美國軟體廠商SAS表示,近兩年環境變動讓企業更仰賴數據分析,SAS台灣總經理陳愷新指出,環境的不確定性,讓組織做判斷的難度大增,因此更仰賴數據來提升決策信心。然而,當數據分析與AI技術被廣用,又帶來另一波規模化的挑戰。這也是為何許多企業開始布局「維運化」(Ops)流程。陳愷新表示,只有讓AI從開發到部署,能在標準流程下被自動監控更新,才能大規模發揮營運價值,解決真實商業問題。

SAS台灣去年營運表現亮眼,主要業務成長動能包括,雲端產品及軟體授權帶來40%的營收成長,獲利領域則包括如風險管理(IFRS17)與詐欺偵測、AI運算管理平台以及智慧醫療方案等。

展望下一波動能,陳愷新表示,將聚焦疫後趨勢與法遵科技,包含數位詐欺、國際保險資本標準(ICS)2.0與氣候風險管理等解決方案,並力推增強的「自動化機器學習(AutoML)」功能,與「維運化(Ops)解決方案」,以確保AI更容易被導入及部署,讓組織的AI投資效益更快體現。

玉山金控打造ModelOps流程 實現AI應用規模化

什麼是維運化(Ops)解決方案?若以實際案例來看,玉山金控為了讓AI服務能在各事業單位實際發揮商業價值,早早就自建機器學習即服務平台(MLaaS)讓各業務單位系統可透過此平台即時呼叫請求AI微服務。

不過,玉山銀行科技長張智星表示,隨著內部AI應用場景愈來愈多元,連接此平台上包含行銷、風控、服務等AI模型累計數量超過上百個,上線後迎來營運端不斷變化的真實資料,要維持一定的預測準確度相當不容易。

舉例來說,過去上線的信用卡盜刷偵測模型,新冠肺炎疫情一來,刷卡習慣圖站改變,許多從實體商店的刷卡行為,紛紛移轉到電商通路,導致既有盜刷偵測失準,突顯模型監控的重要性。張智星解釋,然而,監控流程牽涉到使用的業務單位、資訊處及智能金融處等部門各異的管理機制;且一個情景的模型監控,可能就要耗費多個人天,如果模型失準後,還需要再投入3~6個月重新訓練,不難想像當面對上百個模型,管理難度與時間耗費多麼驚人。

因此玉山攜手SAS,共同打造一個自動化、透明化的模型維運流程(ModelOps),藉以將模型管理作到規模化。這流程包含把所有AI(商用或開源)模型版本、分析專案納管在一個中央儲存庫,設定權限讓應用單位機密不外洩。再來,把整個模型生命週期的管理流程標準化,提高協作效率也便於監控。

最後則是打造統一且透明的回饋機制,讓各應用單位權責人員皆可主動監控異況,同時參與簽核把關模型品質。最重要的是,透過此平台把整個管理與稽核軌跡留存下來,為邁向法遵規範立穩根基。

陳愷新建議,企業除了維運化(Ops)以外,下一波必須掌握「複合式AI(Composite AI)技術,簡單來說,就是在同一個運行框架下,結合不同AI技術,來為複雜商業問題提出最佳解。

陳愷新舉例,譬如一個零售商想要了解如何最佳化定價,過往可使用機器學習技術,運算歷史交易資料、庫存水位、客戶屬性及競品訂價,來定出產品價格區間。但如果想進一步深掘問題層次,像是了解在定價以及促銷策略上該如何取得平衡?最終該最佳化營業額、利潤、市場份額、還是三者間做出情境模擬?面對這樣複雜的商業問題,就需要運用到橫跨機器學習、需求預測、統計及最佳化等AI技術。

此外,複合式AI還可以從小數據中,以集合式的技術找出洞察,可說是AI價值的再進化。

陳愷新也提醒,能養成具備跨AI學科團隊的組織仍是少數,因此企業須尋求可支援複合式AI技術的單一平台,搭配為自身重要商業問題做出定義與排序,制定出「階梯式戰略」才容易取得成功。

#系統 #根基 #統一 #AI #模型