重塑與決策智能化。國泰人壽以保險核心流程為起點，導入企業級 AI 工具，並透過四大落地戰略，推動 AI 從單點應用發展為可規模化、可持續營運的企業級能力：包含聚焦高價值且可快速驗證的「應用場景（Application）」、打造可擴展的「技術架構（Architecture）」、完善跨域協作的「人才布局（Talents）」，以及建立安全合規、可稽核的「治理機制（Governance）」。本場演講將分享大型金融機構導入 AI 的實務經驗、挑戰與解方，並探討如何在效率、體驗、風險與信任之間取得平衡。

模型能力年年翻倍，而企業對 Agent 的信任不會跟著翻倍成長，「讓 Agent 更強」和「讓 Agent 可控」正在發展出兩種截然不同的工程技術。當 Agent 開始產生企業生產力，決策者採用大規模 Agent 的最大挑戰將是「信任」，而信任也是 AI 最貴的功能之一。這場演講從微軟最新的技術趨勢出發，分享微軟如何為企業的 Agent 劃定行動邊界、設計檢查點、審查輸出結果，讓 AI 跑得快的同時，人類不會失去方向盤。適合每一位正在評估 Agent 落地的技術主管與決策者。

Interposer (中介層) 雖低調，卻決定 AI 晶片世代的協同戰力。企業 AI 也走到結構相似的時刻：模型百花齊放，真正挑戰不在「哪個最強」，而是穩定串接、彈性切換、成本控制與風險治理。當 GenAI 從 PoC 邁向 Production，模型選擇、穩定性與治理邊界皆成痛點。本場分享勤英科技與夥伴打造的 MixRoute 如何成為企業 AI 的 Interposer：以可治理封裝邊界串接 200+ 模型，依任務、成本、效能與風險進行 Multi-Model Routing，並建立財務風險邊界。

分享玉山銀行這十年來的 AI 發展歷程，從資料基礎建設、模型打造，到真正將 AI 導入各項業務場景，產生業務價值，並逐步形成清楚的 AI 應用藍圖與實施路徑，讓 AI 成為企業數位轉型的重要加速器。

本次演講將說明 AI 如何在零售金融中更懂客戶，在企業金融中協助徵授信；如何在防詐與風控上跑得比詐騙更快一步，以及我們如何將 AI 的能力賦能給員工。

大家將可透過淺顯易懂的方式，了解 AI 應用導入時可佈局的關鍵面向與金融實際 use cases.

以 IBM watsonx Orchestrate 為核心，從 ASK 系列應用切入，說明企業如何讓 AI 從「能問」進化到「能做」。透過 IBM Bob 的角色，展示 AI 快速應用的新模式，如何串接系統、編排流程並驅動 AI Agent 實際執行任務，突破 無法落地的瓶頸。議程將分享關鍵導入策略與應用場景，協助企業加速 AI Agent 的落地與普及，打造真正可擴展的智慧營運能力。

隨著 AI 的發展與企業快速邁向數位轉型，雲端架構的複雜性與資料量的爆炸性成長成為不可忽視的挑戰。NetApp 結合 AI 技術，打造出智慧化的資料管理解決方案，從資料存取、分類到預測性分析，全面提升數據環境中的效能與效率。

透過 AI 驅動的管理工具，NetApp 能即時監控資料流動，透過智能化的資料安全防護技術，精準檢測異常行為並提供自動化備援與恢復，確保資料安全性與高可用性，運用在 AI 與非 AI 應用皆有保障。

本次主題會以企業級 RAG AI 為例，為上述 NetApp 透過長久耕耘的技術與經驗，配合有含 AI 驅動的功能來分享我們是如何協助企業搭建安全穩固及智慧高效的企業級 AI 數據中心。

當病歷資料要透過 LINE Bot 送到民眾手中，開發者該如何同時兼顧國際標準、隱私合規與開發效率？本次演講將分享「火線超人（FHIRLineBot）」榮獲衛福部第一屆臺灣 50 優良 SMART 應用程式的實戰經驗，聚焦於如何運用 Claude Code 等 AI 輔助開發工具，快速打造符合 SMART on FHIR 授權框架的 LINE Bot 架構。

議程將拆解三個核心主題：（一）以 AI Coding 加速 SMART on FHIR OAuth 2.0 授權流程與 FHIR R4 資源整合的實作心法；（二）隱私優先的架構設計，包含 LINE OAuth 身分綁定、Token 最小權限；（三）結合 Flex Message 互動介面與 AI 健康分析模組，讓民眾免裝 App 即可查閱檢驗報告、用藥紀錄與個人化健康洞察。

透過實際程式碼範例與架構圖，展示如何以 Ruby on Rails 搭配 AI 協作，在資源有限的區域醫院完成媲美醫學中心的 SMART 應用。聽眾將帶走一套可落地的隱私優先醫療 AI 開發範式，以及 AI 輔助開發 FHIR 專案的陷阱與最佳實踐。

