:::

【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】哈瑪星科技建構AI模型管理平台 加速AI落地應用
哈瑪星科技建構AI模型管理平台 加速AI落地應用

搭上AI列車,資服業者借助深厚的產業基礎,不僅自己轉型,也協助客戶轉型 成立已超過20年的哈瑪星科技,近年來不斷研發AI技術,並協助產業客戶導入AI。哈瑪星認為,執行一個完整的AI專案,除了AI理論知識、數據分析與模型訓練能力,實務上還需要依據客戶的需求開發數據串接API、建置資料庫、開發前端RWD網頁,甚至還需要考慮到版面設計與使用者體驗 User Experience。這些工作不僅對AI新創業者形成技術門檻,即便對已具規模的業者來說,每個專案反覆投入人力進行類似的功能開發,也難以累積技術經驗、加速業務成長。 機關客戶對於AI仍具備高度客製化之需求 以哈瑪星科技所執行的政府A機關的需求為例,用戶須針對特定管道的不實資訊進行管控,需要平台提供用來訓練模型和預測的數據接入功能,並可以在平台上完成自然語言處理NLP文本分類模型訓練與使用。當模型發現不實資訊時,需要即時透過通訊軟體通報相關負責同仁。而B機關的需求則是希望透過AI模型針對民眾陳情案件進行自動分類,並即時提供陳情民眾或案件承辦人員可參考之歷史案件資訊。儘管專案模式相似 數據接入、模型預測、警示通知,但在個別專案中,仍只能分別進行需求功能開發,無法重複利用既有的程式與模型來加速後續專案的執行。 在深入探討之後,哈瑪星科技發現企業面臨導入AI專案的痛點,包括導入成本高昂、專案時程冗長等,其中,在企業內難以齊備資料科學家、分析師、工程師、設計師等人才,而現階段的專案皆為集中解決特定領域需求,難以重複利用AI模型跨入其他應用領域,同時,因為工具集中在AI專案領域,無法滿足客戶提供整體解決方案。 換言之,在AI技術的落地上,由於AI資服業者往往面臨「人力有限」、「領域限縮」與「工具不足」等困境,致使專案執行成本高昂或時程冗長。這些都是業者們亟需解決的共通性問題。因此,若有一個AI模型應用服務管理平台,將可解決上述困難,不僅能夠快速導入降低成本,還有助於縮短專案時程,提供客戶一站式解決方案。 AI模型應用服務管理平台協助快速完成專案 因此,哈瑪星科技在經濟部工業局AI計畫支持下,進行「AI模型應用服務管理平台AISP研發計畫」,投入研發AISP產品,目的是為了讓AI資服業者能事半功倍地完成AI專案。 AI模型應用服務管理平台提供AI一站式解決方案 透過AISP,AI資服業者可透過既有的模組功能快速組裝數據API介接、模型管理與模型預測結果監控訂閱等需求功能。同時也提供常用的圖形化工具,幫助業者快速設計用戶所需要的互動式圖表或儀表板,有效降低執行專案所需要的人力成本,並縮短解決方案POC或導入時程,加速產業AI落地與擴散。 在產品商模上,短期內將廣邀具備AI專門領域技術的資服業者合作,藉由平台服務解決各類場域需求單位所面臨的AI導入問題,逐步建立平台品牌信賴感。 中期則盼以哈瑪星過往的成功經驗逐步拓展業務市場,聯合多家資服業者建立策略聯盟,針對專門領域可解決更多且廣泛的問題,並提供更多解決方案供場域單位選擇。 平台結合領域專家共同擴展海外市場 長期而言,在建立各項專門領域的AI策略聯盟後,平台將擁有大量針對專門領域的AI解決方案專家,累積大量的專案成功經驗後,哈瑪星科技期望AISP將能與專家業者們攜手合作,共同進軍拓展國際市場。 哈瑪星科技股份有限公司於民國89年延攬多位資深專業經理人及相關領域技術專長人才所組成,致力於軟體技術研發暨服務,並以建構成為國際級軟體公司為目標,積極促成各項跨國產業合作機會。公司在首任總經理的優良領導之下,已快速成長成為臺灣主要軟體公司之一。

