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）。

1. 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。
2. 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。
3. 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。

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。

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：

1. 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）。
2. 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。
3. 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。
4. 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。

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。