專案總覽
研華 iEMS 已收齊水、電、氣與設備資料，但對廠務人員與系統整合商（SI）這兩種使用者來說，拿到的都還是 raw data：EcoWatch、HVAC 與不同廠區各自運作，風險判斷仍靠經驗拼湊。我從兩種使用者的決策流程出發，把 AI 從被動問答改成能跨系統取數、主動帶入脈絡，並延伸到長期報表與機台面板的整合藍圖。
成果走查
使用者在需量管理頁點「超約預警」，前台自動帶入時間與地點脈絡，不用打任何字。
產品脈絡
本專案的設計對象為研華科技 WISE-IoT 平台下的兩大能源管理模組。ECOWatch 負責建築能源用量的即時可視化監控；WISE iEMS HVAC 模組則整合 AI 演算法主動優化空調系統能效。兩者共同構成智慧設施管理的核心解決方案，也是本次 AI Chatbot 設計用於整合各項功能的系統。
監控建築內水、電、氣、熱等公共資源的即時用量，整合子計量、能耗分析、即時告警與自動報表功能，協助設施管理者全面掌握能源消耗狀況。平均可達 3–10% 的節能成效，節省 80% 的人工巡查時間。
整合 AI 演算法、IoT 感測與數位孿生技術，對 HVAC（暖通空調）設備進行即時效能監控與異常偵測，透過多維度分析主動化設備運行策略，達到節能降本的目標。
我的角色
與 PM 確立專案目標，協助釐清設計範圍與核心重點，確保 AI Chatbot 設計聚焦於設施管理的實際工作流程。
研究競品功能、設計訪談大綱，協同找出能源管理與設備維護的主要痛點，轉化為設計機會點。
整理使用者訪談內容，參與團隊工作坊，確保收集的需求與痛點能夠完整對應到專案目標。
負責超約預警與模式識別兩項功能的設計，包含線框稿、互動流程與原型，並製作影片分鏡協助利害關係人對齊。
設計流程
建立專案目標、範疇與時程規劃，確認 AI Chatbot 的核心設計重點。
與目標使用者訪談，挖掘關鍵需求、行為模式與痛點，轉化為設計依據。
製作互動原型，與工程師協作確保設計符合 GenAI 技術可行性。
研究現有 AI 競品功能，識別市場趨勢、差異與設計機會點。
設計 AI Chatbot 介面線框，定義資訊架構與核心互動流程。
製作影片展示最終設計體驗，向利害關係人溝通並作為開發對齊依據。
分析洞察
透過產業 AI 工具、能源管理系統競品與 AI 功能模組比較，我們把聊天機器人從搜尋入口重新定位成工作流程介面，協助使用者找出問題來源、診斷異常、做出節能決策。
從 4 個產業 AI 工具中整理出可借鏡的互動模式：摘要、洞察、建議與告警。這些能力可轉化成能源管理場景中的資料理解與主動提醒。
無需撰寫程式即可建立預測性機器學習模型，減少對數據科學團隊的依賴。
自動摘要報表、特定頁面或視覺效果，協助使用者快速掌握關鍵資訊。
根據使用者數據與業務需求提出個人化建議，支援後續行動追蹤。
整合監控系統並根據警報自動通知，協助團隊即時應對事件。
市場上的能源管理系統已開始把設備監控、能源分析、成本最佳化與 AI 洞察整合在同一個工作流程中。
比對研華已上線的功能與市場競品的區別，找出後續可以深化的機會點。
使用者研究
訪談內部廠務人員與系統整合商（SI），釐清終端使用者在設備能耗盤查、能源分析與報告產出中的痛點，並找出生成式 AI 在 iEMS 中能切入的工作節點。
透過內部廠務人員了解終端使用者真實需求與使用痛點，聚焦場地事務管理、設施維護、園區活動服務與園區機電設備。
透過系統整合商了解「機械加工設備製造業」與「電子產品驗證服務業」使用者常見需求與期待，補足不同產業導入情境。
資深廠務管理人員在設備能耗盤查中，需要從設備異常查找、報修、維修到後續追蹤一路處理，但目前許多判斷仍依賴人工經驗與分散資料。
