應用案例

在高速生產的產線中，使用AI方式檢測機能性飲品瓶罐的缺陷，包括瓶口裂紋、瓶蓋破損、字體噴印不良、異物掉入等，提升瑕疵檢出的能力，大幅強化產線溯源管理及紀錄存留的效率。

提供企業私有雲平台整合常見之IM(Line、Messanger、Juiker，其中Juiker開發商源思科技為合作伙伴)及通訊管道(Email、簡訊、Fax等)，建立資訊管理工作，必要時透過AI代理人(Agent/bot)及觸發機制主動通報各項訊息。

本PHM系統的核心價值在於其能夠精確地預測設備健康狀態與設備的製程狀態，提高生產過程的效率。透過結合IOT、邊緣運算，系統不僅能夠減少算力需求和演算時間，還能夠降低誤判風險，提高模型的遷移性。這項創新技術將為製造業的數位轉型帶來巨大的改變，協助企業實現高效運營和成本降低。

鋼鐵業係屬高耗能產業，據統計顯示，鋼鐵業的能源消費與二氧化碳排放比例在全國工業部門中排名第1位。尤其煉鋼製程中的數種主要加熱爐如電弧爐(EAF)、電渣重熔精煉爐ESR 、真空電弧精煉爐VAR 和真空感應熔解爐VIM等用電量都極高。 其中最重要的在於煉鋼過程中，若全廠用電設備包含前述煉鋼爐若同時投入生產時將導致用電超約，導致鉅額的超約費，造成生產成本的巨大負擔。因此如何配合煉鋼作業同時避免超約罰款，是業者迫切要克服的難題。

現有的CCTV監視系統都只是在錄影而已，當發生異常事件時，即使攝影機有拍到(例如:夜間有人侵入/火災煙霧/有人需要求救/有人昏倒/工地有人未戴安全帽或工作背心/車輛逆向…等)。當出現這些異常事件時若無法立即通報制止或處理，有可能造成更大的危險事件。目前這些工作若依賴保全人力處理的話，除了人力成本高以外，更因保全人員會有倦怠疲勞及高成本等因素讓安全性的議題無法提升更高的水平。UniPicket AI 系統可以不用更換現有的CCTV攝影機，直接整合讓現有監視攝影機變身為具強大功能的AI攝影機。可以讓一支攝影機同時啟動10種以上的AI辨識功能同時運作，可以大幅節省更換攝影機的成本，也可以讓攝影機傻瓜變聰明。UniPicket AI 有多種應用面的設定，可以適應各種不同的場域，政府機關、學校、醫院、飯店、工廠、工地、住宅大樓…。只要有CCTV監視系統的地方就會需要UniPicket AI。

人才選擇公司的世代來臨，透過Apollo獨家招募功能Lasso AI Video Interview先面試再篩選，縮短招募時間，讓企業實現大批量招募；針對不同職缺設定相對應的問題，提供快問快答、選擇題、基本答題等題型，讓企業實現結構化面試題型，結合AI應用分析潛在情緒資訊、透過綜合加權評比客觀分析，自動生成人才矩陣快速篩選網羅試才。<業界唯一>做到一體化招募管理，Lasso AI Video Interview與企業招募網站和招募、人資系統完美整合，從內部職缺申請、公告、履歷蒐集、篩選、視頻面試、面試官審查紀錄、人員錄用簽核、錄用通知一直到建立員工資料，整個作業流程僅需單一平台即可完成，幫助企業打造專屬人才庫和完美實現一體化招募管理流程。

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）。

InsAI.FS AI財報智慧辨識系統，以AI協助辨識財務報表，取代傳統的財務報表登打作業。在金融相關產業當中，常需要將財務報表輸入到會計系統或徵授信系統，但財務報表的判讀與識別需要相對專業的金融知識，往往有經驗的同仁才能夠快速完成。傳統的光學字元辨識（OCR，Optical Character Recognition） 雖然能夠將PDF辨識成文字檔案，但在後續可用性卻偏低，若要在其他系統使用這些資料，仍然需要將檔案整理之後才能使用；且若遇到檔案解析度過低或歪斜、髒污…等問題，就會影響到辨識準確度。而『InsAI.FS AI財報智慧辨識系統』將OCR加入AI的元素，即使PDF的影像品質不佳，也能夠成功辨識，準確率超過90%，AI讀懂財報後，資料會進入到系統，並將金額進行加總覆核，並於系統中標示出可能辨識失敗的地方，使用者不需重頭登打財報，僅需核實系統標示的地方即可，確認無誤後，即可透過API的方式將資料串接到後續徵授信…等資訊系統當中，粗估約可減少80%登打的時間。

