杰倫智能科技 · Indexed content

2027 AI Investment Enters the Next Stage: From Isolated Wins to Long-Term Enterprise Competitiveness As AI adoption accelerates, investment does not always translate into business impact. Over US$50 billion has been committed to AI-ready cloud and data centre infrastructure across Southeast Asia, yet most SEA countries report less than 5% EBIT impact from AI, with 18% seeing no financial impact at all. For CFOs planning their 2027 budgets, the question is no longer whether to invest in AI, but how to turn existing initiatives into measurable business returns and scalable capabilities. Before finalizing next year’s AI budget, enterprises need to assess their current AI maturity, identify critical capability gaps, and prioritize where to invest next. What stage of AI maturity has your enterprise reached?Identify your priority path in just 3-minutes. Get Your Personalized AI Maturity Assessment Report → The Challenges of Scaling AI Go Beyond Technology Many organizations achieve promising AI results in individual projects but struggle to scale them across the business. What they often encounter are these three critical barriers. Hard to Identify Without a consistent evaluation framewo…

2027 AI Investment Enters the Next Stage: From Isolated Wins to Long-Term Enterprise Competitiveness As AI adoption accelerates, investment does not always translate into business impact. Over US$50 billion has been committed to AI-ready cloud and data centre infrastructure across Southeast Asia, yet most SEA countries report less than 5% EBIT impact from AI, with 18% seeing no financial impact at all. For CFOs planning their 2027 budgets, the question is no longer whether to invest in AI, but how to turn existing initiatives into measurable business returns and scalable capabilities. Before finalizing next year’s AI budget, enterprises need to assess their current AI maturity, identify critical capability gaps, and prioritize where to invest next. What stage of AI maturity has your enterprise reached?Identify your priority path in just 3-minutes. Get Your Personalized AI Maturity Assessment Report → The Challenges of Scaling AI Go Beyond Technology Many organizations achieve promising AI results in individual projects but struggle to scale them across the business. What they often encounter are these three critical barriers. Hard to Identify Without a consistent evaluation framewo…

Agentic AI 時代來臨，從 SEMI E187 到Agentic Security，半導體產業的資安防線該如何建立？ 發佈留言 / 部落格 / 作者: emily 文／楊建洲 James Yang，Profet AI 執行長特助 前面幾篇，我們探討了企業導入 AI Agent 後可能面臨的風險，以及如何建立相應的 AI 安全治理機制。 這次想從半導體產業的角度進一步討論，當企業開始大量使用外部 AI，甚至讓 AI Agent 進入製造流程，我們原本建立的資安防線是否還夠用。 半導體資安的 Baseline：SEMI E187 過去半導體產業談資安，很大一部分的焦點放在設備本身。例如設備是否使用受支援的作業系統？網路通訊是否安全？端點是否受到保護？是否具備完善的安全監控與Log？ 2022 年發布的 SEMI E187，就是為了解決半導體製造設備的基礎資安問題，建立涵蓋 Operating System、Network Security、Endpoint Protection 與 Security Monitoring 四大面向的安全要求。它讓設備從導入、運作到後續維護，都有一套可以依循的資安基線。然而隨著 AI Agent 開始進入 Fab 與企業 IT 環境，資安管理的對象也開始改變。 過去我們管理的是設備、伺服器、應用程式與使用者，現在則多了一個能理解任務、取得資料、呼叫工具，甚至自主執行操作的 AI Agent。而最近 Anthropic 公開的一份報告，正好讓我們看到這個變化背後，另一個值得半導體產業注意的資安問題。 從 Anthropic 最新報告，看企業 AI 資安的另一個問題 9 月 10 日，Anthropic 發布了一份長達 154 頁的《Detecting and countering misuse of AI》報告，其中揭露了過去八個月，他們如何偵測並阻止利用 Claude 進行的惡意活動，包括網路攻擊、監控、詐騙、武器開發，以及非法模型蒸餾等。 其中最吸睛的新聞之一，是 Anthropic 指出某個疑似與中國軍事研究機構有關的使用者，利用 Claude 開發電子戰與防空壓制相關軟體，並曾將台灣的防空設施設定為模擬場景中的目標。 這些新聞當然很聳動，但看完整份報告後，我反而想到一個跟企業更直接相關的問題，那就是 Anthropic 是如何得知這些事情？ 要能辨識帳號、分析使用模式、串連多次互動，最後形成 Threat Intelligence，代表 AI 平台本身必須具備相當程度的監控、偵測、分類與調查能力。這件事情本身有其合理性，因為若是沒有這些能力，AI 平台很難阻止詐騙、駭客攻擊及其他濫用行為。 但換到企業端來看，問題就不一樣了。最近跟幾家大型半導體、AI Server 與高科技製造客戶開會，我發現一個很一致的現象：很多企…

