:::

【109年 應用案例】 中小企業AI職能評鑑系統,大幅降低企業職能導入成本!

IBM的超級電腦 Watson,能夠預測員工何時打算離職,且準確度高達 95%,也為 IBM 每年節省了高達 3 億美元用於留住員工。另外透過雲端運算服務和現代化,IBM精簡了30%的人事成本,讓留下來的員工獲得更高的薪水,做著價值更高的工作。

而在台灣,要如何讓「讓留下來的員工獲得更高的薪水,做著價值更高的工作」呢?重點就在於每一個職位的「職能設定」,根據勞動部勞動力發展署所建立的「iCAP職能發展應用平台」所示,每一個職位都有其應具備的主要職責、工作任務、行為指標、工作產出、知識、技能及態度,唯有確立每一個職位的「職能」,企業才能夠根據職能有效應用在員工招募、教育訓練及績效管理上,否則不知道員工應該做什麼宛如瞎子摸象,將讓企業運作潛藏風險。

職能基準範例圖

▲職能基準範例圖

目前在「iCAP職能發展應用平台」中,建立的職能基準共有872種,其中由各部會完成的有553項,當中包括勞動部的253項及教育部的66項,如果企業想要建立屬於自己的「職能基準」,都需要到「iCAP職能發展應用平台」上來搜尋參考資料。假設企業想要招募有關「業務」的人員,但不知道「業務人員」應該做什麼事情,可以先到「iCAP職能發展應用平台」搜尋「業務人員」,如下圖所示。

於「iCAP職能發展應用平台」搜尋「業務」

▲於「iCAP職能發展應用平台」搜尋「業務」

可以看到共有18類業務人員,這時候企業就要根據本身需求,逐一點進去查詢、閱讀並整理成自己想要的「職能基準」;但如果我們改搜尋應該是每一間企業都會有的「總務」,其呈現結果如下圖所示,竟為0項。

於「iCAP職能發展應用平台」搜尋「總務」

▲於「iCAP職能發展應用平台」搜尋「總務」

由上可知,雖由勞動部勞動力發展署所建立的「iCAP職能發展應用平台」可解決部分職務的「職能基準」,但企業內部的分工方式各有不同,可能這個職務在「iCAP職能發展應用平台」上是搜尋不到的;其次,在中小企業中,幾乎存在的都是「多能工」,也就是許多職務的職責是在同一個員工身上,如:在30人以下的小型企業中,通常會計、總務、人事都是同一個人,這時如果要針對這個人建立職能基準,就要分開搜尋「會計」、「總務」及「人事」,然後再將這三種職務的職能基準予以整合,如此往往曠日廢時且成效不彰。

此「中小企業AI職能評鑑系統」希望讓「人能盡其才」,藉由導入AI更精準建立員工的職能基礎標準,並可隨時追蹤其職能表現。

職能模型皆由人工產生及修正曠日費時

國內某螺絲、螺帽、扣件等產品出口商所有的職能模型皆由人工產生及修正,在執行過程中曠日廢時,難以滿足企業因人員變動所需,如:先前喬邁企業有專職的「生管人員」,但在該人員離職後,此項工作需要由其他員工執行,因此其他員工的職能模型需要立即調整;又或者企業為了因應未來發展,須成立開發部門,但先前完全沒有人有相關經驗,不但不知道如何從內部選材,亦不了解在徵才網站上,要如何說明才能找自己真正想要尋找的人才。

除此之外,該公司執行長一直以來深為公司內部的績效管理而苦惱,由於欠缺可精準衡量員工表現的標準及制度,導致每一次的績效考核結果都無法正確反映員工的真實表現,形成考核盲點,也無法把真正需要被獎勵的員工找出來,因此,期望透過AI職能評鑑系統,馬上釐清開發部門所須具備之職能,以及如何進行招募跟績效考核,如此方能有效改善企業內部權責不清、考核不精準之痛,因此其助益實為顯著!