隨著2026年AI進入到Agentic AI時代，AI不再只是單純回答問題，而是具備自主執行任務與調用工具能力的代理(Agent)。這種高度自主性雖然極大地解放了生產力，卻也為企業帶來了前所未有的資安、合規與營運挑戰。

本次演講將從「安全與管理」的視角出發，並拆解可觀測性架構的核心模組，其包含以下主題：

1. 企業為什麼需要 Agentic AI 可觀測性與挑戰

2. Agentic AI Observability Architecture - 核心模組解析與實作工具

3. AI 可觀測性的未來發展趨勢

透過本議程讓不同面向的AI使用者了解整體Agentic AI 可觀測性架構，為企業的 AI 應用打造兼具創新與安全的堅實護城河。

本議程將剖析企業邁向生成式 AI 落地時，面臨的法規合規、經濟成本與資安威脅等三大核心瓶頸。

講師將引導聽眾理解傳統邊界防禦在 AI 時代的失效原因，深入探討提示詞注入、敏感資料洩漏及自主代理人（Agents）失控等動態執行期風險。 演講重點介紹「數據優先（Data-First）」安全治理架構。透過即時的 Runtime 檢查與 MCP 信任特區（MCP Trust Zone）技術，在數據輸入模型前即時攔阻威脅，並搭配實際工單系統的資安防禦 Demo 情境展示。 

聽眾預期收穫：

聽眾將掌握 Gartner AI TRiSM 治理框架的實務落地戰略，學會如何從控制 LLM 輸入源頭來防範 PII 洩漏與惡意攻擊，協助企業安全地將 AI 從概念驗證（Pilot）推向規模化生產（Production）。

在企業級軟體開發中，要讓 AI 真正成為生產力引擎，不能僅止於發給工程師一套 AI 輔助工具。本議程將還原我們在面對新舊架構 (Monolith & Micro-services) 並存的複雜企業環境時，如何從實務痛點中學習，一步步構建出具備高度資安合規的內部 AI 基礎設施。

我們將分享第一線的真實歷程：從初期發現 AI 因為缺乏「企業背景知識」而導致「跨專案檢索迷航」的窘境，到我們如何開發專屬 Claude Skills 讓 AI 先「懂企業方言」再工作；進而讓 AI 扮演會議室裡的「技術翻譯官」，並結合 MCP 標準與內部知識庫（Genisys），打造出具備主動驗證邏輯的 Agentic Workflow。此外，我們也將分享如何從零打造輕量版的「龍蝦」工具，實現 AI 與企業環境的無縫整合應用。這是一場專注於架構決策、方法論與落地實踐的深度分享，為企業將 AI 從單點工具擴展至全局工作流提供具體參考路徑。

AI 的價值在於整合貫通。面對 AI 落地從「實驗室」轉向「生產線」，企業所需的不再是單一工具，而是具備高整合力與擴充性的生態系。

零壹科技 2026 年全面深化 AI 布局，以 Nvidia 的國際級技術為底座，將各代理品牌「知識治理」、「多模態應用」、「智能陪練」及「運作平台」能力模組化。透過系統性串接資料管線與推論服務，協助企業破除品牌孤島，將複雜技術鏈轉化為高執行力的整合架構。

本議程分享如何縮短從 PoC 到上線的距離，提供策略藍圖與落地建議。聽眾可掌握整合方法論與導入檢核點；現場亦提供參考架構，協助企業將算力轉化為實質行動力。

探索國泰如何微調開源小型語言模型（SLM），與閉源 LLM API 比較成本效益，用於銀行 APP 智慧搜尋功能——在準確度與 Claude Sonnet 3.7 差距僅 6% 的前提下，將單次推論成本降低 380 倍。

我們採用雙軌實驗策略，比較專用型模型（單一場景微調）與通用型模型（多任務微調，涵蓋分類、金融問答與考題），針對 7 款 3B 至 20B 參數的開源模型，系統性測試 prompt 複雜度、RAG 整合、輸出格式與資料集配比等變因。實驗揭示多項發現：微調模型對 prompt 變化的敏感度遠低於 API 模型；同時驗證了「資料品質 > 資料量 > 模型大小」的核心原則，以及邏輯推理能力難以透過標準微調習得的限制。

在成本面，我們提供自建 GPU 與 閉源模型 API 在不同日請求量情境下的完整比較，算出損益平衡點。我們將整個流程萃取為可複用的四階段微調 SOP——從實驗定義、資料準備、實驗設計到訓練評估——為評估 SLM 導入金融合規場景的團隊提供實戰指南。無論你正在優化 LLM 推論成本，或為敏感業務場景打造專屬模型，本場次都能提供可立即應用的策略與經驗。

