eLAND | 〈AI技術〉彙整頁面

AI偵查應用實例：以 AI Search for KM為基礎，打造虛擬貨幣金流分析系統

AI偵查應用實例：
以 AI Search for KM為基礎，打造虛擬貨幣金流分析系統

近年來，隨著虛擬貨幣與數位資產市場的快速發展，相關犯罪樣態日益多元。虛擬貨幣因具去中心化、匿名化與跨境流動性高等特性，使執法單位在偵查過程中面臨更高的挑戰，而傳統依賴人工比對與文件查核的作業方式，不僅耗費大量人力與時間，也較難以即時掌握複雜的金流脈絡。為強化偵查效能與準確度，政府機關積極推動數位偵查轉型，透過導入 AI 人工智慧與大數據分析技術，強化資料運用與決策支援能力，逐步邁向智慧化執法的新階段。

本期 AI 知識庫亮點

為何偵查作業需導入 AI 技術？

為何偵查作業需導入 AI 技術？

隨著數位資產市場與虛擬貨幣交易蓬勃發展，相關犯罪手法與樣態也呈現多樣化趨勢，跨境交易頻繁、匿名性高且金流分散等，使執法單位面臨前所未有的挑戰。在偵查過程中，相關人員常需以人工從大量錢包地址與交易紀錄等資料中比對可疑關聯，而此種以人工比對與查核為主的偵查方式可能面臨的困難點包括：

資料分散、難以整合：交易紀錄散落於不同交易所，查找過程不僅費時，更仰賴交易所的主動配合。
人工查核耗時：偵查人員需自行分析金流紀錄與交易數據，工作量龐大且較難完全避免疏漏。
缺乏即時分析能力：傳統流程難以即時偵測異常金流或可疑關聯，易錯過最佳追查時機。
資訊視覺化不足：偵查人員需自行繪製幣流分析圖以呈現金流脈絡，難以快速掌握全局。

面對龐雜的金流結構與快速變動的資訊環境時，偵查作業亟需更高的效率與精準度；而透過導入AI與資料分析技術，能協助執法單位自動化整合多源資料、提升金流比對與異常偵測能力，強化決策支援與案件研析成效。

AI金流偵查系統建置成效

為回應上述挑戰，政府機關的相關單位近年積極導入 AI 技術，建置專屬的虛擬貨幣金流偵查系統，以實現資料整合與分析自動化。意藍資訊作為台灣代表性的智能數據廠商，協助執行虛擬貨幣金流偵查系統專案，以下將說明其技術基礎與應用效益。

技術基礎與平台特性
採用意藍長期開發的「AI Search for KM新一代知識搜尋與知識問答系統及工作平台」為基礎，以 RAG 架構為核心，並整合搜尋引擎、向量資料庫、語意分析及大型語言模型，可針對特定領域資料進行理解與訓練，支援高精度的知識檢索與智能問答。且平台問答之回覆內容均可追溯來源，確保資料可靠性；同時，亦支援地端運行與權限控管，可以有效避免洩漏機敏資訊。
在此基礎上，進一步整合公開的虛擬貨幣金流紀錄、內部案件資料及外部相關法律監理文件等，經結構化處理後形成資料庫，以確保系統能依偵查任務需求調用對應資訊，最終建置出可於地端安全運行的「虛擬貨幣金流偵查系統」。
核心功能與效益
1. 核心功能一：金流查詢
  採用 NL2SQL 技術，讓使用者能以自然語言查詢交易紀錄，如詢問「這筆交易資金流向哪個錢包？」系統便會自動轉換為查詢指令並回傳結果，並以視覺化方式呈現資金流向，降低偵查人員的查詢門檻。此功能能夠節省資料比對與分析成本，縮短案件初步調查時間，提升分析的準確性。
2. 核心功能二：偵查報告生成
  系統能根據過往相關之偵查與法律文件，自動生成偵查報告內容，並提供偵查建議。此功能可減輕人工彙整負擔，確保報告結構與語意一致，提升案件偵查報告的品質，優化偵查流程效率。
3. 核心功能三：偵查報告真偽驗證
  此功能可以輔助驗證偵查報告的真實性，根據實際數據與推論規則檢核報告內容，標示潛在錯誤或矛盾之處，強化報告可信度與司法採信力。

整體而言，透過此 AI 金流偵查系統的導入，偵查人員可直接以自然語言快速完成資料查詢、金流分析與報告生成，讓偵查流程更即時、精準、安全，顯著提升執法作業在效率、準確度與資訊安全三方面的表現，為虛擬貨幣相關的犯罪偵查提供全方位的支持。未來，此技術亦可延伸應用於其他犯罪樣態與偵查領域，推動執法作業邁向全面智慧化。

想進一步了解意藍更多AI技術嗎？

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

政府AI應用實例：AI Agent 助力員額評鑑智慧化

政府 AI 應用實例：
AI Agent 助力員額評鑑智慧化探索

近年來，各級政府積極推動數位轉型，各種AI 工具被廣泛導入於資料處理、行政作業與公共服務中，為智慧治理奠定了基礎。其中，「員額評鑑」是需要跨部會協作的大型作業，過程中必須整合來自不同單位的大量人事資料、並加以比對與分析，以作為人力配置與政策規劃的重要依據。這類作業流程在傳統做法多仰賴人工，往往需要投入可觀的時間與人力來完成，而隨著資料規模逐年增加，以及各政府單位對政策即時性與精準度的需求提升，如何運用新技術來提升效能，已成為重點發展方向。

本期 AI 知識庫亮點

為何員額評鑑專案需導入AI技術？

員額評鑑專案採用 AI Agent 之效益

為何員額評鑑專案需導入AI技術？

員額評鑑是人力配置與政策規劃的重要基礎，然而在傳統作業流程中仍存在一些挑戰，主要包含以下幾個面向：

資料分散與格式不一：各單位的人事資料往往分布於不同系統，各自採用的格式與欄位設計可能也不完全一致，因此在整合過程中需要額外的整理與比對步驟。可以根據使用者指定的目標，自行規劃任務執行流程。
計算規則繁複：評鑑作業涉及缺額比率、配置比例等多種指標，每一項都需要依循特定規則計算，當數據量龐大時，往往需要投入大量人力與時間。
報告撰寫一致性：由不同人員撰寫的分析報告，常因表達方式或重點選擇不同，而在結構與呈現上存在差異，使得跨單位報告之間，雖各自完整，但難以直接逐項對照。
決策資訊延伸有限：傳統報告多偏重數字與表格呈現，雖能反映現況，但較少延伸至趨勢研判或策略建議等，若要做為高層決策時的參考依據，則需再投入額外時間進行解讀。
評鑑作業的持續性需求：員額評鑑不是單次作業，而是需長期推動與追蹤的核心管理機制，過程中必須同時參考當期數據、歷年人力發展計畫以及現行施政方針，進行跨期的比對與差異分析；若僅依靠人工，可能造成比對標準不一致或耗費過多時間。

員額評鑑專案導入 AI Agent 之效益

針對上述痛點，導入AI技術成為理想的解決方案。其中，「AI Agent」與一般仰賴接收指令、並自既有資料庫中搜尋回傳答案的生成式AI相比，具備了任務導向與自主規劃能力，不僅能進一步理解指令，還能主動拆解任務流程、規劃執行步驟，在更複雜的任務中發揮價值；而在公共治理的情境中，這樣的特性特別適用於員額評鑑這類需要跨部會協作、涵蓋資料龐大的任務。意藍作為台灣代表性的智能數據廠商，便曾協助公部門單位執行員額評鑑之專案。在專案中，我們以AI Agent架構貫穿解決方案，並結合「自動化流程」與「大語言模型生成」，協助整合不同來源的資料、依規則完成計算與標註，進一步生成具體的分析與建議。專案執行主要分為四個層面，各自帶來的效益如下：