這是一張圖片。 This is a picture.
CCTV 智能影像搜索系統

查找某特定人物,尋找攜行李箱入廠人物進入高安區。人物及物件顏色特徵確定,人物藍黑色上衣,行李箱顏色黑色,透過CCTV 智能影像搜索系統,做物件與顏色檢索條件設定,可以成功搜尋到三段縮圖有出現關鍵標的影片,可以有效解決作業人員查找物件標的物,透過此系統查詢速度可比人工快6倍。 需求痛點 日月光高雄廠區內密布CCTV能及時監控廠區中的各個角落,但若在事件事故發生時,無法在有限的時間可透過CCTV影像回放被找到,其背後之意涵與其中蘊藏之巨大風險自是不言而喻,而許多平時無人的區域也很容易成為治安上的死角。故如何更智能、更有效的監控占地龐大的廠區是全體半導體企業打造智慧廠區之一大重點。日月光高雄廠占地遼闊,其中有許多重要的場域需要監控人員進出以確保企業機密與員工安全。 1 自動化生產線與自動倉儲:半導體企業之自動化生產線與自動倉儲中常有AGV(Automated Guided Vehicle)無人車高速行駛,若有廠區人員不慎誤入AGV移動區域且無法對該人員發出警告,則當憾事發生將追悔莫及。 2 材料與產品存放區域:半導體相關製程之材料價值不菲,若存放材料或產品之區域遭人入侵則有損失高價材料、產品之風險。 3 高機密管制區:營業秘密關乎半導體相關企業之核心技術競爭力,若有人員侵入高機密管制區則有企業營業秘密外洩之風險,而營業秘密安全防護一直以來都是半導體相關企業最最重視之議題。 4 卸貨碼頭區:日月光L但碼頭區常有卸貨車輛進出,若人員闖入碼頭區則有發生人車擦撞、碰撞意外之風險。甚至堆放在碼頭區待出貨的貨物有失竊以及因人員碰撞後,貨物倒塌造成損毀,因而造成公司具大的信譽、金錢損失。更進一步的造成生產出貨的不便。 異常事件發生時,如何在海量數據中,快速搜尋符合條件的關鍵影像 日月光高雄廠有許多重要的場域都需要架設CCTV為安全把關,但CCTV的數量動輒上千支、上萬支,一旦發生事件要去搜索影像時,都要用人眼一一回放查找、搜索,耗時耗力效益不彰。有鑑於現今電腦視覺的發展,遂利用AI來替代人眼回放查找。 問題情境 物件偵測 物件偵測資料來源分成兩個部份 開源資料集OIDv4、以及日月光高雄廠CCTV影像檔案。針對OIDv4中,取出符合定義的九大類別物件訓練資料,其中有二類物件未能於OIDv4中搜索到可用資料,分別為刀子與汽油桶,其餘七種類別物件皆可從OIDv4中取出可用訓練資料,此訓練資料皆已有標記。而針對高雄廠CCTV影像檔案,從中抽取部分幀(Frame)的影像,並且對欲偵測的物件進行人工標記以做為訓練與測試資料。 九大物件 顏色辨識 顏色辨識資料來源分成兩個部份網路圖像截圖、以及高雄廠CCTV影像檔案。目前並沒有找到針對顏色辨識應用的公開可下載的開源資料集,因此只能從網路蒐集圖像,於網路上搜索符合定義的九大類別物件的圖像,儲存圖像後將物件與背景分割,只保留物件的區塊,最後將圖像依照顏色做類別標記。另外針對高雄廠CCTV影像檔案,則使用物件偵測資料已標記好的bounding box擷取CCTV影像檔案中各個Frame的物件所在區塊之圖像,最後將肉眼可辨其顏色之圖像依照顏色做類別標記。針對每種物件類別皆有其專屬顏色定義,各種物件類別的顏色定義取決於此物件類別於現實生活中常見之顏色。 動態忽略免除混淆訓練 從OIDv4訓練專案的物件偵測雛型模型時,因為此資料集的每張影像中,皆只有針對單一類別做標記,但影像中有可能包含其他欲偵測之類別未被標記,故針對此種情況,訓練時會使用動態忽略之技術使其不會有混淆訓練的情況。接著使用高雄廠取出的訓練資料用來Fine-Tune雛型模型提高物件於特定指定場域下的辨識率。最終選取訓練過程中於測試集計算之損失值最低的模型做為主要物件偵測模型。 動態忽略 AI幫你看 CCTV 智能影像搜索系統主要是做為監控影像的搜尋輔助系統,可以藉由設定搜尋物件條件來加速達到從影片找出目標事件的功能,僅需定義搜尋條件,即可快速產出關鍵物件的縮圖影片並進行回放確認,縮短昔日以人工調閱案件所須時間,查找時間快6倍,前端安全單位運用此平台可強化風險管理第一道防線之自行監督功能以及早採取因應措施。

