AI 大數據應用

(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。

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。

企業常態性面臨數位化管理課題，為了協助企業有系統地蒐集基礎資訊，首先以可客製化的電子表單模組協助企業建立各式企業表單，授權予產業一線人員蒐集數位化資訊，採用敘事型資料結構串聯專案內的人(負責工程師、外包廠商等)、事(任務)、時(專案預定時程)、地(結合現地圖說)、物(實體結構物或工作成果)資訊，利用雲端資訊平台讓企業管理資料。為完成數位化後的資訊應用，將人工智慧技術應用於簡化作業方式或流程、數據分析、最佳化分析、決策輔助等實務應用，輔以產業顧問的服務機制。

利用AI大數據分析幫助零售商從POS海量交易紀錄中，了解形形色色的「消費者購物籃」組合，以建立更好的消費者購物體驗，提升公司形象與業績，成為具備智慧零售元素的公司。達成以數據驅動(data driven)的新營運成長目標！

電商企業因其主要透過線上銷售，不直接與客戶面對面接觸，顧客主要在 線上與客服進行文字交流，這會產生三個問題，首先是客服難以量化管理，其 次，不同客服人員會有不同的事件對應方法，最重要的是，客服透過主觀意識 判斷顧客的情緒，與決定處理的方式。 本系統能自動根據顧客的文字與其過往消費行為，進行事件緊急程度的分 類，也可以由系統基於提高滿意度為目的，給出一個建議補償範圍或需求引導， 取代過往發散且主觀認定的處理方式。

我國針對自然水體之監測始於民國65年，初期監測重點在於河川水體之水質，直至民國82年及91年才開始針對水庫及地下水水體執行例行性之監測。截至目前為止，台灣現行之水質監測方式仍多以人工採樣後送實驗室檢測為主，然各水體之水質監測作業乃由各機關依執掌辦理，囿於各機關監測水質之目的不同，往往監測數據缺乏一致性規劃或持續性維護，部分資料格式不相容、資料品管或精度不一致等因素，導致額外耗費人力、成本於確保資料格式轉換及內容正確性，限制了資料的流通及應用。本計畫在林正祥環工技師的多年現場診斷顯微觀察下，獲取非常寶貴之指標性功能微生物影像資料，將此藉由AI的輔助，對自然水體之診斷與監控，將發揮控訴即時之功效。

從大數據的資料預處理、AI 模型的訓練、一路最終至 AI 預測應用部署的複雜流程中，企業經常因不同階段所需的異質環境、多種運算架構、甚至跨部門的協作而困擾。透過 Gemini AI Management Console 打造出便利企業組織進行跨單位 AI 專案協作的 GPU 管理節點，協助企業更有效率地從海量資料挖掘出更好的商機。 雙子星的Gemini AI Console能夠幫助IT管理者在單一平台上管理數台至百台的GPU及CPU 伺服器的實體與虛擬資源，並可依據組織分工與AI專案管理需求來進行相關客製化開發，有效提升GPU資源的使用率，更大幅簡化企業導入AI的IT複雜度。資料科學家與AI開發人員可透過內建友善的使用者服務入口，便利地自助式快速開啟大量預載大數據與AI工具的運算叢集環境，將底層運算架構建置化繁為簡，只需透過網頁表單輕鬆點選，即可開啟各種所需的AI運算工具服務，研發人員進而能夠將時間與人力資源專注投入在核心演算法上，加速AI產品研發效率（Time to market）。

對於公司經營而言，客戶購買行為的發生，總領先於經營決策的制定，如何扭轉這樣的落後性，本司導入人工智慧來做預測建議，因此，三益制動科技股份有限公司將擔任後台支援的角色，並負責實體電子發票系統硬體的建置，以及軟體系統的維護工作，並透過開立發票種類與產生頻率，先收集客戶消費習性，週期性，季節因素，或是突發狀況等等，制定相對應的商業決策映射機制，也就是說，使用Neural Networks 作為AI 運算核心，先利用輸出入層級結構，與Sigmoid神經元做為驅動函數(Activation Function)，將過去交易的紀錄，當作初始訓練(Training)資料，以得出穩定的權重數Wi (i=0, 1, …)後，再據此映射出-庫存管理建議、製造決策建議、原料供應商管理建議等等。 舉例來說，本公司目前的一家客戶發票量最大類別為：剎車片組, 再則是機油濾清器、和空氣濾清器，因此輸入1~9月份的發票資料後，得出銷售決策建議，較傾向提高機油濾清器的促銷方案! 而下個階段加值，將要擴充整體產品品項 (例如：潤滑油、剎車油、剎車卡鉗零件、油路清潔劑等等)，甚至加入技術服務費用的項目(例如：定期保養維護、道路救援、零件壽命到期通知服務等等)，據此擴大加值服務的寬度與廣度!