資料整合與分類：透過自動化工具，將不同來源的員額數據表格與其他業務系統資料彙整成統一格式，並依照特定評鑑面向進行分類。這一步驟大幅降低了人工清理資料的時間成本，並確保後續分析的基礎更為穩定。
自動化計算與重點標註：系統依照既定規則，自動完成缺額比率計算，並即時以紅字粗體標註超過整體平均值的單位。這樣的標註機制能幫助決策者迅速聚焦於需優先關注的重點，而不必再逐一比對大量數據。
AI 報告生成與摘要：借助大語言模型，將枯燥的數據轉化為文字敘述，自動生成完整報告。報告中不僅包含增減員因素分析，還能提出具體的改善建議與政策回應，例如留才策略、配置建議等，使報告真正具備決策參考價值。
共通性問題分析：除了單位別的數據與建議外，AI Agent 也能跨單位自動彙總共通性問題，並生成全域性的分析。這使得高層在制定政策時，不再只看到單點狀況，而能獲得更全面的參考視角。

綜上所述，AI Agent 的導入全面優化了員額評鑑流程，從資料整合、計算、報告撰寫到跨單位分析，都能以更高的效率及一致性完成，不僅減少人力負擔，更提升成果的決策參考價值，驗證了智慧公共治理中的AI應用潛力。

想進一步了解意藍更多AI技術嗎？

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

精華文章不只是懂指令的AI！探索AI Agent 如何改寫決策流程與工作模式

不只是懂指令的AI！
探索AI Agent 如何改寫決策流程與工作模式

前2年，企業導入AI主要用來回應問題或加快資訊處理速度。但自今年起，企業更期待AI能主動思考、完成多步驟任務，這也讓「AI Agent（AI代理）」成為新一代AI應用的核心焦點。不同於先前只能被動執行指令的AI，AI Agent具備自主感知、決策與行動能力，能像一位可靠的虛擬助理，協助你完成多步驟任務、主動分析資訊，甚至隨著使用次數越多越聰明。本文將帶你全面認識AI Agent的概念、運作流程與實際應用價值。

本期 AI 知識庫亮點

什麼是AI Agent（AI代理）？

AI Agent 定義 / 基本概念
AI Agent 與一般生成式AI的差異

AI Agent工作流程解析

AI Agent 應用情境

什麼是AI Agent（AI代理）？

AI Agent 定義 / 基本概念

AI Agent，是一種具備自主決策與行動能力的人工智慧系統。與傳統AI需要明確指令才能運作不同，AI Agent不僅能理解任務本身，更能推敲背後的目標、從環境中感知資訊，並根據累積的經驗做出最佳決策；簡單來說，它不只是「能做」，而是「知道為何做、該怎麼做、接下來該做什麼」。AI Agent通常具備以下四大能力：

目標導向（Goal-oriented）：可以根據使用者指定的目標，自行規劃任務執行流程。
感知能力（Perception）：能自外部環境或使用者互動中，擷取關鍵資訊。
記憶與學習（Memory & Learning）：擁有記憶機制，可學習並累積過去的經驗，進一步優化未來表現。
自主行動（Autonomous Action）：能主動採取行動，如呼叫API、使用工具、完成多步任務等。

AI Agent 與一般生成式AI的差異

一般的生成式AI多半仰賴輸入指令來完成特定任務，例如當使用者輸入問題時，AI便根據資料庫回傳答案。而AI Agent則更進一步強調「任務導向」與「自主規劃」，它不僅聽得懂指令，更能主動思考「要怎麼完成這項任務最有效率」。舉例來說，如果你希望AI幫你撰寫一份市場報告，一般的 AI應用能基於所學習過的知識來回應問題；而AI Agent則會主動搜尋多個資料來源、整合內容、過濾重複資訊，甚至回顧以往你提供的文字風格偏好，自動調整格式與語氣，自主性和靈活性大幅提升，真正成為一位可靠的虛擬助理

AI Agent工作流程解析

隨著AI Agent技術成熟，其應用場景已從簡單的聊天對話，逐漸延伸到多步驟、跨系統的企業任務處理。以下列舉5個高潛力應用場域：

客戶服務：不只是回覆問答，AI Agent更能記住過往對話脈絡、主動追蹤處理進度，甚至呼叫內部CRM系統查詢資訊。
推薦系統：透過AI Agent，電商零售平台可根據使用者站內行為與搜尋內容，主動推薦合適商品，並整合庫存、優惠與物流資訊，提升購物體驗與下單意願。
法務工作：AI Agent能支援提供案件摘要、撰寫法律文件草案、查找相關判例等任務，提升法務工作效率與準確性。
金融投資：即時分析市場資訊、監控資產波動，並根據個人投資偏好，提出個人化的理財建議，或執行條件式自動交易。
輿情分析與策略規劃：AI Agent 能接收開放式提問，自動檢索最新網路聲量趨勢、熱門關鍵詞等資料，生成結論或建議，協助企業快速掌握輿情風向與行銷重點。

綜上所述，AI Agent 的出現，象徵著企業AI應用邁入新階段，從被動使用工具，到擁有一位能主動協助任務的智慧虛擬助理。在生成式 AI 已成標配的當下，具備任務理解與自主執行能力的 AI Agent，正成為企業深化數位轉型的關鍵，透過減少重複性工作、加快決策流程、優化資源配置，AI Agent 能有效提升整體營運效能，為企業打造更高效、智慧的營運模式。

想進一步了解意藍更多AI技術嗎？

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

精華文章打造企業專屬AI Model ：精準賦能提升決策與營運效能

打造企業專屬AI Model ：
精準賦能提升決策與營運效能

在數位轉型與資訊爆炸的現代，不少企業寄望 AI 技術能協助簡化工作流程、提升營運效率，然而在實際導入 AI 的過程中，卻發現通用的AI模型在面對企業內部專業知識、品牌語境或系統整合需求時，難以精準契合，導致應用效益未如預期。究竟如何真正讓AI轉化為營運與決策的助力？本文將帶您認識意藍推出的「企業專屬模型AI Model」，瞭解如何為企業量身打造更高效、貼合需求的AI模型應用服務。

本期 AI 知識庫亮點

為何企業需要打造專屬AI 模型？

意藍AI Model介紹

AI Model四大功能特色
AI Model導入優勢

為何企業需要打造專屬AI 模型？

在生成式 AI 技術普及之下，越來越多企業開始導入AI大語言模型以強化營運與決策流程。這類通用模型雖然具備強大的語言理解與生成能力，但由於訓練時多是基於開放性資料，缺乏對企業專業術語、內部流程與產業知識的理解，因此在實際應用上容易出現答非所問、編造內容，甚至資訊洩漏等風險。此外，許多通用模型無法無縫整合企業內部資料庫或系統，亦造成落地困難與開發成本增加。

因此，打造專屬的AI模型，並根據企業獨有的知識體系與資料架構進行訓練與調校，已成為企業邁向AI應用深化的關鍵一步，不僅能提升AI應答的準確率，也能確保回應內容符合內部規範與資訊安全要求，讓AI成為企業可信的智慧助理。

意藍AI Model介紹

AI Model四大功能特色

為打造更貼近企業真實需求的AI模型，意藍運用高品質的知識、外部數據，搭配組織內部的專屬資料進行AI訓練，強調透過事實資料準備法（Fact-based Data）強化四大AI核心能力：

精準判斷資料關聯性：不僅依賴關鍵字比對，更能進一步理解資料間的邏輯脈絡，迅速識別並掌握關鍵資訊。
自動萃取重點內容：從大量資料中提取核心資訊，大幅減少人工篩選與整理的工作負擔。
彈性生成摘要：依據需求調整摘要的長度與風格，將冗長資訊濃縮成清晰簡明的內容，協助快速決策與報告整理。
即時互動問答：使用者可透過對話方式提問，AI Model便會基於真實資料、根據企業語境，提供準確且具實用的回應。同時，AI Model也具備角色適應能力，可調整語氣與風格，使應答內容更貼近品牌形象，強化顧客互動體驗的一致性。