依賴人工設定閾值告警；依賴能管專家或設備商定期盤點設備運轉能效。
異常排除缺乏標準處理流程；原廠通報處理時間過長；在地設備商未必提供維修支援。
需要人工追蹤並記錄問題排除結果與改善效益。
SI 訪談指出，能源分析工作常卡在資料串接、判讀空間與報告產出。當資料不能直接對應設備與能源管理資訊時，使用者很難快速形成可執行的節能決策。
設備資料與能源管理資訊斷聯，無法統整比對並可視化呈現。
缺少判斷空間，不易判讀設備能耗是否正常。
產出過程耗時，儀錶板畫面難以直接應用於報告書。
資料與工作流程斷裂
設備資料、能耗資料、環境資料與維修紀錄分散，使用者需要人工串接才能判斷問題。
判斷依賴經驗
異常判讀、節能策略與維修建議常依賴專家經驗，缺少可複用的標準流程。
輸出難以直接行動
報告、問題紀錄與改善效益需要人工整理，導致追蹤與決策成本偏高。
設計策略
專案研究過後，團隊透過工作坊討論功能優先級，將使用者痛點轉譯為兩個可落地的 AI 應用情境。每個情境都從底層 AI 機制出發，對應到核心功能，最後落到使用者會接觸的介面呈現。
協助使用者擬定最佳用電方案，提前掌握需量風險，避免超約罰款。
底層 AI 邏輯
對應功能策略
介面呈現方式
基於歷史用電與即時數據，預測近期需量並找出可能超約時段。
即時監控峰值負荷與潛在超約風險，提供調控建議。
在需量圖表中顯示預測與風險提示。
需量接近超約風險時主動提醒。
分析季節性、趨勢與外部因素，支持下季用電與電費方案選擇。
評估不同電價策略與契約容量，輔助使用者選擇最佳方案。
以問答方式取得用電與契約策略建議。
：由我負責
主動盤查設備用能模式，偵測異常熱點，並提供維護與能效優化建議。
底層 AI 邏輯
對應功能策略
介面呈現方式
學習歷史能耗資料，辨識正常運行模式並自動標記異常數據點。
交叉比對維運、環境與能源資料，找出設備能耗異常來源。
運用 Email、系統通知指出設備當前問題。
可視化圖表找出設備異常問題。
整合維運與能源管理事件，歸納過去維修經驗與異常原因。
依照維保標準流程與歷史案例，提供原因分析與處理建議。
以問答方式取得維修設備等建議。
：由我負責設計方案
依據前述定義的設計情境，後續迭代將聚焦在幾個會直接影響決策判斷的介面：AI Chatbot、超約預警分析視窗、設備能耗異常分析視窗，以及其中的圖表、資料表與 AI 建議區塊。
先從兩個情境拆出核心使用任務與 AI 介入點，定義後續迭代要驗證的頁面入口、通知方式與建議回饋。
Scenario 1
需求管理決策助手：超約預警
未採納原因
目前的前端介面與 design system 未有此 bar 設計，需要重新刻新的 component，以最低成本導入 AI 機制來說較為麻煩，且需使用者驗證效益。
Scenario 2
設備能效主動維護：模式識別
採納理由
設備能耗問題目前主要由廠務人員手動檢查各項設備，非時刻監控儀表板，為了第一時間通知負責人員，透過系統通知方式（含 Email、簡訊），可以讓負責人員接收到異常後針對性解決狀況。
迭代時主要檢視資訊優先級是否清楚、資料呈現是否符合廠務人員的判讀習慣，以及使用者能否在最少的操作成本下，從異常提示一路理解原因並採取下一步行動。
最初，ECOWatch 與 HVAC 的預設聊天視窗寬度設定為 360px。然而，當使用者需要查看詳細分析內容時，必須點擊按鈕展開聊天視窗，這增加了額外操作步驟，也中斷了整體使用體驗。為了提升可用性，我們將預設聊天視窗寬度從 360px 調整為 640px，使其與展開後的版本一致，讓使用者能更直接、順暢地瀏覽分析內容。
