圖資料庫介紹與其優勢

圖資料庫(Graph database)是非關聯性資料庫(NoSQL)的一種，以圖這種資料結構儲存和查詢資料。

與其他資料庫不同，關係 在圖資料庫中佔首要地位。這意味著應用程式不必使用外來鍵或帶外處理（如MapReduce）來推斷資料連線

與關聯性資料庫或其他NoSQL資料庫相比，圖資料庫的資料模型也更加簡單，更具表現力。

關聯性資料庫實際上是不擅長處理關係的。很多場景下，你的業務需求完全超出了當前的資料庫架構。

相對來說，圖資料庫在查詢速度方面非常高效，即使對於深度和複雜的查詢也是如此。對於圖資料庫來說，資料量越大，越複雜的關聯查詢，約有利於體現其優勢。

擁有以下特性的資料適合透過圖資料庫來處理：

•   需要大量的寫入資料
•   可能需要持續且不間斷的寫入
•   欄位名稱可能不固定（來源端資料格式可能不相同）
•   對於簡單的查詢需要快速的回應

Ardi GraphDB 介紹與其優勢

有些資料庫不是原生圖資料庫，而將資料儲存在其他系統上。

Ardi GraphDB屬於原生圖資料庫，它使用的後端儲存是專門為GraphDB這種圖資料庫定製和優化的，能更有利於發揮圖資料庫的效能。

資料採JSON格式儲存，擁有強大分析資料關係的能力。

資料庫底層以C++開發，提升系統運算效率與穩定度。

同時支援索引、文件儲存、數據導入、數據檢索、視覺化引擎等。

透過圖分析能得到圖指標可進一步進行特徵工程或找出隱藏關係，範例如下：

•   度中心性(I/O Degree Centrality)：節點進出的關係總數量
•   緊密中心性(Closeness Centrality)：該節點至所有節點的最短路徑之倒數
•   中介中心性(Betweeness Centrality)：最短路徑經過該節點的數量除以所有任兩節點最短路徑的數量
•   佩奇排名(PageRank)：計算節點鏈接的數量和質量以粗略估算節點的重要性。基本假設是更重要的節點可能會收到來自其他節點的更多鏈接

Ardi圖數據庫架構

Ardi的圖數據庫具有不同於其他AI的層架構：

•   存儲層：包含一個高性能的本機圖形存儲，一個過程存儲和一個存儲引擎
•   分析層：具有幾個利用Ardi的圖形分析和機器學習算法的計算模組
•   查詢層：包括同步或異步加載數據，調用算法以及檢索數據和結果所需的所有服務
•   可視化層：在用戶界面上交互式地可視化原始圖形數據或計算結果
•   高可用性代理伺服器：可確保連續的系統操作，層之間的通信是通過標準化API實現的

支持圖形分析，無需任何編程

•   高效分析：
• 最小生成樹（Minimum Spanning Tree, MST）、拓撲分析(Topological Analysis)、遍歷(Traverse)、最短路徑，K-core
•   指標：
• 中心和指標(Centrality and metrics)，計算頁面排名(Compute PageRank)，鏈接預測指標(Link Prediction Indices)，聚類係數(Clustering Coefficients)，相似度排名(Similarity Ranking)
•   元件分析和檢索：
• 成圈(Cycles)，Egonets，強/弱連通組件(Strongly/Weakly Connected Components)，集團(Cliques)，圖譜聚類(Graph Spectral Clustering)
•   預測：
• 缺少鏈接預測(Missing Links Prediction)，實體分解(Entity Resolution)，風險傳播(Risk Propagation)

預測隱藏的關係

Ardi的Analytics（分析）通過使用監督式機器學習方法預測兩個節點之間鏈接存在的可能性，可以檢測出可能缺失的鏈接。

•   訓練階段：
• 使用監督的機器學習算法為X和Y之間的關係建模
•   預測階段：
• 根據新圖和在訓練階段學習的關係，計算鏈接的存在

異常檢測工具

Ardi通過估計與其自身或對等組行為相比的差異來檢測無監督的異常節點/鏈接。各種技術包括：

•   統計：
• 估計描述數據分佈的參數模型
•   基於接近度：
• 識別遠離多數數據點
•   基於密度：
• 確定低密度區域中的數據點
•   基於群集：
• 標識不屬於任何群集的數據點

