:::

【109年 應用案例】 Lawsnote法遵系統 透過AI技術將法遵CRA流程自動化,提升企業法遵效率

金融監管的趨勢

隨著全世界越來越重視法規監管的趨勢,各領域面臨的法遵成本越來越高。若要說2020年成長最快速的領域是什麼?相信有許多人會認為是法規!

監管嚴格的趨勢下,又以金融業為最,在台灣包含金管會在內的監管單位對於金融業的監管要求趨向嚴格,罰金也越來越重。為了因應這些監管措施,金融業自數年前逐步導入新的法令遵循內控內稽的制度,例如設立法規風險評估、業務單位設立法遵主管作為第一道防線以及法遵自評制度等等。

法遵人員現行的人工法遵流程

然而,金融相關法令多如牛毛,而業務單位的業務手冊又十分繁雜且數量眾多,因此許多金融業的法遵人員必須投入大量的時間處理繁瑣且重複性高的內外規比對工作,避免法令修正的時候,企業的內部規範沒有提出因應措施,造成企業落入風險或被罰款。

法遵人員花了許多時間處理法令異動

▲法遵人員花了許多時間處理法令異動

Lawsnote法遵系統解決方案

作為台灣技術領先的法律科技方案解決公司,Lawsnote收到許多企業客戶表達法令遵循系統化的需求,即開始投入研究人工智慧應用於法遵系統的解決方案,進而開發出Lawsnote RegTech 法遵系統,用以將法遵人員的部分工作流程自動化,降低法遵人員繁雜而重複的工作

Lawsnote將法令異動以及內規調適自動化

▲Lawsnote將法令異動以及內規調適自動化

A法規資料庫、搜尋和法規異動派送

作為RegTech系統的基礎,法令遵循流程是由「法規」所發動,因此具有特定領域「完整」而「即時」的法規資料庫以及法規更新機制是必須的。

然而法規並不只限於立法院所制定之「法律」,還包含了各行政機關由法律授權制定的「行政規則」和「法規命令」,以及用以解釋法規的「行政函釋」,都被視為法遵系統必須遵循的法規。

這些法規資料目前並沒有統一的資料源,除了全國法規資料庫外,更有許多法規散見在不同的機關、組織或是公會網站上獨立的法規頁面,造成蒐集完整法規的成本非常高昂。

由於法規會修正,行政函釋會新發布或廢止,因此即時維持法規的變動也是大問題,縱使一次性的搜集完整的法規,若沒有持續監測法規和行政函釋的異動,也會造成法令遵循的缺口。

Lawsnote作為專業的法學搜尋引擎,具有完整的法規及函釋資料庫,可因應各產業法遵系統需求,並可派送各領域所需法規異動通知。

B1.內規資料庫及搜尋

企業透過規範進行內部管理,稱為「內規」,一般的內規類型包含公司內部規範、標準作業流程SOP和業務指導手冊等資訊。依照產業別監管的強度,企業內規的數量及密度也會依照產業別有所差異。

在監管密度較高的產業,內規數量有時高達數千甚至數萬部,在如此巨大的內規數量之下,紙本或簡單的檔案系統已經無法滿足企業的內部需求,若不建置內規資料庫及搜尋引擎,在查找及遵循內規的過程中,可能伴隨的是大量時間的消耗以及人事成本的浪費。

Lawsnote具有台灣最強大的法學資料搜尋引擎,掌握專利搜尋技術,以及應用人工智慧優化排序演算法,可將企業內規、SOP及指導手冊等內部資料建置為「內規資料庫」,並將搜尋引擎的技術應用在內規資料庫上,達成快速、完整、易用的內規資料庫和內規搜尋引擎。

B2.<法規–內規>條對條連結機制

當法規修正的同時,企業的內規也必須進行相應的檢查和調整。

企業內規檢查程序可能是由法遵人員依據法規修正啟動,也可能是由業務單位法遵主管(第一道防線)啟動,而後由法遵人員(第二道防線)查核。然而無論由哪一個單位啟動,困難之處都是找到修正法規條文所對應到的內規條文,用以判斷是否必須進行修正。

由於內規數量眾多,用語繁雜,並且牽涉到企業不同業務形態,若每次法規修正都必須重新盤點內規,將帶來巨大的時間耗損,因此法遵人員通常高度依賴經驗,在有限的時間和盡量降低風險的拔河中取捨。