AI Model導入優勢

在具備核心能力的基礎上，若AI模型的導入過程更快速、靈活，將能進一步提升其在組織內部的應用成效與擴展性。意藍的AI Model具備三大導入優勢：

資料準備門檻低：企業僅需提供核心知識與關鍵文件，其餘部分可由意藍既有資源支援，透過意藍旗下「OpView 社群口碑資料庫」，即可即時補足大量市場情報，顯著降低資料整理與清洗的負擔。
訓練週期短、部署快速：意藍AI Model以自研大語言模型 eLAND GOAT 為基礎，結合企業專屬資料進行訓練，無須從零建模，大幅縮短模型建置時程，相較於傳統模型多需半年以上的訓練時間，AI Model最快僅需 3 至 4 週即可完成訓練並部署上線，加速企業導入流程與應用落地。
彈性 API 串接：AI Model可依企業需求，彈性串接內部系統與平台，讓 AI 成為工作流程中的智能節點，實現知識查詢自動化、報告輔助撰寫、客服輔助回覆等多樣應用場景。

▲ AI Model 服務流程圖

綜前所述，AI Model結合企業內部專屬知識、外部即時市場情報、深度語境理解能力與靈活高效的系統整合架構，不僅真正「懂企業」，更能貼近企業實際營運與決策需求，成為企業可信賴的智慧助手。

想進一步了解意藍AI Model嗎？

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

精華文章Fine-tuning微調是什麼？打造企業專屬AI大語言模型的關鍵一步

Fine-tuning（微調）是什麼？
打造企業專屬AI大語言模型的關鍵一步

隨著 AI 技術的蓬勃發展，AI 大語言模型的應用也日益廣泛，從企業決策到內容生成，各行各業都在探索其潛力。然而，AI 模型有時無法準確回應特定需求，或因對特殊領域的知識有限而產生錯誤資訊，此時除了檢索增強生成（Retrieval-Augmented Generation，RAG）技術外，就需要透過 Fine-tuning（微調）技術來進一步優化、提升模型準確度。本文將帶您了解Fine-tuning的運作原理，並介紹其多元的應用與商業價值。

本期 AI 知識庫亮點

認識 Fine-tuning（微調）

什麼是 Fine-tuning？
為什麼需要 Fine-tuning？
Fine-tuning 運作流程

Fine-tuning 於企業中的應用

Fine-tuning 的優勢與挑戰

認識 Fine-tuning（微調）

什麼是 Fine-tuning？

Fine-tuning，也就是微調，是一種針對既有 AI 大語言模型進行優化的機器學習技術，透過調整模型權重，使其在特定應用場景下的輸出結果更準確、符合預期。Fine-tuning 保留基礎模型的能力，同時針對特定領域強化應答準確性，相比從零開始訓練一個新模型，大幅節省了開發所需的成本與時間。

為什麼需要 Fine-tuning？

現成通用的 AI 大語言模型雖然功能強大，但在特定領域如法律、醫療、金融、科技製造等產業中，可能無法精確理解專業術語或規則，甚至可能產生錯誤資訊，無法直接應對每個組織或企業的獨特需求。而透過 Fine-tuning，可以讓模型深度學習特定領域的知識、更準確地理解特定語境，進而提升整體專業性與應用價值，成為企業AI部署的重要步驟。

Fine-tuning 運作流程

Fine-tuning 的作業流程通常包括以下幾個步驟：

選擇預訓練（pre-train）模型
根據企業組織的需求，選擇合適的 AI 大語言模型，如OpenAI GPT系列、Meta Llama系列、國科會TAIDE模型、聯發科Breeze模型，或是eLAND GOAT模型等。
準備微調數據
提供與任務或應用場景相關的資料作為模型的學習素材，如客服對話紀錄、法律文件、產品規格或研發文件、企業內部資料等，使模型能更準確地理解專業內容並優化回應品質。
調整模型參數
透過微調數據對模型進行訓練，更新部分或全部數據資料的權重參數，使其更貼近企業應用場景的需求。
評估與優化
藉由準確率（Accuracy）、召回率（Recall）、F1分數（F1 Score）等指標來衡量微調效果，並根據測試結果不斷進行調整與優化，確保模型輸出更符合使用者需求。

經過微調的AI模型，能夠更有效地應對高度定制化的需求，對於企業而言，無論在提升業務效率、改善客戶服務，或者優化內部決策過程中，都能發揮重要作用。

Fine-tuning 於企業中的應用

如前段所述，Fine-tuning 不僅是提升模型準確度的工具，更成為幫助企業提升營運效率、降低成本和創造競爭優勢的關鍵，以下進一步彙整 Fine-tuning 在企業中的三大應用價值：

增強企業專屬化服務
透過 Fine-tuning，企業能夠調整 AI 模型的回應語氣、風格與內容，從而提供更具個性化的服務體驗。例如，在客服領域，企業可以根據不同客戶群體的特性、偏好或文化背景，調整模型的回應方式，進一步提升顧客滿意度；在科技製造業，許多特殊的產品規格、專業的用字及術語，都可以透過微調模型，讓研發人員在使用上更順暢。
提升專業知識掌握度
Fine-tuning 可強化 AI 在特定領域的知識理解與應用能力，特別適用於法律、醫療、金融等高度專業的行業。例如，透過 Fine-tuning，使 AI 更熟悉特定的專利法條文與案例，不僅能幫助法律人員更快地檢索相關判例，還能協助草擬專業的法律文書，從而提高工作效率並確保法律建議的精準性。
提升業務流程的自動化與效率
Fine-tuning 可根據企業的運營需求進行調整，使 AI 更精準地理解並執行特定任務，進而提升業務流程的自動化程度與運營效率，並降低人為錯誤。例如，在銷售自動化方面，一家電子商務公司可透過 Fine-tuning 優化 AI 銷售助理，使其根據顧客的購物歷史與個人偏好，自動生成量身定制的促銷訊息或產品推薦。如此一來，AI 不僅能更準確地預測顧客需求，還能主動推送適合的產品與折扣資訊，提高銷售轉化率，同時減輕銷售人員的工作負擔。

Fine-tuning 的優勢與挑戰

綜合來說，Fine-tuning 的核心價值在於將 AI 從「通用」變成「專屬」，「標準化」變成「個人化」，讓企業能更有效地利用 AI 工具滿足需求。運用微調技術，企業可以大幅減少每次與 AI 互動所需的 Token 數量，從而降低運行成本。此外，企業可在內部環境中訓練 AI，既能確保敏感資料不外流，也能強化資料安全性，而經內部數據微調後的 AI ，能更快速生成精確回應，提升互動流暢度並減少錯誤資訊的風險。

而雖然 Fine-tuning 具有諸多好處，但是也具備一定的技術難度。一般而言，Fine-tuning 需克服的挑戰如下：

選擇合適的預訓練（pre-train）模型及微調方法
在技術層面， Fine-tuning 微調可採用多種不同的方法，如何在保留模型原有能力（capability）的同時，又獲得最好的學習效果，需仰賴有經驗的專家給予指導，並進行系統化的實驗。
準備適當的訓練資料集
微調數據的數量、品質以及形式都將直接影響最終成果。大量但品質低劣或格式不佳的數據，未必能得到好的微調結果；而具備高品質、形式佳的數據，即便數量有限，仍可透過數據合成（data synthesis）或強化等技術的輔助，也可能有利於微調的成功。
確保適當的運算資源
在 Fine-tuning 微調模型時，通常需要比模型推論（inference）更多的資源，如算力和記憶體等，而有時不一定一次就能微調成功，可能需要多回合地嘗試。因此，如何有效地運用算力及資源、提高微調成功率，也是必須克服的挑戰之一。

綜前所述， Fine-tuning 是企業打造專屬 AI 模型的重要技術，能協助企業更靈活應對市場變化、拓展創新應用，無論是提升客戶服務、優化內部流程，或創造新的商業價值，都將成為數位轉型與業務成長的關鍵。若企業希望充分發揮 Fine-tuning 的效益，則可選擇與具備經驗的廠商合作，以降低試錯成本與時間，提高成功率並加速導入。

