AI 與資訊系統研發資歷
資訊系統與 AI 研發專案經驗
語言、文件、影像與感測技術領域
Services at a Glance
四個 AI 技術領域，加上政府研發補助申請與執行協作。先看全貌，再深入了解各項能力。
開源模型的地端部署選型與效能評估、RAG 檢索增強生成、提示工程，以及 AI Agent 的推論流程與人機協作機制設計。
適合 內部知識問答、告警分析、流程助手
針對格式不一、且常含機敏資訊的繁體中文文件，建立多模態的結構化資訊擷取與智能檢核流程。
適合 公文、表單、掃描件與規則檢核
將影像辨識模型導入生產現場，用於瑕疵檢測、製程監控與異常判讀，並延伸至製程指標的量化建模。
適合 瑕疵檢測、製程監控與異常判讀
從感測器與設備日誌的時間序列資料中，建立異常偵測、預測性維護與決策輔助模型。
適合 設備預警、環境監控與預測性維護
On-premise Architecture
原始資料留在場域內，經過資料處理、模型推論與治理機制後，再提供可追溯、可複核的應用結果。
資料來源
擷取、清理、切分、去識別化與權限控管
LLM 與 RAG、文件模型、影像辨識與時間序列分析
API、AI Agent、來源引用、操作紀錄與人工複核
應用結果
實際架構會依資料敏感度、既有系統、硬體資源與使用人數調整。
AI in Practice
我們把資料處理、模型判斷、人工複核與系統交付一起設計，讓 AI 能進入原本的工作，而不是停在展示畫面。
從文件進入系統的那一刻起，就把權限、來源、資料處理與複核方式納入設計。模型回答不是終點，能知道答案從哪裡來、誰需要確認，才是可用流程。
現場問題通常不只藏在一張影像或一條感測曲線裡。我們從資料蒐集方式開始，建立能跨越光線、角度、設備狀態與時間變化的判讀流程。
Technical Notes
整理地端 LLM、RAG 與視覺檢測在正式導入前，需要共同確認的技術選擇、驗收方式與風險。
查看全部技術筆記從資料邊界、工作負載、硬體容量到維運責任，避免只完成一個能跑的 Demo。
閱讀筆記分開檢查資料、檢索、引用與回答，才能知道系統錯在哪裡。
閱讀筆記讓測試集真正代表未知批次、設備、光線與現場條件。
閱讀筆記Representative Scenarios
以下內容將多類型研發與場域經驗重新歸納，用來說明我們處理問題的方式，不對應任何單一委託案或特定單位。
From Question to Delivery
不急著從模型開始。我們先確認問題、資料與驗收方式，再決定技術路徑。
釐清使用者、現行流程、真正要改善的工作，以及不能碰觸的限制。
確認資料型態、數量、品質、權限、資安要求與可用的硬體環境。
以小範圍真實資料驗證技術可行性，並用事前約定的指標評估結果。
把模型接進實際流程，處理權限、效能、監控與人工複核機制。
交付原始碼、部署與操作文件、模型測試結果，以及必要的教育訓練。
Trust & Delivery
AI 能不能長期使用，不只取決於模型準確度，也取決於資料邊界、人工責任與維護方式是否清楚。
FAQ
不需要。針對機敏資料或有資安規範的場域，我們會優先評估地端部署，讓文件、影像與推論資料留在既有環境內。
可以。初期會先盤點現有資料，確認品質與代表性，再決定是否需要補充蒐集、標註或調整題目範圍。
可以。POC 的目的就是用小規模真實資料驗證技術路徑與效益，在投入完整開發前先降低不確定性。
會先依模型規模、使用人數、回應時間與既有硬體進行評估，再提出可行的模型與部署方案。
可以。AI 模組可以透過 API、批次流程或既有資料交換機制整合，不一定需要重做整套系統。
依合作範圍交付原始碼、模型與資料處理規格、部署文件、測試報告、操作維護說明及教育訓練。
