P3 加分項目

道路服務 AI 功能規劃

在完整的核心系統（P1）與進階管理功能（P2）之上，導入 AI 能力以降低客服負擔、提升派遣精準度，並建立智慧資料基礎。此階段不影響 P1/P2 交付時程，可視預算與戰略獨立規劃。

本頁功能在規格書中標記為「加分項目」，xlsx 欄位盤點中無對應 N 碼，屬全新功能開發。
通話輔助 AI Copilot 模組
語音即時轉文字
客服通話過程中同步轉文字，自動記錄溝通內容，省去手動打字留存的步驟。
中文語音辨識 即時串流 噪音過濾
Copilot 建議處置
依通話內容即時識別車主問題、自動建議服務類型與處置方式，並自動帶入關鍵欄位，減少客服誤操作。
情境理解 欄位自動填入 建議可手動覆蓋
通話摘要自動生成
通話結束後自動產生結構化摘要（車主需求、服務類型、特殊備注），一鍵附加至案件備注欄。
LLM 摘要 可編輯後確認
知識庫查詢問答
客服人員可自然語言查詢服務規則、計費方式、郊區判斷標準，AI 即時回答並引用條文依據。
RAG 架構 引用條文來源 知識庫維護介面
案件 AI 助理 智能監控模組
AI 案件異常偵測
自動監控逾時未派、技師遲到、改派異常等情況，主動推播警示給督導，無需人工盯盤。
逾時預警 改派頻率異常 SLA 違規預警
技術解法自動建議
依車型、故障類型、歷史案件資料，推薦最可能的處置方式與所需工具，協助技師提升首修率。
歷史案件學習 車型知識圖譜
客服品質改善建議
分析客服通話模式與案件處理效率，自動生成個人 / 組別改善建議報告，供主管做績效輔導。
個人 KPI 分析 組別比較 週期報告
智慧資料層（Data Center 基礎） P3 · 資料建設
AI 主導資料彙整
案件資料、服務記錄、GPS 軌跡、技師績效自動彙整，建立統一的資料管道供分析使用。
案件 / 服務 / GPS ETL 管道
資料治理
建立資料字典、資料品質監控機制、資料訓練集管理，確保 AI 模型有可靠的輸入來源。
資料字典 品質監控 資料訓練集
預測分析模型
動態 ETA 預測（依即時路況）、服務需求預測（依時段/天氣）、SLA 違規早期預警模型。
動態 ETA 需求預測 SLA 早期預警
P3 功能前置條件
P1 核心系統完整上線
案件資料、派遣記錄、技師GPS等核心資料流需穩定產出，AI 才有可靠訓練資料
必要條件
語音辨識 API 選型
Azure AI Speech / Google Cloud STT / 本地部署，需評估中文道路救援詞彙的辨識準確率
需事先評估
LLM 服務選型
Azure OpenAI / Claude API / 本地 LLM，需考量資料隱私、延遲需求、費用
需事先評估
P2 BI 儀表板
AI 改善建議報告需整合至 BI 看板呈現，建議 P2 BI 先完成
建議先完成
知識庫內容建置
服務規則文件、計費手冊、FAQ 需先整理為結構化知識庫，才能啟用 RAG 問答
客戶需提供
資料積累週期
預測模型需至少 3–6 個月歷史資料才能達到可用精準度，建議 P1 上線同時開始收集
時間因素
規劃說明
P3 功能對 P1/P2 無阻塞影響，可在核心系統穩定後獨立啟動，不影響基本報價交付。
語音辨識與 LLM API 費用為持續性費用（按用量計費），應在報價中以「年費/月費型」分開列計，避免與一次性開發費用混淆。
Copilot 建議與自動填入功能需要客製化 Fine-tuning 或 Prompt Engineering，建議預留 1–2 個月的調校期才能達到可用品質。
Data Center 建設可分段進行：先建立資料管道（資料彙整），再建立分析模型，最後接入 AI 服務，降低一次性投入風險。