將 AI 從試驗階段推進到正式上線，常常會在 延遲（latency）、基礎設施成本（infrastructure costs） 與 治理（governance） 上遇到瓶頸。本場分享將介紹一種動態、以邊緣為核心（edge-based）的架構，把推論（inference）的處理從原本靜態、集中式的模型中轉移開來。你將了解所謂「能自我路由的 AI（AI that routes itself）」如何依據距離與負載，在即時運作中智能地把請求導向最適合的 GPU。透過優化且同時具備安全性的推論，你可以達成超低延遲，並在全球最具分散性的網路上，讓你的 AI 堆疊具備未來前瞻性（future-proof）。

本議程分享金融業「智能外撥」專案的實戰經驗，說明 AI 落地不能只依賴單一強模型，而需靠工程架構解決真實問題。專案初期僅使用地端 Kaldi ASR，上線後發現噪音常被誤判為「好」，導致無意願客戶被錯認為有商機。根因在於外撥屬被動接聽、環境噪音高，與 Kaldi 原本表現良好的場景不同。經分析後，設計「雲地雙 ASR＋規則仲裁」架構，同時使用 Kaldi 與 Azure ASR，取長補短，大幅降低誤判並維持效益，成功於一個月內完成 v2.0 上線，提供一套可複製的 AI 改善方法論。

(Agentic AI) 正在改變企業的運作模式，將過往「被動支援」的流程轉化為「自主運算」且「結果導向」的維運體系。

與僅能提供洞察或建議的傳統 AIOps 或生成式 AI 不同，代理式 AI 部署了具備智慧的代理人（Agents），能夠在定義好的安全規範（Guardrails）內，針對端對端的服務工作流進行推理、決策與執行。

對於企業決策者（CXO）而言，這開啟了全新的營運模式：不僅能大幅縮短事件處理時間、減少人工交接的斷層，更能在大規模環境下提升服務可靠性。專業團隊將從無止盡的「救火任務」中解放，轉而專注於系統現代化、韌性建設與技術創新。最重要的是，CXO 只需管控意圖、風險與最終成果，其餘則交由 AI 以機器速度執行——為企業打造一個韌性高、永不中斷的數位服務擴展基礎。

當企業 AI 正從生成式 AI 邁向具備自主規劃、協作與執行能力的 Agentic AI，基礎設施也必須同步升級。本場對談中，Arcfra 將攜手合作夥伴 Netfos，分享企業如何打造兼具雲原生、AI-ready 與高效能的下一代基礎設施，支撐 Agentic AI 的部署與規模化運行。議程將聚焦於 AI 時代對算力、儲存、網路、資料流動與營運管理的新需求，以及企業如何以更簡化、更高韌性與更具成本效益的方式，建立適合 AI Agent 長期運行的基礎平台。透過實務經驗與市場觀察，探討 Agentic AI Infrastructure 如何成為企業未來數位轉型與 AI 落地的核心基石。

As enterprise AI evolves from generative AI toward Agentic AI capable of autonomous planning, collaboration, and execution, infrastructure must evolve as well. In this session, Arcfra and partner Netfos will discuss how enterprises can build cloud-native, AI-ready infrastructure designed for the next wave of AI applications. The conversation will explore the growing demands Agentic AI places on compute, storage, networking, data mobility, and operations management, and how organizations can create a simpler, more resilient, and cost-efficient platform for scalable AI deployment. Drawing from real-world observations and infrastructure practices, the session will examine how Agentic AI Infrastructure is becoming a critical foundation for enterprise AI transformation and production-scale adoption.

當 AI 生成程式碼的方法論與 LLM 能力持續快速迭代，企業在逐步將 AI 納入 SDLC 的過程中，也必須隨技術演進持續調整策略與做法。本議程以規格驅動開發為主軸，分享三階段實踐策略，並結合實作經驗說明，如何運用規則化方法的穩定性與 LLM 的靈活性，在 Human-in-the-Loop 架構下推動人機協作，建立兼具效率、品質與可擴展性的開發模式。

隨著生成式 AI 快速滲透金融業務，期待透過分享台灣金融業領先的實作經驗，探討如何將金管會 AI 指引與國際標準（NIST RMF, ISO 42001）落地為「可程式化」的治理架構。將分享如何建立 AI 生命周期的技術控制項，並預計透過指標衡量模型的公平性與穩健性等等重要評估面相已達「負責任AI」之目的。協助金融機構在確保合規與安全的前提下，實現 AI 驅動的數位轉型。

在 AI Agent 快速推進的浪潮下，MCP 是擴展 AI Agent 能力的關鍵環節。對企業而言，最大的挑戰往往不在模型能力本身，而在如何整合既有系統。企業內部過去已累積大量可用 Web API 與業務服務，若為了導入 AI Agent 而推倒重寫，不僅成本高而風險也大，因此真正需要的是一條最小改動、可漸進的落地路線，將既有 API 轉為 MCP Tools 並納入 Agent 編排。

