每個分數都有理由
每個分數都附有背後具體行為的清晰解釋 — 營運商、決策者與監管者都能理解。
平台
YAS 引擎如何運作。
YAS 把機械行為整理成單一、清晰的即時風險分數——協助車隊營運更安全，並支援持牌保險公司定價；最終定價決定權由保險公司保留。
1.83M
已評分行程
24M km
已評分公里
636K
駕駛小時
12.5 TB
機械數據存檔
三個步驟
每個評分背後的三個步驟。
三個代理把即時行為變成單一 AURA 評分，再交給營運商、保險公司與風險團隊使用。
數據來源
電動車
自動駕駛車
無人機
機械人
- 01
採集與情境
數據流程代理
由 事件 API 與 SDK ＋ ODD 引擎 驅動
採集每部機械的數據，再標註每個事件發生時的條件。
- 02
AURA 評分
風險評分代理
由 評分模型 驅動
把已標註行為整理成單一即時 AURA 評分，供營運商與保險公司據此行動。
AURA 評分
標準化分數
- 03
回饋循環
指導 / 校準代理
由 指導與真實索償 驅動
把結果回饋回去——輔導車隊更安全運作，並依真實索償令下一個評分更精準。
一個評分，多方持份者
面向營運商更快的營運行動
凸顯並改善風險行為 — 更安全的運作、更低的損失。
面向核保方與資本方更精準定價的風險
可解釋、因子層級的風險視圖，輔助定價。
面向風險團隊即時組合風險
近即時監控組合與行程層級風險，並附警示。
事件 API 與 SDK
每項數據，在發生的瞬間捕捉。
車內一個小裝置每秒多次記錄機械如何行駛 — 運動與 GPS — 並即場整理數據。在雲端，每趟行程都會對應到當時的即時天氣，以及它實際行駛的道路。
運動與姿態
車內 IMU：前向、橫向與垂直加速度、俯仰／橫滾／偏航、旋轉率、G 力與航向。
定位與行程
GPS 位置、速度、航向與海拔，以及每趟行程的距離、時長與時區。
天氣
即時雨量、氣溫、紫外線指數、濕度與天氣警告。
道路與路線
經地圖匹配的道路類別、路面、環境、限速、城市密度、曲率與海拔。
機械數據
數據留在機械附近。
YAS 在靠近源頭處採集四個原始來源 — 運動、定位、天氣與道路 — 構成單一具行為感知的記錄。
運動
前向加速度橫向加速度垂直加速度旋轉與航向
定位
位置速度航向行程形狀
天氣
雨量氣溫紫外線指數濕度
道路
道路類別路面限速環境
運動
前向加速度
沿行進方向的煞車與加速。
運動
橫向加速度
左右轉彎的橫向力。
運動
垂直加速度
路面衝擊與粗糙度。
運動
旋轉與航向
俯仰、橫滾、偏航、旋轉率與羅盤航向。
定位
位置
持續取樣的緯度、經度與海拔。
定位
速度
每個取樣的 GPS 地面速度。
定位
航向
對地行進方向。
定位
行程形狀
距離、時長、起訖點與行程中心及半徑。
天氣
雨量
即時分區雨量。
天氣
氣溫
按地點的環境溫度。
天氣
紫外線指數
紫外線水平與暴露等級。
天氣
濕度
相對濕度，以及生效中的天氣警告。
道路
道路類別
高速公路、主要、次要、住宅等。
道路
路面
鋪面、瀝青與路面質素。
道路
限速
路段的張貼最高速度。
道路
環境
隧道、橋樑與城市密度。
資料情境標註
在真實情境中解讀風險。
原始數據若無情境便難以判斷。急煞在乾燥高速公路上可能很平常，在學校區的濕滑下坡卻值得警覺。
ODD 引擎為每個事件標註它發生時的確切條件 — 道路、車速、天氣、密度 — 讓風險在情境中被解讀，而非抽空判斷。這份歷史本身也是累積優勢：新進者無法為從未記錄過的路況追溯標註，而我們的數據隨每趟行程持續累積。
運作設計領域
- 道路類別
- 速度區間
- 曲率
- 坡度
- 車道
- 路面
- 城市情境
- 道路環境