並且由於內規的撰寫方式,常常將法規以不同方式大幅改寫和拆解,造成程式比對非常困難,若單純以既有的程式去比對內外規,會造成許多內規無法有效判斷。

Lawsnote經過研究和測試,設計3種人工智慧演算法以及4種rule-base演算法交叉比對,可以將數千部法規和企業內規之間,建立<條文對條文>之間的相關連結,協助法遵人員在法規修正時,能即時判斷連結內規的修正必要性,並大幅節省盤點時間,降低法遵內控風險。

C.法遵內控內稽自評流程

為確保業務單位法遵主管確實履行法遵流程,部分企業會導入法遵自評及法遵教育等機制,透過法遵自評之評估量表要求業務單位法遵主管自行評估法令遵循的內控內稽流程,及盤點既有風險。

法遵人員或稽核則必須依據自評的結果進行結果彙整,或製作風險矩陣等,以便進行法遵風險監控以及弱點事項的追蹤。

Lawsnote RegTech法遵系統支援擴充workflow方案,可將工作流程延伸至法遵自評流程,將現行制度與法遵系統進行客製化整合,並結合組織架構以及單一登入權限控管等機制,實現一站式法遵系統的整合。

Lawsnote法遵系統三大核心模組

▲Lawsnote法遵系統三大核心模組

納入國外法規,作為企業合規工具的首選

Lawsnote將持續優化法規文本解析與辨識技術,除此之外我們將同時開發其他與企業相關之法律科技應用工具,以包套式的服務,成為企業的合規工具首選。除了國內法規之外,Lawsnote亦會將國外法規納入本系統中,使在台的跨國企業能掌握國內、外法規資訊。

