什麼是 Fine-tuning（微調）技術？

Fine-tuning 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。相對於重新訓練模型，微調保留了基礎模型能力，同時強化對特定領域專業知識的掌握，能大幅節省開發所需的成本與時間。

Fine-tuning（微調）的作業流程包含哪些步驟？

微調流程通常包括模型選擇、數據準備、參數調整與評估優化四個階段。從挑選預訓練模型開始，提供高品質專業資料作為素材並更新權重參數。最後透過準確率、召回率等指標衡量微調效果，確保輸出符合企業使用需求。

Fine-tuning 能為企業創造哪些具體的商業價值？

微調技術能幫助企業增強專屬化服務、提升專業知識掌握度，並實現業務流程自動化。透過優化 AI 執行特定任務（如自動生成行銷內容或法律檢索），可顯著提升運營效率、降低 Token 運行成本，並確保機敏資料在內部環境處理的安全性。

導入主動式檢索增強生成技術，對跨部門合作有什麼幫助？

它能打破資訊孤島，將分散資訊轉化為結構化知識。 eLAND Active RAGᵀᴹ 能從不同部門的系統與檔案中提取資訊進行綜合分析，減少重複性工作與溝通成本。這能協助企業快速生成決策報告，縮短內部問題回應時間，提升運作效率。

為什麼說 Active RAG 能讓 AI 回答得更「聰明」且更有邏輯？

因為它具備語義理解與智能推理能力。與基於關鍵詞的檢索不同，Active RAG 能理解問題背景與意圖。例如詢問工作優化時，它會推理出核心是提升效率，並提供具體的工具檢視或自動化流程建議，使結果高度相關且精準。

國家災害防救科技中心 (NCDR) 為何需要導入 AI 知識管理系統？

為了快速整合並分析災害發生時的分散情資，提升應變效率。災防中心需處理歷年報告、即時觀測數據及海量社群輿情（如 FB, PTT）。導入 AI Search for KM 能自動清整資料並建立問答平台，協助決策者迅速掌握災情，落實數據驅動的災害管理。

在救災現場，AI 如何自動判斷一篇社群文章的嚴重程度？

透過語意分析技術，AI 能自動標記地理資訊、事件類型與災情程度。系統能自動識別文章中提及的關鍵字（如路段、水位、損害狀況），並進行自動標記與索引，讓災防單位能即時篩選最緊急的資訊，提升救援調度效率。

eLAND | 〈檢索增強生成〉彙整頁面

精華文章金融情資調查如何自動化？AI 輔助選案與情資分析效率與品質

金融情資調查如何自動化？
AI 輔助選案與情資分析效率與品質

在金融市場中，每天都有成千上萬筆資金流動；其中，部分交易可能涉及詐騙、非法集資或洗錢等犯罪行為。為掌握潛在風險，調查單位會收到金融機構回報的可疑交易資訊與跨國情資，然而面對日益複雜的犯罪手法，以及龐大且更新頻繁的資料量，若完全依賴人工比對與分析，不僅耗時費力，也可能因資訊分散而降低偵查效率。
為提升選案效率與準確度，意藍協助政府調查單位建構「金融情報整合 AI 分析系統」，強化情資分析與選案能力，使偵查流程更具系統性與一致性。

本期 AI 知識庫亮點

調查單位背景與需求介紹

導入「金融情報整合 AI 分析系統」助力選案及偵查

常見問題 FAQ

調查單位背景與需求介紹

在洗錢防制與金融犯罪的偵查工作中，前期的情資蒐集與交易研析是相當重要、且高度仰賴專業判斷的一環。調查單位會收到金融機構依規定回報的大額現金交易（CTR）與可疑交易報告（STR），以及國際情資；但金融交易的資料量龐大、來源多樣，且涉及不同交易型態與行為模式，若完全以人工方式進行比對與篩選，往往需要投入大量時間與人力，亦可能因人員的分析角度與經驗差異，造成研析判斷不一或遺漏潛在風險。
因此，如何將相關情資進行有效整合，提升分析的一致性與可追溯性，並在案件成形前，及早辨識潛在高風險交易，成為調查單位希望解決的核心需求。