應用領域

•   Alice 安保：
• 內部威脅監控和欺詐檢測
•   Anita 金融：
• 核心銀行監控，反洗錢，不良貸款預測，市場情報，人工智能交易員，了解您的客戶，盡職調查
•   Adam 醫療：
• AI醫學助理，診斷醫學，基因組和蛋白質組分析平台，精密醫學，監測全球10,000多種測序病毒的COVID-19突變

Ardi 機器推理

建立有效的AI系統的主要挑戰之一在於不確定的情況下的學習和推理的能力。 Ardi久經考驗的成功方法是基於貝葉斯網絡框架的，該框架為以下方面提供了富有表現力的視覺和定量工具：

•   學習和代表推理程序
•   了解變量之間的因果關係

在這個堅實的基礎上，Ardi的機器推理可以將風險行為預測的準確性提高10到100倍。

推理類型

•   診斷：
• 給定證據表明有這種作用，這會如何改變對這種原因的看法？
•   預測性：
• 給定證據，預測結果是什麼？
•   因果關係：
• 給定關於原因及其影響的證據，它如何改變對其他原因的看法？
•   合併：
• 如果有關於背景原因和影響的證據，那麼中間節點的新觀念是什麼？

為什麼使用貝葉斯網絡進行推理？

•   真實數據的圖形表示：
• 條件獨立性以及圖形語言能更好的表達現實世界中的資料分布結構​
• 圖結構可提供更多見解, 並且可利用貝式網路架構來發掘領域知識​
• 可利用原先具有的領域知識與數據分佈, 獲得圖形架構​

•   學習的貝葉斯模型解決了分析限制：
• 學習的模型可以用於各種任務
• 支持概率學習的所有功能
• 處理丟失的數據和隱藏變量，可支援缺漏數據與隱藏變量

•   使用貝葉斯網絡的機器推理：
• 遵循有向無環圖（DAG）結構的網絡模型
• 編碼給定頂點的每個頂點的條件獨立性，測量一個變量的變化如何影響不同級別的另一個變量
• 生成模型，允許回答任意查詢

Ardi支援以下機器學習（ML）演算法：

•   分類(Classification)：
• 支援向量機，XGBoost，LightGBM，隨機森林(Random Forest)，決策樹(Decision Tree)
•   回歸(Regression)：
• 普通線性回歸(Ordinary Linear Regression)，嶺回歸(Ridge Regression)，對數回歸(Logistic Regression)
•   聚類(Clustering)：
• K-means，Birch
•   深度學習：
• 插入/刪除層，遞歸神經網絡（RNN），深層神經網絡（DNN），卷積神經網絡（CNN），圖神經網絡（GNN）

Ardi ML模塊

•   模型訓練：
• 提供便捷的功能。用戶可以選擇機器學習模型和算法並靈活地調整參數
•   模型部署：
• 支援用戶設置模型執行，部署和執行的頻率
•   模型優化：
• 支援用戶靈活地優化模型
•   模型評估：
• 支援回歸和分類的通用評估標準，包括準確性和召回率
•   模型管理：
• 集成支援導入數據，模型類型，保存的模型，訪問和部署的各種功能。支援導入在外部平台上訓練的模型。支持自動生成的模型版本

自主學習

•   範例：
• 透過不完善的訓練標籤進行自主學習
•   不完善的學習：
• 不完善的學習即一種機器學習的演算法，利用不完善的標籤來進行監督式學習
• 已開發可用來獲得不完美標註的方法-從交叉模式資訊或網頁連結中學習

應用領域

•   Alice 安保：
• 內部威脅監控和欺詐檢測
•   Anita 金融：
• 核心銀行監控，反洗錢，不良貸款預測，市場情報，人工智能交易員，了解您的客戶，盡職調查
•   Adam 醫療：
• AI醫學助理，診斷醫學，基因組和蛋白質組分析平台，精密醫學，監測全球10,000多種測序病毒的COVID-19突變

