Wisely Chen

艾立運能數據長

🎥 觀看回放影片。

生成式 AI 打造物流運輸業數位轉型新格局

怎麼說服第一線人員接受AI新工具

艾立運能
科技賦能的物流運輸服務提供商

運輸核心
軟硬整合
數據應用

你想像中的現代化智慧物流

這是物流界心中美好的場景

自動化設備
檢貨機械手臂
無人運輸

實際上台灣的物流現況

桃園物流超級重鎮

傳統倉儲: 混亂的箱子
紙本作業: 單據簽收
高度勞力密集
儲貨 & 辦公空間狹小範例：直接在貨櫃中辦公

物流還是相當需要人力，而且不一定是正職，還有許多人力派遣包含在內。

痛點

人：人才招募困難
事：物流流程斷點
物：大量紙本作業
紙本還是一個很棒的傳遞工具ww

解決方法

原始解法: excel
新解法: 以生成式 AI 為核心，創建通用式的物流 AI Agent

不管是倉庫貨運都有紙本，利用 OCR 將圖片資訊編成文字
再用 openai api 做成結構化資訊，再做數位處理

非結構化資訊（出貨相關單據），轉譯成結構化資訊

以前的 Doc AI 作法

一開始大家會期待是個大模型，可以直接從紙本文件提取相關資訊
紙本 Format 格式太多，只能先丟到圖片分類器進行分類
分為十大類場景，再用不同的模型來收集、萃取文字資訊

Open AI Vision + OCR（老問題，新解法）

Pros	Cons
Prompt Engineering 相對 DocAI 簡單	LLM 好慢
Generic Model 夠好了	幻覺
判斷關鍵資訊正確率高
OCR/GPT 很容易根據需求換成更好的 component

AI Agent 如何解決人、事、物的問題？

貨主
透過 ERP 系統，傳送配送訂單

物流公司
接單 -> 揀貨 -> 車輛調度 -> 簽收 -> 結帳

貨主
收到實體回單，對帳後結清，倉儲與運輸費用

一張紙可以在各個流程環節中扮演各種角色以及共同的資訊載具
物流界最行之有年、最有效率的一個場景

事：對客戶來說是以「最方便」、「最簡單」的形式下單

AI數位化流程

傳統回單，用來請款很關鍵，不過卻仰賴人工經驗及重複性作業

AI 數位回單、整合軟硬體

step 1：高速掃描、裁切 (升級機器)
step 2：辨識自動化 OCR+LLM+RPA (Robotic process automation)
step 3：數位調單系統串接

台灣紙本資料進行數位建檔的問題，有辦法用此系統解決

知識的傳承效率變很高，人力訓練只需要兩天。

工具不難，人才是做困難的

物流業不是求職的首選

組建數據團隊：幾乎都是工讀生
熟悉行業知識 -> 學習工具使用 -> 實現AI與人協作
六個月內被團隊實現
財務都開始學BigQuery

如何導入 AI 協作思維？

生成式 AI 將口語傳播的抽象知識
變成可重複使用的資產

現場參與，學習知識
把收到的領域知識，利用生成式 AI ，轉換成大量的 google sheet 公式/文件
AI+RAG 讓物流知識被分享傳

不是為了要做生成式 AI 才做生成式 AI
利用 AI 做跨界團隊，讓領域傳承方便

人：AI 促成物流知識的傳承分享
事：AI 協助整合流程上的斷點
物：AI 加速人工作業的速度

想盡方法讓運輸變得更簡單！

FAQ

Q1. 紙本圖像辨識上，人工簽名的部分辨識上怎麼確保草寫字體的正確性
A:
英文手寫和中文手寫
不同OCR 都蠻準的
簽名的手寫OCR對岸都做得很多，還在評估中
OCR跟GPT可以隨時抽換

Q2. 圖像辨識，最後一定還是偶而會有錯誤的情形。這邊Doc AI有再繼續做做重新訓練model這類的處理嗎？

A: 只 train prompt，不 train 模型

Q3. 在物流業用 ChatGPT 或是第三方的 LLM API，會有機密資訊外流的風險考量嗎？解決這個問題的方法可能有什麼？
A: 沒有, 不擔心.
資安考量有傾向於不用對岸的模型

Q4. line訊息格式雜亂，與規格化的表單不同，請問如何透過OCR辨識並能置入正確的欄位？
A: OCR + GPT4 比較不吃格式，當初測試只用一個 prompt 就搞定了
0 o 1 i 等OCR常見的錯誤，請 GPT4 快速處理掉

Q5. 請問AI讀單功能有失敗的案例過嗎?讀不出來多一個零少一個零?

最後還是有人做最後一層的把關。
辨識的正確率大概 95% 以上，但只限於我們自家的場景以內。

Q6. 文字萃取（影像辨識）和結構化資訊的轉換（AI 語意辨識），這兩個在 RPA 流程中的步驟要達到 100 % 的正確率應當仍是很有挑戰性的，針對這兩個步驟當中被錯誤判斷的案例中，不知有沒有機會再聽你做更深入的分享？（譬如透過溝通讓人去處理或是專注在讓特定模型表現得更好等）

A: 主要透過 Alert + 人工把關來控管，而非回頭讓她更準

聊天區

我覺得這個可能會硬

+1
+1
期待
結果硬度好像還好(?)
後面應該還有硬的！
蠻期待志祺的主題

共筆的大家加油！

真。行動辦公室

*流動

好久沒聽到 access

關於Doc AI的改變，想到近期看到的一部影片，關於分治法和端對端AI的轉變，傳統上，工程師習慣採用分治法解決問題，但這很燒人(例如早期決策樹)，而使用端對端AI，燒的是GPU(Ref)

從一個比較大的思維看待AI發展(內容哪些正確哪些錯誤，就自行判斷了，重要的是思考方式)

還是要過人確認

責任要給客戶自己負責ＸＤ

投影片好精美

玉山還有五個人，艾立沒有人ＱＱ
用工讀生？？？
要 costdown 阿, 新成立的部門預算不夠
外包南亞海外？

雖然說這樣的流程好像看起來可複製，但好像就是很吃公司文化
可以複製，但是要先有人寫出那些工具

要來開公司了嗎

不然物流業其實都還是比較勞力密集，沒辦法讓第一線員工去做這種複雜的技術

不過蠻多物流公司都蠻山區海邊的，應該很適合有很大空間蓋機房

工讀生應該都轉正了吧？
一個 senior swe 可以請超過4個工讀生啊
不追求完美表現，利用卡點去做檢核驗證。