<iframe src="https://www.googletagmanager.com/ns.html?id=GTM-MS3PDT3W" height="0" width="0" style="display:none;visibility:hidden"></iframe> (function(){var mq=window.matchMedia('(max-width:921.99px)');function apply(isMobile){var b=document.body.classList;if(isMobile){b.add('ast-header-break-point');b.remove('ast-desktop');}else{b.remove('ast-header-break-point');b.add('ast-desktop');}}apply(mq.matches);if(mq.addEventListener){mq.addEventListener('change',function(e){apply(e.matches);});}else if(mq.addListener){mq.addListener(function(e){apply(e.matches);});}})(); 跳至主要內容 .pah{--teal:#2AACA2;--teal-dark:#17615C;--ink:#102322;--muted:#52615F;--line:#DCE5E3;position:relative;z-index:1000;background:#fff;border-bottom:1px solid var(--line);color:var(--ink)} .pah *{box-sizing:border-box}.pah a{color:inherit;text-decoration:none}.pah-inner{display:grid;grid-template-columns:minmax(180px,1fr) auto minmax(180px,1fr);align-items:center;gap:34px;min-height:92px;padding:0 32px}.pah-brand{justify-self:start}.pah-brand img{display:block;width:154px;height:auto}.pah-nav{justify-self:center}.pah-nav ul{display:flex;gap:clamp(20px,2vw,32px);margin:0;padding:0;list-style:none}.pah-nav li{position:…

從數位孿生到 Domain Twin™： 讓工業 AI 真正進入營運閉環 發佈留言 / 部落格 / 作者: Profet AI body.single-post{overflow-x:hidden} .dt-article{font-family:-apple-system,BlinkMacSystemFont,"PingFang TC","Microsoft JhengHei",sans-serif;color:#314947} .dt-article .dt-kicker{margin:0 0 .7rem;color:#199c93;font-size:.78rem;font-weight:750;letter-spacing:.13em;line-height:1.4} .dt-article .dt-deck{max-width:48rem;margin:0 0 1.15rem;color:#163f3e;font-size:clamp(1.12rem,2vw,1.4rem);font-weight:650;line-height:1.65} .dt-article .dt-summary{margin:0 0 2rem;padding-left:1rem;border-left:4px solid #2aaca2;color:#516565;font-size:1.02rem;line-height:1.85} .dt-article .dt-toc{margin:2rem 0 3rem;padding:1.5rem clamp(1.25rem,3vw,2rem);border:1px solid #a9dcd7;border-radius:16px;background:#f2fbfa;box-shadow:0 10px 30px rgba(19,82,79,.07)} .dt-article .dt-toc-title{margin:0 0 .85rem;color:#174d4a;font-size:1.08rem;font-weight:750;letter-spacing:.01em} .dt-article .dt-toc .wp-block-list{display:grid;margin:0;padding:0;list-style:none} .dt-article .dt-toc li{margin:0;padding:.65rem 0;border-top:1px solid #cae5e2;line-height:1.6} .dt-article .dt-toc li:first-child{border-top:0} .dt-article .dt-toc a{color:#275c59;text-decoration-c…