策略形成 Strategy

假設評估 - 根據壓力測試和假設條件的各種情況評分，對不完整的字段進行預測，分數隨著發現或提供的新信息而更新。

•   全面分析客戶行為和對照組的方法：
• 通過分析客戶行為和關係變化來評估客戶風險
• 同一行業內自我或同伴群體行為的差異
• 檢測異常交易行為，包括頻率和可疑交易對手

•   機器學習解決方案：
• 時間序列分析
• 有監督的機器學習：回歸，聚類等
• 無監督機器學習：聚類，局部離群因子分解等

應用領域

•   Alice 安保：
• 網路資安
•   Adam 醫療：
• 病史分析、基因檢測

表達解釋 Explanation

視覺化(Visualization) - 使用可設定式的使用者介面， 顯示資料庫中的資料分布可輸出顯示頁面提供使用者使用，進行資料分析。

可解釋性(Explainability) - 計算每個輸入特徵值對於結果預測的權重，對於每一預測進行解釋，例如某一特徵值過高或是離群，避免傳統機器學習或是深度學習對於結果的不解釋性。

Graphen AI Explainer包括以下功能：

•   本地端可詮釋與模型無關的解釋
•   在本地端水平上將模型生成最接近的線性模型
•   取一個點並在附近產生幾個點
•   根據上述步驟的結果生成線性模型
•   計算每個輸入要素的權重

思考流程 Pipeline

Ardi部署在全球數家最大的銀行中，可實現無縫的AI項目管理：

•   任務安排
•   串聯任務步驟
•   發布生產應用程序
•   監控每個步驟的狀態

能將整套流程計畫、執行和監測自動化，包含以下：

•   資料預處理
•   建立和載入圖
•   模型的載入/訓練/執行/預測
•   報告自動生成

機器感知 Sense

自然語言理解

•   Named-Entity Recognition - 分析組織在產業鏈的關係和角色，譬如說是上下游廠商、供應商等關係以及如何互相影響
•   Sentimental Analysis - 輿情分析，負面新聞
•   Summarization - 分析大量文件，產生文件摘要，提取重要訊息，以及整合多個文件訊息

深度視頻理解

•   結合人工智慧的各項能力，透過性別、年紀、情緒辨識、人臉辨識、說話者辨識、場景辨識、語音識別、語言分析，來理解角色互動關係，建立整個視頻人事物關連關係的知識圖譜。用來回答發生了什麼事，以及人事物如何關連。
•   舉例來說一段影片中兩個人走在一起，先是可以從他們的性別，年紀，表情等等推算出他們的關係是情侶、親子、夫妻、朋友、手足等等，再從影片長期累積的關連，找到事件的變化。

AI人工智慧判斷洗錢樣態與特徵

・導入行為模型進行洗錢模式偵測

・機器學習管理模組，進行模型優化

全面評估洗錢四大風險面向

・由四大風險進行全面偵測，四大風險又可以分為：

原生風險：來自客戶、理專、業務員、保單、金融商品等等自身風險等級評估指數，或是黑名單等

已知可疑模式：包括了曾經被拒絕過的交易和原因、短期內頻繁更改交易內容、過往由風控單位建立的追蹤名單與其行為、行為導致相關單位留有紀錄、以及違反現有理專或業務員規則等等

關係風險：透過圖數據庫進行圖分析能分析包括理專或業務員關係風險、客戶關係風險、以及網絡的變化等等

行為風險透過機器學習中針對監督式學習和非監督式學習，能偵測包括異常行為和建立行為模式

・透過四大風險計算綜合風險評分，以利反洗錢監控人員優先處理高風險案件

即時交易監控預防損失發生

・即時規則審核與洗錢名單掃描

・透過系統串接達成洗錢偵測即時通知

以圖分析複雜的客戶關係

透過圖數據庫分析客戶間的關係，預測其發生不良貸款的機率，以供風控人員進行違約風險監控，以利即時做出對應的處理

進一步提高信貸流程中風險識別的準確率、覆蓋率和及時性，提高一線業務部門、授信部門和風險管理部門的管理效果、效率和合規性，並改善風險收益與投資報酬率水平

建立每日自動化由各關聯關係及運用圖分析等技術，新發現的隱性關聯關係集合成的聯通體(Connected Components)，找出原發性客戶風險和風險傳導模式與其規率，最後實現和支持分析結果的批量查詢、輸出、調用，交互，並與現行系統有效對接