想進一步了解更多意藍AI技術嗎？

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

精華文章從RAG到eLAND Active RAGᵀᴹ：開創知識管理新篇章

從RAG到eLAND Active RAGᵀᴹ：開創知識管理新篇章

在數位化時代，資訊量爆炸式增長，如何有效地蒐集、整理、儲存並運用知識，無疑是各企業組織提升競爭力的關鍵之一，良好的知識管理不僅能縮短決策時間，還能提高員工效率、促進創新，以在快速變化的環境中保持彈性與活力。檢索增強生成技術（Retrieval-Augmented Generation, RAG）的出現，為知識管理帶來了全新突破，而透過引入多輪次資料整合與更高效的檢索能力，意藍進而將RAG 技術發展為獨家專門的eLAND Active RAG^TM（主動式檢索增強生成技術），大幅提高知識管理的效率與精準度，使各部門單位能更靈活應對多變的市場需求。

本期 AI 知識庫亮點

主動式檢索增強生成技術如何重塑知識管理

認識eLAND Active RAGᵀᴹ ── 主動式檢索增強生成技術
導入主動式檢索增強生成技術對知識管理的影響

eLAND Active RAGᵀᴹ 在知識管理中的應用實例

主動式檢索增強生成技術如何重塑知識管理

知識不僅是企業組織日常運營的基礎，更是其持續發展和創造價值的核心驅動力，透過有效的知識管理，能夠累積並共享內部專業知識，進而減少重複性工作，促進跨部門合作、優化決策過程並提高運營效率。然而，傳統的知識管理方法往往面臨資訊分散、無法即時更新及搜尋效率低下等挑戰，使得企業在應對快速變化的業務需求時，可能需投入較多時間和資源以達成目標。而檢索增強技術的出現，逐步突破了這些障礙，它結合了搜尋引擎快速檢索的優勢與大語言模型的生成能力，在生成答案前先檢索最新的相關資訊，以確保結果更可靠精準。特別是意藍所獨家發展之進階版本——主動式檢索增強生成技術（eLAND Active RAGᵀᴹ），更是在此基礎上實現突破，能針對複雜的問題進行多回合查詢，逐步完善答案，大幅提升知識檢索效率，為知識管理帶來嶄新的轉機。

認識eLAND Active RAGᵀᴹ ── 主動式檢索增強生成技術

eLAND Active RAGᵀᴹ（主動式檢索增強生成）是在RAG（檢索增強生成）的基礎上進一步升級的技術，具備以下核心功能特性，使其在知識管理中更具優勢：

內外部數據動態整合：
eLAND Active RAGᵀᴹ 能根據問題性質，自動判斷最佳數據來源，從內部系統、資料庫以及外部網站等多元數據庫中進行查詢，並進行綜合分析，使生成之回覆不再僅依賴過時數據，而是根據最新資料產出精確、全面的結果。
語義理解與推理：
與傳統基於靜態關鍵詞的檢索方式不同，eLAND Active RAGᵀᴹ 能夠理解語句的語義，並依據問題的背景進行推理和回應，使結果更相關且精準。例如，對於問題「如何優化員工的工作流程？」，系統會理解問題的核心是提升工作效率，並基於此提供具體的建議，如檢視現有工具的使用情況、引入自動化流程或改善跨部門協作等。
多回合查詢與自主優化
eLAND Active RAGᵀᴹ 能根據已獲得之初步資訊動態調整查詢策略，多回合查詢以逐步完善答案，從而實現更深入的問題解決和分析。例如，對於「如何提升某產品市場佔有率？」的提問，在第一輪查詢時先自內部資料中提取產品的銷售數據，提供概括性分析；接著，再根據已取得的結果，進一步從外部資料庫提取相關細節，如競品的市場策略、消費者對產品的反饋等，於後續查詢中補充數據背景或上下文資訊。

導入主動式檢索增強生成技術對知識管理的影響

綜上所述，導入主動式檢索增強生成技術將對知識管理帶來深遠影響，主要體現在以下幾個方面：

提升數據整合能力，突破資訊孤島
支援內外部數據的動態整合，能夠從企業內部資料庫、檔案系統到外部網站、公開數據源中提取所需資訊，並進行綜合分析，有效解決了傳統知識管理中數據分散、無法即時更新的難題。
增強問題理解與回應的精準性
理解使用者提問的核心意圖，並結合問題背景進行智能推理，提供更精準且相關的答案，大幅提升知識檢索的有效性，避免使用者因模糊或不相關的資訊浪費時間。
提升知識應用價值
透過 eLAND Active RAGᵀᴹ，能將分散的資訊轉化為結構化且易於應用的知識，例如生成與決策相關的報告或建議方案，協助企業組織快速識別業務機會或解決問題，抑或縮短內部問題回應時間、提升市場預測準確度，進而實現更高效的資源配置。

eLAND Active RAGᵀᴹ 在知識管理中的應用實例

意藍的新一代生成式AI知識管理系統 AI Search for KM 便結合了 eLAND Active RAGᵀᴹ 以及搜尋引擎、NLP與大語言模型等技術，提供使用者更高效、智能的知識搜尋與問答服務體驗，其應用情境相當多元，對複合型知識任務具備強大處理能力，能夠主動拆解複雜問題並完成知識任務，以下將舉例說明。當對系統提問「少子女化對社會產生什麼樣的衝擊？」，在 eLAND Active RAGᵀᴹ 的輔助下，系統將依循以下步驟進行運作，確保提供精準且有所依據的回答：

拆解任務及選用工具
系統首先分析問題，識別核心關鍵字（如「少子女化」、「社會衝擊」），並將問題拆解為可操作的子任務。接著，系統檢視可用的資料來源，如政策資料庫、最新的媒體報導、少子女化相關的學術研究與報告等，並選定最符合此問題的資料來源作為後續查詢的基礎。
生成輸入參數
根據問題內容與選定資料庫，系統會再進一步生成適配的查詢參數，即設定一組適合用來搜尋資料的條件，並以設定之參數為基礎，啟動後續資料檢索過程。例如： – 關鍵字：少子女化、社會影響、政策、新聞、研究計畫。 – 時間範圍：過去1年的相關資料。 – 查詢格式：結構化的API請求或自然語言查詢。
解析輸出結果
接著，系統會對檢索到的資料進行整理與分析，例如自少子女化相關的新聞報導中，統計出過去一年該議題的討論成長率，或是從研究資料中，彙整人口統計變化以及對社會經濟的具體影響點。
進行判斷及回覆
最後，系統將檢視目前取得的資訊是否足以回答問題。若資訊足夠，則系統便會根據統計之結果與分析，生成針對使用者提問的回答，如「少子女化對社會的衝擊包括勞動力減少、教育資源分配過剩及老齡化社會負擔增加等。」而若判斷資訊仍不足，系統則會重新進行檢索、調整參數（如擴大時間範圍或查詢更多資料庫），最多重複三次，以確保回答的完整性與準確性。

無論是企業組織或公部門單位，在 AI Search for KM 及 eLAND Active RAGᵀᴹ 的助力下，將能夠實現更高效、更精準的資訊處理與應用，發揮知識管理的最大價值。

想進一步了解「新一代生成式 AI 知識管理系統（AI Search for KM）」？

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

精華文章大語言模型的企業應用策略：營運效率提升的最佳助手

大語言模型的企業應用策略：
營運效率提升的最佳助手

大語言模型（Large Language Model，LLM）是生成式AI領域中十分重要的一項技術與應用，它通過大規模文本數據的訓練，學習語言文字中的上下文結構和語意關係，並能生成自然流暢的回應，與使用者的提問做互動。本文將帶您了解大語言模型的原理與特點，探討企業如何有效運用大語言模型、使其在工作場域中發揮價值，並介紹意藍自行研發之大語言模型eLAND GOAT的具體應用。