導入「金融情報整合 AI 分析系統」助力選案及偵查

為協助調查單位提升情資研析與選案判斷的效率，意藍以「AI Search for KM」技術為基礎，建置「金融情報整合 AI 分析系統」。本案採用 RAG（檢索增強生成）架構，結合搜尋引擎、向量資料庫與語意分析技術，讓AI可以理解金融資料間的語意關聯，將潛在的特定犯罪的金融行為表現轉換成查詢條件，進一步尋找與比對資料，進而生成有依據、可追溯的分析結果。在此核心架構上，本案完成以下四大項重點建置：

資料整合與重建：整合大額現金交易報告（CTR）、可疑交易報告（STR）及國際情資三大來源，為調查單位重建金融情資資料庫，並重新規劃資料欄位與內容格式，使不同來源的資料能以統一標準被檢索與比對，打造高效的金融情資分析基礎。
自動分析與智慧選案：系統將交易資料依照匯款頻率、金額、來源去向等行為特徵進行比對，再依據常見犯罪手法（如分散交易、層層轉手、短時間高頻率往返等）進行交易模式分析，協助辨識具有較高風險的交易群組與潛藏的特定犯罪行為；此外，系統也能依照不同情境調整篩選與分析條件，具備良好實務應用效率。
直覺式查詢：提供簡便完整的操作介面，當單位人員輸入多種查詢條件，系統便會自動整合既有資料並呈現關聯結果，讓案件背景、交易脈絡與可疑指標一目瞭然，減少在多套系統間反覆切換的作業時間。
權限控管與資安合規：依據不同使用者的角色控管權限，完整保留操作與查詢紀錄，以符合資安與稽核要求。

整體而言，透過導入「金融情報整合 AI 分析系統」，意藍能為調查單位帶來以下效益：

優化情資處理流程：藉由將多源金融情資整合至同一平台並建立標準化機制，減少人工蒐整與比對成本，使研析情資流程更加流暢。
提高情報掌握度：藉由系統提供的自動標註、紀錄與追蹤能力，有助於及早從大量資料中辨識出可疑交易群組，調查單位也能完整掌握可疑資金流向與案件背景。
強化選案精確度：透過模型輔助分析交易行為特徵，讓研析過程判斷維持一致邏輯，減少因人員經驗產生的影響，提升案件辨識的精確性。
降低學習成本：標準化的操作介面與使用方式，幫助新進同仁快速接軌，不再需要仰賴資深同仁的教學指導，讓知識能在單位內快速傳承，進而提升工作品質及效率。

透過使用此系統，調查單位能更即時地掌握金融情資流向，快速鎖定異常交易，大幅縮短人工篩選時間，提升辦案效率與精準度，實現資料登錄、查詢、選案與派案的全流程優化。

常見問題 FAQ

Q1：為什麼金融情資調查需要導入 AI 自動化系統？

A：主因是金融交易量龐大且犯罪手法複雜，傳統人工比對已無法應對即時偵測需求。

調查單位每天需處理海量的大額交易（CTR）與可疑交易（STR）報告，資料來源多樣且格式不一。若僅靠人工篩選，容易因人員經驗差異導致判斷標準不一，甚至遺漏潛在風險。AI 能提供統一的邏輯與海量處理能力，確保研析過程的一致性與精確度。

Q2：AI 如何從大量交易中辨識出潛在的洗錢或詐騙案件？

A：AI 透過分析「行為特徵」與「交易模式」來識別高風險群組。

系統會根據匯款頻率、金額大小、資金去向等特徵，比對常見的犯罪手法，例如「分散交易」、「層層轉手」或「短時間高頻往返」等。透過 AI 的模式識別能力，能主動標註出具有異常行為的交易群組，讓調查官能及早鎖定高風險案件。

Q3：什麼是「RAG 架構」？它如何提升金融情資的分析品質？

A：RAG（檢索增強生成）架構能確保 AI 生成的研析結果具備可追溯性與真實依據。

在金融情報整合系統中，RAG 技術會先從資料庫檢索相關的原始交易紀錄，再交由 AI 進行語意分析與統整。這不僅能確保回覆內容精準，更能標註資料來源（如特定的 STR 編號），滿足執法單位對於證據鏈與稽核的高標準要求。