偵測易發生違約之模式與風險傳導

透過圖指標，檢視客戶的行為模式

預測違約帳戶導致傳導至其他帳戶違約的機率

圖指標可以進一步導入機器學習模型做為特徵之一，進一步透過訓練再優化模型

針對保險業務員或客戶的可能詐保行為

建立圖數據庫後進行圖分析找出隱藏關係

機器學習透過已知可疑樣態建立行為模型

圖數據庫和機器學習可以相輔相成讓結果最佳化

進行圖分析的圖指標，能夠也做為特徵進入機器學習模型

機器學習特徵值排名名單和黑名單標籤，能夠進入圖數據庫建立新圖

透過圖數據庫和機器學習的彼此交叉運用，能夠進一步優化成果，提高偵測準確率和速度

透過行為模型以偵測異常

針對理專不當行為，金管會推出的理專十誡

招募員工時，應採行盡職調查程序

員工行為準則明定，嚴禁任何形式的代客保管、擅自交易、不當招攬等

建置妥適有效的理專輪調制度，以及在理專休假期間執行內部查核機制。代班人打電話聯絡客戶，並就業務事項作清查，此為外商銀行普遍採取的防弊作法

避免理專未經授權替客戶辦理存提款、保單轉換等作業，並透過事前宣導、事中控管，及事後查核（例如不定期抽查理專抽屜等）等機制防弊。例如嚴禁理專帶著客戶印鑑，代客戶辦理臨櫃作業等

透過定期產出「IP位址警示檢核報表」，供營業單位檢核，理專是否跟客戶共用同一行動裝置進行網銀交易，及不定期向客戶寄發交易函證，提供客戶確認投資明細及餘額等

建立帳戶監控機制等，避免理專與客戶私下資金往來

規範理專不得推介非本行商品，及透過分行主管確認客戶交易產品內容

建立資安查核機制，確認理專抽屜或電腦是否有類似自製對帳單文件，並禁止理專代收客戶對帳單，及建置第三方監控機制

將財管業務內控缺失偏多單位、業務或交易量異常大增的分行，或有異常交易的理專，納為專案查核項目

研議查核重點事項，如理專休假的查核機制，及員工是否有空白留單、自製對帳單等

導入人工智能和圖數據庫，建立行為模式偵測違規舞弊關係圖

建立詐欺圖模式，系統進行樣態比對

建立行為模型，偵測行為異常

規則管理系統

透過視覺化介面簡化規則管理流程

隨時調整現有規則閥值、參數、預值等等，並且同時支援版本控管模式

透過介面設計並加入新規則

詐欺偵測可以應用在以下不同範疇內：

銀行業詐欺

信用卡詐欺

詐騙詐欺

保險業詐欺

醫療詐欺

產險詐欺

意外險詐欺

銀行中控中心實時監控系統幫助公司總部實時掌握運作情形。例如

• 網路銀行和行動銀行的使用狀態
• 信用卡和銀行存貸款帳戶的客服及新帳戶情形
• 輿情監控
• 各分行以及各個ATM機器的異常狀況
• 外匯市場偵測

貿易金融盡職調查 Smart Due-Diligence

貿易金融即時交易的監控和調查流程自動化的工作流程

集中的貿易金融盡職調查與相關資料管理系統

提高盡職調查的品質和效率，且減少人為錯誤與偏見

透過SmartDD，我們能解決以下問題：

•   比對商品/服務是否與賣方和買方（即申請人和受益人）的業務性質是否一致
•   比對客戶交易紀錄和其預期行為是否一致
•   比對交易和裝運的大小與出口商/進口商的業務活動和製造能力規模是否一致
•   新聞搜索結果對交易的各方是否負面的

市場資訊即時監控

市場情報依靠對市場情況的大規模實時監控，以便交易系統和機器人諮詢系統可以做出相應的反應。它也是第三方應用程式或普通人類客戶決策的基礎。

我們擁有領導美國最大的社交網絡其中26個專案中的監控任務方面的經驗，使我們有能力創建此類系統進行即時分析。我們的團隊了解如何處理如此大的工作量，大規模地推理行為，分析動機，預測影響和傳播，判斷一條信息是真是假，判斷意圖，分析地理空間和文化影響等。

