應用案例

目前為網路發展快速的時代，方便、快速、不限地點、時間已成為網路特定印象，為更貼近消費者市場，各業者們也紛紛提供各開放式平台，供消費者使用，無論是ㄧ般的發文平台，或是日常生活會用到的購物平台，每日上架的商品及文章那麼多，後台管理員無法一一核對商品是否有違規的狀況，等到有人舉報時，通常都是亡羊補牢，全域提供了AI智慧網站守門員，透過AI影像辨識技術，辨識商品及發文的圖片是否合規，檢驗使用者上傳之照片，例如：含成人性議題的圖片，違法的槍炮彈藥管制條例的工具等，均可透過系統進行攔截，防止不雅圖片入侵網站

基於設備大數據的預測性維護與診斷 AVEVA PRiSM的APR技術 (Advanced Pattern Recognition先進模式識別)，將設備的實時運行數據同其特有運行模式進行比對，發現系統行爲的細微差異，從而對設備可能存在的問題進行提前預警，實現對設備的預測性維護。早於傳統報警系統數天、數周或數月進行預警 傳統的警告方式為設定上、下界限，但PRiSM是以點的周圍來計算，利用演算法建立一個正常的模式，當實際值和預測值之間的偏差超過允許的限制時進行預先報警。

「AI 服務型機器人Ayuda智慧平台」，完全台灣製造(MIT)，整合了機器人零組件、移動平台、人臉辨識、人形偵測、語音辨識、語音交談、視訊、自行學地圖尋標導航…等功能，為全球市售同等級產品中的佼佼者。同時可應用於智慧警察、智慧醫療、智慧金融及智慧教育…等多種不同情境。功能特性茲說明如下： 一、智慧機器人可自動學習地圖、自主移動及進行導航、帶位。 二、智慧機器人可辨識人形，主動趨前問候、接待。 三、智慧機器人可進行人臉辨識、身份辨識，並可提供語音答詢服務。 四、智慧機器人可與後端服務中心進行視訊連線以提供專人服務。 Ayuda 主要銷售領域為商用市場，涵蓋警政、醫療、金融、教育，現已成功推廣到花蓮國軍醫院、彰化第六信用合作社、台中公共資訊圖書館…等客戶，在外銷的部分，也已成功銷售給日本CIJ株式会社，後續將積極拓展日本服務型機器人市場。

利用多國語音辨識與智慧點餐，協助餐飲業者接待外國觀光客，使用本國語言點餐。協助商家以AI功能自動將商品名稱、商品描述、商品加值等內容翻譯成多國語言，提供海外旅客無阻礙的在系統上直接選購，支援英文、日文、韓文、法文為基礎語言，協助店家提供海外消費者優質消費體驗。

AI家教-程式修正機器人 – For Python programming，在程式設計教學時，學生需要重覆練習，程式修正機器人以AI增強式學習演算法，訓練機器人找出Python程式碼錯誤，進行邏輯與語法錯誤分析，提出修改進建議，因此可提高初學者學習效果，減輕教師人力負擔。開發完成的程式修正機器人，結合公司自主開發的遠距實作智慧教室系統，以結合遠距教學與虛擬教室，可不受時間、空間、疫情影響，老師即時授課與互動，且進行軟硬體環境快速建置，節省硬體成本及軟體衝突。公司產品平台解決方案有五大特色：即時影音互動式教學、專屬使用者雲端實作環境、虛擬教室監控與輔導模式、智慧教師創新偵錯模式、即時分組討論與問答模式。

利用安裝於工廠產線或各種戶外嚴苛環境的工業等級的 ToF 與stereoscopy 3D相機擷取大量2D與3D影像，經由立普思團隊特殊的AI機器學習演算法與大數據整合，可有效識別並重建各式物體在3D空間中的相關位置資訊，配合立普思獨家的硬體加速與平行處理功能，可實現高禎率即時物件與人形識別，可廣泛應用於工業4.0、智慧零售、智慧農業、健康照護、安全監控等各種不同領域。 立普思的製鞋自動化方案同時整合了2D與3D機器視覺、手臂控制、電漿噴塗、與機台控制等，能有效取代傳統製鞋業的人工步驟，同時藉由單隻或多隻 2D/3D攝影機，透過影像拼接 (image stitch)方式，將物件全方位掃描結果搭配AI深度學習的自動路徑規劃，直接控制機器手臂帶動電漿噴頭，以精準的法向量覆蓋鞋底全表面進行噴塗，相較目前大多數使用線雷射掃描的方案有更快的整體反應速度，同時也更具價格競爭力。立普思的VGR (Vision Guided Robotic) 方案目前已成功導入製鞋生產，此技術同時也可應用在各種相關產業，或是搭配立普思的其他AI應用如人臉辨識 (Facial Recognition)、人流計數 (People Counting) 、身形辨識 (Pose Estimation)等。

「DKABio智慧健康風險分析服務」由國內知名生物統計學者鄭光甫教授、資深醫界元老李英雄教授，聯合帶領浚鴻數據開發（Dataa）的AI技術團隊所建立，共投入超過7年時間，運用超過500萬人、資料期間長達20年、超過1億筆的華人健康資料庫，以大數據分析及機器學習技術所建置的風險分析體系， 綜合考量遺傳、行為與環境三大健康影響因素，整合148項生理體徵值、健康生活習慣、體質、家庭遺傳等投入因子，是一個全方位的健康風險分析服務，協助民眾提早在健康或亞健康階段，掌握自己未來罹患疾病的風險，予以事先預防及管理。DKABio榮獲第16屆國家新創獎，目前已針對國人常見的15種慢性疾病/病症提供風險分析服務，並與高雄榮民總醫院、是方電訊「是方i健康APP」及國內知名健檢中心合作。