Q4：AI 如何整合來源不同的 CTR、STR 與國際情資？

A：系統透過「資料重建」技術，將多源資料轉化為標準化的統一格式。

意藍的系統會重新規劃不同來源的資料欄位，打破資訊孤島，使原本散落在各處的情資能以統一標準被檢索與交叉比對。這讓調查人員能在單一平台掌握完整的案件背景，不需在多個系統間反覆切換。

Q5：AI 系統如何降低新進調查人員的學習成本與判斷誤差？

A：透過「直覺式查詢介面」與「標準化研析邏輯」，減少對個人經驗的過度依賴。

系統提供簡便的操作介面，新進同仁不需掌握複雜的查詢語言，只要輸入關鍵字即可呈現關聯結果。此外，AI 輔助選案能維持一致的判斷邏輯，讓知識能在單位內快速傳承，不再需要長期仰賴資深同仁的口耳相傳。

Q6：處理敏感的金融交易情資，系統在資安與權限控管上有何保障？

A：意藍「金融情報整合 AI 分析系統」具備嚴格的角色權限控管與完整的查詢紀錄留存。

考慮到金融情資的高度機敏性，系統會依據使用者的職權劃分存取範圍，並完整保留每一筆操作與查詢軌跡。這不僅符合資安合規與內部稽核要求，更能確保偵查過程中的資料完整性與不被濫用。

Q7：導入「金融情報整合 AI 分析系統」後，對辦案流程有何具體提升？

A：系統能實現「資料登錄、查詢、選案到派案」的全流程優化。

透過自動標註與智慧選案，調查單位能及早辨識出高風險交易，大幅縮短人工初步篩選的時間。這讓調查官能將精力集中在深度案件研析與實體調查，全面提升辦案效率與情報掌握度，達到精準打擊犯罪的目標。

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？

AI Search 電子報 | vol.08 AI 進化進行式：Active RAG 開啟智慧決策新格局

AI Search 電子報｜AI 企業應用亮點

AI Search 電子報：洞悉台灣企業 AI 落地真實力

在 AI 浪潮席捲全球的今日，資訊焦慮已成為企業共同的課題。國外最新的模型、最炫的應用，雖令人目不暇給，卻往往與台灣企業的日常營運有著一段不小的距離。我們真正需要的，不只是追逐國際 AI 快訊，而是在地實踐的洞見與智慧。

意藍資訊身為台灣第一家 AI 智能數據上櫃公司，站在產業第一線，深刻理解台灣企業導入 AI 時所面臨的真實挑戰，包括了各種產業應用，例如金融、製造、零售、服務、連鎖、乃至政府及公部門等，提出如何導入生成式 AI，真正滿足企業需求、解決企業問題、符合企業效益的解方。

這份《AI Search 電子報》因此而生。意藍資訊將以 AI 及數據的專業視角，分享生成式 AI 在台灣各行各業的導入故事，透過務實的策略與案例，旨在協助您找到最適合自身企業的 AI 路徑。誠摯邀請您，與意藍資訊一同探索 AI 在台灣企業的各種應用及可能。

意藍資訊總經理楊立偉博士

Vol.08 本期 AI 企業應用亮點

知識快遞 – AI 趨勢應用：從被動搜尋到主動理解：Active RAG 開啟智能問答新時代
知識快遞 – AI 導入案例：AI 導入授信流程，強化金融風控與決策效率

從被動搜尋到主動理解：Active RAG 開啟智能問答新時代

知識是企業組織日常運營不可或缺的一環，也在持續發展與價值創造中扮演關鍵角色。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。意藍進一步開發了進階版本——主動式檢索增強生成技術（eLAND Active RAGᵀᴹ），以多回合查詢與動態優化機制，提升知識檢索的效率與準確性，為知識管理的應用提供新的可能。