通過使用我們的Ardi AI平台，我們能夠為分析師，訂戶，AI交易員等提供此類見解，以幫助他們更好地了解實時市場變化。

跨越集團數據安全共享

以銀行來說，將消費者、金融產品數據資料開放出去共享，促使跨產業合作機會大增。在用戶同意下分享金融資料，透過開放API，讓第三方開發者在金融機構外，打造服務與應用。強調共享價值，與不同產業合作，用戶在金融上，能有更大、更透明的選擇。

然而數據分享有幾個主要困難點需要突破：資料安全和營業機密。以借貸業務為例，受理借貸申請時以加密方式對授信中資料庫遞送查詢需求，然後各銀行的客戶貸款紀錄經加密後傳送到授信集中資料庫，個別銀行只能解密自己銀行的資料。這保護了銀行自身的商業機密，並減少銀行貸款風險，而且平台無從得知資料是什麼。

這是透過全同態加密(Fully Homomorphic Encryption) 技術來達成：對加密文件進行運算，得到的加密結果，解密的結果與對明文禁行運算相同；並可在加密資料中進行檢索、比較等工作。

針對消費大眾的全基因分析服務

基因檢測是從 DNA 評估與基因遺傳有關的疾病、體質或個人特質的技術，是精準醫學分析的一種方法，然而傳統的方式需要人力比對與分析海量數據。臺灣發達的通訊產業基礎，和全民健保資料庫也都讓我們於AI基因分析上的發展更有優勢。

Graphen利用圖數據庫配合機器學習/深度學習技術所發展出的Graphen Adam Genome是組學(omics)分析工具，能分析可能影響疾病進展的基因，蛋白質和其他組學信息的影響，更進一步能預測疾病風險，提供消費大眾的全基因分析服務。

蛋白質結構預測暨互動分析

生物的核心原理是從DNA形成RNA形成蛋白質。蛋白質是身命體運作的基本單位，就像是一台一台的小機器。傳統上，如果要知道一個蛋白質如何運作，需要利用電子顯微鏡或是其他方式來觀察。

但是由於最近幾年人工智慧技術的進步，首先是蛋白質的三維結構或許已經可以由電腦直接由基因序列(DNA/RNA)成功預測，而不需要用實體觀察。未來或許可以進一步預測蛋白質的動態變化以及互動情況，進而深入了解疾病的進程以及協助藥物的開發以及作用預測。當這些科學進展可以達成之後，生物醫療的方式將可能有巨大的變化。我們現在或許正處在一個新的數位醫療的起點。

圖策基因已經開發出基於AI技術來從基因直接預測蛋白質三維結構的系統。未來這個系統將會結合人體蛋白質的檢測，替消費者分析目前他的身體在基因蛋白層次的狀態究竟如何，有哪一些先天的問題也經在經過環境及歲月的累積之後，快到一些臨界點。同時我們也希望在我們對蛋白質動態及互動了解更清楚之後，可以更加正確預測疾病的歷程以及針對個人的藥物藥效預測甚至開發。

病史分析及風險預測

人工智慧在醫療上的應用目前大多著重於影像分析，也因此人工智慧輔助醫療影像判讀的技術法展的很快。在Graphen我們則專注於其他類別的應用，例如文字敘述。醫療文字敘述資料包含了門診的SOAP資料和病歷，以及入、住、出院的行政內容與急診的敘述文字。

所謂的SOAP資料，指的是：

•   S (Subjective data)：
• 主觀自覺徵候，包括病人主訴、症狀、發病時間、現在、過去、個人病史
•   O (Objective data)：
• 醫療人員的客觀檢查結果，包含了診察發現與各種檢查報告
•   A ( Assessment )：
• 醫療人員的診斷評估，也就是診斷(diagnosis)或臆斷(impression)
•   P ( Plan )：
• 治療計劃，像是處置、醫令、處方

Graphen透過人工智慧讀取現今極為龐大的醫療相關樣本數，並進一步透過文字敘述分析來解讀病史和病歷，比對類似案件，最後提出風險預測、輔助醫師診斷、提升精準用藥、進而降低醫療成本並提高人民生命品質。