AI職能系統建立 X 深度學習

而此為期四個月的人資領域職能系統計畫,執行方向明確,但因導入解釋現象之模型如:Seq2Seq、Deep Keyphrase Generation、Tf-IDF關鍵字擷取演算法與PangRank的導入都是人資領域的新嘗試,過程中採用開源大數據架構進行自然語言處理,以完成 Word2Vector及index 並inverted index其目的爲關鍵字weight權重與關聯性建立。又因無法像影像資料以連續數字處理,必須由相關連的關鍵字如:技能、知識、職業別等進行特徵值簡化,大略說明基本步驟如下:

1. 建立Propagation 模型乃是採用Google 採用已久 LTR 混合 Pointwise 推薦引擎(2個月)

2. 建立Back Propagation 模型(2個月),調校 loss function之超參數

3. 調校 CF model之超參數

4. 建立人機協同機制取得更多資料餵養Model 5. 反覆以上步驟

而在開發職能模型的過程中,聯和趨動股份有限公司與微光國際資訊有限公司多次討論,認為職能間互有關連,在建立完成知識圖譜後,進一步將職能量表上傳至Neo4j圖形資料庫,在處理複雜的關係資料結構具有極好的效能。而目前已完成500件職能量表上傳至之Neo4j關係分析平台。

使用python進行wor2vector的自然語言分析

▲使用python進行wor2vector的自然語言分析

除了將一個職位用word2vector之後的tensor描述,找出此職位的知識圖譜樣貌,根據此知識圖譜,可以了解在不同職位之間的相關性,以及彼此之間維度的相似度表現。最後,就是用此知識圖譜來建立該公司的「職能模型」,並依照此職能模型進行深度學習的訓練。

AI職能評鑑系統介面

▲AI職能評鑑系統介面

未來,除了為公司建立自己的職能模型,也可開放給終端使用者,個人可藉由分析自己的職能表現,來了解自己轉職的可能性、市場的價值,也能知道應該補強的技能。公司若對應此知識圖譜,將來可開發跨產業產品。

1. 短期:依照政府公布職能量表(iCAP, iPAS),以自然語言與關鍵字模型拆解,配合非監督式學習建立「原生職能基礎單元模型」。

2. 中期:為企業量身訂做專屬的職能模型。依照既有「原生職能基礎單元模型」由專家以監督式學習,訓練個別企業之「分散式衍生職能模型」。

3. 長期:建立「強化學習」模型,導入員工職涯認知與規劃。

職能模型建議,媲美專業人力資源顧問

透過職能知識圖譜的非監督式動態學習,快速建立個別企業的職能模型,企業內部的人力資源人員或外部的專業人資顧問,便可以依據所產生之職能模型,進行人才招募、職能盤點、績效管理及教育訓練等面向的評估跟應用,並會依據公司現有職稱架構下,自動建議其需加強的職能,包括相關的知識、技能及態度等。透過持續性資料的導入跟訓練,系統會學習雇主對於該職業應有之模型的實際看法,並回饋至雲端職能量表中,以遷移學習完成知識圖譜的動態學習,未來其將可媲美專業人資顧問,藉此快速幫助許多跨領域或具多元化技術的企業進行員工職能培訓。

