AI 大數據應用

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）。

聯瑩工藝企業有限公司導入四軸與五軸單工位自動拉膠機，並以有創科技之AOI/良率最佳化之影像識別系統透過客製化圖稿設計，能均勻繪製於立體塑膠製品表面，呈現多樣化立體與平面飾紋效果。同時，由智慧化設備運作，可完成多組重複網格線的精密圖樣，且已將間隔誤差控制在1公分以內，大幅提升產品品質穩定度與製程精準度，達成提升自動化、降低人工作業誤差及強化產線智慧化的目標。

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

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!

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

聯瑩工藝企業有限公司導入四軸與五軸單工位自動拉膠機，並以有創科技之AOI/良率最佳化之影像識別系統透過客製化圖稿設計，能均勻繪製於立體塑膠製品表面，呈現多樣化立體與平面飾紋效果。同時，由智慧化設備運作，可完成多組重複網格線的精密圖樣，且已將間隔誤差控制在1公分以內，大幅提升產品品質穩定度與製程精準度，達成提升自動化、降低人工作業誤差及強化產線智慧化的目標。

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。

(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。

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。

"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。"

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。

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。

若水 AI 數據服務團隊致力於為企業提供大量、安全、高品質的標註數據，並針對電腦視覺相關的數據研發智慧標註平台，配建多元標註工具，設計完善的品管系統及回饋機制，提供整合性的數據處理服務，讓 AI 能精準學習。 我們的客戶類型已遍及兩岸三地及日本市場，涵蓋安防監控、電子商務、自動駕駛、工業 4.0、智慧醫療、人臉辨識以及語音和語意分析…等 AI 應用。我們的客戶來自台灣、日本，包括日商Incubit、Skydisc 、ASUS、工研院、中華電信、雅婷、新竹市政府、台灣智慧駕駛股份有限公司、台灣人工智慧實驗室、資策會...等。AI 應用涵蓋自駕車、橋梁公共安全、瑕疵檢測、電商、智慧農業及智慧醫療。

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!

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。