汽車修護及故障風險預測

人工智慧與汽車業的結合目前類神經網路(Neural Network)已經成功運用在汽車的冷氣系統、變速箱檔位與邏輯、ACC 主動車距與引擎噴油等控制環節上。未來這些技術將進一步的影響更多使用車輛習慣的控制，例如駕駛行為與保費的關聯、經常行駛區間與保養周期的關聯。甚至，跨出車輛本身的技術，更進一步與經營價值鏈之間的影響。例如，用人工智慧使服務廠管理精簡而有效率、用AI提升服務廠業績、用AI提升服務廠的ISO 14001 環境管理。

以汽車修護市場來說，目前存在著兩大影響效率的問題：維修資料查找難和故障診斷效率低。Graphen 的目標就是將人工智慧產品化，跟汽修這個垂直領域相結合。透過圖資料庫建立診斷資料庫，和透過機器學習和深度學習建立模型後，能再進一步提供故障的風險預測，並主動提供客戶事前所需的維修服務。

太陽能電場實時監測及風險分析

圖策能源的目標是以Ardi平台為基礎，建立能源AI所需要的主要應用，包括：

• 電力品質分析
• 電場及電力系統異常分析
• 分佈式能源來源及負載預測
• 電網流分析
• 預測性維護
• 電力管理

由於電力網路越來越複雜，尤其是新能源/再生能源越來越普遍，給傳統的電網管理方式帶來很大的挑戰。例如再生能源的不穩定性，負載的模式改變及難以預測，大量增加的新生能源點以及使用電力的各式各樣裝置，如電動車，IoT感測器等等，都需要AI的協助。甚至越來越複雜的資安攻擊，也帶來更多的不確定性。

圖策能源的第一個產品是太陽能電場的AI實時監測系統。這個系統觀測全公司各地的電場，考慮地點，時間，天氣等因素做發電量預測，並且偵測異常。當發現異常之後，直接向最合適的維修廠商派工，並且自動追踪派工及修護狀能。這個系統提供桌面的版本及手機版本，讓管理者和維修人員都能看到實時訊息，以求效率最佳化！

資訊網路安全及企業異常分析

圖策安全提供先進的資安技術，掃描公司的資訊網路，分析了解每個終端點的行為。利用機器學習，圖分析，機器理解的方式，偵測出內部異常。知道長時間，每個終點的正常行為狀態，以及異常時，其動機是什麼。

當異常和動機都能清楚辨識之後，系統就能開始預測下一步的異常行為可能為何。這樣的AI異常檢測系統可以應用在廣泛的領域，包含每個企業的長期威脅(APT)、內部威脅(洩密，破壞)、IoT安全等等的應用。

接待員 Aiia | Concierge Aiia

適用場合：地標景點、會議中心、醫院、酒店

邁入未來的待客服務，我們的數位接待員隨時為您提供協助。無論您在醫院、酒店、花園、主題樂園、博物館或會議中心，我們的虛擬接待員都在這裡為您服務。

• 介紹 Introduction
  從您一抵達，我們的虛擬接待員就會為您提供熱情的歡迎和場地的基本資訊，確保您對環境了然於胸。
  
  
• 導航 Navigation
  藉由我們的虛擬助理的專業指引，輕鬆找到您想去的地方，讓您的探索變得毫不費力且無壓力。
  
  
• 詢問解答 Inquiry Resolution
  獲得即時的方向指引、推薦和問題解答，確保您在訪問期間有無縫的體驗。
  
  

成功案例

2024年，Aiia 擴展為迎賓角色，展示其在顧客服務方面的適應性和卓越表現：

• 曼哈頓（2024年4月）： Aiia 在一場高級研討會中擔任接待員，為與會者提供資訊、指引和個性化協助。
  
  
• 新加坡（2024年5月）： Aiia 在一場大型會議中展示了其應答能力，為參與者提供無縫支持，提升整體體驗。
  
  
• 台北（2024年5月）： 在醫院大廳中，Aiia 作為諮詢站務員，指導病患和訪客，解答詢問並促進順暢的運營。
  
  

