AI 大數據應用

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

(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。

以人工智慧技術建立「坡地災情預測2.0」模式，透過優化演算法及動態降雨資料介接，提升預測頻率與準確度。與過去版本相比，改良後模型可由原本颱風期間、三小時一次的預測，提升至全年全天候、每小時預測一次，並可針對多種降雨型態進行即時崩塌災害風險評估。