Lawsnote一直專注在法學領域的人工智慧應用、資料探勘、演算法設計、搜尋引擎和工作流程優化,致力於透過科技節省法律人的時間。

推薦案例

【導入案例】防患於未然 麗臺科技研發心臟衰竭AI辨識技術可及早發現病徵
防患於未然 麗臺科技研發心臟衰竭AI辨識技術可及早發現病徵

隨著高齡人口增加,伴隨著各種慢性病的發生機率日增,其中,心臟衰竭不僅是隱形殺手,由於心衰疾病的病程非常長,復發機率高,造成醫護人員的負擔加重。然而,利用通過醫療認證之心電心音裝置,搭配心臟衰竭風險AI預測評估及遠距照護系統可輔助診斷幫助醫師做出正確的診斷,以利於後續病患的醫療或轉介。 心臟衰竭病程長 醫療支出是糖尿病5倍 如果你有呼吸易喘,甚至稍微動一下就喘,或是夜晚睡覺的時候,容易從睡夢中驚醒,需要坐起來才會比較舒服,又或是下肢容易有水腫等狀況,甚至合併有焦慮、不安、疲倦、食慾下降hellip等症狀,當心很有可能是心臟衰竭。 根據統計,全球心臟衰竭人口約有6000萬人,每年新增的心臟衰竭人口約500萬人。中國的心血管疾病患者將近29億人口,占城市居民死亡原因第二位;而全中國約有1200萬心臟衰竭病人,佔心臟病死因的59以上。尤其心衰疾病的病程非常長,且復發及再入院率非常高,使得醫療支出的成本是高血壓的2倍、糖尿病的5倍。 根據美國研究統計,心肌梗塞及心臟衰竭病人的30天內死亡率分別為166及111,並且30天內再住院率分別為199及244。心臟衰竭的症狀因為和其他疾病如慢性肺阻塞,氣喘等疾病相似,有185 的誤診率,對於醫療院所而言,是相當棘手的問題。 麗臺科技為顯示卡大廠,2000年起投入醫療及健康照護領域。由於董事長盧崑山曾分別與2011年及2015年兩度心臟病發,因此,麗臺科技專注於健康大數據,自主研發心臟衰竭AI辨識技術,此一AI應用讀取病患的心電圖以及心音圖做出異常檢測以及心臟衰竭的風險預測模型,可及早發現疾病徵兆。 麗臺科技自主研發心臟衰竭AI辨識技術 可預測病史及風險 麗臺自主研發之心臟衰竭AI辨識技術具以下三種判斷功能: 1 心臟衰竭病史之預測 將心電及心音圖資料分類為「具心臟衰竭住院病史」以及「未具心臟衰竭病史」兩類。 2 心臟衰竭風險預測 將心電及心音圖資料給予發生的心臟衰竭風險預測值。 3 心臟衰竭再發生風險預測 針對已有心臟衰竭的患者判讀其心音圖及心音圖,判斷其心衰再發生之風險預測。 麗臺科技表示,心臟衰竭AI辨識技術應用可輔助醫師更有效率且精確的診斷,以利後續病患的醫療或轉介。舉台北榮總研究心臟衰竭的離院病患為例,根據心電心音同軸檢測裝置所計算出的EMAT電機活化期指數與SDI心縮不全指數作為治療指引的病患,會比依據傳統症狀做為治療指引的病患,有更高的存活率,此研究也已刊登於國際心臟權威期刊JACC,獲得國際市場肯定。 系統廠商可將心臟衰竭AI辨識技術作其他加值應用 麗臺科技表示,合作系統廠商可選擇自建心臟衰竭AI風險預測引擎,將自有系統之心電心音圖上傳到麗臺心臟衰竭AI風險預測引擎後,引擎回傳風險預測值,做為系統整合廠商合作廠商的加值應用輸入。 不僅臨床使用 心臟衰竭AI風險預測引擎可延伸居家或工作場與使用 此外,這套系統也可以延伸至其他應用,包括: 一、醫院門診快篩:醫師可使用心電心音記錄器及心臟衰竭AI風險預測模型,在門診、急診進行10秒快速檢測,評估病患心臟病史及心臟衰竭風險。 二、出院風險評估:醫師可使用心電心音記錄器及心臟衰竭AI風險預測模型,評估病患住院期間的心臟衰竭風險,檢測數據可作為出院前的風險評估及預後指標。 三、居家連續照護:病患可使用心電心音記錄器、穿戴心電圖記錄器,透過居家傳輸盒閘道器,在家量測心電心音訊號,並上傳至amor健康雲平台進行心臟衰竭AI風險預測分析。病患可透過APP自主健康管理,檢視歷史生理趨勢;疾病個管師可透過健康管理後台Web管理會員健康。 四、居家康復訓練 病患可配戴健康手環,進行活動、疲勞、循環、睡眠檢測,透過手機APP自主管理健康及觀察心臟衰竭風險,進行運動及康復訓練,幫助身體快速復原。 心臟衰竭AI辨識技術系統可以延伸至員工居家照護等應用。 此外,在工廠或辦公室等場域也可以透過這套系統達到員工健康管理的目標,應用的方向包括: 一、工作場域之作業安全單位:在員工執行工作業務前發給員工穿戴心電圖記錄器。 二、業務執行者生理監測:員工於執行業務或訓練時,配戴穿戴心電圖記錄器之疲勞警示,警示生理狀態是否可繼續執行任務。任務執行段落可使用資料傳輸盒或APP 將生理監測資訊上傳至健康管理平台,並評估作業員工心臟衰竭風險,檢測數據可作為企業資源人力單位做為風險評估及公共安全對應指標。 三、工作場域生理監控中心照護:工作場域的生理監控中心可透過健康雲平台,檢視並記錄員工值情時之歷史生理趨勢。 四、工作場域之護理單位:護理單位在接收生理監控中心指示,可依據值情員工的生理趨勢給予健康管理的建議;護理中心可透過健康管理後台Web管理員工健康。 五、員工可配戴健康手環,進行活動、疲勞、循環、睡眠檢測,透過手機APP自主管理健康及觀察心臟衰竭風險,進行運動及康復訓練,幫助身體快速復原。 工作場域應用心臟衰竭雲端照護及大數據中心示意圖