2027 AI 預算怎麼編？從 L1–L4 AI 成熟度找出投資重點 發佈留言 / 部落格 / 作者: Profet AI 2027 年企業 AI 預算，該增加、維持，還是重新分配？ 當年度預算規劃開始進入檯面，AI 已經很難再被視為一次性的試驗支出。對許多企業來說，現在比較難回答的，不是要不要投入，而是哪些項目值得繼續加碼、哪些應該停下來重新檢視，以及下一筆預算究竟該放在哪裡。 過去一年，企業陸續導入生成式 AI、預測模型、AI 平台與各類智慧應用。隨著應用範圍擴大，相關支出也分散到軟體授權、模型、資料準備、系統整合、教育訓練與治理等不同項目。 預算增加之後，管理難度也跟著提高。 同一家企業裡，可能同時存在高使用率的工具、已經產生效益的模型、仍停留在 PoC 的專案，以及幾乎沒有被使用的授權。單看投入金額，很難判斷哪些支出正在累積企業能力，哪些只是讓成本繼續堆高。 Forrester 在 2027 年預算規劃研究中指出，超過 80% 的企業與科技領導者預期未來 12 個月的整體預算將增加。但 Forrester 同時提醒，更多預算不會自然帶來更好的成果。缺乏清楚策略、治理、決策責任與共同成功指標的 AI 投資，反而應該重新檢視；已經驗證的成果，也應先確認能否跨團隊與場景擴展，再進一步投入。 企業 AI 投資正在進入另一個階段。前幾年比較在意 AI 能不能做出成果，現在更值得關注的，是這些成果能不能進一步被複製、擴大，最後反映在營運與財務表現上。 BCG 於 2026 年 7 月發布的研究也呈現出相同落差。近九成受訪 CEO 已經在部分場景看到 AI 帶來成本或營收效益，近三分之二的企業也仍在進行 AI 試點，但只有 26% 已將 AI 納入更廣泛的企業轉型。更值得注意的是，只有 14% 能清楚定義所有 AI 計畫對 P&L 的影響。 換句話說，許多企業現在面對的問題，已經不是 AI 完全沒有價值，而是局部成果還沒有變成可以持續擴大的企業能力。 因此，規劃 2027 年 AI 預算時，比起先決定增加幾個百分點，更值得先找出目前限制成果繼續往下走的環節。 只要瓶頸沒有被解決，即使預算增加，也很容易只是把錢繼續放進企業原本最熟悉的項目。 AI 預算不是多寡問題，而是配置問題 企業 AI 的發展很少是一條整齊的直線。 同一家公司裡，可能有員工已經大量使用生成式 AI，有些部門正在部署預測模型，也有少數流程開始探索 AI Agent。不同部門、不同流程，甚至同一個流程裡的不同工作環節，都可能處在不同的發展階段。 這也是 AI 預算最容易配置錯誤的地方。 工具使用率不高，解法未必是換另一套工具；模型已經足夠準確，下一筆錢也未必應該繼續花在模型優化；開始做 Agent 之後，如果缺少企業知識、系統整合或權限治理，再增加 Agent 數量也很難真正進入營運。 表面上都是 …

合作夥伴 body.page-id-15553 .entry-title{display:none!important}.partnership-draft{--teal:#2AACA2;--teal-deep:#17615C;--ink:#102322;--muted:#52615F;--line:#DCE5E3;--soft:#F7F9F9;--white:#fff;color:var(--ink);background:var(--white);font-family:"PingFang TC","Noto Sans TC","Microsoft JhengHei",Arial,sans-serif;line-height:1.55}.partnership-draft *{box-sizing:border-box}.partnership-draft__hero{border-top:1px solid var(--line);border-bottom:1px solid var(--line);background:var(--white)}.partnership-draft__hero-inner,.partnership-draft__directory-inner{width:min(1200px,calc(100% - 48px));margin:0 auto}.partnership-draft__hero-inner{padding:74px 0 62px}.partnership-draft__eyebrow{margin:0 0 17px;color:var(--teal-deep);font-size:12px;font-weight:800;letter-spacing:.14em}.partnership-draft h1{margin:0;max-width:720px;font-size:clamp(42px,5vw,62px);line-height:1.04;letter-spacing:-.045em;text-wrap:pretty}.partnership-draft__hero-copy{max-width:650px;margin:22px 0 0;color:var(--muted);font-size:18px;text-wrap:pretty}.partnership-draft__hero-rule{width:54px;height:3px;margin-top:30px;background:var(--teal)}.partnership-draft__directory{padding:64px 0 112px}.partnership-draft__directory-head{dis…

