:::

【109年 應用案例】 AI點點名 掌握長者進出 解決日照中心人力荒

銀色風暴來襲! 台灣將在2026年邁入「超高齡社會」,全台長照中心鬧「人力荒」,AI人臉辨識導入長照中心場域,點點名靠AI,日照中心好安心。

台灣人口老化到底有多嚴重?先來看一個數字,台灣在2018年高齡人口(65歲以上人口)比例已超過14%,正式邁入高齡社會。

此外,根據國發會推估,台灣將在2026年邁入「超高齡社會(高齡人口比例超過20%)」,老化速度甚至遠快於日本。同時國發會也預測,2065年台灣高齡人口比例將超過4成,屆時台灣每1.2位生產者需負擔1位老年人口。面對龐大的老年人口,長照中心的人力需求勢必嚴重吃緊。

台灣長照機構資訊化不足 亟待導入AI技術解決人力荒

在台灣擁有800家會員的台灣長期照顧協會全國聯合會副理事長簡文生表示,相對於醫療產業不斷導入尖端科技及最新技術,台灣長照產業並未受惠於台灣國際級的科技研發成就,中小型長照機構資訊化程度不足,均仰賴人力作業,若能導入AI技術解決轉型問題,對於長照機構及高齡者的需求助益很大。

對於產業的急切呼求,經濟部工業局及資策會聽到了,積極協助尋求解決方案。首先,資策會先聚焦需求,協同長照協會全國聯合會共同訪視多家長照機構了解問題所在,多數場域業者均表示,日照中心每日照顧的銀髮長者必須確實掌握其出席狀況,以符合長照2.0的補助規範。然而,每天一早的點名工作,就是工作人員的一大夢魘。

「早上7點不到,被照顧者有的被推著輪椅進來,有的自己拄著拐杖進來,有的由家人開車從後門送進來,有的則是登記要來,卻不見人影,門口有銀髮長輩、家屬,照護人員等,鬧哄哄地,連對方的聲音都聽不到,等到一一點完名,回過頭來,才發現早上買的早餐還擱在桌上…」,這是一位日照中心照護者的日常。

AI點點名 解決現行人力不足與資訊錯誤的困擾

日照中心普遍存在著每日照顧的銀髮長者來去時間不定、簽到時間無規律的問題。現行業者僅能以人工登記方式,處理簽到、簽退事務。而照護場域中有多個出入口、場域範圍大且跨樓層,進出人員包含照護人員、行政人員、長輩及其家屬、訪客⋯⋯等,出入人員複雜,無法進行有效管控。

此外,由於人工點名可能忙中出錯,也可能產生補助人數造假的誤會,對於衛服部及業者雙方都產生困擾。因此,業者深切期望能夠藉由AI裝置智慧化服務協助輔助照服人員,減少人工紙本登記,即可將行政人力時間省下來,以便協助更多的照服長者。

在資策會的媒合與輔導協助之下,安全監控業者奇卓科技與杭特電子將人臉辨識技術導入長照機構,在門口設置人臉辨識設備,同時為了節省長照機構的成本負擔,創新長期租賃的新商業模式運作,不但解決中小型長照機構預算、人力不足的問題,也協助電子裝置業者找到合適的場域實證,有效解決供需雙方的問題。

奇卓科技解決方案導入,左為與場域人員討論安裝細節,右為偵測畫面

▲奇卓科技解決方案導入,左為與場域人員討論安裝細節,右為偵測畫面

杭特電子解決方案辨識畫面
▲杭特電子解決方案辨識畫面

AI人臉辨識技術一日千里,不僅可以取代長照中心的人工點名機制,也能在照護人員夜間查房時,掌握銀髮長者的行蹤,未來在長照中心的應用將持續擴展。

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。

【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