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

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，讓回覆結果能更多地參考最新資料來源，提升內容的相關性與完整性。
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，並基於此可協助產出具體建議，如檢視現有工具使用情況、導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，可提升知識檢索的效率，減少因資訊模糊或部相關造成的額外時間成本。
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，協助企業組織更有效地識別潛在機會或問題，縮短內部回應時間，並在資源配置上提供決策參考。

eLAND Active RAGᵀᴹ 在知識管理中的應用實例

意藍的新一代 GenAI 知識管理工作平台 – 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，協助使用者更有效地完成知識搜尋與問答服務，並可應用於多種情境，對複雜型任務具備一定的處理能力，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
系統首先會將使用者的提問拆解為可執行的子任務，並根據問題性質選擇合適的工具與資料源。接著，這些子任務會被轉化為模型可處理的輸入參數，例如自動萃取關鍵詞、設定檢索條件（如時間範圍、產業分類）或生成語意提示，確保後續的檢索與分析更具針對性與效率。
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，系統會根據統計結果與分析，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。」
若判斷資訊仍不足，系統會自動重新進行檢索，並調整參數（如擴大時間範圍或查詢更多資料庫），透過多輪優化逐步補足所需資料。為了兼顧回答的完整性與運算效率，整個流程預設最多可進行三次迭代，以確保最終回覆的準確性與可靠度。

無論是企業組織或公部門單位，若導入 AI Search for KM 及 eLAND Active RAGᵀᴹ ，皆可望提升資訊處理的效率與精準度，金一步強化知識管理應用價值。

AI 導入授信流程，強化金融風控與決策效率

延續上期電子報，我們介紹了由四大功能模組組成的 AI 智能決策循環，如何透過「整合、推論、生成、檢核」的流程，打造可持續運作且不斷優化的知識系統，協助組織有效解決管理與營運挑戰，並展示了證券業的導入實例。本期則將以金融業為例，解析 AI Agent 如何融入授信業務流程，並在多元任務階段中的發揮價值，強化風險控管與決策效率。

在金融業中，處理大型企業的授信作業時，徵信與授信部門常需核對授信客戶的公司結構、財報異常及法規風險，並撰寫相關風險評估報告，而在這過程中，容易發生資料落差與審查疏漏的情況，因此可透過導入 AI 智能決策循環應對這些挑戰。

▲ 金融業 x AI 導入實務流程圖

首先，在「動態監控與情報整合」階段，AI 可協助追蹤企業財報異常、主管機關公告以及信用異動，協助團隊更早識別潛在風險；接著，透過「數據推論與關聯分析」模組，AI 能夠自動交叉比對董監事名單、轉投資架構，計算出關聯度，降低授信集中風險，避免風控盲點；在「內容生成與專業論述」上， AI 可協助產出標準化授信草案及風險分析段落，讓核貸人員專注於關鍵判斷上；最後，「品質維持與異常監測」模組則負責檢核公告、報告與財報內容的一致性，協助提升資料的一致性與完整性，進而強化法遵與內控品質，降低合規風險。

▲ 內容生成與專業論述 AI 應用示意圖

綜上所述，透過四大模組，包含情報蒐集、數據驗證、文件撰寫到品質控管，金融業透過使用 AI 架構，徵授信團隊能將更多時間投入在判斷與決策上，而非耗費在資料整理與比對，在提升工作效率的同時，也強化了整體風險管理能力。

AI Search 電子報 | vol.03 掌握檢索增強生成技術

AI Search 電子報｜AI 企業應用焦點

AI Search 電子報：洞悉台灣企業 AI 落地真實力

在 AI 浪潮席捲全球的今日，資訊焦慮已成為企業共同的課題。國外最新的模型、最炫的應用，雖令人目不暇給，卻往往與台灣企業的日常營運有著一段不小的距離。我們真正需要的，不只是追逐國際 AI 快訊，而是在地實踐的洞見與智慧。

意藍資訊身為台灣第一家 AI 智能數據上櫃公司，站在產業第一線，深刻理解台灣企業導入 AI 時所面臨的真實挑戰，包括了各種產業應用，例如金融、製造、零售、服務、連鎖、乃至政府及公部門等，提出如何導入生成式 AI，真正滿足企業需求、解決企業問題、符合企業效益的解方。

這份《AI Search 電子報》因此而生。意藍資訊將以 AI 及數據的專業視角，分享生成式 AI 在台灣各行各業的導入故事，透過務實的策略與案例，旨在協助您找到最適合自身企業的 AI 路徑。誠摯邀請您，與意藍資訊一同探索 AI 在台灣企業的各種應用及可能。