製造業如何用 AI 提升供應鏈與營運韌性？8 個實務建議 發佈留言 / 部落格 / 作者: Profet AI 地緣政治、關稅政策、原物料與能源價格波動，讓製造業很難只靠過往經驗規劃下一步。AI 無法消除外部不確定性，但能協助企業整合製程資料與現場知識，更快辨識異常、評估風險並調整營運決策。以下整理 8 個實務建議，協助製造業從資料、流程、人才與知識傳承著手，逐步提升供應鏈與營運韌性。 台灣製造業為什麼需要把 AI 納入韌性策略 台灣位於全球高科技供應鏈的關鍵位置，也直接面對地緣政治、需求波動與跨國產能配置等挑戰。對製造企業而言，導入 AI 的重點不是預測所有外部事件，而是提高內部資料與決策的可見度，縮短從發現問題到採取行動的時間。 面對多種挑戰，台灣製造業早已開始借助 AI 技術來應對全球詭譎多變的情勢。深耕製造業 AI 應用市場的 Profet AI，藉由從 2022 年起舉辦、超過 15 場，由產、學界專家共同參與的 Crossover Talks 系列論壇，歸納出企業如何在景氣循環下應用 AI 、邁向數位轉型的建議。 製造業以 AI 提升營運韌性的 8 個實務建議 整合製造數據與領域知識一般來說，企業中資料科學家團隊通常不具備特定垂直領域的知識，Profet AI 建議，資料團隊須和領域專家合作，將梳理後的數據與領域專家的知識與技術結合，使數據能夠發揮價值，加速經營者進行正確決策。 建立跨部門責任與溝通機制企業推動數位轉型需要管理層的支持，各部門建立良性對話，創造跨部門的合作契機。 先改善資料品質與蒐集流程傳統產業更需要善用數據，分析現有數據，並養成蒐集數據的良好風氣。經營者必須尊重數據的力量，如此才能更正確的投資 AI 工具。 從單一高價值流程開始AI 並不是能翻轉公司營運的萬靈丹，經營者要評估需要優化的首要問題或特定流程。 把老師傅經驗轉成可重用的知識資產傳統製造業多仰賴資深老師傅的經驗，企業可透過 AI 工具傳承、快速複製老師傅的經驗與技術，提升企業營運效率與競爭力。 用資料找出人力與營運風險「缺工」 是許多經營者近年最常碰到的問題之一。企業可以運用 AI 觀察離職員工的特徵與各數據的關聯性，提前關懷員工是否需要協助，降低人員離職率。 培育同時理解製程與 AI 的人才邁向數位轉型時，製造業需要打造企業 AI 文化，培養員工成為 AI 專家。舉例而言，友達光電 （AUO）在過去 5 年內，與台灣人工智慧學校 （AIA）合作，培訓了超過 1,000 名 AI 工程師，如此才能將 AI 深植於企業 DNA。 由管理層建立可持續的 AI 推動機制除了需培養 AI 人才，經營者心態也需要改變。唯有經營者願意將 AI 植入在企業基因內，這個改變才會發生，企業才能逐步邁向數位轉型。 從哪裡開始：製造業 AI 導入的三個步驟 選定一個可量測的流程問題：優先處理…

<iframe src="https://www.googletagmanager.com/ns.html?id=GTM-MS3PDT3W" height="0" width="0" style="display:none;visibility:hidden"></iframe> (function(){var mq=window.matchMedia('(max-width:921.99px)');function apply(isMobile){var b=document.body.classList;if(isMobile){b.add('ast-header-break-point');b.remove('ast-desktop');}else{b.remove('ast-header-break-point');b.add('ast-desktop');}}apply(mq.matches);if(mq.addEventListener){mq.addEventListener('change',function(e){apply(e.matches);});}else if(mq.addListener){mq.addListener(function(e){apply(e.matches);});}})(); 跳至主要內容 .pah{--teal:#2AACA2;--teal-dark:#17615C;--ink:#102322;--muted:#52615F;--line:#DCE5E3;position:relative;z-index:1000;background:#fff;border-bottom:1px solid var(--line);color:var(--ink)} .pah *{box-sizing:border-box}.pah a{color:inherit;text-decoration:none}.pah-inner{display:grid;grid-template-columns:minmax(180px,1fr) auto minmax(180px,1fr);align-items:center;gap:34px;min-height:92px;padding:0 32px}.pah-brand{justify-self:start}.pah-brand img{display:block;width:154px;height:auto}.pah-nav{justify-self:center}.pah-nav ul{display:flex;gap:clamp(20px,2vw,32px);margin:0;padding:0;list-style:none}.pah-nav li{position:…

01AI 營運管理挑戰 成本與使用缺乏透明度各部門、模型與 Agent 缺乏一致治理權限、稽核與安全控管日益複雜

Domain Twin™｜企業 AI 營運平台 Domain Twin™｜製造業 Enterprise AI Agent Operations Platform｜Profet AI .dt-page { --teal: #2aaca2; --teal-deep: #0e736d; --teal-dark: #07524f; --charcoal: #212d39; --ink: #16343a; --heading: #16343a; --body: #39515a; --muted: #657982; --line: #d5dfe1; --wash: #f3f6f5; --tint: #eaf5f4; --blue-gray: #88aabf; --paper: #fff; --max: 1240px; --radius: 2px; } .dt-page, .dt-page * { box-sizing: border-box; } .dt-page { margin: 0; color: var(--ink); background: var(--paper); font-family: "Noto Sans TC", "PingFang TC", "Microsoft JhengHei", sans-serif; font-size: 16px; line-height: 1.75; font-kerning: normal; font-synthesis: none; -webkit-font-smoothing: antialiased; text-rendering: optimizeLegibility; } .dt-page a { color: inherit; } .dt-page button, .dt-page input, .dt-page select, .dt-page textarea { font: inherit; } .dt-page :focus-visible { outline: 3px solid var(--teal); outline-offset: 4px; } .dt-page .container { width: min(calc(100% - 56px), var(--max)); margin-inline: auto; } .dt-page .term { white-space: nowrap; word-break: keep-all; } .dt-page h1, .dt-page h2, .dt-page h3, .dt-page p { margin-top: 0; } .dt-page h1 { text-wrap: balance; word-break: keep-all; } …

