• 會員中心
  • 訂閱管理
  • 常見問題
  • 登出

趨勢觀察/智能維運 搶快求準 競爭添優勢

企業開始著眼「智能維運」流程,讓AI從開發到部署被自動化監控,解決規模化挑戰。Getty Images/提供
企業開始著眼「智能維運」流程,讓AI從開發到部署被自動化監控,解決規模化挑戰。Getty Images/提供

本文共1539字

經濟日報 王皓正

元宇宙、純網銀、純網保、開放銀行等新趨勢崛起,加上全球環境持續震盪,商業場景瞬息萬變,企業做出商業決策的難度大增。據調查,疫情後企業對資料科學的需求大增,持續加碼AI技術,以期在各場景能快速識別消費者需求以及風險,搶快求準來保持競爭優勢。

AI技術提升商業價值

對此,全球人工智慧領導廠-SAS台灣總經理陳愷新解析,「在不確定的時代,數據的價值更被凸顯。但也要留意,AI技術被廣用後,下波將是『規模化』的挑戰。」

推薦

他指出,隨著企業AI應用場景愈來愈多元,加上這些AI模型進入營運端後不斷加入大量真實資料,要同時管理多個模型,且維持預測準確度不易。「企業要開始著眼布局『智能維運』(ModelOps)流程,才能讓AI從開發到部署被自動化監控,解決規模化挑戰,發揮實際商業價值。」

據IDC調查指出,企業一年花費在分析上的預算多達1,891億美元,卻只有35%企業能夠將模型部署到營運流程裡。

陳愷新觀察,AI落地的最大挑戰有三。一是模型數量開始增加,部署時間也暴增。像是有零售業者想把最適合商品推薦的預測模型,從過去的VIP顧客擴增到預測各類型顧客。綜合考量顧客群,商品品項,還有要應用的演算法等分析,團隊可能就會從過去僅須建立一種模型,暴增到需要建出近千種預測模型。

二是AI專案從情境確認、數據分析到每一次模型與前線業務單位串接營運,企業內部都須花費大量時間溝通,協作不易。

第三則是等到模型上線後,又會因情境需求改變,像是顧客喜好或經濟環境變動等,以及數據日益增長又帶來新洞察,讓準度下降。一個AI模型重新訓練就得花上三~六個月,如果同時迎來上百個模型,投入的時間成本恐難被允許。

因此,AI專案成功的關鍵在於能讓數據分析部門、IT管理部門和前端業務部門之間,從AI模型的開發、部署到營運流程做到「標準化」與「自動化」,讓AI服務上線加速,才能讓AI應用的效益最大化。也就是導入所謂「智能維運」(Ops)流程,若針對AI模型生命周期而言,即業界近日所稱之ModelOps。

身為國內金融界AI領頭羊,玉山金控即領先導入ModelOps流程。玉山金控早前自行打造一個供應內部單位AI的服務平台,上面連結包含行銷、風控、服務等AI模型,隨著各單位應用增加,平台上的模型累計數量已超過上百個,為了維持AI模型預測的準確度,管理難度大幅增加。

打造最大化應用效益

如早前上線的信用卡盜刷偵測模型,受疫情影響刷卡習慣從實體商店移轉到電商通路,這些改變導致既有盜刷偵測失準。為能有效監控AI模型,玉山金攜手SAS導入ModelOps流程,把所有AI模型版本、專案納管在中央儲存庫;並將模型生命周期管理流程標準化,提高協作效率;最後打造統一且透明的回饋機制,讓各應用單位權責人員主動監控異況,把關AI模型的品質,將監控模型作業,從三天縮短到數分鐘。

陳愷新強調,除了掌控AI效益,玉山金還透過這流程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。

在國外,日本瑞穗銀行也以ModelOps,讓AI協助自家個人貸款部門增加作業效率。以前內部需要數周時間才能完成貸款審核作業,現在最快30分鐘就能完成,讓處理量能大增。像是以前每個月所能處理房貸件數最多80個,現在每月可處理案件數成長百倍達上千個。

這波智能維運趨勢,從金融業也吹進醫療界。台北榮總去年發表即時血液透析人工智慧預判系統,為腎友做到90%準確率的個人心衰竭風險預判。他們也將攜手SAS在雲端環境上導入ModelOps,讓AI模型不斷自動被監控,確保輔助診療的安全性。

儘管智能維運流程是重大趨勢,陳愷新仍提醒,ModelOps是一種精神文化,企業要因地制宜,需要選擇具有彈性的開發平台,才能讓AI投資的每一塊錢都能花在刀口上,達到決策最佳化的終極目標。

※ 歡迎用「轉貼」或「分享」的方式轉傳文章連結;未經授權,請勿複製轉貼文章內容

延伸閱讀

上一篇
法律頻道/Banking 4.0 帶來創新契機
下一篇
法律頻道/數位發展部的新使命

相關

熱門

看更多

看更多

留言

完成

成功收藏,前往會員中心查看!