- 交通密度
- 天氣
24M km
已標註 ODD 的里程
我們追蹤的風險因子
超速
- 超速頻率
- 超速強度
- 相對交通超速
- 特定環境超速
- 彎道超速
縱向控制
- 煞車頻率
- 加速頻率
- 坡度調整煞車強度
- 坡度感知加速強度
- 滾動停車頻率
穩定性與操控
- 高 G 力事件
- 突然變線
- 駕駛穩定性（曲率）
- 加加速度平順度
駕駛狀態
- 疲勞訊號
環境與情境風險
- 路面風險
- 運作區域密度
- 天氣相關頻率
- 陽光眩光風險
- 高風險區域地理圍欄
效率
- 過度怠速
評分模型
AURA 以同一尺度為任何機械評分。
YAS 把每趟行程拆解為約一百個風險因子，再整合成單一分數 — 任何車輛、車隊或機械，無論身處何地，都用同一把尺。
- ~100
- 標準化風險因子
- 17
- 安全參數
- 1,831,210
- 已追蹤電動車隊行程
而且它會解釋自己。當分數變動，YAS 會指出是哪些行為造成的 — 而不只是說它變了。這個「為甚麼」，才是核保方真正能據以行動的。
AURA 評分
1
追蹤行為
速度、煞車、轉彎與位置。
2
拆解指標
拆成 17 項風險指標。
3
逐項評分
對照車隊評分。
4
標準化評分
單一 0–100 評分。
5
行為獎勵
安全運作可獲獎勵。
6
校準
結果重新校準權重。
評分如何建立
產品視圖
五個產品畫面，同一套即時風險資料。
五個產品畫面展示 YAS 如何把原始機械數據整理成風險智能：追蹤機械、整理風險，並讓車隊營運商與保險夥伴看到同一份資料。
01 / 05
即時機械追蹤
把所有活躍機械放到同一張地圖上
配送機械人、電動的士、AV — 顯示即時速度、YAS 分數與事故旗標。Robot-07 在路線中途停下：系統已標示速度異常，並觸發保單檢視。
密碼學溯源
清楚可查的已驗證記錄。
一個分數，唯有營運商以外的人願意信任，才算數。YAS 把每筆記錄整理成證據，並附三項保證。
密碼學溯源
由採集到認證的防篡改鏈。記錄無法被追溯更改。
結構性中立
營運商無法編輯自身記錄。防火牆屬架構性，而非合約性。
受監管地位
受監管牌照與承保方共同簽署，使認證具備監管機構已認可的依據。
營運商為自身安全作認證，等同自己批改自己的功課。中立性才是重點 — 而它建構於架構之中，並非合約上的承諾。
管治
信任不容妥協。
監管機構期望 AI 公開、可問責且易於解釋。YAS 從第一天起便如此建立 — 而非事後補上以通過審查。
[符合監管要求]
按監管機構對 AI 的期望而建立。
[完整審計軌跡]
每項輸入、評分與解釋均加上時間戳並保留。
[清晰易懂的理由]
每個評分都附有人人可讀的清晰解釋。
[由人作決定]
由具資格的人員作出最終決定。
[公平性測試]
評分經檢驗，確保沒有任何群體受到不公對待。
由人作最終決定
YAS 提供風險全貌，但從不作出決定。每項決定均由具資格的人員審核及簽署。
更新先經測試
任何模型更新上線前，都會以真實營運數據測試，並須通過嚴格的安全檢查。
一切皆有紀錄
每項輸入、評分與建議均經記錄並加上時間戳，任何決定日後皆可追溯與檢視。
實際應用
獲機械經濟各方信賴。
面向電動車隊營運商司機風險與安全監測
每位司機的 AURA 評分凸顯高風險行為與改善方向 — 更安全的車隊、更低的損失。
面向保險公司動態、按行為定價
持牌保險公司根據 AURA 評分支援按行為定價——保費可反映真實駕駛，而非靜態替代指標；批核權限仍屬保險公司。
面向機械人營運商安全與損失降低
機械人的 AURA 評分顯示其運作有多安全 — 減少事故與損失，並讓新部署從第一天起就建立可信的紀錄。