本期 AI 知識庫亮點

認識大語言模型

什麼是大語言模型？
大語言模型的核心特點

大語言模型的商業應用可能性

企業的大語言模型應用場域
企業如何善用大語言模型提升營運效率？
企業導入大語言模型的關鍵要素

意藍於大語言模型中的應用

認識大語言模型

什麼是大語言模型？

大語言模型（Large Language Model，LLM）是一種基於大量資料訓練而成的深度學習模型，其特色在於模型參數量大、學習訓練資料廣泛，且在模型的訓練過程中，能夠識別及理解大量資料中每個詞句間的上下文關係，以及在語意空間中背後的意義，再根據使用者的提問或指令（Prompt），提供符合邏輯的自然語言回應。大語言模型的運作邏輯就好比文字接龍遊戲──根據使用者所輸入的詞句，模型會基於已學習、訓練過的資料與上下文，來評估哪些字詞最有可能出現在使用者的輸入之後，並生成相對應的文字回應。

大語言模型的核心特點？

綜前所述，大型語言模型的核心特點包含以下幾點：

上下文理解：大型語言模型能更好地理解和處理文意，生成連貫、有邏輯的流暢回應。
多任務適用：大型語言模型能夠應付多種自然語言處理任務，無需單獨為每種任務設計特定模型，也因此能夠廣泛應用於多種不同場景。
大數據訓練：大型語言模型通常基於數千萬、甚至數億的文本資料進行訓練，龐大的數據量使得模型掌握了豐富的知識，從而能夠做出更準確的判斷與回覆。

不過也需要注意的是，大語言模型是根據過往數據資料訓練而成的，若遇到訓練資料中缺乏、無法回應的提問、或參考資料本身有所偏誤，可能就會出現AI杜撰、AI幻覺 (Hallucination)等現象，生成出錯誤甚至不存在的回應。

大語言模型的商業應用可能性

企業的大語言模型應用場域

而基於大語言模型具有的核心特點，可以被運用在以下幾個商業場域當中，來協助企業提升營運效率，輔助企業達成不同的目標：

市場行銷：大語言模型可以生成文案、分析市場趨勢以及顧客偏好，甚至優化廣告投放策略。它可以幫助撰寫社群媒體文章、電子郵件行銷內容，並根據市場數據預測消費者需求。
內部管理：大語言模型也可以成為內部知識管理的助力，幫助員工快速找到需要的資料，或者自動生成報告、會議記錄。此外，在客戶服務方面，也可以24小時即時回應客戶問題，減少人工客服負擔，並提供可驗證的參考內容出處。
輔助決策：透過分析企業數據，大語言模型還可以協助管理層做出更準確的市場預測，從而提升整體營運決策的效率和準確性。

企業如何善用大語言模型提升營運效率？

那企業究竟又該如何將大語言模型的優勢發揮出來？關鍵在於企業如何對模型下達準確的指令（Prompt）。對大語言模型提問時，語句及用詞要盡可能地具體、包含上下文訊息，才能讓大語言模型提供有效的回應，例如當想了解有關國內知名金融業者新光金控的相關資訊時，應避免簡化問句為「總資產？」，而是「請問新光金在今年第二季結束時的資產總額是多少？」，通過更精確的提問，大語言模型能提供更完整的回應。除了應避免模糊不清的提問內容，提問的技巧也同樣重要，使用者應逐步引導模型進行推理，如欲詢問「新光金在大陸投資有賺錢嗎？」，可先調整提問為「請問新光金在大陸的投資項目為何？」，根據模型的回應，再進一步提問「投資損益為多少？」；藉由調整指令，讓模型能夠不斷學習並一次性回答多個相關問題，從而提升營運效率。

企業導入大語言模型的關鍵要素

隨著大語言模型的發展愈發成熟，企業導入大語言模型已是時下趨勢。而企業在導入大語言模型時則需考量多個關鍵要素：

數據隱私與資安控管：對於許多企業來說，使用大語言模型等相關服務時，除了須確保符合相關法律規範外，還需要對數據採取必要的保護，避免數據外洩或資安方面的風險。
模型與系統的相容性：在導入大語言模型時，需注意模型本身與企業現有系統的相容性，這涉及了技術、成本等多方面的考量，若企業缺乏相關經驗，便會使導入時的成本與難度增加。
企業基礎部署條件：不同企業在選擇大語言模型時，需根據自身具備的基礎條件，選擇雲端、地端或是混合部署。另外也須有足夠的計算資源與維運人力，確保模型運行並在必要時針對模型進行微調(fine-tune)。

意藍於大語言模型的應用

意藍深知大語言模型對企業營運的重要性與無限可能性，然而因目前主流的大語言模型多是使用英文語料進行訓練，中文語料的佔比相對較低，大部分資料又都是以簡體中文為主，與繁體、台灣所慣用的用字遣詞有一定差距。意藍挑選出台灣常用的語料，在兼顧適法性及合理使用的條件下，整理出AI的學習材料，開發出台灣本土的大語言模型eLAND GOAT，目標讓大語言模型可以更加在地化，並兼顧效能及成本之考量，符合企業特定目的用途。而意藍在發展出的台灣本土在地化大語言模型eLAND GOAT後，也將其運用在企業知識管理領域中，推出新一代生成式AI知識管理系統－AI Search for KM，不僅提供使用者可以以自然語言的形式進行問答，還結合檢索增強生成（Retrieval-Augmented Generation, RAG）技術，能夠有效地找出精準且相關的內容，藉此提高大語言模型在生成內容的準確性和可靠性，並能夠在每次回應時附上參考內容出處以供驗證，有效避免AI幻覺的可能性。除此之外，AI Search for KM還可以串接企業知識庫，不需要大量的人力和機器資源重新訓練或微調模型，並且可選擇在雲端、地端或混合部署大語言模型，免除機敏資訊外洩的疑慮的同時，也能快速的從大量的檔案文件中找出所需內容，大幅縮減企業在知識內化的時間成本與負擔，使其能夠更有效地管理和運用知識資源、提升營運效率。

想進一步了解更多意藍AI技術嗎？

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

精華文章生成式AI的簡介與應用

生成式AI的簡介與應用

生成式AI是人工智慧技術中一個重要的分支，現已廣泛應用於各行各業，無論是在智能客服、內容創作，或者資料分析中，其都扮演了日益重要的角色；然而，隨著生成式AI的普及，相應的挑戰與危機也浮上檯面。本文將帶您瞭解生成式AI的基本概念及其背後的大語言模型技術，並分析其在發展過程中面臨的痛點與挑戰，最後透過實際案例，展示生成式AI在不同領域中如何實現高效應用。

本期 AI 知識庫亮點

生成式AI與人工智慧技術簡介

生成式AI背後的技術原理：大語言模型

生成式AI的痛點、挑戰與解方

生成式AI的應用實例

生成式AI與人工智慧技術簡介

生成式AI是一種人工智慧技術，主要特點是能夠生成新的內容，例如文字、圖像或音訊，不僅限於對現有資料進行分類或預測，還能夠用於解決問題或滿足多樣的需求。而人工智慧技術有很多種類型，常見的包含監督式學習、非監督式學習、增強式學習等，三者處理、學習數據的方式如下：

監督式學習：我們告訴模型一些範例資料和答案，模型學到資料和答案之間具有鑑別力的特徵後，就可以依樣畫葫蘆去進行分類或預測。
非監督式學習：給模型一批資料但不告訴它答案，讓模型自己找到資料當中重要的特徵進行分群。
增強式學習：不給模型訓練資料，但告訴它目標及獎勵機制是什麼（怎麼做會得分、怎麼做會扣分），讓模型自行嘗試找出達到高分的方法。