原本的圖表主要呈現單一時間點的異常狀況，使用者只能看到局部的超約警示與數值，較難理解該異常在整體用電趨勢中的位置，也無法快速判斷後續是否仍存在超約風險。
調整後的圖表擴展為完整的需量分析視覺化，補上更清楚的時間軸、kW 單位、目標需量線與預測需量線，讓使用者能同時掌握歷史用電趨勢與未來預測變化。透過不同顏色區分谷時段、尖時段與預測區段，並加入圖例說明與關鍵數值標記，使用者可以更直覺地判讀高風險時段、比較目標值與預測值，進一步支援後續的能源調度與決策。
超約預警分析視窗
AI 建議排版順序修正
原本 AI 建議區塊被放在 modal 的最後一列，使用者需要先瀏覽完設備清單與表格內容後才會看到「建議執行方針」，容易被視為補充資訊。調整後將 AI 建議移到 modal 的第一列優先顯示，讓使用者一打開超約預警分析時，就能先看到 AI 深度分析結果、超約原因與建議處理方式。
趨勢預測分析排版修正
原本的版面將大量文字分析與圖表並排呈現，使用者需要一邊閱讀左側長段落，一邊對照右側圖表資訊，整體閱讀動線較分散。調整後將版面改為由上而下的閱讀順序，先在上方呈現最重要的分析摘要，讓使用者一進入畫面就能快速掌握目前風險狀況，強化了資訊層級、閱讀順序與重點辨識效率。
修正設備識別資訊
原本表格使用「設備編號」作為主要識別資訊，與廠務人員實際查找設備的習慣不一致，且超過 10 筆以上的資料讓使用者需要花更多時間瀏覽。調整後將「設備編號」改為使用者更熟悉的「代號」，並將排名精簡為前 10 筆高耗能設備，讓使用者能更快掌握優先改善對象。
設備能耗異常分析視窗
修正數據來源
原本使用「歷史能耗數據」作為設備異常判斷的主要圖表，偏向呈現耗電量與效能關係，但這些資料並不是廠務人員在日常巡檢中最直接用來判斷設備異常的依據。調整後改為呈現「歷史運轉狀態」，以冷卻水與冰水的進出水溫度變化作為主要分析指標，更符合廠務人員日常巡檢時會查看的設備數據。
修正故障備忘錄
原本的故障備忘錄以簡單表格呈現，資訊較扁平，使用者只能看到單一原因與處理方式，較難判斷故障過去發生的頻率與不同可能原因之間的優先順序。調整後加入 AI 深度分析區塊，先整理歷史異常處理方式，讓使用者能快速掌握可能的故障原因，將過去維修紀錄轉化為可參考的診斷摘要。
最終介面聚焦在告警提示、進階分析與建議生成，讓使用者能從異常發現一路走到決策行動。
Feature 1.1｜自主需量分析
由使用者自主操控介面，從預測、超約預警一路到 AI 建議，讓能源管理從看圖表推進到直接支援決策。
超約風險分析
在需量曲線中標記預測高峰、超約風險區間與 AI 說明，讓使用者快速理解問題發生時間點。
對話式建議
使用者可以透過 AI Chatbot 查詢需量預測、取得超約提醒，並進一步詢問節能建議或高耗能設備排名，快速掌握能源狀況與下一步行動。
點擊「超約預警」按鈕
跳出 AI chatbot，並且自動輸入：請問今日需量預測分析？
AI chatbot 從資料庫中讀取相關資訊，並整合 LLM 回答框架，提供需量分析與折線圖表。另外，提供問題模組供使用者持續深入提問。
點擊「請提供給我避免需量超約的建議。」按鈕，作為新的輸入資訊。AI Chatbot 繼續從資料庫中讀取相關資訊後轉換成結構化文字回覆。
點擊「請提供給我高耗能設備排名。」按鈕，作為新的輸入資訊。AI Chatbot 繼續從資料庫中讀取相關資訊後轉換成圖表，依據耗能排名顯示最需要修復的設備列表。
Feature 1.2｜主動通知預警
由系統後台週期性預測，將問題嚴重程度分級預告使用者，促成決策者快速擬定解決方案。
超約風險分析
在需量曲線中標記預測高峰、超約風險區間與 AI 說明，讓使用者快速理解問題發生時間點。