推薦案例

【導入案例】赫銳特科技VCSEL封裝元件瑕疵導入AOI檢測 提升產能效率20
赫銳特科技VCSEL封裝元件瑕疵導入AOI檢測 提升產能效率20%

2017年,iPhone X的亮相讓提供 Face ID人臉解鎖的3D感測技術成為大熱門,也帶動了3D感測模組中的核心零元件VCSEL的發展。而VCSEL封裝元件入料瑕疵檢測,若透過AI推論模型可解決良率偏低產業難題,提升可靠度達95。 VCSEL技術現階段可被運用於諸多用途和各類終端消費市場,包括機器人、移動設備、監控、無人機,以及ARVR等。VCSEL在需求高速調製功能的應用(例如照相機和生物計量)中堪稱為不錯的解決方案。 VCSEL技術應用層面廣,也可應用於無人機。圖為佐翼科技農用無人機 VCSEL技術應用層面廣 AI技術助攻瑕疵檢測 赫銳特科技表示,VCSEL封裝元件市場也面臨到商業對手強力的削價競爭,需要進一步降低成本提升、產品競爭力,其中一個關鍵的難題就是將玻璃透鏡更換為環氧樹脂型透鏡。傳統玻璃透鏡的生產良率高,但成本較環氧樹脂透鏡高,因環氧樹脂經切割製程,側壁切割道上容易會有毛邊,造成尺寸過大,容易在打件時因為受熱而產生的應力釋放,將會直接導致光學透鏡破裂。 赫銳特科技指出,VCSEL環氧樹脂透鏡的入料檢測十分重要,在封裝空間的限制下,封裝與光學透鏡貼合的空間有限,且此光學透鏡會被侷限於一金屬框架內,若是沒有控管好尺寸公差,很容易在打件時因為受熱而產生的應力釋放會直接導致光學透鏡破裂,造成VCSEL封裝可靠度驗證良率損失最高達到10,造成生產成本增加。 為解決上述問題,赫銳特科技希望在VCSEL環氧樹脂透鏡的入料階段,可以藉由AI影像監控環氧樹脂元件的尺寸及外觀瑕疵,確認其尺寸是否合乎規格、切割邊緣是否平整、外觀是否瑕疵等。由於傳統的入料檢測,經通過大略的人眼目檢分辨好壞,為順利收集影像數據,首先需要解決影像蒐集的問題。 因此,赫銳特科技首先建立自動光學檢測裝置Automated Optical Inspection,AOI,自動光學檢測裝置包含X、Y、Z三軸動及高解析相機,及相關控制軟體自動記錄影像。蒐集完成後的影像資料,經opencv將測試影像Test與一標準正常影像Normal,進行影像對位後取出Test與Normal影像的差異部分,並可經由Pixel Mapping計算影像的像素面積進行比較完成初步篩檢。 承上之影像分類,進行手動標籤標示包含:正常、外觀瑕疵或形狀特徵差異之樣品,後進行演算法訓練與驗證,使用深度殘差網絡Residual neural network ResNet或其他相關演算法進行深度學習,以辨識出透鏡的優劣情形。 導入AOI檢測 提升產能效率達20以上 比較導入AI影像檢測的前後差異,導入前的VCSEL入料透鏡檢測,僅透過簡易的人工外觀檢測,將透鏡封裝在已固晶的VCSEL封裝體上,通過一般點亮檢測後,最後進行可靠度測試高溫回焊,失效樣品進再入重工流程。 但在導入AOI檢測之後,可提前將有問題的透鏡篩選出來,除了可以降低後續物料投入的成本,亦可減少失效情形降低重工的需要,因而提升可靠度驗證良率達95以上,預期可協助場域業者降低生產成本達10,提高產能效率達20以上。 導入AI影像檢測的前後之差異 赫銳特科技指出,這項技術是基於微小影像開發的AI應用技術,透過深度學習演算法辨識影像瑕疵,用來辨識瑕疵影像。而訓練後的網路來自動分類對應於預定類別的影像數據。透過參考影像就能辨識缺陷類別,因此不再需要繁瑣的編程。 而在工業機器視覺環境中,深度學習主要用於應用中的分類任務,例如在工業產品的檢驗或零件的辨識,未來隨著IOT穿戴裝置的發展,符合節能省電的潮流議題,光電元件尺寸將不斷的縮小,本技術未來也可應用在其他微小光電元件的外觀瑕疵檢測。

