，AI in Edge 架構結合揀貨路徑規劃技術、儲位配置技術需求預測與庫存調度技術，整合物流貨品標識影像處理系統、國產化自動化分揀系統設備建置智慧物流Total Solution。智慧科技精準預測、最適儲位規劃、最佳揀貨排程，解決電商倉儲品項上萬、出貨急迫、人力時間不足，導致企業營運受阻問題及仰賴國外昂貴系統之困境。工研院服科中心採用 Variation Auto encoder 之無監督學習模型，結合「事前資源調度」與「人工智慧指揮引導」發展漸進式動態儲位配置調整技術，以遞迴式類神經網路、線性回歸模型、EIQ分析、深度學習、邊緣運算建立倉儲決策AI支援系統 ，協助解決EC物流中心缺工、爆倉等現象 ; AI in Edge 架構優化進貨、入儲及揀貨效率及空間利用，節省EC物流中心30%工時、50%人員移動距離與12%成本，自動化分揀系統與包裹辨識系統，快速滿足B2B、B2C等多型態出貨需求，目前已成功導入宅配物流業、EC物流中心、連鎖型超商…等國內相關業者。

學習語言與學習文化相輔相成。掌握華語才能深入了解臺灣文化，掌握臺灣文化才能把華語用到恰到好處。為了增強海外學子學習華語的動力，強化學生與臺灣的連結，僑務委員會自2020年推出首屆〈2020全球僑校學生華語口說爭霸賽〉以來，獲海外僑校師生熱烈迴響，總計有來自全球27國159所僑校學生組成511隊參賽，共計1,533人參加比賽。 僑務委員會於今年（110年）舉辦第二屆2021全球僑校學生及僑生華語口說爭霸賽，成功吸引上百組海內外6-18歲學生爭相參與。今年賽制分為朗讀賽與跟讀賽，全程採AI系統即時評分，各組並分別評選出5名優勝者，為慎重起見，僑委會請所有優勝者另檢送朗讀影片檔，並委託迪威智能公司以語者辨識演算法與參賽者原始音檔進行比對。 迪威智能公司採用領先市場的語者識別演算法進行驗證，成功複驗比對優勝者40人音檔，顯示此模型的可靠性以及適應性即便是不同的錄音環境也能夠準確的驗證出語者身份。

Beseye 日本東急鐵道公司合作，將 Beseye 的骨幹分析技術應用在日本東急鐵道公司的平交道上，若有人員闖入平交道、做出危險行為時發送即時通知到中控中心，有效降低危險發生率，解決先前傳統IVA、紅外線感測不夠準確的問題，成為全球首個將人工智慧影像辨識應用在鐵道的案例。至今 Beseye 的人工智慧影像分析也成為零售商店的首選，包含中華電信、遠傳電信、全球前三大手機品牌、台灣最大商場及全球各地的零售店，目前都使用 Beseye 的影像分析技術來了解客群、消費者行為，進而提升營收和營運管理效益。

智能對話機器人運用自然語言處理（NLP）、生成式人工智慧等技術，透過深度分析使用者輸入，確保提供最相關且精準的資訊。其成功應用範疇已擴展至金融證券和醫療領域，為使用者提供智能查價、智能掛號以及專業諮詢等服務。 NLP技術不僅適用於LINE等第三方即時通訊軟體，同樣也能無縫整合於網頁瀏覽器、專屬APP等多元平台，透過全方位的智慧服務，實現觸及更廣泛的使用者族群，同時達到成本節省及全天候 24 小時的不間斷工作。 智能客服機器人為會員提供更迅速且自主的查詢體驗，藉由FAQ、自然語言理解（NLU）等技術實現自動應答。在查詢股價方面，使用者不僅可以輸入股票名稱或代碼，還能以簡化的常用語，例如：台積電輸入「台GG」即可獲得精確的結果。此外，機器人支援多功能整合，可輕鬆融入不同系統。 雲端版和落地版提供全方位的技術支援，擁有專業的人工智慧技術開發團隊，致力於為現有應用系統增添智能對話功能，進一步提升客戶體驗，使其更為智慧與便捷。

(一). 計畫緣起 A. 廠方面臨問題： 1.製程日益精密、客戶要求全檢、量測產能已達上限 2.製程不穩定無法進行有效控制 3.首批需要投Dummy片驗證，需耗時半天 4.Layer量測難度大(破壞性檢驗)，無法全檢。 B. 執行步驟： 執行與整合步驟為： Step1. 建立AVM系統：完成100%全檢目標 Step2. 整合SPC系統：將AVM預測結果整合廠內SPC系統 Step3. 整合Alarm系統：將AVM預測結果依廠內Alarm 原則整合廠內Alarm系統 Step4. 整合Scheduler系統：建立智慧化抽檢機制 Step5. 整合當站製程：進行Feedback Control Step6. 整合後站製程：進行Feedforward Control 。 其中，Step4. 整合Scheduler系統：建立智慧化抽檢機制，需考量9項實務整合因素如下： 1.抽樣比例 2.機台穩定性 3.機台資料異常 4.AVM 模型狀態 5.預測精度水準 6.量測異常 7.產線排程穩定性 8.狀態改變: 調機或清機等。