另一個核心門檻是身分與權限治理，企業 API 通常已有 API Key、JWT Token 或角色權限等機制，而當這些能力被外擴到 AI Agent 以工具形式呼叫時，如何保留原先的授權語意，並提供一致、可稽核、可撤權的治理方式，決定了 AI Agent 是否能安全上線與規模化擴張。

本分享提出務實策略：以 MCP Server 作為中介轉換層，工具化既有 API，並建構面向工具呼叫的 OAuth 授權治理模型，涵蓋 scope 設計、權限映射與稽核追蹤，收斂至可控入口。這套方法雖然不一定全場景適用，但可在多數企業導入 AI Agent 時，大幅降低門檻與成本，提供可落地、可治理、可擴張的整合路線。

想讓 AI 應用像火箭般起飛？本議程將深度拆解 Cloudflare 如何串聯「防禦、開發、管理」三大關鍵路徑。首先透過 AI Crawl Control 築起防禦工事，嚴防數位資產被惡意爬取；核心亮點則是一場全棧實戰 Demo，展示從 Browser Rendering 抓取數據存入 R2，利用 Vectorize 與 RAG 技術驅動 AI Agent，並透過 AI Gateway 與受 Access 保護的 MCP Server 實現安全、低延遲的工具調用。最後，結合 SASE 與 DLP 管理員工行為，確保機密不外洩。從邊緣運算到資安防線，助您在安全合規下實現 AI 轉型！

傳統零售分析每增加一個客戶就要調整一次程式碼，維護成本隨客戶數線性增長。本議程分享如何透過「Config-Driven + AI Agent」架構解決這個問題，將系統拆成兩個階段：Phase 1 由 AI Agent 主導需求探索，透過自然語言對話理解業務需求，動態查詢 BigQuery 驗證篩選條件，並自動生成驅動整套分析流程的 project.yaml 配置；Phase 2 由 Python Orchestrator 主導分析執行，讀取配置後全自動完成 SQL 生成、BigQuery 查詢、資料轉換與視覺化，全程零 AI 介入。從初始架構的演進歷程、AI vs. Script 的兩階段分工原則，到 14 個客戶的實戰經驗，說明 Config-Driven Agentic AI 如何讓新客戶分析時間從 1-2 天縮短至 1-2 小時。

實戰剖析企業轉型的「進化三部曲」。首先，探討如何藉由 Docker 容器化推動 IT 現代化，打造敏捷底盤；接著邁向資訊可視化，以 BI 儀表板協助管理者決策；最後進入全面 AI 賦能，解析 AutoML、前沿的 Vibe Coding 如何降低技術門檻，賦能內部自主開發並釋放生產力。

臺灣企業今年策略明顯從現代化、數位化的傳統數位轉型，變成了生成式 AI 驅動的 AI 轉型。超過 58% 的 CIO 將 GenAI 創新視為年度首要目標，更有 3 成 CIO 要借重 GenAI 來賦能員工，提高個人生產力，尤其是 IT 部門更帶頭擁抱 AI 代理。從 iThome 2026 年 CIO 大調查，可以看到企業從 IT 戰略到 IT 技術佈局的改變，從雲原生邁向 AI 創新和 AI 原生架構的新潮流。

在 AI 重塑每個產業的當下，軟體工程組織正面臨一個關鍵抉擇：主動擁抱 AI 驅動的交付模式，還是在追趕中消耗競爭優勢？

本場簡報從三個維度，帶領技術與商務決策者看清這個轉變的全貌。

首先，我們將透過 Gartner Magic Quadrant 的市場定位，說明為什麼在平台選擇上，信任與長期可靠性比功能清單更重要——以及 GitLab 如何在全球最嚴格的評估標準下持續領先。

接著，我們將深入探討 GitLab Duo Agent Platform 如何將 AI 能力嵌入整個軟體開發生命週期——從需求拆解、程式審查到安全掃描，AI Agent 不再只是輔助工具，而是真正參與交付的團隊成員。

最後，我們將介紹 GitLab Flex 彈性商業模式，如何讓企業在不確定的採購環境中，以最低風險啟動 AI 轉型——從單一團隊開始，按需擴展，不再受席位限制綁架。

三段內容構成一條完整的決策路徑：值得信賴 → 值得投資 → 現在就可以開始。

如果你的組織正在思考下一階段的工程現代化策略，這場對話正是為你而設計的。

AI 使用已快速進入企業日常工作。從文件整理、資料分析到內容生成，許多工作流程已開始與 AI 工具深度結合。然而，當 AI 成為工作日常的一部分，企業真正面對的挑戰，往往不是「是否開放使用」，而是既有的管理方式是否仍足以因應新的工作模式。

本議程將從企業實際面臨的管理問題與常見情境出發，分享包括多瀏覽器環境、Shadow AI、BYOD、個人帳號使用，以及資料在不同 SaaS 與 AI 工具間流動等現象，並探討這些情境如何逐漸改變企業原有的控管邊界。同時也將進一步解析企業在不影響工作效率的前提下，如何重新建立更符合 AI 時代的管理方式。