意藍資訊總經理楊立偉博士

Vol.03 本期 AI 企業應用亮點

知識快遞 – AI 趨勢應用：生成式 AI 回答總不精準？RAG 技術正是企業關鍵解方
知識快遞 – AI 導入案例：民眾聲音太多、處理繁雜？AI 助攻政府即時掌握民意脈動

生成式 AI 回答總不精準？RAG 技術正是企業關鍵解方

AI 技術發展飛速，而檢索增強生成技術 (Retrieval-Augmented Generation, RAG) 則成了讓大型語言模型 (LLM) 更加高效、智能的關鍵技術。RAG 檢索增強生成結合了搜尋引擎與大語言模型，也就是檢索與生成的特點，能有效地先找出精準且相關的內容後，再讓大語言模型依據相關的內容做參考，理解後再生成回答，可以有效解決大語言模型幻想 (hallucination) 的問題，並且能夠提供相關內容的參考出處，增加了可解釋性 (Explainability) 和可驗證性 (Verifiability)，並且能夠透過搜尋引擎來快速變換參考的相關資料，不需要對大語言模型進行再訓練，具備了速度和成本效益優勢，其企業應用範圍與情境更是廣泛。本文將深入探討 RAG 檢索增強生成的原理、優勢與應用場景，並說明意藍在此技術下的應用實踐。

認識檢索增強生成 (RAG)

什麼是檢索增強生成？

檢索增強生成 (Retrieval-Augmented Generation, RAG) 是一種結合了檢索 (Retrieval) 和生成 (Generation) 兩種方法的人工智慧技術，從大量的文本資料中搜尋相關的資訊，並基於檢索到的資訊生成更具體、更可信的答案。

檢索增強生成的優勢與挑戰

生成式 AI 在生成內容時，可能會出現杜撰答案或是答非所問等 AI 幻覺 (hallucination) 之情況。而檢索增強生成能解決此問題，增加其可解釋性和可信度，整體而言可歸納為以下優勢：

依照相關的參考資訊來生成內容，可以提高生成內容的準確性和品質，避免生成虛假、不切實際的誤導性資訊。
增加可信度與可驗證性，確保生成的內容具有可靠的參考依據，而非僅根據過去的學習經驗推測，且生成的內容可被檢查驗證。
節省訓練成本，更快速地更新知識。由於訓練 (或微調再訓練) 語言模型新知識都需要大量的時間和金錢成本，但 RAG 檢索增強生成能利用現有模型，只要透過搜尋引擎快速更新相關的參考資料，就可以反應在生成結果上，不必進行新一輪的訓練，更新速度快、成本也低。

除了具備以上優勢外，一個好的 RAG 檢索增強生成技術需在實際應用中克服以下挑戰，以發揮其潛力並有效提升效能：

無檢索結果時的回覆
當檢索增強生成沒有檢索到得以回答使用者問題的知識時，需判斷並回覆無相關參考資料，不要硬答，避免大語言模型杜撰答案，才不會出現AI幻覺問題。
生成回覆內容的實用性
檢索增強生成需確保生成之內容不僅與檢索到的知識相關，且還需具備流暢性、準確性及實用性。
效率和擴展性
隨著知識庫不斷擴大，檢索增強生成需維持檢索和生成過程的效率與精準度。
實際應用彈性
應用檢索增強生成時須考慮到不同領域的需求，有些領域的知識點敘述較長、有些領域知識較分散，需能彈性調整段落長短、段落數多寡等，真正能夠完整地找出相關的內容，以符合不同的應用場景，這將是關鍵重點。