資安防線實戰 : Agent身分如何確認，失控如何圍堵 發佈留言 / 部落格 / 作者: emily 以 Taisys、Profet AI與Zentera為例，看 Agentic Zero Trust 如何從硬體身分、平台治理到網路隔離形成完整防線 文／楊建洲 James Yang，Profet AI 執行長特助 前三篇分別談過 AI Agent 面臨的威脅、Zero Trust架構，以及從設計走向企業導入所需要的控制流程。當 Agent真正開始進入企業環境後，下一個問題便是：這些安全要求，要如何轉化成真正可以執行的技術控制？ 隨著 AI Agent 從回答問題逐漸走向存取企業資料、呼叫 MCP與工具、操作後端系統，甚至直接執行具業務影響力的任務，Agent Security 已經從模型安全，延伸成一條涵蓋身分、授權、平台治理、端點與網路的完整控制鏈。 從架構上來看，可以將這條防線分成三個不同層次：第一層確認「誰正在授權這個Agent」；第二層決定「這個 Agent 被允許做什麼」；第三層則限制「即使 Agent失控，實際上能夠碰到哪裡」。 Taisys、Profet AI與Zentera所提供的技術，正好分別對應這三個不同的安全邊界。 Taisys dMID：以 SIM Card 安全晶片建立可信身分 傳統企業 IAM管理的主要對象是「人」。使用者經過帳號、密碼、多因子驗證之後取得身分，再由系統授予相應權限。Agentic AI 改變了這個基本假設。 當 Agent可以代表使用者持續執行工作，企業除了需要確認背後的使用者身分，也必須確認是哪一個 Agent 正在執行，以及某項高風險操作是否真的再次取得人的授權。 Taisys 太思科技長期投入 SIM、eSIM與電信身分認證，其最大的技術特色，在於利用 SIM Card內建的安全晶片與加密機制建立硬體層級的可信身分。 SIM Card 本身具有 Secure Element的特性。重要的身分憑證與加密金鑰可以受到晶片硬體保護，密碼學運算也可以在晶片內完成，而不是將關鍵憑證直接暴露於作業系統、瀏覽器或 Agent Runtime。 這套機制已經在電信與金融應用中累積多年實務經驗，而 dMID所代表的方向，是把這個成熟的硬體信任機制進一步延伸到 AI Agent。 目前許多 Agent 系統的 Human-in-the-Loop，是透過 System Prompt規定「刪除資料、付款或修改重要設定之前必須先取得使用者確認」。但只要這項規則仍存在於 Agent Context 裡，就代表安全控制與 Agent Reasoning仍處於同一個信任邊界 當 Context 被壓縮、指令發生衝突，或者 Agent對任務產生錯誤理解時，原本設計的確認流程就可能失效。 2026 年已有多起值得關注的 Agent 事故，包括…