Shoplus 是 iKala 在東南亞及台灣為品牌主及零售商打造的 AI 社群電商銷售工具，運用 iKala 獨家開發的 AI 語意及圖像偵測技術，協助品牌主及零售商，快速整合臉書及 IG 等社群銷售通道。透過 AI 商務機器人、訂單管理系統、及社群電商顧客管理系統，在銷售的過程中，運用 AI 傳遞人和人之間的溫度。憑藉卓越的 AI 技術實力也奪下多項 AI 應用大獎。2021 年回台落地，與全家獨家合作，推出 Shoplus 商店家，共同面向台灣市場。 三大特色： 1. AI 偵測直播留言，訂單不漏接：運用 NLP 技術協助賣家在直播銷售的同時，自動偵測具有購買意願的留言，並立即寄送 Messenger 訊息通知消費者，快速引導完成訂單。 2. 智能對話機器人引導訂單成立，購物好簡單：消費者在社群影片下方留言後，便能即時收到 Messenger 訊息，在對話中完成訂單，讓直播選購、社群消費、及訂單確認一氣呵成，體驗無縫接軌的社群電商消費流程。 3. 整合式管理後台，管理好方便：結合商品添增、訂單資訊、客戶管理及營運報表的整合式後台，讓商家一覽銷售與庫存的全貌。整合全家店到店取貨物流服務，透過整合式管理後台，便能清楚掌握包裹寄送及貨款入帳狀態。

AI專利風險監控平台可以提升廠商用戶的效率，免除單筆查閱在智財局上的觀看時間減少人力耗損情形。此平台的功能之一網絡圖的部份，依據各年份可以讓商業上決策者或者專利的申請者快速的了解自家發展的專利和哪些公司是相似度極高。由自家公司為網路圖的軸心，透過網路上的圖示呈現，快速對應競爭廠商有哪些申請專利，避免捲入侵權風暴中。 即時監控競爭對手的重要專利技術，強化研發能力。除了基本的交叉分析，AI的過人之處在於其不僅可以分析資料，還可針對既有數據進行預測。若想知道對手/產業未來的技術發展，可利用AI的預測分析能力，預測該公司（或整個產業）未來2-3年可能發展的技術。即可快速了解對手目前的技術優勢與動態，輔助公司研發部門做為日後研發方向的參考依據。

您是否擔心通用型 AI 洩漏您的核心專業知識 ？ Lamp AIP (Lamp AI Platform) 是專為企業二次開發設計的 LLM + RAG 解決方案 ，我們提供離線 AI API 及程式庫 ，讓客戶能完全掌控專業、獨有的 AI 助理 (Agent) 主要流程 。 核心價值主張：資料安全與專屬性：我們的 RAG 系統嚴格限定 AI 只回答企業內部已索引的知識 ，確保您的專業知識不會洩漏給外部 AI 服務 ，從而保有競爭力 。 彈性模組化收費：平台高度模組化 ，客戶可依照需求選擇功能，不必一次購置所有功能，有效減少不必要的花費 。 教育領域應用範例： 客戶運用 Lamp AIP 打造「適性學習人工智慧分析系統」，應用 LLM 分析學生學習成效，自動生成加強學習計畫和建議 ，實現個人化教育循環 。

透過AI客服智能除錯機器人，業者的客戶可以只要輸入錯誤代碼， AI客服即可以step by step圖文顯示維修對策，引導立即排除障礙，減少機器故障帶來的營業損失，同時業者也可減輕真人客服的負擔，專注解決差異性的個別問題。 雲程在線採用人工智慧機器學習設計的聊天機器人平台，整合文字、語音的識別與對答能力，透過自然語意理解及智能學習，讓業者可以藉由智能客服展開與客戶即時互動、同時也具備錯誤矯正能力，能自動修正錯別字或同音字，讓客戶可獲得快速的互動新體驗。 本服務以AI客服-智能除錯系統為基底，並整合真人客服、網站、APP、LINE、FB 、YouTube…等社群媒體，目前已成功娃娃機、兌幣機、自動販賣機等應用。

案例‒鋼珠製造產業長期以來面臨產品種類眾多、尺寸規格複雜、客戶經常性改單導致生產線產能分配不均、工裝次數頻繁、磨盤異常損壞增加等問題，造成工廠生產效率不佳。鋼珠製造流程從原物料的線材、鍛造到形成鋼珠的粗研磨、熱處理、細研磨、精研磨，最後為成品的洗淨、檢驗和全檢；其中主要的瓶頸為粗研磨至精研磨的關鍵三道研磨製程。其原因為鋼珠在研磨過程無法即時監控磨盤的狀況，容易造成堵溝、尺寸變異，嚴重時將造成磨盤崩裂而傷及鋼珠的完整性，若因人員的疏失造成規值的錯誤，不但造成產能的損失且增加成品久置而生鏽的可能性，增加產品重製的加工成本及工廠的產品產出時間（cycle time）。

基於設備大數據的預測性維護與診斷 AVEVA PRiSM的APR技術 (Advanced Pattern Recognition先進模式識別)，將設備的實時運行數據同其特有運行模式進行比對，發現系統行爲的細微差異，從而對設備可能存在的問題進行提前預警，實現對設備的預測性維護。早於傳統報警系統數天、數周或數月進行預警 傳統的警告方式為設定上、下界限，但PRiSM是以點的周圍來計算，利用演算法建立一個正常的模式，當實際值和預測值之間的偏差超過允許的限制時進行預先報警。

(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。