RAG 檢索增強生成的應用場景

RAG 檢索增強生成適用於需要透過相關的參考資料來輔助回答的問答系統、智能對話系統以及其他自然語言處理應用，來滿足客戶在不同場域的各種需求，如：

問答系統
用於需要透過相關的參考資料來輔助回答的問答系統，例如客服人員使用的常見問答集 (Frequently-Asked Questions, FAQ) 或標準作業程序 (Standard Operation Procedures, SOP)，特別是在回答專業知識問題時，RAG 檢索增強生成能提供更精準及可靠的解答。
智能對話系統
對話系統通常需結合大量知識來回答使用者的問題，RAG 檢索增強生成可協助系統更好地理解用戶的問題並提供具有明確出處和連貫性的回應。
知識檢索及擴充
企業或組織通常擁有大量的內部知識資源，包括文件、報告、手冊等。RAG 檢索增強生成可協助使用者快速檢索到所需的知識資訊，同時也可不斷擴充相關知識，提供更全面、深入的內容。
知識管理
RAG 檢索增強生成可協助組織更有效地管理和利用大量的知識資源，以提高知識的可用性及共享性，促進團隊合作和創新。

RAG 檢索增強生成的應用實例

而 RAG 檢索增強生成又能應用在哪些場域呢？接著我們進一步說明應用實例如下：

輿情分析
針對特定事件、議題，蒐集並觀測社會大眾的意見進行輿情分析，檢索增強生成可透過檢索大量相關的社群網站貼文、討論區評論、新聞文章等資料，找出特定內容作為參考，讓與搜尋引擎高度整合的大語言模型來生成對應的摘要或分析結果。此方式能從大量的資料源找出可用資訊，對輿情進行全面準確的分析，同時也保持生成內容的靈活性和即時性。
財經分析
在金融領域，RAG 檢索增強生成可透過檢索過去至今完整相關的重大訊息、公開說明書、市場數據、公司報告、專家評論等資料，生成對於當前市場概況的歸納或未來趨勢的預測推論。此方式可充分利用豐富的歷史資料，同時了解即時的市場資訊，有助於提高分析預測的準確性和可信度。

總結而言，因大語言模型進行預先訓練或微調需要耗費大量時間和資源，無法即時應對快速變動的環境，而 RAG檢索增強生成能藉由結合檢索 (搜尋引擎) 和生成 (大語言模型) 的方法，即時地分析大量的資訊，有效協助使用者更佳理解及應對快速變動的情況。

意藍資訊於檢索增強生成的應用

意藍結合 RAG 檢索增強生成的發展優勢

RAG 檢索增強生成的概念是高度整合搜尋引擎與大語言模型，先透過檢索功能找出完整相關的參考資料，再基於大語言模型的理解和生成能力，讓該模型進行摘要，進而生成即時、精確的答案，因此搜尋引擎的好壞便成為 RAG 檢索增強生成出色與否的重要因素。

而意藍資訊在數據處理及分析領域深耕多年，也將搜尋技術 (Search) 與自然語言 (NLP) 經驗結合，不僅能兼顧傳統關鍵字檢索的精準快速搜尋，以及向量搜尋可支援自然語言提問的特點，提供使用者更佳的檢索功能與卓越的 RAG 檢索增強生成服務體驗。

此外，擁有 RAG 檢索增強生成的系統就有如口袋中放了百科全書，使得在生成內容時不再受限於過往訓練的資料，而能即時瀏覽大量的專業知識文件，以解決特定領域的複雜問題，進一步提升問題解決的效率。且面對資訊爆炸的今日，新資料推陳出新，有了 RAG 檢索增強生成技術，可讓我們的產品與技術持續從新數據學習及擴展知識庫，使產品在任何情境下都能保持訊息的即時性。

意藍於檢索增強生成的應用

而意藍資訊在 RAG 檢索增強生成主要有以下應用：

訓練大語言模型
意藍自行研發並訓練了大語言模型 eLAND GOAT，能夠與搜尋引擎高度整合並進行優化，用以加強 RAG 檢索增強生成中對於參考相關資訊的摘要及回答的能力。
AI Search for KM 新一代 GenAI 知識管理工作平台
我們將 RAG 檢索增強生成應用在知識管理領域，透過結合搜尋、NLP與大語言模型打造出新一代 GenAI 知識管理工作平台，提供使用者更高效、智能的知識搜尋與問答服務體驗。
AI 輿情應變顧問
將 RAG 檢索增強生成結合最完整、最即時的網路聲量資料，提供以自然語言口語文字查詢，就可以彙整、生成輿情重點，依照真實內容來提供 AI 應變建議，可以應用在市場研究、行銷趨勢、公關應變，任何需要快速掌握輿情重點的企業場景中。