01 / HOSTAI Studio 工作環境承接任務、Agent、知識與工具配置，形成使用者進行工作的共同介面。查看 Host 說明 ↗

Agentic AI 時代的企業 AI 治理：七個能力領域與 Zero Trust 實務框架 發佈留言 / 部落格 / 作者: steven Agentic AI 治理的七個能力領域與三層成熟度 文／楊建洲 James Yang，Profet AI 執行長特助 當 AI Agent 開始讀取企業資料、使用工具並跨系統執行任務，企業面對的問題就不只是「要不要導入 AI」，而是如何建立可驗證、可控管、可追溯的治理邊界。本文從 Zero Trust 的核心原則出發，整理 Agentic AI 所需的七個能力領域，並以 Foundation、Enterprise、Advanced 三層成熟度說明企業可以如何逐步建立防禦與治理能力。 Zero Trust 這個概念最早可追溯至 1994 年，由 Stephen Paul Marsh 在史特靈大學（University of Stirling）的博士論文中首次系統性提出，2020 年由 NIST 發布 SP 800-207 正式確立具體指引。Anthropic 在《Zero Trust for AI Agents》報告中，把這套框架套用到 Agentic AI 這個全新的攻擊面上，提出一套具體到可執行層級的七個能力領域。 一個原則，三個準則 Zero Trust 的核心邏輯，用一句話概括就是：不信任任何人事物，驗證所有存取，並假設突破已經發生。展開來看是三個準則： 永不信任、必須驗證：任何存取請求都要經過驗證與授權，不因來源在企業內網就給予差別待遇。 假設已被突破：系統設計時就假定入侵終將發生，重點不在防止入侵，而在限制入侵後攻擊者能造成的傷害。 最小權限：只授予完成任務所需的最小存取範圍，把任何一次突破的損害控制在很小的範圍內。 比原則本身更值得留意的，是一個判斷測試：這個控制讓攻擊變得不可能，還是只是讓攻擊變得麻煩？額外的跳板、速率限制、非標準連接埠，這類仰賴「增加麻煩」的防禦手段，面對單次嘗試成本趨近於零的自動化攻擊者時，防禦力會大幅衰退。真正撐得住的控制，共享一個特徵：硬體綁定的憑證、會過期的權杖、加密身分、以及根本不存在的網路路徑。這個判斷準則會貫穿接下來要介紹的七個能力領域。 三層成熟度，是一條成長路徑，不是三個選項 Anthropic 將每個能力領域都拆成三層：Foundation、Enterprise、Advanced，Enterprise 建立在 Foundation 之上，Advanced 再建立在 Enterprise 之上，逐層強化既有控制，而不是推翻重來。Foundation 是進入 Zero Trust 的起點；Enterprise 是多數有一定規模組織應該瞄準的目標層級；Advanced 則是為高度監管產業、國安應用、或高損害後果的部署而設計。 值得留意的是，由於前一篇提到的攻擊速度壓縮，F…

Fragmented information Emails, service tickets, alarms, logs, manuals, SOPs and prior cases are spread across systems, product lines and individual owners.

情報が分散している メール、サービスチケット、アラーム、ログ、技術資料、SOP、過去案件が、複数のシステムや製品ライン、担当者に分かれています。

PMC Twin .elementor-widget-form .elementor-field-group > label, .elementor-widget-form .elementor-field-subgroup label{color:var( --e-global-color-text );}.elementor-widget-form .elementor-field-group > label{font-family:var( --e-global-typography-text-font-family ), Sans-serif;font-weight:var( --e-global-typography-text-font-weight );}.elementor-widget-form .elementor-field-type-html{color:var( --e-global-color-text );font-family:var( --e-global-typography-text-font-family ), Sans-serif;font-weight:var( --e-global-typography-text-font-weight );}.elementor-widget-form .elementor-field-group .elementor-field{color:var( --e-global-color-text );}.elementor-widget-form .elementor-field-group .elementor-field, .elementor-widget-form .elementor-field-subgroup label{font-family:var( --e-global-typography-text-font-family ), Sans-serif;font-weight:var( --e-global-typography-text-font-weight );}.elementor-widget-form .elementor-button{font-family:var( --e-global-typography-accent-font-family ), Sans-serif;font-size:var( --e-global-typography-accent-font-size );font-weight:var( --e-global-typography-accent-font-weight );}.elementor-widget-form .e-form__buttons__wrapper__button-next{backgroun…

資訊分散 Email、服務單、Alarm、Log、技術手冊、SOP 與歷史案例散落在不同系統、產品線與人員手中。

從紙上框架到現場：AI Agent 導入必經的八個步驟 發佈留言 / 部落格 / 作者: steven 以 FAE Twin 為例，拆解企業如何把 Zero Trust 真正導入 Agent 的日常運作。 文／楊建洲 James Yang，Profet AI 執行長特助 前兩篇談完了 AI Agent 面對的威脅，也談過 Zero Trust 架構應該如何分層設計。但從架構設計走到企業真正使用，中間還有一個很容易被忽略的落差：框架可以告訴我們「應該有哪些控制」，卻不代表這些控制已經被放進日常流程。 真正導入 AI Agent 時，企業面對的問題往往不是「有沒有資安機制」，而是這些機制在什麼時候發生、由誰決定、權限如何被限制，以及異常出現後，能多快被發現並停止。 因此，從設計走到正式運作，我通常會把 AI Agent 的導入拆成八個步驟。以下用一個虛構的 FAE Twin 情境，說明這八個步驟如何在企業內部真正串起來。 FAE Twin 是什麼？ 可以把它理解成一個將 FAE 的產品知識、歷史案例與問題處理流程數位化，並能透過 AI Agent 協助技術分析、知識查詢與跨部門協作的數位工程夥伴。 假設一家科技製造企業準備導入 FAE Twin，協助全球 FAE 處理客戶技術問題。它可以讀取客戶 Issue、產品規格、過去的 FA 報告、測試 Log、Known Issue 與內部技術文件，協助工程師整理問題、分析可能原因、提出 Troubleshooting 建議；必要時，也能協助建立 Engineering Escalation，並產生客戶回覆草稿。 這已經不是傳統的企業知識問答系統。當 AI 開始接觸跨系統資料、呼叫工具，甚至參與企業工作流程，它所面對的資安問題也開始完全不同。 步驟一｜先把 Agent 可以做什麼說清楚 核心問題：不是先問 Agent 能做多少，而是先定義它必須在哪裡停下來。 專案啟動時，最先需要坐下來討論的，不是「模型要選哪一個」，而是實際會使用、管理與承擔結果的人，包括 FAE、產品研發、資安與 IT 團隊。 對 FAE 而言，需求很直接。工程師每天花大量時間搜尋歷史案例、確認產品版本、比對 Known Issue、閱讀 Log，再判斷問題是否需要升級給研發。如果 FAE Twin 能先完成資料整理與初步分析，就能大幅縮短問題處理時間。 但研發團隊關心的是另一件事：AI可以協助分析，但不能自行把某個現象認定為產品 Defect；可以建立 Engineering Escalation 草稿，但不能自行修改 Bug Priority、Release Status，更不能把尚未公開的產品 Roadmap 帶進客戶回覆。 資安團隊則會再往下一層問：它究竟可以讀哪些客戶資料？能不能搜尋其他客戶的歷史案例？可以寫入哪些內部系統？哪些動作一定需要人…