隨著企業加速採用 AI 輔助軟體開發，一個關鍵問題逐漸浮現：我們究竟能在多大程度上信任 AI 所生成的程式碼？本議程將深入解析 AI 模型如何處理提示 (prompt) — 並非透過真正的理解，而是基於注意力機制所驅動的「上下文加權機率計算」。與會者將能以清晰且實務的角度，了解為何 AI 的輸出本質上具有機率性，以及當提示變得複雜時，如何引入歧義，進而導致結果不一致甚至不可靠。

本場分享強調 AI 時代的一項核心工程原則：AI 生成的可靠性並非來自單一步驟的提示方式，而是來自結構化、分階段的工作流程。因此，安全性必須被系統性地落實於整個軟體開發生命週期。透過結合具確定性的規則式掃描與 AI 輔助的程式碼審查，可在開發者 IDE、Repo 到 CI pipeline中建立持續性的防護機制 (guardrails)，協助企業在規模化導入 AI 的同時，確保安全、合規與交付品質。

廣告內容審核正面臨三大產品挑戰：人工審核標準不一（一致性）、審核週期過長導致廣告上線延遲（時效性），以及跨語言與市場的擴展難度（擴展性）。為解決這些痛點，Taboola 開發了 AI 審核代理人 Argus。Argus 運用大型語言模型（LLM）模擬真人審核流程，能自動針對全球廣告進行政策合規、事實查核及安全性分類。

本演講將深入解析這套生產級 AI 系統的工程實踐。我們將拆解其多階段流水線（Multi-stage Pipeline）如何還原人工工作流，展示 RAG 結合 Few-shot Learning 的實務應用，並介紹我們自研的提示詞評估平台（Prompt Evaluation Platform）。該平台實現了「提示詞的 CI/CD」，確保每一次指令或模型更迭皆通過品質指標門檻。最後，我們將分享此方案帶來的實質效益及未來展望。

當 AI Agent 走入實戰，重點不再是能不能做出一個 Agent，而是如何從「單一 Agent 包辦所有任務」，進化為「只給業務目標，系統即可自主完成分析與決策支援」。本議程以玉山銀行智能金融處 BigQuery 分析代理改版為例，說明如何平滑升級至 Multi-Agent 協作架構，讓系統在接收「2026 營收增加 25%」等目標時，自動完成跨表盤點、討論、特徵工程與建模，並輸出圖表與行動建議。同時分享在工具設計、任務編排與品質控管上的經驗，協助企業打造工程可落地、業務理解的 Agent 系統。

這場工作坊，目的在培養AI素養，探索口說寫作的世界。對象是文職人員、老師、學生。工作坊以 Kenneth Church 巡迴美國大學講授，廣受好評的「Unix for Poets」的講義作為出發點，循序漸進到雲端程式環境，再到直覺式程式開發 (Vibe Coding)。課程分為三個模組：

（一）Unix：透過文本分析的實用範例，介紹 Unix指令列的工具；

（二）Colab：透過互動式筆記本與 AI 輔助程式設計，深化語料分析能力；

（三）Vibe Coding：展示如何運用大語言模型、直覺式程式開發功能，開發語言學習、寫作口說的應用軟體。

學員將實際操作多項任務，包括網路文本蒐集、n-gram 統計、詞組（lexical bundles）與修辭結構（rhetorical moves）擷取，並最終建構「寫作詞彙索引典（Writers’ Concordance）」。本工作坊強調「自己動手做」（DIY）的研究精神，展現古典的Unix 的檔案處理命令和當代 AI 技術如何降低初學者的進入門檻，激發自主、創意的資料分析。透過結合傳統語料語言學與新興生成式 AI，本課程將協助參與者建立分析、寫作的 AI 關鍵能力。

在追求精準的金融投資世界，如何克服 LLM 的「機率性幻覺」？本議程將以「投資i-chat」專案為原型，深入探討針對高複雜金融數據優化的 RAG 實踐路徑。我們將解析如何從數據清洗、表格解析到檢索路徑優化，逐步提升系統處理異質財務資料的「確定性」。透過分享金融專用的評估模型與調優經驗，參與者將了解如何將機率性的語言模型轉化為精準、可靠的投資決策助手，掌握建構金融級 AI 應用的核心工程關鍵。

建築、營造與製造業長期面臨高度的人力流動與分散的業務特質，導致企業核心經驗往往隨「個人」離職而流失，難以轉化為系統化的數位資產。這種資訊斷層不僅增加溝通成本，更隱藏了營運與履約風險。

本議程由專注建築、營造與製造產業數位轉型的經驗出發，分享過去幾年擔任技術顧問時所觀察到的產業轉型困境。我們將從決定開發一個簡單易用的地端Agent開始，探討透過 RAG結合 技能系統，如何將零散的工程圖資與實務經驗內化為企業專屬知識庫。除了技術架構，我們更將分享在私有化部署 (On-premise) 過程中所踩過的技術與維運「坑」。