收銀員 Aiia | Cashier Aiia

適用場合：速食餐廳、飲料店和咖啡館

告別大排長龍，享受便利的數位收銀服務。無論您是在速食店吃頓快餐，還是在享受清爽的珍珠奶茶，我們的虛擬收銀員都會加快您的交易速度。

• 點餐協助 Order Assistance
  在交易過程中，從下單到付款，我們提供個人化的協助，確保每一步都高效且準確。
  
  
• 付款處理 Payment Processing
  為您的訂單提供快速且安全的付款處理，確保您在喜愛的速食店或珍珠奶茶店有順暢的結帳體驗。
  
  

成功案例

語音點餐服務應用於餐廳

2023年10月 | 紐約曼哈頓

我們最先進的 Graphen Aiia 互動語音點餐服務，徹底改變了紐約人的用餐體驗。此次的部署突顯了 Graphen 透過先進人工智慧提升顧客互動的承諾。

想了解更多可以詳閱店家解決方案 (Store Solution)。

銷售員 Aiia | Sales Aiia

適用場合：零售店、購物中心和展覽中心

提升您的購物體驗，我們的數位銷售助理隨時為您服務。無論您是在商店裡瀏覽、在購物中心閒逛，還是參加產品展覽，我們的虛擬銷售助理都能幫助您。

• 產品資訊 Product Information
  獲得有關產品和服務的詳細資訊，幫助您有信心地做出明智的決定。
  
  
• 推薦 Recommendations
  根據您的喜好和需求提供個人化的推薦，提升您的購物體驗和滿意度。
  
  
• 購物協助 Purchase Support
  從產品選擇到交易完成，我們提供無縫的購物協助體驗，確保您的購物之旅順暢愉快。
  
  

成功案例

數位銷售助理進駐零售商店

2023年12月 | 紐約皇后區

自12月起，我們的 Aiia 語音互動銷售助理也在美國知名連鎖科技零售店內服務，並展示了其多功能性和在提升顧客服務、管理詢問和支持日常運營方面的效果。

護士 Aiia | Nurse Aiia

適用場合：醫院、診所、醫療機構

享受便捷的醫療支持，我們的數位護士隨時為您提供協助和資訊。無論您是在醫院、診所，還是其他醫療機構，我們的虛擬護士都能提供幫助。

• 醫療協助 Medical Assistance
  提供基礎的醫療指導和支持，包括傷口的處理、用藥提醒和一般健康諮詢，幫助您維護健康。
  
  
• 健康教育 Health Education
  獲取全面的健康教育資料和資源，幫助您做出有關健康和生活方式的明確決策。
  
  
• 用藥提醒 Medication Reminders
  透過我們的虛擬護士及時提醒和指導，讓您掌握用藥時程，確保健康管理和治療計畫的遵守。
  
  

成功案例

數位護理在醫院落地實施

2023年11月 | 台灣

在今年11月，我們成功地在彰化和台北的主要醫院部署了數位虛擬助理 Aiia。Aiia 在醫療領域帶來了顯著的變革，顯著減輕了護理人員的工作負擔。每日運作14小時的 Aiia，處理了多達60% 通常由護士負責的任務，大幅提高了工作效率，使醫療專業人員能夠更專注於病患照護。

辦公助理 Aiia | Office Assistant Aiia

適用場合：辦公室、公司環境

提升辦公效率，我們的數位辦公室助理為您處理行政任務，提供即時資訊。

• 行政任務 Administrative Tasks
  精確可靠地管理日程、協調會議和處理日常辦公任務。
  
  
• 資訊管理 Information Management
  提供最新的財經新聞、公司動態和其他相關資料，確保決策有據。
  
  
• 創意支援 Creative Assistance
  利用 AI 技術輔助創建圖像、演示文稿等，提升工作效率和創新能力。
  
  

客戶服務 Aiia | Customer Service Aiia

適用場合：客服中心、服務台、移動式平台

提升您的客戶服務體驗，我們的數位助理在平板和手機上隨時為您提供支援。Aiia確保在各種平台上提供及時且有效的客戶服務。

• 問題解答 Query Resolution
  快速準確地回答客戶詢問，提升滿意度並減少等待時間。
  
  
• 服務請求管理 Support Ticket Management
  高效處理服務請求，追蹤問題並向客戶提供更新，確保問題順利解決。
  
  
• 客戶互動 Customer Interaction
  通過個性化互動與客戶建立良好關係，提升整體服務質量。
  
  