審查前：備妥 Review 資料 先整理產品條件、試產狀態、來源版本與待確認項目，讓會議時間回到工程判斷與風險取捨。

SEMICON Taiwan 2026 /* Full-bleed landing page and refined contact panel */ .page-id-14994 #top { width:100vw!important; max-width:none!important; margin-left:calc(50% - 50vw)!important; margin-right:calc(50% - 50vw)!important; } .page-id-14994 #content > .ast-container, .page-id-14994 #primary, .page-id-14994 #main, .page-id-14994 .entry-content { width:100%!important; max-width:none!important; margin:0!important; padding-left:0!important; padding-right:0!important; } .page-id-14994 .container { width:min(calc(100% - 64px), 1440px); } .page-id-14994 .hero { width:100%; } .page-id-14994 .final-cta { background:linear-gradient(135deg,#eef9f7 0%,#f7f7fc 100%); padding:128px 0 136px; } .page-id-14994 .final-contact { grid-template-columns:minmax(0,1.12fr) minmax(360px,.88fr); gap:32px; align-items:stretch; } .page-id-14994 .contact-panel, .page-id-14994 .booth-panel { border-radius:24px; padding:40px; box-shadow:0 18px 48px rgba(17,30,49,.10); } .page-id-14994 .contact-panel { background:#fff; } .page-id-14994 .booth-panel { background:linear-gradient(145deg,#10213a,#1a3153); } .page-id-14994 .contact-panel .dt-cf7-grid > p:first-child { display:grid; grid-template-columns:repeat(2,mi…

<iframe src="https://www.googletagmanager.com/ns.html?id=GTM-MS3PDT3W" height="0" width="0" style="display:none;visibility:hidden"></iframe> (function(){var mq=window.matchMedia('(max-width:921.99px)');function apply(isMobile){var b=document.body.classList;if(isMobile){b.add('ast-header-break-point');b.remove('ast-desktop');}else{b.remove('ast-header-break-point');b.add('ast-desktop');}}apply(mq.matches);if(mq.addEventListener){mq.addEventListener('change',function(e){apply(e.matches);});}else if(mq.addListener){mq.addListener(function(e){apply(e.matches);});}})(); 跳至主要內容 .pah{--teal:#2AACA2;--teal-dark:#17615C;--ink:#102322;--muted:#52615F;--line:#DCE5E3;position:relative;z-index:1000;background:#fff;border-bottom:1px solid var(--line);color:var(--ink)} .pah *{box-sizing:border-box}.pah a{color:inherit;text-decoration:none}.pah-inner{display:grid;grid-template-columns:minmax(180px,1fr) auto minmax(180px,1fr);align-items:center;gap:34px;min-height:92px;padding:0 32px}.pah-brand{justify-self:start}.pah-brand img{display:block;width:154px;height:auto}.pah-nav{justify-self:center}.pah-nav ul{display:flex;gap:clamp(20px,2vw,32px);margin:0;padding:0;list-style:none}.pah-nav li{position:…