【解決方案】搭上綠能商機 華鉬實業打造全釩液流電池儲能系統設備 長效儲能的最佳選擇
搭上綠能商機 華鉬實業打造全釩液流電池儲能系統設備 長效儲能的最佳選擇

綠能是未來趨勢,必帶動未來龐大商機。而風力發電是近年全球矚目綠色能源之一,將成為我國再生能源重要生力軍、幫助台灣發電量於2025年達到20的目標,以提高台灣能源自主性。隨著國內風力發電機風機組數量和電量逐年增長,如何讓儲電設備達到安全、長效性、充放電不易衰減和永續低碳又環保的技術能量顯得格外重要,同時風機設備本身的健康檢測、保養與維修也成為風場業者關注焦點。為滿足風場客戶需要,華鉬實業旗下綠能事業部門推出長效儲能的全釩液流電池電解液及風機AI預測性運維,提供100安全、長效性且可降低客戶初製成本的電力儲能設備,並透過AI預測性運維服務協助客戶降低發電度成本10,節省最多30維護保修成本。 華鉬實業成立於1998年,本業以提煉釩、鉬及稀有金屬元素等製品起家,並運用於高階鋼鐵、專業化工及特用化學品等行業,而釩更如同煉鋼的維他命可加值煉鋼的成效。其中釩、鉬相關製品為公司主力項目之一,公司看見100以釩元素為主的全釩液流電池在長效儲能上未來將是相當被看好的綠能技術主流,並且2010年以前政府已積極請法人如工研院在固態電池和全釩電池進行相關零組件材料投入研究,再加上經濟部期許再生能源在2025年發電量佔比達20目標並達15GW,基於上述考量,華鉬實業決定於2017年全力研究與投入自主開發的全釩液流電池電解液的技術開發,以藉此加速2025年再生能源的達標率。 華鉬公司指出「再生能源的電源較不穩定,而台灣本身缺乏鋰資源,在鋰電池製造上幾乎80-90電池芯必須倚賴國外採購,缺乏100國內自足自給的儲能資源與技術。」同樣地,對於本身沒有天然釩礦資源的台灣是如何克服呢 為此,華鉬實業利用獨創技術,透過石化業如中油煉油廠或台朔石化製程中的廢觸媒,其中有高達10釩離子成分可提煉出高價值的釩礦資源,藉此生產出台灣100自主自製的全釩液流電池電解液且不受資源影響,有效達到資源循環再利用。自2017起華鉬實業已成功打造出全釩液流電解液技術,並順利通過工研院和核研所及多家國際大廠的產品驗證。 台灣在儲電能量目標於2025年要達15GW,其電力分配包含500MW於台電的自動調頻系統、500MW於E-dReg及500MW於既有或新設的太陽能電廠,以太陽能電廠的用電使用為例,主要以下午4點到晚上10點用為民生用電尖峰時段,為此,能源局特別要求台電必須加強儲能設備的升級,也因此帶動市場上對全釩液流電池儲能系統設備的高度需求。另外,台灣在目前總儲備電能的建置與貢獻尚未達到100MW,距離2025年目標15GW儲電量仍差距15倍以上。 運用全釩液流電池 成功打造100安全、低碳環保又長效性儲能系統設備 相較於鋰電池的短效電力儲能,全釩液流電池的最大優勢為全球公認可長效性的儲備電能,可以長時間儲能達12小時,代表若充12小時電力,則可以釋放12小時電力。