紀錄在新媒體投廣告的軌跡，保存歷史的資料以供訓練。 透過數據分析，建議廣告素材更換的時機，以達最佳效益。

在智慧政府應用中，以AI人工智慧第一線解決民眾問題已是最新趨勢，透過民眾資料庫系統整合和AI應用來達成更便捷和準確的資訊提供，並透過AI智能客服在最前線高效服務民眾，像是針對停車場資訊查詢、交通票價查詢、罰款繳納、疫苗資訊等民生議題，24/7全年無休全天候服務在地民眾需求。 人工智能公司的『Q比智慧服務機器人導入解決方案』，採取最新的人工智慧Deep Learning 深度學習技術架構，可交互式問答多輪對話能力，自動學習問題類別，進而找到答案，大幅降低人力建置成本，並達到高準確率和廣知識涵蓋率。並在整合文字、語音與對答能力的同時，更能透過自然語意理解(NLP)及人臉、語音辨識，以文字客服、實體廣告機，3D智能機器人與民眾輕鬆互動對話交談，讓民眾在對話的過程當中，更能快速了解民生相關服務資訊。

AR為虛實整合之結果，啟雲科技將AI技術模組化，將訓練模型導入至自有AR系統或廣告平台打造AI人臉動態定位引擎，可即時辨識真人臉部位置、姿態估計的同時，將3D模型準確定位於人臉上，達成AR Try-on之效果。同時模組化臉部關鍵點如頭部、眼、鼻、口位置，分割區域如瞳孔、頭髮等功能，以便因應不同商業模式或品牌端之導入需求作為行銷活動應用。

AI醫療已蔚為趨勢，但醫療研究者常因資料蒐集、標註資料、撰寫程式語言和反覆調校訓練模型花費許多的時間與精力。沐恩生醫憑藉與許多不同醫師合作解決AI問題累積的經驗，特別研發出讓醫學研究者不用寫程式即能一鍵自動建模，直接自動處理AI機器學習所需要之特徵工程、模型選擇、調整參數、模型評估等冗長的處理流程，成功打造MAIA人工智慧自動化完整解決方案平台，協助研究者高效生成專屬的分析及預測模型、加速AI臨床應用 ，不但能建立混合數字、文字、圖形、波形複合資料的模型，同時以遷移學習的方法，讓產出之模型可以共享、疊加，進而衍生模型市集，讓研究模型變成分散式合作和分潤的新商業模式，對加速AI智慧醫療進化提供了整體的解決方案。 除醫療影像外，沐恩生醫亦積極發展人工智慧應用於醫療數據之判讀與預測， 以及利用自然語言處理技術，協助生醫資訊學之研究發展，運用此技術除已擴增MAIA平台功能可以透過問句方法大量閱讀與摘要醫學期刊，更可將文字、數字變成向量，運用AUTO DL+GCNN模型加速創新開發，如蛋白質與疾病的關係、蛋白質與藥物的關係，希望能對台灣生技醫療產業的創新及發展做出更大的貢獻。

企業級對話機器人(Enterprise Chatbot)及虛擬助理(Virtual Assistant)是八維智能歷時數年研發建置的「D8智能服務雲」中的兩個主要服務項目【圖1】，目的是要能為企業或機構快速而有效地打造其專屬的對話機器人或虛擬助理，以及用戶上線使用後的人機對話資料分析及管理、機器人語言模型的持續更新及優化。其中企業對話機器人服務包含了網頁機器人、智能對話分析、智能客戶服務、自動客服質檢、電話機器人等模組，而企業虛擬助理服務則包含企業虛擬助理及流程機器人等模組。一個企業虛擬助理可整合企業對話機器人及其所導引的企業工作流程，例如請假出勤、會議安排、商品退換(RMA)等常見流程。生成企業對話機器人/虛擬助理的軟體系統核心是八維智能自主開發的自然語意理解引擎(Natural Language Understanding Engine)及情境對話管理引擎(Contextual Dialog Management Engine)，能依企業各自的需要而產出企業專屬的機器人語言模型；利用系統內建的企業簡訊平台，使用者(包括企業的客戶及員工)無需下載App即可經由企業網頁、公用簡訊平台如LINE、WeChat、FB等渠道，進行與機器人/虛擬助理、客戶、員工間的三方溝通，提供了一個人機協作的智能客戶服務環境【圖2】。本系統提供符合資安的API連結，依個別企業或機構的需求提供雲端或落地(企業私有雲)的客製化服務。

牧場即時監控與告警、產蛋率預測

意藍團隊協助國家災害防救科技中心導入AI Search For KM系統，運用生成式AI與自然語言模型建構「災害防救知識問答平台」，自動針對網路社群媒體之災害相關輿情進行擷取，並透過語意分析及搜尋引擎的技術提供網路輿情即時蒐集與災情觀測內容分析，縮短災害發生時的災害相關輿情蒐集時間，同時以完整且系統化的功能進行災害相關訊息分析，協助快速掌握災情現況，落實循證決策、全面提升災害應變能力。

(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。