生成式AI則強調用更大量的資料，在沒有明確標籤或指導下，學習這些資料的分佈，生成更多類似的資料。

生成式AI背後的技術原理：大語言模型

生成式AI所依靠的其中一個技術便是「大型語言模型」(Large Language Model, LLM)，其特色在於訓練過程中，模型可以自大量資料中自行學習和理解每個詞、每個句子之間的關係與背後的意義，最後根據指令，提供符合邏輯的自然語言回應。好比文字接龍，參與者需要根據已知的詞語來生成符合規則的新詞語，大型語言模型在接收問題後，會基於訓練數據和上下文，來評估問題背後最高機率會出現的字詞是什麼，然後一字一字生成出來，最終形成完整且符合邏輯的回答。

而相較於傳統的自然語言處理技術，大型語言模型的優勢有三：

上下文理解：大型語言模型能更好地理解和處理文意，生成的回應更連貫且有邏輯。
多任務適用：大型語言模型能夠應付多種自然語言處理的任務，不需要單獨為每種任務來設計特定模型，也因此應用更多更廣。
大規模資料：大型語言模型用以訓練的文本資料通常十分龐大，可能是幾千萬甚至幾億的語料，讓模型能夠掌握豐富的知識，做出更準確的理解與回覆。

這些特點使得大型語言模型在生成式AI中的應用廣泛而有效，例如智能客服、文案生成創作、資料自動化解讀分析等等，皆是藉由大型語言模型來達成作業自動化，並提高工作效率。

生成式AI的痛點、挑戰與解方

不過，從2023年劍橋字典選出的年度代表字：Hallucination，幻想，其實就反應了AI的可信賴性是一大挑戰，因為生成式AI對於沒看過的資訊會想辦法拼湊出答案。模型生成的內容可能表面上看起來合理，實際上卻缺乏真實的參考來源，這種現象在回答專業知識問題時更為明顯，因為模型可能傾向根據在訓練數據中學到的資料來生成答案，而非真正理解問題及實際參考文章來進行答覆。

面對上述問題，檢索增強生成（Retrieval-Augmented Generation, RAG）技術是一個良好的解決方案。RAG是2020年由Patrick Lewis提出，其結合了檢索和生成式AI的優勢，首先檢索外部資料庫中的相關資訊，再基於這些資訊生成回答，藉此減少憑空杜撰的可能性、增強回覆的相關性和真實性，進一步提升問答效果，確保符合實際應用需求。

▲檢索增強生成技術（Lewis, P., 2020）

除了RAG， 2022年1月Google研究員Jason Wei提出的思維鏈（Chain-of-Thought, CoT）概念，則是在大型語言模型的輸入中，加入額外的例子和描述作為上下文，以此幫助模型在進行任務時引入更多的思考過程，並引導模型進行更深入的推理，透過預測「思維過程」來提高模型的性能，讓大型語言模型能夠更好地理解並回答複雜的問題。

▲思維鏈（Wei, J., 2022）

生成式AI的應用實例

檢索增強生成技術與思維鏈的概念提升了生成式AI的性能，也拓展了大型語言模型在多個領域的應用範疇。下文將著重說明大型語言模型如何應用於「政策評估」：

透過大型語言模型對文本進行摘要，找出重點

在進行政策評估時，會需要針對如會議記錄、訪談內容、問卷中的開放式問題或網路輿情等資料進行質性分析，以歸納出多元利害關係人的相關意見或質疑。此時，結合自然語言處理（Natural Language Processing, NLP）技術與大型語言模型（Large Language Model, LLM），便能夠讓分析更有效率，避免過去逐篇檢視文本後才能找出重點的耗時過程。

首先，為瞭解民眾對於議題有哪些重要的意見面向，可藉由AI語意模型對民眾言論文本進行「重要關鍵字提取」與「語意相似度計算」，並輔以分群演算法將相似討論進行歸類，拆解出不同的討論面向，作為政策評估時的參考。下圖是「晚婚 / 不婚議題」在社群討論當中的分群結果，圓圈大小代表討論的顯著（集中）程度，而圓圈彼此之間的距離則代表討論的相似程度。

▲「晚婚 / 不婚議題」社群討論分群結果

根據分群結果，再透過其他來源如相關文獻或訪談內容，進一步辨識出可進行分析研究的意見，接著提取重點關鍵字、並以布林邏輯篩選資料，統計關鍵字的出現頻率。完成各個討論面向的資料篩選後，藉由以大型語言模型（LLM）為基礎的生成式AI進行解讀與分析，自原始留言、發文內容中歸納出白話的討論面向與重點摘要。下表是以晚婚不婚議題經過辨識後，其中兩個討論面向的摘要內容：

▲「晚婚 / 不婚議題」討論面向摘要

RAG：搜尋引擎結合大型語言模型，提升研究效率

針對政策評估時所蒐集的大量質性資料，過去往往需要花費大量時間解讀，才能從中找出關鍵課題。透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，將搜尋引擎與生成式AI優勢相融合，便能快速將文本資料中的重點知識內容，轉化成淺顯易懂的重點說明。

首先，搜尋引擎能夠直接對多種格式的文件進行文本上的解析，在搜尋時也能夠進行跨檔案的比對；生成式AI演算法則可以探索和分析複雜的資料。在針對某個議題、概念進行研究時，「搜尋引擎 + 生成式AI」能夠即時從龐大的資料庫中搜尋相關命中段落，並將這些內容快速摘要呈現；透過理解語言的結構和語境，也能確保命中段落的展示是精確且相關的。

簡言之，RAG是在檢索讀取(Retrieve-Read)的框架下進行搜尋(Yunfan, G. ,et al, 2023)，能夠識別並找尋給定的相關資訊需求(Zhao, P. , et al, 2024)，基於對命中段落的理解，使生成式AI能夠進一步生成摘要，協助使用者在短時間內獲得專業且易理解的回覆，避免在研究、搜集過程中浪費時間在無關或不確切的資訊上。例如，面對大量的訪談逐字稿文件，透過RAG技術進行知識搜尋與知識問答，分析者不僅能彙整並凸顯資料中的重要發現，還能驗證對特定解釋的認知是否正確。此外，它也提供了深入洞察，如識別特定發言者在資料中的關鍵觀點，或對比不同發言者對同議題的立場。

下圖呈現RAG技術如何在資料中發現重點，針對公正轉型研討會講座文字記錄文件進行提問，試問「女性在公正轉型中會受到什麼影響」，RAG迅速對該文件進行搜索，並以條列式回覆重點摘要，同時將參考段落的位置標示出來。

▲以RAG技術彙整資料重點；意藍「AI Search for KM新一代生成式AI知識管理系統」問答畫面

下圖則是詢問某發言者在會議中的發言重點，RAG能夠快速歸納文件中的相關內容，亦標記參考段落之位置，方便搜尋者在文件中找到關鍵資訊。

▲以RAG技術歸納發言者發言重點；意藍「AI Search for KM新一代生成式AI知識管理系統」問答畫面

生成式AI技術的運用，使得從龐大資料中提取有價值的訊息變得更加高效和精確，從而增強了循證決策的整體效能。

本文引用、改寫自【循證決策協作平台】上112年度計畫團隊技術組之文章，歡迎前往閱讀原文：

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

精華文章行銷公關的智能變革：AI助力品牌戰略轉型升級

行銷公關的智能變革：
AI助力品牌戰略轉型升級

隨著AI人工智慧技術不斷創新突破，各行各業皆迎來前所未有的變革，例如在行銷與公關領域，AI的應用便重塑了品牌解讀市場訊息、與消費者互動的方式，也開拓了企業提升各項決策精準度的可能性。本文將帶您探討AI如何為行銷公關領域注入新動能，並藉由意藍的解決方案實際展示AI技術在應對公關危機、提升廣告投放精準度等方面的具體應用。