相較於一般儲能系統的計電方式也就是每日用電度數功率以千瓦為單位 x時間以小時為單位,對全釩液流電池而言,功率和小時數是各別設計,該功率又稱為電堆,是由金屬、高分子模、碳氈和石墨板等四種材料組成,而該用電時間改以電解液的量以立方體為單位來計算,因此當功率電推 x電解液的量我們每日運用全釩液流電池儲能的用電度數。 全釩液流電池儲能系統設備之產品特色方面,包含安全性、長效性、充放電不易衰減和永續低碳環保性等四大特色。全釩液流電池品質是100安全,由於電能是儲存在含釩的電解液中,能避免儲飽電的儲能系統造成任何易燃事故發生。在電池壽命上,相較於鋰電池的電池壽命短暫,全釩液流電池透過價數變化可高達20-25年以上電池壽命。對於儲能的充放電性能,不像鋰電池有一定充放電次數5000-600次,全釩液流電池的充放電次數是沒有限制性的。對於全球高度重視的零碳排放,不同於鋰電池有回收議題,全釩液流電池的電解液可永久使用,該電堆材料成分是環保的且可完全回收,以打造真正永續性又低碳環保的儲能系統。 陸域風機AI預測智慧運維 讓客戶降低發電度成本10 省下維護保修成本高達30 華鉬實業不只透過全釩液流電池儲能系統設備提高再生能源客戶長效儲電效能、協助客戶降低初置成本,更透過離岸與陸域風機AI智慧運維實證計畫在台電的陸域風場的場域實證,積極累積自家在AI預測性運維的技術經驗和能量。在經濟部工業局AI HUB計畫支持下,合作場域將以台電公司路域一期風場為主並提供6個月以上風機的智慧運轉數據進行分析。本次陸域風機的AI預測運維系統,採用機器學習方式,主要技術提供者來自英國British PetroleumBP石油集團的子公司ONYX Insight,該公司透過AI Hub分析軟體技術進行台電面臨的風機痛點分析,包含路域風機的發電量損失和陸域風機的關鍵零組件如齒輪箱、變槳軸承hellip在異常震動三維的振動頻率或異常溫度等狀態下進行損壞預測等報告產出。透過本次落地實證可有效協助台電降低發電度成本10,增加資產價值12,節省最多30維護保修成本。近三年ONYX Insight在全球已成功預測運維2萬台以上離岸或陸域風機,累積極高的AI模型準確率。相信透過與ONYX Insight建立的國際合作夥伴關係,將有效輔導並加速華鉬實業的綠能事業部在邁向成為風機AI預測性運維的獨立科技服務提供者之目標與布局。 與合作夥伴ONYX insight提供客戶AI預測運維系統,包含風機發電量損失與風機關鍵零組件之損壞預測 厚植國內風機運維的基礎 以台灣為基地 拓展到東南亞風場 離岸風機AI預測性運維未來在台灣將超過300億台幣的的市場產值,儲能市場在全球更是有千億美金以上的產值,在未來公司願景,華鉬實業期許能成為釩液流電池電解液及風機AI預測性運維的獨立技術服務提供者。而長期目標,透過累積豐厚技術及實績資本,在世界各地建立釩液流電池電解液之在地供應鏈,就近供應產業需求。