【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。

【導入案例】海量數位工程AOI機器智能手臂檢測系統 大幅提高瑕疵檢測精準度
海量數位工程AOI機器智能手臂檢測系統 大幅提高瑕疵檢測精準度

臺灣堪稱製造業大國,然而,在產線上,品質瑕疵檢測一直是製造業長期痛點,雖然有AOI設備可輔助,但大多採用固定式機器,受限於角度,診斷不夠精準,誤判率也高。海量數位工程公司導入AOI機器智能手臂檢測系統,可有效降低誤判率,提高瑕疵檢測精準度。 一般來說,產品的良率攸關企業的成本與客戶的退貨率,而製造產業品質瑕疵的檢測流程,往往需要編制大量的品質檢測人力。目前製造業檢測工具雖然有AOI設備來輔助進行,但這些設備多半採用固定式的檢測機器,固定式相機容易受限於角度,導致診斷不夠精準,誤判率太高等缺點,因此,人員在後端需要再次篩選檢驗,也就是複檢,通常人工目測檢視的瑕疵漏檢率平均在5上,甚至可高達20。 製造業品質檢測三大痛點 機器手臂AOI之動態多角度品檢協助解決 根據海量數位工程實際了解製造業在檢測產品品質有三大痛點: 痛點一、人力檢測產品品質出錯率高 目前製造業多以人力來檢測產品外觀,但人工判斷多半有誤差,例如:表面刮傷、色差、焊道外觀hellip等,瑕疵判斷出錯率高,且須待成品階段才能一次性檢驗,時常出貨前全檢後依然遭整批退件,導致重製及人力成本大增。 痛點二、品質檢測之數據無法量化與記錄 傳統人力檢測無法保留檢測數據,嗣後發生品質糾紛時,責任難以釐清。而海外品牌高階代工單往往要求溯源與相對應的缺點紀錄,傳統產業原有之人力檢測難以符合更高階代工單之要求。 痛點三、傳統AOI視覺檢測的限制 現有製造業常用的AOI視覺檢測系統,因為視覺軟體技術的限制,都是以固定相機、固定光源及單一角度的方式來進行,這種方式對於平面或形狀由直線組成之產品例如:長方體或正方體的單一檢測點尚可處理,但對於複雜形狀的產品例如:汽車零件多為不規則狀多點、多幅度的檢測,就較難實現。 海量數位工程研發AOI機器智能手臂檢測系統,有效提高瑕疵檢測精準度。 為解決製造業在品質檢測的痛點,海量數位工程決定從研發多角度、可移動式的檢測儀器開始發想,從結合工廠自動化領域中的兩大代表性技術-機器手臂與機器視覺著手。海量數位工程以機器手臂結合AOI之動態多角度AI視覺即時品質檢測方式,改善固定式檢測受限多角度的問題,視覺檢測技術的提升與結合人工智慧,進一步相機取得的影像資訊可由平面取樣提升至多角度、多維度取樣。 選定汽車產業做為實證場域 可快速回應顧客需求 AOI機器智能手臂檢測系統,所運用的AI技術包括無監督學習(unsupervised)、監督式學習Supervised learning、半監督式學習Semi-supervised Learing,使業者在初期樣本不齊全,或是沒有不良樣本的情況下也能使用無監督深度學習技術學習良品,並應用在汽車三角架自動焊接的視覺檢測上。可解決導入前受限於固定式機器的角度、診斷不夠精準、誤判率高的問題。 汽車零組件單價較高,會要求更嚴格的瑕疵檢測正確率。 在導入AI服務的產業中,選定汽車製造業作為實證場域。海量數位工程表示,汽車製造業主要為相關零組件製造商,而且通常元件單價較高,需更多品質檢測品質及良率,會要求更嚴格的正確率,因此選定汽車業做為導入的場域。 機器手臂結合AI之動態多角度AOI視覺即時品質檢測系統,除了可以改善汽車零組件檢測瑕疵品質失誤率外,因為以多角度的機器手臂AOI服務來提升定點式AOI光學檢測,可以符合多數產業之量測需求;最後是建立第三方系統平台,建置共同工作整合平台監測系統,以便在問題發生時,第一時間接收訊息並著手處理。 本系統可針對出廠產品之重要數據進行記錄儲存,為實現未來數位生產線與虛擬生產之基礎。同時於瑕疵發生時,可即時串接海量MES監控系統,迅速反應至相關製造決策部門,嗣後並利用ERP系統進行專案管理與檢討,有效精進其生產效率,降低生產成本。 有助降低溝通成本 期許成為行業標配 就產業上下游整合而言,可以為上下游之數據連貫提供一基礎之標準,降低供應鏈之溝通成本,經由指標代工廠與品牌商的認證,有機會成為該產業之行業標準配置。 透過此一計畫的產出數據資料庫建置,業者進一步透過大數據分析Data Analysis,優化供應鏈管理的解決方案「供應鏈規畫Supply Chain Planning, SCP」,依據數據,建立預測計畫,並運用科技串連供應鏈上下游的數據,精準控制產品品質。未來對接歐美、日,需要品質精細訂單,業者能更快速回應及整合產業供應鏈Supply Chain 。 最後期望透過標竿示範產業之場域驗證,例如:以汽車零組件製造產業標竿示範場域,透過機器手臂結合AI之動態多角度AOI視覺即時品質檢測系統計畫進行驗證,讓汽車代工廠與汽車原廠之間有更優化的供應鏈聯繫,並成為該行業標準。更進一步尋求更多的AI團隊,加入場域協作平台跨產業之開發,帶動整體AI新創與場域結合的生態系。 海量數位工程研發的自走車