本期 AI 知識庫亮點

應用1：AI輿情應變顧問

AI輿情應變顧問簡介
AI輿情應變顧問應用實例

應用2：AI智能廣告投手

AI智能廣告投手簡介
AI智能廣告投手應用實例

應用1：AI輿情應變顧問

在數位媒體蓬勃發展、資訊爆炸的現代，消費者的聲音和反饋對於品牌的影響日益顯著，負面輿論一旦出現，往往會在短時間內發酵，企業需要作出即時、恰當的應對，才能避免自身形象和信譽受損。因此，如何快速掌握輿情、進行公關危機處裡以防止負面影響進一步擴大，便成為品牌形象管理的重要課題。
以往企業會使用社群聆聽（Social Listening）或是媒體監測（Media Monitoring）工具，來了解社群網路或大眾媒體是如何提及、討論企業自身形象，這類工具蒐集處理了大量的輿情數據，且通常配合搜尋引擎及語意分析技術，協助使用者過濾出有用的資訊。而隨著AI 技術的進步，意藍的「AI輿情應變顧問」，則為此情境開創了全新的可能性。

AI輿情應變顧問基本介紹

意藍的「AI輿情應變顧問」結合DeepNLP與eLAND GOAT大語言模型，並以全台最大的網路口碑資料庫OpView作為資料基礎，僅須透過簡單的自然語句問答，AI 便會梳理大量文本並生成議題摘要內容，讓使用者能夠輕鬆且快速地掌握事件多面向輪廓。簡言之，其亮點特色如下：

AI 技術結合完整、最新的在地資料，查詢結果可靠、可檢視
自然語句輸入生成列點式回答，快速了解事件全貌

接著，我們將以國內公開上市櫃公司中的王品集團，在一次食安事件風波中的應對過程為例，從事件發生、社群網路及大眾媒體公開討論，到最後事件妥善處理落幕，實際展示AI輿情應變顧問能夠在公關事件中起到怎麼樣的作用。

AI輿情應變顧問應用實例

首先，透過觀察聲量的趨勢圖，可以大致將此次公關事件劃分為三階段，分別是事件初爆發之前期、事件逐漸延燒之中期及事件落幕之後期。

▲王品集團食安事件公關危機三階段

在公關事件爆發初期，品牌方會需要盡速釐清事件的來龍去脈，並盤點可能造成的相關影響，藉此評估危機嚴重程度。此時我們可以透過自然語言對AI輿情應變顧問進行提問，如輸入「最近王品集團食安議題發生原因為何？該事件有哪些影響層面？」，其便會以列點方式回答，顯示事件涉及顧客信任、經濟損失、衛生與法規問題等多個面向。

▲王品集團食安事件輿情應變問答範例（前期）

而隨著公關事件逐漸延燒，品牌則需全面性地掌握社會大眾的關注重點，並決議以何種方式應對聲明、執行有效的止損措施。我們可以向AI輿情應變顧問提問「網友對於王品集團食安議題有哪些討論面向？」，根據其回覆，可以得知民眾在本次事件中在意的面向包含集團員工衛生管理是否確實、餐廳是否定期清潔消毒等，並關注集團後續面對顧客之補償措施。

▲王品集團食安事件輿情應變問答範例（中期）

最後，在品牌針對該事件做出回應後，亦可透過觀察網友給予的回饋，檢視事件是否落幕、企業品牌是否重新拾回消費者信心。AI輿情應變顧問能夠協助總結品牌做出的處理方針與民眾反饋，包含以直播廚房作業加強消費者對餐廳衛生的信心，以及對消費者進行賠償、展現願意負責任的態度等，逐步平息公關危機與修復品牌形象。

▲王品集團食安事件輿情應變問答範例（後期）

應用2：AI智能廣告投手

上段說明了AI技術的導入如何賦能企業迅速掌握輿情、有效應對公關危機；而除此之外，AI技術亦能為精準行銷、廣告投放等領域注入新動能。對於品牌而言，準確識別目標受眾並制定有效的行銷策略，可說是提升轉換率、加強顧客忠誠度的關鍵課題，而若企業品牌想要針對目標市場，精準觸及到關注自身或特定輿情的受眾，意藍的AI智能廣告投手便能有效提供協助。

AI智能廣告投手簡介

意藍的「AI智能廣告投手」結合了搜尋引擎、DeepNLP技術及大型語言模型，以AI分析《OpView社群口碑資料庫》上的社群輿情，並將數據轉化為對應「關注特定輿情」的人群樣貌，描繪出話題討論之關注受眾；使用者可以動態調整欲觀測之主題、期間以及來源，或進行網站探索以及自訂內容，最後系統將一次性地產出Google、Meta及PeopleView人群資料庫等多平台推薦的標籤結果，使品牌得以精準鎖定目標客群。

▲AI智能廣告投手亮點特色

AI智能廣告投手應用實例

我們以國內知名的金融業者為例，透過AI智能廣告投手，以公開的社群討論及媒體輿情為基礎，精準計算關注人群的樣貌，進一步顯示廣告投放平台Google Ads推薦的標籤查詢結果。如下圖，可見「玉山銀行信用卡」受眾的關注重點聚焦於房地產、信用與貸款等，競品「國泰世華銀行信用卡」之受眾則著重日常消費，如旅遊、家庭度假等，而此便可作為品牌投放廣告前拓眾的參考依據；經由探索自家與競品的受眾標籤，企業也能進一步選擇是要拓展相似標籤客群，抑或與競品作出區隔、創造獨特性。

▲玉山、國泰世華信用卡話題討論之受眾標籤；資料分析期間：2024Q1

另一方面，AI智能廣告投手也可用於探索特定頻道受眾，例如當品牌想尋找KOL（關鍵意見領袖，Key Opinion Leader）作為宣傳行銷活動的合作對象時，也可以分析關注該KOL的受眾樣貌，進一步探索其受眾標籤，確認與品牌想鎖定的客群是否契合。

▲AI智能廣告投手特定KOL受眾標籤

在數據驅動的時代下，AI為各行各業注入了全新的動能，成為企業發展和創新的重要推手。透過AI技術與應用，企業得以借力使力，以更加智能、精準的分析實現更高效的運營，發掘出嶄新的商業機會。

想進一步了解「AI輿情應變顧問」和「AI智能廣告投手」嗎？

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

精華文章AI自然語言處理技術應用：意藍DeepNLP革新

AI自然語言處理技術應用：
意藍DeepNLP革新

自然語言處理（Natural Language Processing，NLP）是AI技術的一種，目的在讓電腦能「理解」並「說出」人類的語言，而意藍DeepNLP深度語意分析模組則是商業化運用最成熟的NLP技術產品之一。本文除了說明自然語言處理技術的原理與優勢外，也將同步介紹意藍DeepNLP技術與AI應用的結合。

本期 AI 知識庫亮點

意藍的自然語言處理商業化應用

什麼是自然語言處理？
意藍DeepNLP技術服務內容

大語言模型的興起與優勢

大語言模型的核心特點
大語言模型對自然語言處理的強化

意藍結合搜尋技術、自然語言處理與大語言模型，提升產品效果與體驗

意藍的自然語言處理商業化應用

什麼是自然語言處理？

自然語言處理（Natural Language Processing，NLP）是AI人工智慧的一個分支領域，旨在讓電腦能夠「聽得懂」和「說得出」人類語言。

在自然語言處理的領域中，包含以下幾種常見的技術：

語意分析：理解文句中的意圖、情感，例如意藍自主研發的DeepNLP深度語意分析模組所提供的情緒分析、文本摘要、屬性詞分析等功能。
語音辨識：將語音轉換成對應的文字內容，例如Google的語音輸入功能。
文本生成：生成自然且合乎語法的文字內容，例如ChatGPT的文本識別、輸出功能。
機器翻譯：將文本從一種語言轉換成另一種語言，例如Google翻譯。

意藍DeepNLP技術服務內容

意藍的DeepNLP語意分析模組是國內最早投入，也是商業化應用最成熟的自然語言處理技術產品，能透過深度學習擷取非結構化資料的文本內容、判讀語意情緒、自動摘要文本重點、分析特徵詞與斷詞，將質化文本用於量化統計。
而DeepNLP技術也被應用在意藍的產品當中，其中OpView雲端資料分析服務會針對大量的輿情資料進行情緒分析，來理解文本中的情感，辨別出文本表達的情感是正面、負面或是中立，幫助企業了解輿情對產品、品牌或事件的態度，有助於調整行銷策略和危機應對。除此之外，透過DeppNLP技術還可以抓取文本中的重點資訊，進而掌握公眾關注的重點面向或事件，以制定相應的決策和宣傳方案。透過自動摘要則可以從文本中提取出重要的句子或段落，生成簡潔的摘要，有助於企業迅速理解和分析大量的文本資訊。