生成式 AI 正從模型應用走向可執行任務的 Agent 架構，企業也開始面對部署、治理、安全與持續營運的新挑戰。本演講將從 Vertex AI 到 Gemini Enterprise Agent Platform 的演進切入，解析 AI Agent 與傳統 AI 應用的差異，並以 Build、Scale、Govern、Optimize 四層能力，說明 AI Agent 雲端平台的關鍵設計。

在金融場景中，AI 的「推理穩定性」是落地的最後一哩路。本議程將解構「金融級代理人系統」的核心大腦設計，剖析如何透過 Agentic RAG 的多步推理機制與自我驗證流程，解決 LLM 在高風險業務中的幻覺問題。 將深入探討 15+ 多代理人協作的邏輯編排實務，分享如何設計複雜的任務拆解與執行路徑，並整合 LLM as a Judge 的自動化評測機制來確保輸出品質。聽眾將學習到如何優化 Agent 的思考鏈路與回饋循環，建構一套具備高度準確性、可解釋性且能處理複雜金融決策的智慧體架構。

本演講將分享玉山銀行自主研發的 GAI 平台「GENIE」，如何從一個單純的對話工具，演進為能處理複雜任務的多代理人（Agentic AI）系統。內容將從開發者的觀點出發，分享如何從「工程師思維」轉向「產品設計思維」，讓 GENIE 能逐步貼近行內同仁的日常工作當中。以及如何整合多項金融領域的專業型 Chatbot ，成為玉山銀行一站式 GAI 入口的服務平台。議程中也將同步分享 GENIE 的實戰開發經驗，以及如何導入資安防護與預算監控，符合金融業規範與成本控管。

在導入 LLM 與 Agent 開發流程時，團隊常面臨規格難以驗證、品質無法量化、以及回歸測試成本高等痛點。本分享將介紹如何在 AI Agent Coding 流程中結合 Langfuse 與 LLM-as-a-judge，將自然語言規格轉化為可執行的 evaluation，建立自動化的驗證與 feedback loop。你將學到如何使用 llm ai gateway、langfuse tracing、實作 evaluation & judge 流程、抽取 dataset，打造第一個可觀測、可量化的 AI 開發工作流，讓 Agent 系統開發更穩定、更可預測。

1. 用 impression 做 model/framework 選擇決策。使用新 model framework 可能增加 latency 與降低可用度

2. 從 observability 開始: bifrost + langfuse

3. observability 還不夠：Observability != Decision System

4. LLM-as-a-judge 的價值與限制

5. 從 observability 到 closed-loop feedback system

6. evaluation / dataset / regression / decision gate

7. 把 LLM framework 選擇，從 gambling 變成可驗證決策

1. 銀行AI Agent專案在做什麼？

打造銀行業務的個人AI虛擬助理,依使用者提問自行擬定任務流程並執行。具備即時輿情、產業情報、商品文件及經營Domain知識,能分析多元資訊,提供商機重點與經營建議,協助前線同仁快速掌握客戶需求、加速業務推進。

2. 場景價值及效益

大幅縮短客戶經營前置準備時間,僅需透過對話即可取得解決方案,同時強化服務品質與商機探索。

3. 專案架構設計

聚焦Multi-agent技術與Protocol(A2A & MCP),導入行內雲環境。重點包括:多階層Multi-agent架構易於擴充調整、透過A2A/MCP整合Sub-agent與Tools提升複用性、於高精準度環節納入Human-in-the-loop、企業雲原生部署與安全控管。

4. 開發挑戰與解方

鎖定「知識文字化、邏輯明確、高頻使用」場景;採Hybrid機制結合關鍵字與向量搜尋提升召回率;透過權限控管落實資料隔離;建立雙軌評估驗證功能正確性與場景貼合度。

5. 金融業AI落地成功心法

在80/20人機協作與業務邏輯結構化下,克服LLM幻覺與不確定因素,於合規前提下精準鎖定高複用性場景,極大化產值。

AI 是趨勢，但「AI 不怎麼好落地應用」對中小企業來說是現實。

對於預算與資源皆有限的中小企業來說，AI 轉型是通往天堂的捷徑，還是煉獄的開始呢?本次議程由 Ops 經理視角出發，不講艱深的算法，只講血淋淋的經驗。我們將分享在部門解決方案中應用生成式 AI 過程中的笑話、各種無奈與真實痛點，與如何從利用AI輔助個人作業跨到AI輔助部門的推進辛酸史，最後透過切分思維，分享如何將龐大的AI 願景切分成多個可執行的微小目標與階段。如果慢慢發現成本升高但效果不如預期，這場分享可以給你不同的觀點，不能保證立即讓你跳脫「為 AI 而 AI」的迷思，但應該有那麼一點點%數能找回實際優化流程、解放人力的「立體」觀點。