這是一張圖片。 This is a picture.
實現無人商店夢想 喜鵲生活建構智能機產業未來

「喜鵲生活的DNA不會只有販賣機,我們相信販賣機結合科技、通路、人文,才能帶來令我們歡欣鼓舞的成果。」這是喜鵲生活官網上的一句話,讓販賣機帶來愉悅的生活,建構貼心、科技、永續的智能機產業未來,也是喜鵲生活創立的初衷。 成立於2018年的喜鵲生活,在成立4個月之後,即推出臺灣第一台自有品牌結合行動支付掃碼感應、藉由螢幕觸碰完成消費體驗、POS系統管理、數據聚集於後台的喜鵲U1智販機,讓消費者能同步世界的新零售腳步,體驗購買便利性、結帳安全性、視覺娛樂性、提升物流補貨效率的全新零售消費體驗。 傳統販賣機缺乏資訊可見度 AI技術協助資訊透明化 此次,喜鵲智能販賣機更搭載AI技術,提供可調整貨架空間、搭配工業電腦與大尺寸觸控顯示螢幕之自動販賣機,達成無店面商店之目的。 喜鵲生活表示,傳統販賣機最大問題即是缺乏資訊可見度。想要檢查庫存,就必須由補貨人員實際檢查每一部機器,這種做法既費時,成本也高。而當機器故障時,一般更是會長時間無法運作。大多數故障均無人通報,直到下次補貨人員抵達補貨才會發現。接著還必須等待維修技師排行程,而一等就可能需要數週的時間。 傳統販賣機缺乏即時互動性,當消費者投幣後遇到狀況時廠商無法當下處理。此外,傳統販賣機更缺乏彈性,無法應消費者偏好變化而調適。 傳統販賣機存在僅限零錢購物、支付工具單一;商品擺放數量有限,選擇性少等缺點。 受到COVID-19疫情影響,消費習慣轉為非接觸式的方式,致使無人化商店市場升溫。一般自動販賣機僅能擺放較單純的商品如飲料、食品等等。可販售的產業有限。而喜鵲開發出的專利販賣機可調整貨架空間,搭配升降貨梯,適用在各種類型的商品。此外,機台搭配工業電腦與大尺寸觸控顯示螢幕,能同時達到廣告託播的需求,預計朝無店面商店的方向邁進。 根據喜鵲生活觀察發現,近兩年來的消費者市場趨勢,消費者訴求便利生活、飲食消費型態重視餐飲體驗簡單快速,並且搭配手機連網訂購模式,而且熱飲及鮮食外送是兩大趨勢重點。而設置地點、販售品項、食用方式及多元付款方式是智能販售機的市場成長重點。 就便利性而言,臺灣消費者購買自動販賣機食品仍以車站、機場、學校、商業區公司附近為最高,多樣的付款方式也更獲得消費者支持,顯示未來自動販賣機可朝品項多元和支付方式多元兩大方向展開。 AI銷售預測技術整合後台管理 達到精準行銷目的 由於商品種類繁多,難以得知商品在不同因素如季節、市場情形、促銷活動等影響下的需求,容易造成缺貨或庫存過剩的狀況,喜鵲生活特別開發「AI銷售預測技術」,整合至後台管理系統,期能透過數據分析鎖定客戶購買偏好及意願,進而達到精準行銷之目的,進而做出精準的商業決策,有效分配有限資源。 導入AI系統可達精準行銷、庫存管理及供應鏈管理三大目標。 此一系統為專為供應鏈管理人員設計的調補貨決策輔助工具,透過 AI 預測未來銷量需求,協助企業有效優化產能、庫存及配貨策略。 其整體系統架構包括: 1資料探索性分析功能:針對資料內缺失值提供自動化補值、自動編碼及自動特徵篩選功能。 2建模功能 : 1提供迴歸Regression、時間序列Time Series Forecast共兩類預測問題類型之模型訓練功能。nbsp 2支援 Auto ML 自動建模,並由系統推薦提供最佳模型,亦可建立集成模型提升模型準度。nbsp 3支援多種演算法類型:Random Forest, XGBoost, GBM等演算法。nbsp 4支援多種時間序列模型:指數平滑、ARIMA、ARIMAX、間歇性需求、動態複迴歸等模型。nbsp 5支援多種模型評估指標:R, MAE, MSE, RMSE, Deviance, AUC, Lift top 1, Misclassification等指標。nbsp 6支援自動切割訓練資料集及Holdout驗證資料集,並可手動調整比例。nbsp 7支援自動模型集成學習 Stacked Ensemble、平衡函數學習 Balancing Classes、早停法 Early Stopping。nbsp 8支援同時建立多個模型,系統將依照建模需求配置資源,讓建模、預測等任務擁有獨立的運算資源且互不影響,在整體伺服器空間有上限的情況下,運算資源能有效率被利用。nbsp 9具有記憶體運算In-memory computing功能,可藉由大容量及高速的記憶體進行運算,避免大量從硬碟中讀寫檔案,提高運算效能。 3資料串接功能: 運用API嫁接,採用完整的資料串接自動化,不需要手動匯入資料,提高使用者體驗。 4圖表分析功能:針對商品銷量提供視覺畫圖表及基本統計值。 AI數據分析解決方案具備兩大優勢: 1創業機台租售 低成本開設無人實體店與連鎖零售業合作,透過智能機讓創業者以低於店面租金的成本經營零售生意。提供機台買賣及租賃兩種合作模式,依業者評估選擇。 2多型態商品上架 24小時隨時隨地販售商品,可上架達60多種多樣化商品,透明大櫥窗提升商品能見度,定期補貨及追蹤商品販售狀況,依需求調整產品類型。 近來網路與實體界線模糊化,顧客互動方式大幅改變,消費需求多變且個性化,零售業面臨前所未有的挑戰和不確定性,掌握數據成為關鍵。AI 數據分析解決方案能幫助零售業快速活化大量資料,打造無縫的個人化體驗,最佳化營運價值鏈並提升效率,強化企業核心競爭力。