意藍 AI 技術的未來展望

我們相信，整合了搜尋引擎與大型語言模型 (LLM) 的 RAG 檢索增強生成技術，能夠轉化為企業的知識和營運數據中心。這意味著企業中的多個重要系統，如知識管理 (KM)、企業資源規劃 (ERP)、客戶關係管理 (CRM) 以及人力資源 (HR) 等，都可透過 RAG 檢索增強生成技術進行整合，不僅能提高數據的利用效率，也能加強企業的資料治理能力，讓企業更加依循正確的資料做出有效決策。展望未來，我們會持續致力於透過 AI 技術讓數據增值，並進一步賦能合作夥伴，協助提升企業營運效能。

民眾聲音太多、處理繁雜？AI 助攻政府即時掌握民意脈動

地方政府經年累月從派工系統、話務系統、人民陳情與市長信箱等來源接獲的陳情資料相當龐雜，無論是市府人員後續欲整理陳情資料進行分析，或是借鑒過往陳情案件的回覆用於新案件，皆費時費力。因此，意藍運用 AI 技術，提供市府陳情儀表板與陳情問答輔助解決方案，協助地方政府得以更有效分析資料及輔助陳情回覆。

陳情問答知識檢索問答平台服務流程說明

政府單位肩負服務民眾和執行公共政策的重責，其運作效率將直接關係到社會的發展與民眾福祉，而知識管理可透過以下多個面向提升政府效能：

收集各來源資料並進行語意分析
集合來自派工系統、話務系統、市長信箱等各來源之陳情資料，透過 DeepNLP 技術進行情緒分析和特徵擷取，填補陳情資料中資訊欄位的缺失值，使整體陳情資料更為完整。
跨來源資料檢索，快速產製報表
利用強大的搜尋引擎技術，提供市府同仁簡單、快速的陳情資料全文檢索服務，並進一步建置視覺化儀表板，以利單位人員透過檢視圖表，從中挖掘出陳情資料比例、變化、趨勢等資訊。
生成式 AI 陳情問答輔助
利用 AI 技術，將過往市民陳情類型資料、機關的答覆內容，以及常見市政問答 (FAQ) 文本等資料，進行個資去除後，再使用大語言模型預先進行訓練和學習，最後結合生成式 AI，產出最合適的陳情回覆內容。

技術特色與優勢

為了協助專案單位自動化完成陳情資料分類與視覺化，並結合生成式 AI 提供陳情回覆作為參考，意藍規劃之 AI 智能搜尋解決方案，首先收集目標單位之1999陳情資料，再將各來源數據透過 DeepNLP 技術，分析民眾陳情情緒、擷取陳情內容特徵資訊等，整理成結構化資訊。接著，採用意藍搜尋引擎技術，讓使用者可以藉由彈性的檢索條件快速查詢到想了解的特定陳情案件，再串接 Google Looker Studio 整合成儀表板，提供視覺化圖表供使用者可以快速、清晰地了解案件概況與量化數值。最後我們使用 AI 技術，對歷史陳情問答資料進行個資去除與大語言模型預先訓練，建構新型態生成式 AI 陳情問答知識平台，並以 Web Service 形式提供自動生成式陳情回覆 API 服務，以利市府同仁得以更清楚且有效率地分析資料、加速陳情資料分類，並提升回覆效率。

導入成果展示

陳情資料結構化

結構化應用：加速資料處理流程，可用於各種統計分析（地點、時間、車牌、店家等）

陳情問答輔助解決方案可除去個資使其更安心，並協助客服人員快速回覆民眾客訴內容，以提升效率、減輕人力負擔，以下為陳情資料回覆流程：

民眾客訴內容

對原始資料進行去除個資處理，避免留存過多不必要的個資。
查詢不同資料源

QA 問答紀錄、FAQ 常見問答集、規格說明書及疑難雜症技術文件。
大語言模型生成回覆信

LLM 參考各種相關內容作為回覆依據，產出適合的回覆內容。

陳情資料回覆助理

協助客服人員快速回覆民眾陳情內容，提升客服效率、減輕客服人力負擔

陳情資料回覆特點

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。