AI 大數據應用

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。

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。

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。

運用演算法找出重要的關鍵字詞及其相關詞彙，並提供API進行加值運用

卡洛地專注雲端及 AI 技術的研發，是微軟的金牌代理商，也是台灣最早取得 4 張 Advanced Specialization 認證的公司，卡洛地創辦人 20 多年前創立恆逸資訊，是國內最多企業主管與資訊人員首選的教育訓練中心，技術協理蘇國鈞在資策會教研所服務 20 多年，卡洛地的團隊擅長將最新的雲端及 AI 技術人帶入企業應用，並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 相關服務與當紅的 ChatGPT 應用課程，有實體教室及線上開課的形式。

透過淨水場上游水質監控預警機制，避免水源濁度超標導致淨水 設備癱瘓，進而確保淨水場穩定供水。本公司於淨水場上游，以 RNN 架構建立河川濁度預測模組，由歷史雨量、水位與濁度，每 十分鐘一次滾動預測未來六小時河川濁度。

運用演算法找出重要的關鍵字詞及其相關詞彙，並提供API進行加值運用

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。

傳統上電視監測都是透過人工完成，但隨著電視媒體眾多，如果要監測每一台電視現在的播報內容，便需要大量的人力。而使用人力不但有可能會有資料蒐集不完全的可能性，在通報上與分析上也會變得較不即時。隨著深度學習近年來的蓬勃發展，電腦視覺的應用也變得更加成熟，現在，我們可以應用電腦視覺在人臉辨識、瑕疵辨識等應用用途上，亦可以用於場景文字探勘與文字辨識。因此我們即有想法想利用深度學習結合場景辨識、人臉識別、語音識別、光學文字識別與文字探勘等技術，製作成一人工智慧輔助電視監測系統，這樣方能以最全面、即時的方式監測電視媒體，並分析每天播報的內容，供廣告商與公部門進行參考

"結合業者 POS 銷售紀錄及會員資料，經處理及轉換後儲存至數據匯流平台，並利用資料探勘（Data Mining）或人工智慧（AI）、機器學習（Machine Learning）等技術，找出數據中潛藏之訊息，進行消費者輪廓分析模組，洞悉顧客真實需求，提供決策者及行銷人員進行決策分析或預測。 而可針對互動頻次最高的裝置與消費者溝通，如 Line@，進行高效互動，優化互動通路中的互動內容傳遞與準 確推播、提升轉換率，以完成「智慧化服務系統」分析層之建置， 以便利群聚業者可運用系統服務，並將消費數據共享予群聚成員。"

(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。

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。

現今各產業皆導入自動化與資訊化技術以便提升產線效率、增加產能與效益，而工業物聯網亦是近期火熱的議題之一。由於工業物聯網環境擁有大量且多樣的聯網機械設備與機台。因此也面臨了盤根錯節的管理機制與資安議題，如何有效偵測甚至預測設備異常情形將是一大挑戰。所以，三甲科技便與製造業者共同執行一人工智慧研究專案，以機台內海量的系統稽核數據紀錄為樣本，經過彙整、正規化、分析、訓練等一系列處理流程，建立所屬的運算模型，爾後反覆校正其準確性，藉由不斷地調整使之趨於安定。接著，我們客製化系統協助業者導入偵測機制，結合文字探勘技術從滿山滿谷的數據中查找出特異的物件，也就是異常的製造單元。另一方面，針對員工操縱設備時的互動影像，加以分析、辨識，發掘違規狀況並加以警省，降低異常操作所衍生的風險。最後，我們藉由人工智慧分析判斷細微的設備異樣與操作習慣，使權責人能盡早察覺以提前應對，降低風險衝擊，進而提升運作穩定性。

分析領域的領導者SAS為企業提供兼顧「大量選擇」與「有效控管」的AI開發平台，是更具整合性的企業級分析環境。該架構強調開發AI分析所需的企業級平台特色，包括： 「統一化平台管理／集中式分析協作／企業級AI特色／兼容開源／模型管理」 並兼顧模型生命周期的完整性，從資料存取及準備、模型建置，乃至模型的部署及追蹤等，都在同一平台上流暢操作，進而快速獲取分析價值。