01數據品質健檢確認資料格式、欄位完整性、資料期間與異常，讓 MES、設備與品質資料能被可靠使用。

<iframe src="https://www.googletagmanager.com/ns.html?id=GTM-MS3PDT3W" height="0" width="0" style="display:none;visibility:hidden"></iframe> (function(){var mq=window.matchMedia('(max-width:921.99px)');function apply(isMobile){var b=document.body.classList;if(isMobile){b.add('ast-header-break-point');b.remove('ast-desktop');}else{b.remove('ast-header-break-point');b.add('ast-desktop');}}apply(mq.matches);if(mq.addEventListener){mq.addEventListener('change',function(e){apply(e.matches);});}else if(mq.addListener){mq.addListener(function(e){apply(e.matches);});}})(); 跳至主要內容 .pah{--teal:#2AACA2;--teal-dark:#17615C;--ink:#102322;--muted:#52615F;--line:#DCE5E3;position:relative;z-index:1000;background:#fff;border-bottom:1px solid var(--line);color:var(--ink)} .pah *{box-sizing:border-box}.pah a{color:inherit;text-decoration:none}.pah-inner{display:grid;grid-template-columns:minmax(180px,1fr) auto minmax(180px,1fr);align-items:center;gap:34px;min-height:92px;padding:0 32px}.pah-brand{justify-self:start}.pah-brand img{display:block;width:154px;height:auto}.pah-nav{justify-self:center}.pah-nav ul{display:flex;gap:clamp(20px,2vw,32px);margin:0;padding:0;list-style:none}.pah-nav li{position:…

Profet AI助力業成 GIS 推動製造 AI 落地 發佈留言 / 成功案例, 新聞中心, 首頁 / 作者: amilia 面對高階消費電子供應鏈競爭加劇、全球供應鏈分散與營運韌性需求提升，專注於製造業 AI 軟體的杰倫智能科技（Profet AI）與業成集團（GIS）持續深化合作，協助業成將 AI 應用從製造現場的良率、品質與效率改善，進一步推進至跨製程經驗萃取、模型化與組織能力建構。 雙方合作約兩年來，已完成逾 100 項 AI 專案，並建立超過 1,500 個 AI 模型，涵蓋製程改善、品質分析與異常預測等多項製造場景。透過 Profet AI 的平台與導入方法，業成不僅將 AI 應用於單一產線問題解決，更逐步把 AI 轉化為工程團隊持續改善與決策的工作方法。 從客戶需求到供應鏈競爭，AI 成為製造業升級關鍵 業成集團董事長暨策略長周賢穎表示，業成啟動 AI 導入，除了看見 AI 技術快速發展，也與客戶對品質、交期與反應速度的要求密切相關。隨著高階消費電子供應鏈競爭加劇，企業必須持續提升營運能力，才能在供應鏈分散與韌性要求提高的環境下維持競爭力。 周賢穎指出：「AI 導入不只是追隨技術趨勢，更重要的是能不能真正進入公司的營運，協助我們在品質、交期與反應速度上持續改善，進一步提升對客戶與供應鏈的服務能力。」 他也觀察，近年區域供應鏈快速崛起，使各國與企業更加重視供應鏈安全與韌性。對製造企業而言，關鍵不只是如何布局不同地區，更在於如何透過 AI 提升品質、速度與整體競爭力。 逾百項 AI 專案落地，重新打開製程改善空間 在實際成果上，業成透過 AI 重新檢視過去被視為已接近極限的製程數據，找到更多可改善空間。 以其中一條光學顯示薄膜產線為例，過去微粒異物污染相關不良率曾接近 10%，經由 Profet AI 協助建立模型、分析關鍵因子並進行製程調整後，該項不良已改善至接近歸零。另一項塗膠製程中的氣泡問題，過往不良率約 0.3% 至 0.4%，經 AI 分析與改善後降至約 0.2%，降低約一半。 這些成果的意義不只在於單一數字改善，更在於讓工程團隊重新意識到，許多看似穩定、已經達標的製程，仍可透過 AI 與數據分析找到新的優化空間。 從 SOP 到跨製程關聯，讓資深工程師經驗成為可複製能力 過去製造現場的改善，多仰賴資深工程師長期累積的經驗，再轉化為標準作業流程。然而，傳統 SOP 多數仍停留在單一站點或單一製程，當問題牽涉跨製程關聯時，仍高度依賴資深工程師的判斷。 透過與 Profet AI 的合作，業成將各站點累積的製程數據與 know-how 進一步轉化為模型，協助工程團隊找出跨製程之間的關聯，讓製程改善逐步從仰賴個人經驗，走向可透過系統持續累積、複製與傳承的能力。 周賢穎表示：「過去很多改善要靠好的工程師、資深工程師，因為他們才有跨製程的 kno…