主動通知
當即時用電預測超約時，透過系統通知提醒風險與建議行動。
點擊通知按鈕
報警等級
AI 分析摘要
快速摘要預測異常的時間點，提供處理對策。
趨勢預測分析
提供報警等級、超約時間點、需量走勢圖分析。
前 15% 高耗能設備排名
根據當前用電量進行排名，提供前 15% 高耗能設備名稱與位置。
Feature 2｜模式識別
設備能耗即時監控，當發生問題時可提供該設備的數據、事件進行分析，提供廠務人員及時修繕建議與故障排除方案。
短期異常診斷
設備運轉出現狀況時，可透過 AI 提供問題摘要、從進出水溫度數據、事件資料找出問題來源，並搭配故障排除手冊解決難題。
主動通知
當設備能耗異常時，透過系統通知提醒風險與建議行動。
點擊通知按鈕
報警等級
AI 分析摘要
擷取異常點位、設備狀況及處理對策等重要資訊提供給設備管理人員。
歷史運轉狀態
呈現詳細異常事件說明，提供異常設備過去一個月冰水與冷卻水的進出水溫度變化圖，於圖表中顯示該設備發生異常問題的時間點。
事件分析
包含該設備過去發生的詳細事件紀錄，列表中涵蓋事件類別、預期影響、發生時間。
故障的建議處理方式
AI 透過維修手冊的資料，結合點位的實際發生異常紀錄，總結故障代碼，指出主要發生原因，並提供排除異常的解決方法。
UI 影片呈現兩個 feature 的完整操作：從觸發告警、查看圖表分析，到取得系統建議與後續處理。
超約預警操作流程
模式識別操作流程
下一步
UI/UX 設計階段完成後，專案將進入工程實作與 AI 能力持續優化階段。設計師已先定義 AI Chatbot 的使用情境、互動流程與介面體驗；接下來，後端工程師將承接這些設計方向，進一步建構 AI 資料庫、訓練模型能力，並將設計中的功能情境轉化為可運作的系統架構。
透過 Azure OpenAI 與本地端 Llama 模型協作，在兼顧廠區資料安全與運算效能的前提下，設計低延遲、高準確度的資料處理流程。資料流將透過 LangChain 進行 Pipeline 封裝，並優化文本切塊與向量檢索機制，讓 AI 能更準確地回應廠務管理、設備維護與能源分析問題，最終封裝為企業內部可使用的知識問答 API。
將 AI 預測模型串接至涵蓋多站點的監控環境，讓系統能持續分析每日用電負載曲線，並建立自動化的閾值警報流程。當 AI 預測即將發生用電尖峰或超約風險時，系統能提前觸發警報，協助管理端即時進行電力調度與降載，達到預防性的能源控管目標。
智慧工作流程平台願景
最終，我們期待這套 AI 系統能從「把 Chatbot 回答得更好」，逐步長成支援廠務管理決策的智慧工作流程平台。隨著 AI 資料庫更完整、模型判斷力持續提升，系統會幫使用者更快讀懂數據、預測風險、拿到行動建議。
學習反思
期中發表讓我發現，功能完整不等於價值清楚。面對不熟悉能管系統的聽眾，必須先建立角色、情境與決策阻礙，再讓痛點緊接對應畫面，設計價值才不會消失在操作細節裡。
研究後我發現，不能期待廠務人員每次都主動打開聊天框，還要先想好怎麼問。因此，我改成讓系統在適合的時機主動顯示分析，例如直接放在原本的圖表、透過通知提醒，再讓使用者需要時繼續追問。
面對複雜的需量計價規則，我先和產品、資料及工程團隊確認資料多久更新一次、什麼情況算超約，以及系統要怎麼找出高耗電設備。把規則拆清楚後，我才能知道哪些資訊可以直接顯示，哪些還不能過度承諾。
能源管理不能直接相信 AI 看起來合理的答案。因此，工程團隊先限制它能回答的問題和可使用的資料，並把結果定位成協助判斷的參考，而不是直接替人做決定。現場人員也能記錄最後的處理方式，讓這些經驗成為之後分析的依據。
