應用案例

相較於過去單用於行銷、閒聊的娛樂型Chatbot，新一代交談式機器人更著重服務能力，可提供7/24不間斷服務水準、有效降低成本、人員流動風險，且文字、語音對話方式簡單上手，易推廣至全年齡層。 SysTalk.ai團隊致力於開發台灣在地的自然語言理解(NLU)演算法，透過NLU、FAQ、Flow三大產品模組建立雙腦一流程服務，搭配AI大腦訓練師調教，專門打造聰明、人性化的交談式服務。 SysTalk.ai兼具雙腦對話引擎，NLU查詢腦透過意圖、實體判斷正確回應User服務需求，輕量級FAQ諮詢腦支援階層式問答，負責低耗快速處理通用問答。FlowCreator流程嚮導可設計多輪對話、多輪轉多輪仿真人彈性對話，並內建多種串接節點與具http協定API設計可輕鬆介接社群管道(App, Line, Messenger, Skype, Web, …)、整合平台(call center, HR system)，建立完整服務應對真實情境。

因應少量多樣的訂單複雜性需求，透過建置上下游供應鏈資訊串流平台與外包商空桶管理系統，提升供應鏈串接的能力，並藉由射出機連線與可視化看板、AI 智慧排程系統，提升製造端管理手法，進行智慧化生產現場管理，進而達到指標的改善。

(1)初始透過訪談產業專家確定預測需求及影響產品銷售預測之關鍵變數(例如季節，品項大類，淡旺季..等) 。 (2)進行資料擷取、資料清洗、資料整理與資料整理等前置程序。 (3)而後基於數量分析流程，進行描述性統計分析、相關性分析等步驟，以確認變數及其關聯性。 (4)透過銷售預測的模型建立，直接成效反映在備料精確度及人員溝通效率提升，並提升初次合作的高質量客戶滿意度，達成高需求量判斷兌現率。 (5)模型曲線置入缺料預警戰情，提早指示/警示/預警，以報表/移動平台/戰情看板/即時通訊軟體…等呈現，拉動供應商，降低無效追料損耗。 (6)資料來源為ERP/MES，銷售預測與排程系統整合，動態模擬調整庫存水位，因應少量多樣需求，降低庫存呆料， 滿足達交，體現企業提升毛利。 (7)數據歸納出模型後，不需大量，也具參考，只須持續數據量與驗證，提高精準度，強化企業體質，降低人為干預，以數據智能面向市場。 (8)數位優化/世代交替/新冠疫情過後，客戶及供應商重新洗牌，產業高值轉型，跨足新市場，爭取新客人，都須仰賴數據驅動思考變革的方向。 (9) AI 銷售預測可以應用於ODM/OBM/自有品牌製造業。

目前線上教學的痛點在於缺乏互動，導致學習意願低落，效率不彰。採用VR融入語言學習的特點是是沉浸(immersion)、互動(interaction)、真實(authentic)。此三點正是外語/二語學習者學習語言所需的三元素。將文化元素納入VR的學習，創造語言與在地人文文化的課程。

此系統可應用於產線生產時的即時監測, 可經由振動感測器將訊號量測後,經過演算法處理所產生的損壞指標做為參考結果,達到及時的 產線監測,同時可透過2.4/5G wifi 與雲端資料庫進行數據蒐集,未來可透過訊號處理與類神經網路分析,發展獨特的機械預測系統,進而避免因產線設備無預警損壞而產生的問題。

(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。

為解決生產設備無法聯網、資訊蒐集不即時、缺乏數據應用基礎等問題，本計畫由谷林運算協助導入完整的智慧機聯網與 AI 分析系統，建構從資料擷取、視覺化、分析到 AI決策支援的一站式解決方案。本專案實施方式採分階段建置，包含資料擷取、雲端整合與 AI 應用導入三大步驟，逐步實現智慧機聯網與生成式 AI分析之應用。

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

人才培育教學方案採客製化設計，可根據需求制訂培訓課程，從基礎到進階一步步了解及應用AI 技術，課程內容規畫理論、實作，亦可以搭配國際認證。

AI客服機器人可以將精密機械產業中80%重複性極高的故障問題，直接透過AI聊天機器人中的圖片辨識技術來作辨識並提出解決方案，讓人力去處理20%無法由系統判斷之複雜故障狀態。華越資通採用最新人工智慧圖像辨識與數據分析技術，設計的聊天機器人平台，整合文字、圖像的識別與對答能力，讓「AI智能維修客服回覆系統」就像維修技師一樣能夠直接透過圖像辨識可能之故障原因，讓使用者可獲得快速獲得機台固的解決方案。