人工智慧炒作(AI Hype)在產業界已導致期望膨脹、資源錯置與決策失真，甚至使部分專案陷入停滯或失敗，對智慧工廠的數位轉型造成實質挑戰。AI Hype對智慧工廠的具體衝擊，包括期望膨脹導致的資源錯置、專案陷入「試點煉獄(Pilot Purgatory)」的困境，以及「為了AI而AI」造成技術應用與問題本質本末倒置的情形。基於前述挑戰，我們提出一套具體的評估與規劃工具，包含「因應AI Hype的策略框架」、「基於SMART原則分類的預防AI Hype實踐藍圖」及「SMART原則評估檢核表」，引導企業在導入AI解決方案過程中，確保專案之可解釋性、可維護性與可複製性。

在 AI 浪潮下，受到高度監管的金融業面臨著『準確度』與『可解釋性』的兩難。本議題將提供另一種 AI 落地思維，以嚴謹的數學最佳化演算法為基底，打造出一顆能『隨需應變』的智能引擎，支撐企業內外部的多樣化理財場景

本議題將分享一個智能理財服務的落地經驗：我們如何以「最大化夏普值（Sharpe Ratio）」的最佳化演算法為核心，透過抽換「限制式（Constraints）」，成功打造兩個截然不同的智能金融服務：

1. 面向理專的「智能理財」：融合研究團隊觀點，執行顧客投資組合的健康檢查與精準優化。

2. 面向顧客的「ETF 投資策略」：依據顧客個人偏好，自動配置最適化的專屬投資組合。

回顧2025年，關稅、戰爭，以及資安與假新聞引發地緣政治的風險，持續成為領導者風險雷達的焦點。國際與在地新聞版面也少不了人工智慧（AI）造成國家、社會、商業與個人各個層面的影響。AI和地緣政治複雜的議題，可能引發其他領域的風險衝擊，成為主管眼中的「黑天鵝」或「灰犀牛」。 美國麻省理工學院（MIT）2025 AI報告指出，95％企業導入AI都失敗。從風險管理實務角度，沒有100%資安防禦，也很難保證100%安全AI。到底以往治理與風險管理實務、標準或框架是否仍然適用？面對多重領域風險時代，如何升級專案管理、資安管理與資安治理以因應AI風險？本次演講將探討AI時代下治理與風險管理思維的演變，進化敏捷與韌性管理實務，並分享帶領國內產業主管工作坊的結論與心得，以期展開國際與國內視角的對話。

ezBundle 是我為了辦活動賣票，一個人用 AI 做出來的售票平台。去年用 AI Coding 寫出 18 萬行的第一版，半年前開始改用 SDD（Spec-Driven Development）接著做，目前累積 30 萬行，其中 99% 的程式碼是 AI 寫的。這場分享想聊的就是 SDD，為什麼我從 AI Coding 走到這裡、SDD 怎麼跑、實際用起來是什麼感覺。

這場會以實際開發經驗為例，示範：

- SDD 三階段流程：提案 → 實作 → 歸檔，每階段的產出與檢核

- 規格如何變成「活文件」，讓三個月後的自己或接手的人都看得懂

- 我自己開發的 SDD 工具 Spectra

- 切換 SDD 前後的真實感受

適合想讓 AI 從「偶爾聽話的玩具」變成「可靠開發夥伴」的工程師。

當企業試圖將AI導入供應鏈風險控管與ESG合規監測時，面臨的最大挑戰通常不是演算法，而是資料的「真實性」與決策的「問責制」。隨著AI從單點對話演進為能自主決策的 AI 代理（Agentic AI），如果缺乏高品質且具備商業脈絡的資料基礎，AI 將因幻覺導致決策災難。

本演講將解構企業如何將碎片化的全球企業資料轉化為可供 AI 代理直接調用的 Agent-Ready Data。我們將深入探討：

- 資料源頭治理：企業如何建立資料的紀錄，確保AI決策的正確性(以DUNS編碼為案例)。

- 負責任AI實踐：探討企業如何建立負責任AI框架，以鄧白氏的11大負責任 AI 準則與AI治理委員會的運作實務，分享如何從業務、技術、合規、法律等維度落實開發生命週期管理（LCE）。

