AI 服務應用

Office 365 是透過雲端所提供熟悉的 Microsoft Office 協同合作與生產力工具。每個人可隨處存取電子郵件、網路會議、文件及行事曆以輕鬆地共同合作。而 Microsoft Graph API 則是提供外界存取 Office 365 資源的一組 API，舉凡 Office 家族的 SharePoint、OneDrive、Outlook/Exchange、Microsoft Teams、OneNote、Planner 和 Excel 等等，都可以透過 Microsoft Graph API 作存取。大同世界科技「智能秘書」是一個交談式機器人，深度整合了 Microsoft Graph API，企業員工只要透過「智能秘書」綁定了 Office 365 的帳號，便可以存取企業或組織在 Office 365 上的資源。由個人資訊的取得，如行事曆、電子郵件等等，到協同作業的實現，如文件的同步、會議時間預定等等應用，皆可以使用文字、語音等方式，在不同的社群渠道與「智能秘書」交談，透過「智能秘書」業務腳本的導引，實現企業或組織相關作業流程的應用。

透過整合進企業現有的客服系統輸入對話雙方的語音，經過資料預處理後分離出不同的對話人員，再分別分析其情緒，此資料透過 API 會傳給客服系統，可以根據分析結果以分時情緒變化圖的方式呈現出來，可有效呈現客服人員在服務過程中，雙方的情緒變化，進而分析客戶對於服務的滿意度，進而讓客服中心的營運主管可透過AI 進行客服人員品質檢測，解決原有質檢流程人工隨機抽樣，進一步精準分析客服中心整體營運狀態，透過語音情緒分析技術可以有效衡量客戶的有效性與真正效益等指標，解決客服中心進行質檢瑣碎的人工流程及透過AI 增加客觀的分析維度改善整體客服中心的營運績效。

1、BrainBuilder是一個進階語意理解服務平台，結合網際智慧發展23年來累積的自然輸入法大量語意模型及創新深度學習演算法，可建立具備深度語意理解、上下文關聯之連續多輪對話、個人化主動互動、多人溝通協作的企業專屬AI助理，並管理相關的AI助理技能與服務。 2、BrainBuilder建立的AI助理，可做到模擬真人與用戶以自然語言對話方式互動，可用來設計航空業或交通運輸業的語音訂位訂票助理、餐廳或各類服務業的語音訂位助理、零售業的個人化導購機器人、企業內會議預約及後續追蹤的智能秘書、實體機器人的AI互動大腦、IoT硬體裝置的操控對話大腦等。 3、應用案例：中華航空公司的員工優待機票系統、火車來了沒語音助理App、Nuwa機器人、遠傳迎賓機器人、淇譽電子智慧音箱、ibo-office考勤助理… 等，可以搭載在手機App、電腦、智慧音箱、IoT裝置，也可以運用於電話語音系統、網站、LINE平台。 4、提供雲端版、落地版，100%台灣AI技術開發，歡迎應用系統界接整合，為您現有應用系統賦能AI，提供AI助理服務。

於LINE官方帳號建置「桃園市立圖書館」LINE智慧客服，除了提供讀者快速查找圖書相關資訊外，同時提供個人化服務，使用者綁定身分後，即可管理自己的借閱紀錄等功能。

傳統購買蝸牛苗僅能依據人工推估數量(因蝸牛苗細小不易計算)採購，其數量參差不齊，造成買賣之間的紛爭以及財物損失，紛爭事件更是因養殖蝸牛興起，隨時間與日俱增。故，針對國內迅速成長之蝸牛養殖市場，藉由賣家提供之大兩蝸牛物件之照片，建立大數據資料庫，建立影像辨識R-CNN模型，辨識往後之拍攝照片中計算物件個數(蝸牛幼體)，提供之蝸牛影像辨識服務，協助養殖賣家獲得精準蝸牛數量，降低人為預判之損失及紛爭。

過去，為了確認使用者的身分，我們透過網路的帳號密碼或是實際生活中的卡片等載具來做為數位資料的中間橋梁。但是帳號密碼會忘記或被竊取；卡片亦有遺失及被竊取的問題；所以過往我們會增設監視裝置做為事後稽核的紀錄方式。而今技術進步，我們可以透過生物辨識的方式，藉由每個人的生物特徵來取代傳統的載具，避免遺失(忘)或是被竊取的問題，進而提升辨識的安全性。再則透過人臉辨識可以採非積極的辨識特性，運用現有的監視設備，可以協助提升自助或是服務的便利性，以提高服務的品質。 精誠集團將人臉辨識的技術整合應用在智慧通行上，提供黑白名單的臉部辨識解決方案，可以不需要額外採購新的監視設備，只要現有監視設備符合H.264壓縮格式即可利用做為前端影像收集的裝置，透過精準快速的辨識功能且架構可以彈性調整，提供快速且大量的客戶資料辨識解決方案。 白名單的部分，適合各服務產業，可以透過人臉辨識後的結果，發送訊息或是直接將客戶資訊帶出，提供從業人員更加迅速的服務客戶，更可以讓服務更精準有質量。 黑名單的部分，可以協助服務業辨識列入黑名單之人員，並發送訊息提醒人員注意防範可能產生的破壞及損失；另外也可以協助保全或廠區管控人員，減少大量訪客或是從業人員進入辦公區域時，因眼睛疲勞造成疏忽而放行的尾隨人員，落實管控。