皮托公司自2004年來致力於大數據與文本分析，引領全球人工智慧現況與未來趨勢。提供圖控式操作介面降低資料分析的難度，全部分析步驟從資料匯入、資料前處理、分析、產生可視化報表等皆可在平台完成，打造平民資料科學家。PolyAnalyst具有排程功能，可即時、快速獲得不易取得的隱含資訊、精準策略；且平台整合多種的資料格式：Office、網站、FB、Twitter、電子郵件、Lotus、ODBC…等，可整合現有系統並保留模型操作歷程與知識思維，減少用戶的重複性工作，讓耗時、繁瑣的資料分析流程不再是您的痛點。 平台內鍵AI自動搜尋參數引擎，所有參數可自動由AI決定，並提供自然語言之分析演算法模型，同時與市面上資料分析軟體有所區隔，具備錯誤矯正能力，提供詞關聯、詞量化、文本時序性的功能，提高資料分析品質。另外支援於GIS空間分析、影像辨識，可結合R、Python、Hadoop等，可應用於各產業結構化與非結構化資料，目前已成功導入半導體、鋼鐵業、製造業、銀行業、服務業、政府機關、學校、國家研究單位…等。

以one-class learning之學習架構，導入AOI (Automated optical inspection)檢測瑕疵智慧化發展，在自動化條件下提升產品檢測辨識率，以減少人力工作負重量，包含兩部份工作，一、建立以Autoencoder與self-organizing maps為基礎之瑕疵檢測技術，並完成廠商提供實際AOI機台資料之瑕疵檢測技術測試；二、完成廠商現場機台系統整合與資料介接，將影像資料透過AOI系統之接口導入部署分析技術之邊緣運算裝置，再將分析結果傳回AOI系統中，於介面上顯示瑕疵區域。主要利用python撰寫建立影像辨識軟體，其同時具備了影像前處理功能，例如：高斯慮波(Gaussian Filtering)、均值模糊(Averaging Blur)、中值模糊(Median Blur)、雙邊濾波(Bilateral Filter)且包含分析功能與可提供數據可視化及存儲之後處理功能。使用本分析軟體可直接將原始照片進行進階分析，由預前訓練模型直接辨識產品的相片是否有無缺陷，可調控參數設定靈敏度以及協助執行品管。

SkyREC 與零售品牌交流的經驗中，發現普遍有三大管理問題：第一，巡店時間長，效率不彰。第二，會員制比例不高，無法有效掌握線下顧客資訊。第三，缺乏數據分析團隊，幫助品牌檢視數據、優化決策。 藉由 SkyREC 全方位管理平台，幫助品牌同步掌握質化及量化數據。首先，運用影像辨識，洞察購物旅程 3 大環節，掌握顧客從店外、店內互動至結帳前的行為表現。接著，結合「雲端分析報表」及「Video Focus」挖掘實際影響交易表現的原因，藉以對症下藥。 某知名連鎖電器品牌，推出全新電棒捲並設立門市髮捲體驗區。透過制定員工服務 SOP ，藉此提升顧客體驗度及購買意願。 活動開始後，品牌區主管首先檢視「髮捲區顧客停留率」（停留人次及停留時間），找出停留時間普遍低於 3 分鐘的店舖（因為品牌規定的髮捲體驗 SOP 至少需超過 3 分鐘。）數據發現 A 門市雖位於一級商圈，但停留率不到一分鐘。接著，運用 Video focus 快速查看門市人員服務品質後，發現當顧客接近時，店員卻沒有上前幫助體驗，導致顧客可能不清楚使用方式。以往這些資訊需透過巡店、店舖訪問、銷售資料，才能掌握店舖營運狀態。 而藉由 SkyREC 全方位管理平台，區主管即可輕鬆獲得數據及店舖互動短片，快速了解門市營運並直接對症下藥，節省超過 900% 管理時間。

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。

自動化分揀倉儲決策AI系統結合大數據與智動化科技，研發以預測、快速反應為基礎之AI倉儲軟硬體解決方案，AI in Edge 架構結合揀貨路徑規劃技術、儲位配置技術需求預測與庫存調度技術，整合物流貨品標識影像處理系統、國產化自動化分揀系統設備建置智慧物流Total Solution。智慧科技精準預測、最適儲位規劃、最佳揀貨排程，解決電商倉儲品項上萬、出貨急迫、人力時間不足，導致企業營運受阻問題及仰賴國外昂貴系統之困境。工研院服科中心採用 Variation Auto encoder 之無監督學習模型，結合「事前資源調度」與「人工智慧指揮引導」發展漸進式動態儲位配置調整技術，以遞迴式類神經網路、線性回歸模型、EIQ分析、深度學習、邊緣運算建立倉儲決策AI支援系統 ，協助解決EC物流中心缺工、爆倉等現象 ; AI in Edge 架構優化進貨、入儲及揀貨效率及空間利用，節省EC物流中心30%工時、50%人員移動距離與12%成本，自動化分揀系統與包裹辨識系統，快速滿足B2B、B2C等多型態出貨需求，目前已成功導入宅配物流業、EC物流中心、連鎖型超商…等國內相關業者。