- 最新技術佈局：分享MCP（Model Context Protocol）實作經驗，展示如何建立高品質數據資料與AI 代理間的安全通道。

企業培訓最難回答的問題從來不是「有沒有上課」，而是「人有沒有真的變強」，尤其像需求探索、結構化提問、顧問式對話這類軟性職能，過去幾乎只能靠主管感覺來判斷，完課率和滿意度填不了行為與績效之間的黑盒子，Hahow for Business 在協助企業進行職能升級時，決定用 AI 打開這個缺口，我們從職務現場的真實痛點出發，將職能拆解為可觀測的行為指標，再透過會議逐字稿的 AI 語句分析，讓「有沒有問對問題」「有沒有確認需求」「有沒有給出具體建議」變成可追蹤的數據，本場分享將完整呈現從職能拆解、行為量表設計、AI 自動標記到績效連動驗證的建置過程，包含已落地的模組與仍在迭代的部分，同時坦誠分享行為數據化的隱私挑戰與組織信任議題，這不是一個 AI 很厲害的故事，而是一場「我們怎麼讓職能培訓真正可驗證」的實戰紀錄。內容說明（審稿用，單段落標點分隔）本場分享以 Hahow for Business 實際協助企業進行職能升級的導入經驗為核心，聚焦於需求探索、結構化提問、顧問式對話等過去難以量化的軟性職能，完整呈現一套以 AI 驅動的職能驗證系統建置過程，內容沿著四個階段展開，第一階段「職能拆解與行為建模」，從職務現場痛點出發，盤點核心職能並建立職能、行為、可觀測語句的三層對應模型，第二階段「行為量表與評估設計」，設計四至五級行為評量量表，建立前後測與季度檢核機制，並將行為指標與績效 KPI 對齊，第三階段「AI 行為數據化」，導入會議逐字稿工具，透過 AI 進行語句分類與行為標記，自動生成行為比例報告與趨勢變化，第四階段「能力轉移驗證」，比對訓練前後行為頻率差異，分析行為改變與績效的連動關係，建立季度校準機制持續修正模型，分享中將明確區分已落地與規劃中的模組，並涵蓋行為數據隱私、指標設計陷阱

Foundry Local 是微軟最新推出的企業級 AI 平台，能在本地端環境中安全落地生成式 AI，並與既有 IT 架構深度整合並進行 AI 推論，為 Windows Server 2025 帶來各種系統維運強化功能，為 AI 驅動的自動化提供最佳舞台。

值得一提的是，在 Windows Server 2025 上使用 Foundry Local，不需要 Azure 訂閱，也沒有 Azure RBAC 角色的要求，讓企業和組織能夠以更低門檻、更高自主性導入 AI 能力。

本議程將完整解析 Foundry Local 的運作架構與部署流程，並分享如何在 Windows Server 2025 維運場景中導入，透過 AI 強化系統監控、事件分析與資源調度。

企業導入 Agentic AI 時，常面臨 既有 API 轉換、MCP Tool 控管、Log 收容等挑戰。本議程分享團隊如何透過自建 MCP Gateway，將既有 API 標準化為 MCP Tool，建立統一入口，避免重複開發並強化安全控管。內容涵蓋技術架構設計、Protocol 轉換實作與落地經驗，並說明如何將人工流程轉為 Agentic 流程。

企業導入 LLM 最大的顧慮是資料外洩。無論是 RAG、Fine-tuning 或直接餵入 Context，原始資料終究會經過模型，帶來不可控的風險。本演講提出「零資料接觸架構（Zero Data Touch Architecture）」，透過 Schema-Only Context、Query Proxy、Result Sanitizer 三層設計，讓 LLM 能理解企業資料結構並產生精準查詢，但全程無法接觸任何一筆原始資料。我將分享從概念到落地的完整實作經驗，包含架構設計決策、安全邊界驗證方法、效能與準確度的取捨，以及在應用場景中的真實部署案例與踩過的坑。聽眾將帶走一套可直接複製的企業級 AI 資料安全架構藍圖，以及評估自身場景是否適用的決策框架。

處理海量 FDA 文件時，傳統 Regex 常因排版變動失效。本次演講將分享我們如何打造具備「自我修復」能力的 AI 智能體，解決極端排版的資料提取痛點。

演講亮點：

空間感知驗證： 結合幾何座標與 11 階段混合策略，突破文字結構限制，精準鎖定關鍵資料。

自癒型 Agent： 透過 LangGraph 構建 AI 協作迴圈。當提取失敗時，AI 能自動除錯、動態改寫程式碼並重新驗證，實現系統的自我進化。

雙模型架構落地： 結合本地模型與 GPT-4o，兼顧成本效能並產出高準確率的終極腳本。

預期收穫：

掌握自癒型 AI 系統架構，學會融合「傳統程式穩定性」與「LLM 彈性」，將前沿技術轉化為大幅縮減工時的商業價值。

AI 正在重塑軟體開發流程。玉山銀行資訊處近年推動 AI 驅動開發計畫，將 GitHub Copilot、M365 Copilot 深度導入需求分析、設計、開發、測試、程式碼預審與現代化流程，打造全新的 AI 協作工程模式。

本議程將分享玉山於實際專案中的導入成果與最佳實務，包含生產效率、程式品質、測試覆蓋率與 AI 輔助 Code Review 的提升成效，並展示 AI 在需求梳理、架構設計、程式生成、測試與 Modernization 重構等工程場景中的應用，協助開發者在企業環境中有效且穩定地運用 AI。