良率是每一家製造業最頭痛也最重要的問題，數據實體系統（Data-Physical Systems，簡稱DPS）可以基於工廠生產機台設備產生的大量數據建立AI模型進行製程良率的監控、預測、模擬，不僅可以在良率即將出現問題的異常狀況發生前提出預警提早通知操作人員，並能夠對生產過程進行可視化模擬預測找出最佳的製程參數區間，給予操作人員進行參數調整的智能處理建議，進而達到提升工廠生產良率之目的。鼎新電腦的「大人物」部門具備研發整合「大數據、人工智慧、物聯網」各式應用的能力，能夠為企業分析需求並量身打造適合的人工智慧應用。數據實體系統（DPS）是利用機器學習與深度學習分析ERP、MES和物聯網等系統收集機台設備產生的大數據後建立AI預測模型，協助企業完整掌握生產現場的過去、現在、未來，進而創造更大的營運效益。

智能即時派車配送系統包含三大核心： 1 需求預測： 可利用過續運送的大數據資訊，猜測未來的運送需求 ，預測在不同時間點、不同產業別、不同地點、... 等等不同情境下，會產生怎樣不同的配送需求。 2. 供給引導： 利用業者過去的大數據，建立初步的智能車輛調派模型，搭配智能需求預測模型，引導車隊往需求多的方向集中與散佈。 (3) 媒合最佳化： 利用業者過去的大數據，建立初步的智能供需媒和模型，配發工作給接單騎士。

基於多年累積的零售實務經驗與對市場趨勢的持續觀察，91APP 推出「零售 AI jooii 解決方案」，致力於協助零售業者提升經營效率與顧客體驗。聚焦於解決零售業「人-商品-標籤」的關鍵場景，整合多種 AI 技術應用，包括個人化商品推薦、會員活化模型、購買意圖分析、標籤生成，以及商品與行銷文案生成等功能。透過即時分析顧客行為與商品特性，能精準推薦商品，幫助消費者快速找到符合需求或有興趣的商品，同時協助零售業者提升轉換率並優化行銷資源運用。「零售 AI jooii 解決方案」以穩健且實用的方式提供從商品管理到行銷策略的全面支援，助力零售業者推動業績成長並強化市場競爭力。

【蛛思CHOOSE】專注於將無法透過人工處理的海量網路新聞與社群輿情，藉由人工智慧整合分析的互動式圖表呈現，搭配探索行為的介面設計，協助使用者在有限的時間完成網路輿情資料收集、輿情風向趨勢觀測、對手輿情佈局比較、潛在輿情悶燒預判等活動。藉由藍星球資訊所開發的網路輿情偵測自動化模組、透事中文探勘分析系列模組、互動式圖表操作設計模組等三類模組的創新整合，使本服務能為廣告代理商、媒體代理商、公關代理商、品牌顧問、各企業與組織的公共關係部門或媒體事務組、政治幕僚，提供提案談資輿情資訊、活動企劃發想脈絡、網路行銷曝光監測、公關形象輿情回饋及輿情危機警示預判，一次解決資料蒐集、彙整、分析的工作流程。

卡洛地常年參與由微軟贊助的 Azure 或 AI 相關技術的企業培訓，包含 Azure Analytics 及 Azure AI (Machine Learning、Cognitive Services、Applied AI Service) 課程，透過實作體驗幫助客戶拓展其 Azure 專業知識。在 Azure 沉浸式工作坊 (AIW) 系列中，提供客戶所尋找的 Azure 專業知識和實作體驗，推動對解決方案的需求。 因應今年當紅的 ChatGPT 技術，微軟特別針對台灣製造業大廠設計 Azure OpenAI Servie 搭建 KM 系統的一日 workshop 課程，並委託卡洛地為客戶輔導，此實作 workshop 演示利用 Azure OpenAI 以及 Azure Cognitive Services，整合企業內部數據。

JCAATs 為AI 語言 Python 所開發的新一代稽核軟體，除具備傳統電腦輔助稽核工具(CAATs)的數據分析功能外，更包含許多人工智慧功能，如文字探勘、機器學習、資料爬蟲等，讓稽核分析可以更加智慧化。 JCAATs 可分析大量資料，其開放式資料架構，可與多種資料庫、雲端資料源、不同檔案類型及 ACL 軟體介接，讓稽核資料的收集與融合更方便與快速。繁體中文與視覺化的使用者介面，讓不熟悉 Python 語言的稽核人員也可以透過此介面的簡易操作，輕鬆快速產出 Python 稽核程式，並可與廣大免費之開源 Python 程式資源整合，讓您的稽核程式具備擴充性和開放性，不再被少數軟體所限制。

在分秒必爭的產銷協調過程中，食品業者時常面臨供過於求造成浪費，或是供不應求錯過商機的情況。為了解決供應鏈產銷不協調的問題，Decanter AI 提供快速、易用、準確的自動化機器學習引擎，協助食品業者進行冷藏食品出貨管理，達到精準掌握終端消費市場的需求。此外，透過直覺的圖形化介面，Decanter AI 讓不具資料科學背景的 IT ⼈員，或是業務單位中不具編程背景的採購經理都能輕鬆操作，讓企業迅速建立精準的 AI 模型。