觀光為臺灣重要的經濟之一，臺灣各景點每年的觀光人口從20~100萬人不等，透過人流的數據，於景點拍照打卡進行 AI 影像分析，分析各地區景點人流、年齡層、性別與情緒…資訊，提供景點及有關單位以利後續商業決策及應用，促進台灣的觀光經濟發展。此專案可延伸性應用於COVID19防範，如：2019年4月份全台11處景點警示新聞，可透過此系統提供民眾資訊，及群發告警，避免群眾群聚感染的風險。

貿易商透過導入流程機器人於企業流程系統後，根據預測資料再由演算法判斷最佳配貨組合，經由Line bot語音機器人與代銷商聯繫，完成配貨決策與資訊傳遞，精簡人力及提升銷售毛利率。

大型人群聚集，未被合理控管，因而衍伸之公共危險可能性需被重視。依據內政部群聚管理條文顯示，室外每人活動空間為0.2787平方公尺為非自主推擠危害臨界值，活動空間為0.1857平方公尺為已達人群推擠壓力潛在危害。透過AI自動化即時計算大範圍人數，提供安全管理策略，為本產品之安全管理訴求重點。

漆料產業所謂的電腦配色,僅為從現有色中挑選在進行配色,若遇到新色實則無法調,皆仰賴師傅的經驗進行調配,因此遇到新色時皆要重頭調配,耗費了許多的人力與時間,且每個師傅因調色習慣不同,所配出來的結果一樣但成本卻差異很大。因此欲透過 AI 的導入,透過 AI 模型的訓練,讓 AI 可直接找出最接近的配方與最省成本之配方。AI 智慧辨色系統,系統可達到色彩分析,自動調配並依據成本進行排列,協助企業追求最佳化成本與利潤。

透過機器學習方法建立刺繡圖案資料的AI模型，透過深度學習(Deep Learning)的方式使機器能做出相對應的判斷，實現可即時前處理與特徵萃取並進行圖案辨識之「刺繡圖案AI辨識引擎」。

本計畫的主要內容在於建立一個 彈性化的 AI 人才支援與知識傳遞機制，以因應企業在數位轉型過程中，對人工智慧相關能力的臨時性與階段性需求。不同於長期駐點或委外專案的模式，本計畫強調「依需求提供」的方式，當企業在資料分析、AI 模型規劃、或 AIoT應用場景上遇到技術瓶頸時，可透過本計畫短期引入具專業背景的人才，協助完成分析任務或知識傳授。 計畫將聚焦於 技術知識的導入與能力提升，內容涵蓋 AI 建模方法、資料前處理流程、演算法選型思路、AIoT 系統架構理解，以及其他各種人工智慧相關技術的實務應用。透過這種「外部專業輸入 + 企業內部吸收」的模式，企業不僅能在短期內獲得所需的專業技術支援，更能逐步提升自身團隊對 AI 技術的理解與應用能力。 本計畫的目標在於 降低企業導入 AI 的門檻，讓中小型企業或傳統產業即便沒有龐大的研發資源，也能在需要時取得專業協助。藉由短期知識輸入與專案分析的方式，企業能快速掌握 AI 技術的可行性與應用價值，並逐步累積內部數位轉型的基礎，最終提升競爭力與產業升級能力。

門牌地址與生活密不可分，從郵件寄送、通報資料、普查名冊到現在最熱門的外送服務，都仰賴高品質的地址定位進行服務的應用。然而，地址資料往往缺乏一致性的維護標準，傳統的地址解析方式，難以精確將門牌拆分後成功定位。AI門牌地址定位服務，導入自然語言處理技術(Natural Language Processing)，結合地址正規化(Address Normalization)與機器學習演算法，克服門牌地址樣態複雜的困境，提升地址定位的比對率，大幅降低地址定位所需的資料處理時間。 AI門牌地址定位服務提供單筆或批次地址定位服務，依照地址比對精度的不同，回傳定位坐標，未來規劃線上定位服務，提供使用者更彈性的定位方式。服務應用包括各種產業的決策分析、精準行銷與資料探勘等應用，導入對象包括：政府機關、擁有眾多會員的企業、研究人員與教育組織者。

於Covid-19疫情期間建置LINE官方智慧客服「新竹市居家照護關懷中心」，提供照護、隔離、檢疫者相關資訊，達成遠距關懷的目標。

(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。