AI 落地解決方案
AI 落地策略
我們協助企業診斷導入 AI 專案所遇到的問題，由資深 AI 顧問工程師深入企業評估，提供 AI 解決方案，助力專案落地與執行。
AI 解決方案
AIF 是台灣AI產業生態系的一員，為連結產業界、學術界與政府單位的重要樞紐，透過資源、人才的媒合與交流，加速企業 AI 發展與創新。
AI 加速平台
根據企業整體戰略，提供 AI 轉型方向建議，共同參與AI轉型策略制定，提供訂製化 AI 人才培訓計劃，協助內部團隊擁有可持續性的專業知識。
AI 轉型與策略
成功案例
瑕疵檢測
- 挑戰：生產線上每個步驟，幾乎都要以人力進行品質檢測，但是人為檢測的高誤檢率 (False Negative Rate），為複檢人員增加無謂的額外工作量。再者，人工目視檢測的瑕疵漏網率（Leakage rate）通常在 5% 以上，甚至高達 20%，且檢測速度緩慢。
- 方法與成果：採用深度學習，原有人工瑕疵漏網率 5%，導入人工智慧後降為 0.01%；人員目測速度每天約 30 萬張影像，使用 AI 則可提升至 1,440 萬張，效率提高 48 倍。
自動流程控制
- 挑戰：生產過程中，產品的品質、良率與生產速率會受到許多相關參數影響。以往只能倚賴工程師的經驗和試誤調參，為達到設備參數的調控與最佳化，浪費許多時間與資源，甚至造成產值下降與原物料損失。
- 方法與成果：採用機器學習模擬參數調校，原本製程工程師控制參數的調校，產品良率只有 60%，導入 AI 後，可以在對的時間提示工程師針對某個參數進行調整，良率大幅提升到 98%，改善幅度超過五成。
預測性維護
- 挑戰：生產設備隨時都有故障的可能，且有些設備的失敗成本很高，在運轉狀態中損壞，導致線上所有原料及半成品的消耗，造成良率降低，同時影響產出率。
- 方法與成果：採用藉由蒐集資料及建立深度學習模型，可準確預測一小時後的空氣壓縮機溫度。可以在空氣壓縮機過熱前，提早預知並爭取一個小時的緩衝時間，減少空壓機工作量，防止過熱跳機而影響產線的運作。
原料組合最佳化
- 挑戰：面對訂單客戶要求在特定布料上染出指定的顏色，同時指定固色性及眼色性，目前做法通常以打色模擬軟體，計算第一次的染料配方，再由經驗豐富的老師傅以實驗來反覆修正配方，整個過程平均需要三至七天的打色嘗試，才能符合客戶要求，相當耗時。
- 方法與成果：基於深度學習的人工智慧技術，建立模型來描述布料、目標顏色以及染料濃度之間的關係，提供準確快速的方法來預測染料配方。以第一次打色而言，傳統的方法成功率約七成，採用專案團隊的方法後，成功率達到九成五。
以 AI 模型自動化估計心臟/胸廓比
- 挑戰：一般在胸腔 X 光影像上估計 CTR，臨床上主要是作為判斷心室肥大的依據，然而在醫療現場經常發生的狀況是，醫生以手動的方式估計與測量 CTR 相對耗時耗力，而且每位醫生的衡量標準不同，可能因此導致病狀誤判。
- 方法與成果：第一階段分類作業 precision 92%（即用 AI 判斷心室肥大的患者，有 92% 的比例真的心室肥大）recall 95%；（真的心室肥大的患者，有 95% 被AI判斷出有心室肥大），第二階段估計 CTR 誤差 3% 以內的命中率達 99%，目前已開始嘗試導入現有系統作為醫療輔助參考之用。
病情惡化預警系統
- 挑戰：住院病患與醫護人員的人數比過高，無法以人力全面監測每一位住院病患的健康狀況與病情變化。此外，新進醫護人員的經驗不同，導致評估內容也可能產生落差，導致無法在第一時間對高風險患者進行適當的處置。
- 方法與成果：以 AI 方法建立的模型可提早三小時進行預警且 Recall 為 93%，且比起傳統統計模型與機器學習模型表現都來得佳，以此醫院病患數量做估計，預計每年能嘉惠 900 位患者，讓他們能在早期就受到較好的治療與處置。