【導入案例】維繫遊艇王國美譽 嘉信遊艇導入國內第一套FRP複材超音波智慧檢測
維繫遊艇王國美譽 嘉信遊艇導入國內第一套FRP複材超音波智慧檢測

位在高雄的嘉信遊艇,成立逾40年,是台灣最大客製化遊艇業者,客戶遍佈美、歐、亞、澳各洲,為臺灣贏得「亞洲遊艇王國」的美譽。為了解決目前FRP船體檢測仍仰賴傳統方法如人眼辨識、敲打辯聲,耗時費工問題,嘉信遊艇首度將PAUT 陣列式超音波檢測運用於船體FRP複材上,並結合AI判讀超音波影像,發展完整智慧化解決方案,創造檢測業新興市場。 嘉信遊艇前身是嘉信木業有限公司,剛成立時是間位於高雄市臨海工業園區專營木材進口的工廠,1977 年開始進行遊艇設計、製造與銷售。企業第二代接班人,即嘉信遊艇總經理龔俊豪進入公司後,打破過往仰賴老師傅功力為主的製造模式,引進數位化製作,加快造船速度,船也愈做愈大,多年排行世界24公尺以上大型遊艇前20大製造商。並創下在一年內交付94艘遊艇的紀錄,為臺灣贏得「亞洲遊艇王國」之美譽。 瑕疵檢測確保遊艇品質 以AI取代人力效益高 為確保遊艇品質,瑕疵檢測相當重要。目前遊艇業採取的瑕疵檢測方式仍十分傳統,通常以手積層或是真空灌注製程方式製造船殼結構,藉由人眼或是敲擊法依敲打聲音頻率來判別瑕疵,需要人工耗費時間檢查,如有瑕疵須重工修補,接續執行噴佈膠殼作業。為便於檢測,船體必須分段施工,以24公尺以上大型遊艇而言,分段施工非常耗時耗力。 為縮短遊艇製程之速度,嘉信遊艇會先將船殼進行膠殼流程,之後再執行手積層製程,船殼製程有兩種複合材料試片結構,以遊艇54呎船殼來看,船殼中內含膠殼、芯材、纖維、樹脂,總厚度約為32公分plusmn01cm,與未含有芯材的FRP船殼總厚度約16cmplusmn01cm相差一倍之多。製程中偶會有玻璃纖維含浸不完全,或是玻璃纖維與樹脂間殘留氣泡等瑕疵問題發生,瑕疵的種類則包含樹脂不足、空洞、層離等,一出現瑕疵情況,船殼材料就供應不上,拖延遊艇交貨時間。 玻璃纖維船殼瑕疵種類示意圖。 為解決此一問題,嘉信遊艇與金屬材料產業以及AI科技產業三方專業技術的相互合作,結合金屬材料產業的超音波檢測專業技術與AI科技產業近年發展的AI技術協助解決嘉信遊艇瑕疵判別的問題。作法是運用相位陣列式超音波檢測技術至遊艇複合材料結構,進行FRP超音波試掃評估,瞭解遊艇船殼積層層數厚度與材料特性,依據超音波專業經歷,評估船殼結構適用的超音波探頭頻率等資訊,經測試以頻率5MHz且探頭寬度為45mm的探頭設備,能成功找出模擬瑕疵試片中的瑕疵位置及大小。 三方合作從陣列超音波評估、AI技術模型開發及實船實證應用,獲得瑕疵檢測解決方案。 檢測影像為超音波信號影像,影像依據超音波回饋訊號呈現不同色彩,透過YOLO演算法,建構自動識別瑕疵的部位的AI模型。若異常資料蒐集程度不足以訓練,則預計採用 CNN-based Autoencoder 演算法,蒐集正常影像資料進行訓練,建構異常檢測的AI模型。物件偵測YOLO模型的訓練將輸入具有瑕疵標註的影像資料,異常檢測模型則是輸入沒有瑕疵的影像資料進行訓練。 模擬缺陷試片對應相位陣列超音波信號結果 AI系統瑕疵檢測 可縮短15個月工期 加快50判讀速度 此套AI系統建構完成後,運用至嘉信遊艇實船54呎遊艇進行驗證,可有效解決嘉信遊艇瑕疵之問題,並可望藉由 AI 技術導入超音波檢測進行智慧化判讀,約可加快50之判讀速度,同時縮短15個月的工期,有效提升遊艇製程時程與品質的效益。 當臺灣遊艇發展朝向大型化、精緻化型態之際,帶來產業優化與轉型的機會,以及發展關鍵技術的契機。複合材料超音波人工智慧檢測方案之應用為遊艇業界首創,預計可吸引更多有檢測需求之遊艇廠商。 複合材料超音波人工智慧檢測方案有三大競爭優勢: 1 專業檢測經驗及數位化資料庫,便利製程管理與分析。 2 人工智慧AI自動判讀與辨識,快速辨識瑕疵,即時回饋給製程工程師。 3 高效率製程流程檢測,提供瑕疵修復建議,降低損壞率,強化複合材料強度品質。 導入人工智慧技術應用後,可優化遊艇製程流程,減少人力檢查樹速度,達到臺灣遊艇應用人工智慧之加值效應,擴大國際訂單量,讓臺灣遊艇持續在國際間享有盛名。再者,此一商業模式也擴散至複合材料相關之應用領域,增加跨領域市場使用率,預估將貢獻全台灣設備維修及非破壞檢測市場約新台幣14至20億元的經濟效益。