解決方案
解決方案
-
MVC三層架構
以最新的開發架構MVC來開發產品,好處在於可以簡化複雜度,將複雜的問題拆解成數個簡單的單元進行建,也能提升可維護性,鯨動智能科技採用的MVC的特色則是必要的資料可以儲存、備份在使用者端。
MVC(Model-View-Controller)是軟體工程中的一種軟體架構模式,把軟體系統分為三個基本部分:模型(Model)、檢視(View)和控制器(Controller)。
- Model(模型):負責資料來源、封裝和商業邏輯相關資料,以及處理資料方法。
- Controller(控制器)- 應用程式流程、回應資料模型變化,以及使用者操作事件。
- View(檢視) - 使用者介面設計。
好處之一在於可以簡化複雜度,將複雜的問題拆解成數個簡單的單元進行建置,也能提升可維護性,例如:當我進行單元測試時,顯示出來的欄位資料跟預期的不一樣,那可能就是Model邏輯有問題、畫面顯示不出來可能Controller沒有對應到或是對應的接口有問題、畫面樣式跑掉則專注在View的調整上。
鯨動智能科技採用的MVC的特色則是必要的資料可以儲存、備份在使用者端。
-
人臉指紋生物辨識
-
登入及資料安全防護
在傳統惡意威脅無孔不入,新型資安風險無計可除的情勢下,當前企業面臨的資訊安全危機可謂空前,然而駭客無論用何種手段、透過何種管道、入侵何種系統,最終的目的還是在於竊取有利可圖的資料,無論客戶個資、智慧財產或商業機密,因此守護資料安全可說是直指核心的防禦關鍵。
Biometric Encryption生物辨識結合密碼技術
使用點對點訊息傳遞加解密技術,將生物辨識與密碼技術(PKI)整合為一,解決使用者目前因為帳密的輸入最容易被攻擊的環結,所有的「放行」只用生物特徵,讓每個使用者用指紋作保護,用指紋就能對信件、個人檔案、雲端硬碟、加密貨幣進行加解密,作為金鑰啟動的開關,即達到人証合一。另,支援雙向金鑰備份機制,將生物特徵、金鑰等資料備份在實體智慧卡,用戶可將智慧卡鎖在保險箱中保存,假設用戶遺失了金鑰,只須重新購入,就能利用智慧卡還原所有備份資料,數位資產並不會因此而不見。
-
動態無密碼安全簽章
-
卷積神經網絡
卷積神經網絡(Convolutional Neural Network)簡稱CNN,CNN是所有深度學習,CNN在影樣辨識的模型也都是以CNN的架構。
積神經網路由一個或多個卷積層和頂端的全連通層(對應經典的神經網路)組成,同時也包括關聯權重和池化層(pooling layer)。這一結構使得卷積神經網路能夠利用輸入資料的二維結構。與其他深度學習結構相比,卷積神經網路在圖像和語音辨識方面能夠給出更好的結果
-
機器學習
機器學習是人工智慧的一個分支。人工智慧的研究歷史有著一條從以「推理」為重點,到以「知識」為重點,再到以「學習」為重點的自然、清晰的脈絡。顯然,機器學習是實現人工智慧的一個途徑,即以機器學習為手段解決人工智慧中的問題。機器學習在近30多年已發展為一門多領域交叉學科,涉及概率論、統計學、逼近論、凸分析、計算複雜性理論等多門學科。機器學習理論主要是設計和分析一些讓電腦可以自動「學習」的演算法。機器學習演算法是一類從資料中自動分析獲得規律,並利用規律對未知資料進行預測的演算法。因為學習演算法中涉及了大量的統計學理論,機器學習與推斷統計學聯絡尤為密切,也被稱為統計學習理論。演算法設計方面,機器學習理論關注可以實現的,行之有效的學習演算法。很多推論問題屬於無程式可循難度,所以部分的機器學習研究是開發容易處理的近似演算法。
機器學習已廣泛應用於資料探勘、電腦視覺、自然語言處理、生物特徵辨識、搜尋引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫辨識、戰略遊戲和機器人等領域。
機器學習可以分成下面幾種類別:
- Supervised Learning監督式學習
在訓練的過程中提供物件(向量)和預期輸出,可以是「有標籤」的分類資料或是一個連續的值(迴歸分析),例如輸入了大量已標示清楚標籤的腳踏車和機車給機器後,讓機器分辨尚無標簽的照片是機車還是腳踏車。類似於動物和人類的認知感知中的「概念學習」(concept learning)。 - Semi-supervised Learning半監督式學習
介於監督學習與非監督學習之間。這樣的學習方式會先將「有標籤」的資料和「無標籤」的資料切出一條分界線,再將「無標籤」資料依據整體分布,調整出兩大類別的新分界。不需要百分之百大量的「有標籤」資料,讓半監督學習同時能降低成本又具有非監督式學習高自動化的優點。 - Unsupervised Learning非監督式學習
