解决真实商业痛点 SAS携玉山、北荣大规模发挥AI营运价值

美国软体厂商SAS表示，近两年环境变动让企业更仰赖数据分析，SAS台湾总经理陈恺新指出，环境的不确定性，让组织做判断的难度大增，因此更仰赖数据来提升决策信心。然而，当数据分析与AI技术被广用，又带来另一波规模化的挑战。这也是为何许多企业开始布局「维运化」（Ops）流程。陈恺新表示，只有让AI从开发到部署，能在标准流程下被自动监控更新，才能大规模发挥营运价值，解决真实商业问题。

SAS台湾去年营运表现亮眼，主要业务成长动能包括，云端产品及软体授权带来40％的营收成长，获利领域则包括如风险管理（IFRS17）与诈欺侦测、AI运算管理平台以及智慧医疗方案等。

展望下一波动能，陈恺新表示，将聚焦疫后趋势与法遵科技，包含数位诈欺、国际保险资本标准（ICS）2.0与气候风险管理等解决方案，并力推增强的「自动化机器学习（AutoML）」功能，与「维运化（Ops）解决方案」，以确保AI更容易被导入及部署，让组织的AI投资效益更快体现。

玉山金控打造ModelOps流程 实现AI应用规模化

什么是维运化（Ops）解决方案？若以实际案例来看，玉山金控为了让AI服务能在各事业单位实际发挥商业价值，早早就自建机器学习即服务平台（MLaaS）让各业务单位系统可透过此平台即时呼叫请求AI微服务。

不过，玉山银行科技长张智星表示，随着内部AI应用场景愈来愈多元，连接此平台上包含行销、风控、服务等AI模型累计数量超过上百个，上线后迎来营运端不断变化的真实资料，要维持一定的预测准确度相当不容易。

举例来说，过去上线的信用卡盗刷侦测模型，新冠肺炎疫情一来，刷卡习惯图站改变，许多从实体商店的刷卡行为，纷纷移转到电商通路，导致既有盗刷侦测失准，突显模型监控的重要性。张智星解释，然而，监控流程牵涉到使用的业务单位、资讯处及智能金融处等部门各异的管理机制；且一个情景的模型监控，可能就要耗费多个人天，如果模型失准后，还需要再投入3～6个月重新训练，不难想像当面对上百个模型，管理难度与时间耗费多么惊人。

因此玉山携手SAS，共同打造一个自动化、透明化的模型维运流程（ModelOps），藉以将模型管理作到规模化。这流程包含把所有AI（商用或开源）模型版本、分析专案纳管在一个中央储存库，设定权限让应用单位机密不外泄。再来，把整个模型生命周期的管理流程标准化，提高协作效率也便于监控。

最后则是打造统一且透明的回馈机制，让各应用单位权责人员皆可主动监控异况，同时参与签核把关模型品质。最重要的是，透过此平台把整个管理与稽核轨迹留存下来，为迈向法遵规范立稳根基。

陈恺新建议，企业除了维运化（Ops）以外，下一波必须掌握「复合式AI（Composite AI）技术，简单来说，就是在同一个运行框架下，结合不同AI技术，来为复杂商业问题提出最佳解。

陈恺新举例，譬如一个零售商想要了解如何最佳化定价，过往可使用机器学习技术，运算歷史交易资料、库存水位、客户属性及竞品订价，来定出产品价格区间。但如果想进一步深掘问题层次，像是了解在定价以及促销策略上该如何取得平衡？最终该最佳化营业额、利润、市场份额、还是三者间做出情境模拟？面对这样复杂的商业问题，就需要运用到横跨机器学习、需求预测、统计及最佳化等AI技术。

此外，复合式AI还可以从小数据中，以集合式的技术找出洞察，可说是AI价值的再进化。

陈恺新也提醒，能养成具备跨AI学科团队的组织仍是少数，因此企业须寻求可支援复合式AI技术的单一平台，搭配为自身重要商业问题做出定义与排序，制定出「阶梯式战略」才容易取得成功。