大語言模型的興起與優勢

大語言模型的核心特點

大語言模型（Large Language Models，LLM）是基於自然語言處理所發展的技術，能夠進一步理解自然語言文本，並生成各式各樣的內容，目前國際上較為知名的大語言模型包含OpenAI的GPT系列、Meta的LLaMa系列、Google的Gemini與Gemma系列等。為讓大語言模型能夠更加在地化，國內也積極研發本土大語言模型，如意藍所發展之eLAND GOAT。而大語言模型則主要有以下幾個核心特點：

大量的數據訓練：透過讓模型從大量文本數據中訓練來學會語言知識。
上下文理解：能夠理解和生成上下文相關的文本，提供流暢的回覆。
應用場景廣：有別於過往的模型多只在特定領域表現良好，大語言模型可以用於多種自然語言處理任務上，包括文本生成、翻譯、摘要、問答等。

大語言模型對自然語言處理的強化

大語言模型的發展推動了自然語言處理技術的進步，透過持續的訓練模型，可以更強化自然語言處理的效果，包含：

語意理解能力更佳：能夠更準確地理解文本中的語意，從而提高自然語言處理系統的性能。
文本生成能力更強：能夠生成更自然、連貫甚至更貼合使用者需求的文本，在聊天機器人和文本生成工具等方面都有很大的應用潛力。
多語言處理能力更好：具備多語言處理能力，可以在多種語言之間，進行翻譯和語意的理解。

意藍結合搜尋技術、自然語言處理與大語言模型，提升產品效果與體驗

隨著近年生成式AI技術的竄起，意藍也跟上這波技術革新的潮流，基於原有的搜尋技術與DeepNLP技術，再結合生成式AI技術如大語言模型來優化產品服務與體驗，包括：

OpView：意藍運用大語言模型在生成文本上的能力，提供輿情摘要功能，讓使用者在進行輿情觀測與分析時，可以跳脫過往繁瑣的工作流程（例如：在框定議題範圍後，還需人工一篇一篇檢視、吸收消化再整理成重點等耗費時間的作業模式），更快速有效率的取得議題、貼文的討論重點。此外，OpView也結合大語言模型推出新功能「AI輿情應變顧問」及「AI智能廣告投手」，讓使用者不僅可以在平台上進行輿情觀測與分析，更能進一步地根據輿情資訊，了解關注受眾的樣貌，進而作為精準行銷及廣告投放之參考依據。其中，在AI輿情應變顧問中，意藍結合自身的搜尋引擎技術與檢索增強生成(Retrieval-Augmented Generation, RAG) 技術，讓使用者可以在短時間內，便獲得由AI從數以萬計的輿情資料中萃取、彙整並消化重點後所進行的問題回覆。
AI Search for KM：意藍結合DeepNLP技術、大語言模型以及搜尋引擎技術，提供知識搜尋與問答的服務，可以作為企業的AI知識助理或AI學習教練，能快速的從大量的檔案文件中找出所需內容，並附上參考內容出處供驗證。本產品透過自然語言處理技術結合語意向量搜尋，可以進一步從相關檔案文件中，找出與使用者問題最相關的資訊，再由意藍發展的eLAND GOAT大語言模型加以彙整、內化後，以自然語言的形式回覆給使用者，協助使用者可以快速地取得精準且易懂的問題回覆，解答自身問題、減輕知識內化的時間成本與負擔。

意藍將DeepNLP技術與大語言模型結合，提升產品服務多樣性，藉由AI協助企業客戶簡化輿情分析、知識檢索的繁瑣流程與成本，實現更全面的商業應用服務。

想進一步了解更多意藍AI技術嗎？

想即時掌握 AI 實際導入案例與趨勢觀點嗎？

AI技術

AI偵查應用實例：以 AI Search for KM為基礎，打造虛擬貨幣金流分析系統

本期 AI 知識庫亮點

為何偵查作業需導入 AI 技術？

AI金流偵查系統建置成效

政府 AI 應用實例 ：AI Agent 助力員額評鑑智慧化探索

本期 AI 知識庫亮點

為何員額評鑑專案需導入AI技術？

員額評鑑專案導入 AI Agent 之效益

不只是懂指令的AI！探索AI Agent 如何改寫決策流程與工作模式

本期 AI 知識庫亮點

什麼是AI Agent（AI代理）？

AI Agent 定義 / 基本概念

AI Agent 與一般生成式AI的差異

AI Agent工作流程解析

打造企業專屬AI Model ：精準賦能 提升決策與營運效能

本期 AI 知識庫亮點

為何企業需要打造專屬AI 模型？

意藍AI Model介紹

AI Model四大功能特色

AI Model導入優勢

Fine-tuning（微調）是什麼？打造企業專屬AI大語言模型的關鍵一步

本期 AI 知識庫亮點

認識 Fine-tuning（微調）

什麼是 Fine-tuning？

為什麼需要 Fine-tuning？

Fine-tuning 運作流程

選擇預訓練（pre-train）模型

準備微調數據

調整模型參數

評估與優化

Fine-tuning 於企業中的應用

增強企業專屬化服務

提升專業知識掌握度

提升業務流程的自動化與效率

Fine-tuning 的優勢與挑戰

選擇合適的預訓練（pre-train）模型及微調方法

準備適當的訓練資料集

確保適當的運算資源

從RAG到eLAND Active RAGᵀᴹ：開創知識管理新篇章

本期 AI 知識庫亮點

主動式檢索增強生成技術如何重塑知識管理

eLAND Active RAGᵀᴹ 在知識管理中的應用實例

主動式檢索增強生成技術如何重塑知識管理

認識eLAND Active RAGᵀᴹ ── 主動式檢索增強生成技術

內外部數據動態整合：

語義理解與推理：

多回合查詢與自主優化

導入主動式檢索增強生成技術對知識管理的影響

提升數據整合能力，突破資訊孤島

增強問題理解與回應的精準性

提升知識應用價值

eLAND Active RAGᵀᴹ 在知識管理中的應用實例

拆解任務及選用工具

生成輸入參數

解析輸出結果

進行判斷及回覆

大語言模型的企業應用策略：營運效率提升的最佳助手

本期 AI 知識庫亮點

認識大語言模型

什麼是大語言模型？

大語言模型的核心特點？

大語言模型的商業應用可能性

企業的大語言模型應用場域

企業如何善用大語言模型提升營運效率？

企業導入大語言模型的關鍵要素​

意藍於大語言模型的應用

生成式AI的簡介與應用

本期 AI 知識庫亮點

生成式AI與人工智慧技術簡介

生成式AI背後的技術原理：大語言模型

生成式AI的痛點、挑戰與解方

生成式AI的應用實例

行銷公關的智能變革：AI助力品牌戰略轉型升級

本期 AI 知識庫亮點

應用1：AI輿情應變顧問

AI輿情應變顧問基本介紹

AI輿情應變顧問應用實例

應用2：AI智能廣告投手

AI智能廣告投手簡介

AI偵查應用實例：
以 AI Search for KM為基礎，打造虛擬貨幣金流分析系統

政府 AI 應用實例：
AI Agent 助力員額評鑑智慧化探索

不只是懂指令的AI！
探索AI Agent 如何改寫決策流程與工作模式

打造企業專屬AI Model ：
精準賦能提升決策與營運效能

Fine-tuning（微調）是什麼？
打造企業專屬AI大語言模型的關鍵一步

大語言模型的企業應用策略：
營運效率提升的最佳助手

企業導入大語言模型的關鍵要素

行銷公關的智能變革：
AI助力品牌戰略轉型升級

AI自然語言處理技術應用：
意藍DeepNLP革新