這樣的機器學習方式不需要人力事前的輸入標籤,僅僅提供了輸入範例,便直接以沒有標準答案的資料來訓練機器,在學習時機器會自動找出潛在類別的規則,並且反覆以經過測試後的學習結果應用到新的案例上。 - Reinforcement Learning增強學習
源自於心理中行為主義理論的學習方法,即如何在環境給予的獎懲刺激下,一步步形成對於這些刺激的預期,來產生能夠獲得最大利益的習慣性行為,強調的是透過環境而行動,並會隨時根據輸入的資料逐步修正。這個方法具有普適性,因此在其他許多領域,如博弈論、統計學及遺傳算法等都有研究。
-
區塊鏈Blockchain
區塊鏈並非單一創新技術,而是將許多跨領域技術湊在一起,包括密碼學、數學、演算法與經濟模型,並結合點對點網路關係,利用數學基礎就能建立信任效果,成為一個不需基於彼此信任基礎、也不需仰賴單一中心化機構就能夠運作的分散式系統,而比特幣便是第一個採用區塊鏈技術而打造出的一套P2P電子現金系統,用來實現一個可去中心化,並確保交易安全性、可追蹤性的數位貨幣體系。
區塊鏈(Blockchain)顧名思義就像是由無數個區塊(Block)所組成,以比特幣的區塊鏈來說,目前已經產生超過40萬個區塊,這整個區塊鏈就像是一個共享的分散式總帳,由多個參與比特幣交易的運算節點來共同維護,每個節點也各自擁有一份完整的帳本備份(完整個區塊鏈資料),而其中的每個區塊,就像是帳本中的其中一頁,記錄好幾筆不同的交易資訊,這些紀錄都無法經由其中一個節點來竄改。
-
電腦視覺 OCR
影像視覺處理是指對圖像進行分析、加工、和處理,使其滿足視覺、心理或其他要求的技術。影像處理是訊號處理在圖像領域上的一個應用。目前大多數的圖像均是以數位形式儲存,因而影像處理很多情況下指數位影像處理。此外,基於光學理論的處理方法依然占有重要的地位。
鯨動智能科技對於影像辨識的解決方案,專注於各種影像辨識應用,包括文字辨識、臉部辨識。由於採用獨家人工智慧神經網路技術,能將複雜的神經網路加以高度整合能力,能協助客戶快速部署。
文字辨識只是要將影像作一個轉換,使得影響內的圖形繼續保存, 有表格則表格內的資料及影像中的文字轉換成計算文字,以便減少影像資料的儲存量,識別出的文字可再使用及分析,節省因鍵盤輸入的人力與時間。從工作流程分析,OCR識別系統須經過影像輸入、影像預處理、版面分析、行字切分、特徵提取、比對識別、字詞校正、Taxt Feature Analysis 文本特徵處理,到最終結果輸出幾個過程發,如圖所示。
Face Recognition臉部辨識
人臉辨識由於是以攝影機為媒介,屬於非接觸型的技術,與指紋或虹膜等識別方式相較,不需近距離直接接觸,所以能做到行進間辨識、同時辨識多人、區域監控識別等延伸應用。
-
自然語言處理 NLP
自然語言處理是一種分析人類語言的人工智慧。它採用多種形式,但其核心技術有助於機器理解,甚至與人類語言交流。但理解NLP並不是最簡單的事情。這是一種非常先進的AI形式,它最近才變得可行。這意味著我們不僅仍然在學習NLP,而且還很難掌握。
NLP的第一步取決於系統的應用。這是通過一系列編碼語法規則實現的,這些規則依賴於包含統計機器學習的算法,以幫助確定您所說的內容。
HMM 使用數學模型來確定您所說的內容並將其轉換為 NLP 系統可用的文本。以最簡單的方式,HMM 聽您的語音的 10 到 20 毫秒的剪輯,並尋找音素(最小的語音單位)與預先錄製的語音進行比較。接下來是對語言和語境的實際理解。每個 NLP 系統使用略有不同的技術,但總的來說,它們非常相似。系統試圖將每個單詞分解為其詞性(名詞,動詞等)。
這是通過一系列編碼語法規則實現的,這些規則依賴於包含統計機器學習的算法,以幫助確定您所說的內容。
如果我們不是在談論語音到文本的 NLP,那麼系統只是跳過第一步,直接使用算法和語法規則分析單詞。最終結果是能夠以多種不同方式對所述內容進行分類。根據NLP軟件的基本焦點,結果以不同的方式使用。例如,SEO 應用程序可以使用解碼的文本來提取與特定產品相關聯的關鍵字。
Semantic Analysis語意分析
語意關係結構樹-分析範例
語意分析技術係指將一長串的文字或內容,從其中分析出該個段落的摘要以及大意,甚至更進一步,將整篇文章的文意整理出來。此項技術可以應用在解讀影片、音訊等檔案,使得搜尋引擎能夠搜尋到文字以外的物件,方便使用者省去大量時間觀看影片、聆聽音訊,同時也可以幫助使用者提前了解影片與音訊的內容。
自然語言處理與語意分析在客戶服務端的應用。
-
邊緣運算 MEC
-
機器人流程自動化(RPA)
-
企業戰情大數據
-
APP行動應用
-
電子商務購物車
-
無紙化電子簽核
-
物聯網IOT
-
RWD響應式畫面
-
對話式商務
-
電子支付金流串接
-
Open Data政府平台串接