小分子核酸藥物

西元 1687 年，牛頓發表了萬有引力學說及動力學三原則。從此之後，物體運行的速度和互動變成可以推算，奠基了工業革命，在接下來的兩百多年間，造就了人類文明的巨大改變。

西元 1972 年，諾貝爾獎得主 Christian Anfinsen 在得獎演說上講到，他夢想未來有那麼一天，人類可以＂直接由胺基酸序列來預測生物體的組成單位-蛋白質的真實結構，之後許多生物體的運行原理和藥物的效用，就比較容易科學性和精準性地了解和預測。50 年後的今天，結合了最近五年內才出現的全新 AI 技術，夢想步步成真。2021 年 12 月科學雜誌選出”利用 AI 技術成功預測蛋白質結構” 的成果是人類當年最大的科學成就，勝過體內基因編輯、古化石 DNA 重建、新冠肺炎疫苗、人工抗體等等發明。

2020 年 5 月，ABI 醫學白皮書把 Graphen 和 Google 並列為會對藥物開發產生最重大影響的兩家公司。谷歌 DeepMind 發明 AlphaGo 之後，把此先進 AI 技術帶進生醫界的蛋白質結構預測競賽。首次參賽就把廿多年來約 40-50% 的準確率提升到 90% 左右，帶來實現夢想的曙光。Graphen 結合 AI 圖網路計算、深度學習和生成式 AI，開發出 Graphen Atom 系統，包括蛋白質結構預測、蛋白質功能預測、蛋白質結合預測、ADME 模型預測、大規模基因組知識推理和理解等，以飛快的速度生成新的高效性、高針對性和低副作用的各種候選藥物，未來有機會協助治療 70% 的人類疾病。

抗體藥及疫苗設計

前期開發研究

• 通過抗體-病毒蛋白共結構進行疫苗能量預測
• 病毒變異株免疫逃逸預測

疫苗設計與優化

• 疫苗免疫表位區域的優化
• 設計疫苗候選結構
• 精煉疫苗候選物與抗體結構的親和力

Graphen 的疫苗設計與優化模型分析疫苗蛋白的免疫原性及其對抗體或免疫細胞的免疫逃逸能力。該模型設計高度有效，考慮了病毒突變的影響。

由 AI 加強的有效疫苗!!

個人化藥物設計

醫療領域知識

• 圖形數據庫包含複雜的醫療研究和罕見疾病數據
• 深入了解這些疾病及其有效治療方法

以患者為中心的藥物開發

• 揭示與罕見疾病相關的基因突變和途徑
• 結合基因組學、蛋白質組學及環境分析，並與個人電子病歷相結合
• 設計和開發針對罕見疾病的有效藥物

Graphen 的個性化罕見疾病藥物開發建立在深入的領域知識和對個體基因突變的理解之上。該系統設計針對性強、個性化且有效的藥物，用於治療罕見疾病。

展望未來，通過個性化和精準醫療，自信地治療罕見疾病。

發展核融合技術

核融合技術的複雜性要求在面對高風險環境時進行精確的監控和控制。我們的目標是開發一套先進的人工智慧系統，以確保核融合系統的安全性並提升其功率輸出。該 AI 系統將通過以下方式實現這些目標：

• 實時監控：通過等離子體過程影像和其他隱形信號（如壓力、電流）持續監控反應爐，以分類關鍵事件。
  
  
• 持續優化：實時優化系統功率輸出。
  
  
• 長期維護：對核融合反應爐及相關設備進行長期維護，確保系統安全性和功率輸出的持續提升。
  

Graphen 的 AI 系統旨在提升核融合系統的安全性，當系統發生危險時，自動關閉或重新啟動故障及不穩定的運行。這些創新技術將有助於推動核融合領域的發展，實現能源技術的突破與革新。

藉由我們的人工智慧解決方案，我們致力於提供更安全、更高效的核融合技術，為未來的能源需求做出貢獻！